-QUE ES UNA RED NEURONAL

Principales caractersticas de las redes neuronales: Aprendizaje Adaptativo. Capacidad de aprender a realizar tareas basadas en un entrenamiento o en una experiencia inicial. Auto-organizacin. Una red neuronal puede crear su propia organizacin o representacin de la informacin que recibe mediante una etapa de aprendizaje. Tolerancia a fallos. La destruccin parcial de una red conduce a una degradacin de su estructura; sin embargo, algunas capacidades de la red se pueden retener, incluso sufriendo un gran dao. Si se lesiona una parte se continan generando cierto nmero de respuestas correctas. Operacin en tiempo real. Los cmputos neuronales pueden ser realizados en paralelo; para esto se disean y fabrican mquinas con hardware especial para obtener esta capacidad. Fcil insercin dentro de la tecnologa existente. Se pueden obtener chips especializados para redes neuronales que mejoran su capacidad en ciertas tareas. Ello facilitar la integracin modular en los sistemas existentes.

Aplicaciones de las redes neuronales: Las caractersticas de las redes neuronales hacen que sus posibles aplicaciones sean muy amplias. Algunas de las aplicaciones ms destacadas son:

Reconocimiento de patrones de clasificacin: o Reconocimiento de voz, de caracteres manuscritos,... o Anlisis y reconocimiento de imgenes, formas,... o Diagnostico clnico. Anlisis de series temporales y prediccin: o Modelos meteorolgicos. o Prediccin del comportamiento. o Prediccin de series temporales. Robtica

-Implementacin en aplicaciones: A la hora de implementar una red neuronal como parte de un programa o sistema informtico, se pueden distinguir 3 fases bsicas: Diseo: en esta fase se elige el tipo de red neuronal a usar (la arquitectura o topologa), el nmero de neuronas que la compondrn,... Entrenamiento: en esta fase se le presentan a la red neuronal una serie de datos de entrada y datos de salida (resultados), para que a partir de ellos pueda aprender. Uso: se le suministran las entradas pertinentes a la red, y esta genera las salidas en funcin de lo que ha aprendido en la fase de entrenamiento. http://perso.wanadoo.es/alimanya/intro.htm

Analoga

- QUE ES UN NEURON (NEURONA RED NEURONAL)

Funcin de entrada: es la operacin del vector de entrada por el peso sinptico. (Los pesos sinpticos puede ser excitatorios (positivos) o inhibitorios (negativo) de acuerdo a su valor.) Funcin de activacin: (Habilitar Red) Varios tipos:

Escaln: y = 0 si x<0; y=1 si x>=0

Funcin de salida: El valor resultante. Los valores de salida estn comprendidos en el rango [0, 1] o [-1, 1] (reales). Tambin pueden ser binarios {0, 1} o {-1, 1} (binarias) Dos de las funciones de salida ms comunes son: Ninguna: este es el tipo de funcin ms sencillo, tal que la salida es la misma que la entrada. Es tambin llamada funcin identidad. Binaria:

Niveles o capas de una red neuronal. - De entrada: es la capa que recibe directamente la informacin proveniente de las fuentes externas de la red. - Ocultas: son internas a la red y no tienen contacto directo con el entorno exterior. El nmero de niveles ocultos puede estar entre cero y un nmero elevado. Las neuronas de las capas ocultas pueden estar interconectadas de distintas maneras, lo que determina, junto con su nmero, las distintas topologas de redes neuronales. - De salidas: transfieren informacin de la red hacia el exterior.

En la Figura 4.1 se puede ver el ejemplo de la estructura de una posible red multicapa, en la que cada neurona nicamente est conectada con neuronas de un nivel superior. Notar que hay ms conexiones que neuronas en s; en este sentido, se dice que una red es totalmente conectada si todas las salidas desde un nivel llegan a todos y cada uno de las neuronas del nivel siguiente.

Mecanismos de aprendizaje: El aprendizaje es el proceso por el cual una red neuronal modifica sus pesos sinpticos en respuesta a una informacin de entrada. Los cambios que se producen durante el mismo se reducen a la destruccin, modificacin y creacin de conexiones entre las neuronas. En los sistemas biolgicos existe una continua destruccin y creacin de conexiones entre las neuronas. En los modelos de redes neuronales artificiales, la creacin de una nueva conexin implica que el peso de la misma pasa a tener un valor distinto de cero. De la misma manera, una conexin se destruye cuando su peso sinptico pasa a ser cero. Por lo tanto, se puede afirmar que este proceso ha terminado (la red ha aprendido) cuando los valores de los pesos permanecen estables (dwij/dt = 0). Hay tres conceptos fundamentales en el aprendizaje: Paradigma de aprendizaje: informacin de la que dispone la red. Regla de aprendizaje: principios que gobiernan el aprendizaje. Algoritmo de aprendizaje: procedimiento numrico de ajuste de los pesos. Hay dos mtodos de aprendizaje importantes que pueden distinguirse: a- Aprendizaje supervisado. b- Aprendizaje no supervisado. a) Supervisado: Se caracteriza porque el proceso de aprendizaje se realiza mediante un entrenamiento controlado por un agente externo (supervisor, maestro) que determina la respuesta que debera generar la red a partir de una entrada determinada. El supervisor controla la salida de la red y en caso de que sta no coincida con la deseada, se proceder a modificar los pesos de las conexiones, con el fin de conseguir que la salida obtenida se aproxime a la deseada. En este tipo de aprendizaje se suelen considerar, a su vez, tres formas de llevarlo a cabo, que dan lugar a los siguientes aprendizajes supervisados: Aprendizaje por correccin de error. Consiste en ajustar los pesos de las conexiones de la red en funcin de la diferencia entre los valores deseados y los obtenidos a la salida de la red, es decir, en funcin del error cometido en la salida. (Un ejemplo de este tipo de algoritmos lo constituye la regla de aprendizaje del Perceptron, la regla de aprendizaje Delta o regla del mnimo error cuadrado, la regla de aprendizaje de propagacin hacia atrs o de backpropagation.) Aprendizaje por refuerzo. Se basa en la idea de no disponer de un ejemplo completo del comportamiento deseado, es decir, de no indicar durante el entrenamiento exactamente la salida que se desea que proporcione la red ante una determinada entrada. (Probabilidades)

Aprendizaje estocstico Consiste bsicamente en realizar cambios aleatorios en los valores de los pesos de las conexiones de la red y evaluar su efecto a partir del objetivo deseado y de distribuciones de probabilidad. ( analoga en trminos termodinmicos)

b) No supervisado o auto-organizado: Las redes con aprendizaje no supervisado (tambin conocido como autosupervisado) no requieren influencia externa para ajustar los pesos de las conexiones entre sus neuronas. La red no recibe ninguna informacin por parte del entorno que le indique si la salida generada en respuesta a una determinada entrada es o no correcta. Estas redes deben encontrar las caractersticas, regularidades, correlaciones o categoras que se puedan establecer entre los datos que se presenten en su entrada. Existen varias posibilidades en cuanto a la interpretacin de la salida de estas redes, que dependen de su estructura y del algoritmo de aprendizaje empleado. En este tipo de aprendizaje se suelen considerar, a su vez, dos formas de llevarlo a cabo, que dan lugar a los siguientes aprendizajes supervisados: Aprendizaje hebbiano. Pretende medir la familiaridad o extraer caractersticas de los datos de entrada. (Ejemplo: la regla de aprendizaje de Hebb) Aprendizaje competitivo y comparativo. Se orienta a la clusterizacin o clasificacin de los datos de entrada. Como caracterstica principal del aprendizaje competitivo se puede decir que, si un patrn nuevo se determina que pertenece a una clase reconocida previamente, entonces la inclusin de este nuevo patrn a esta clase matizar la representacin de la misma. Si el patrn de entrada se determin que no pertenece a ninguna de las clases reconocidas anteriormente, entonces la estructura y los pesos de la red neuronal sern ajustados para reconocer la nueva clase.

-ALGORITMOS GENTICOS

Los Algoritmos Genticos pertenecen tambin al mbito de la Inteligencia Artificial. y utilizan las reglas de la gentica para resolver problemas matemticos. Tienen mltiples aplicaciones tales como: - Optimizacin de la carga de contenedores, Diseo de circuitos, Robtica , Prediccin , Seleccin de variables, etc.

Las reglas de la gentica funcionan con gran eficacia para optimizar un resultado eligiendo entre millones de posibilidades, tanto en la naturaleza como en los procesos matemticos. El emparejamiento, la herencia, la mutacin y la seleccin son reglas que funcionan para conseguir la adaptacin a una situacin. En la naturaleza estos procesos se extienden a lo largo de siglos, pero en un ordenador se pueden emular en pocos segundos.

El algoritmo gentico enfatiza la importancia de la cruza sexual (operador principal) sobre el de la mutacin (operador secundario) y usa seleccin probabilstica. El algoritmo bsico es el siguiente: Calcular la aptitud de cada individuo.

poblacin.

COMPUTACIN EVOLUTIVA
La computacin evolutiva es una rama de la inteligencia artificial que involucra problemas de optimizacin combinatoria. Se inspira en los mecanismos de la Evolucin biolgica. Estudia algoritmos de bsqueda y optimizacin inspirados en los mecanismos de la gentica y la seleccin natural. Estos algoritmos han sido aplicados exitosamente en reas muy variadas: medicina, ingeniera, economa, robtica, aeronutica, y biotecnologa entre otras. La Programacin Evolutiva enfatiza los nexos de comportamiento entre padres e hijos, en vez de buscar emular operadores genticos especficos (como en el caso de los Algoritmos Genticos). El algoritmo bsico de la Programacin Evolutiva es el siguiente:

mediante torneo (normalmente estocstico) para determinar cules sern las soluciones que se retendrn. La Programacin Evolutiva es una abstraccin de la evolucin al nivel de las especies, por lo que no se requiere el uso de un

operador de recombinacin (diferentes especies no se pueden cruzar entre s). Asimismo, usa seleccin probabilstica.

SISTEMAS DIFUSOS
Est constituido por tres bloques principales: el de transformacin de los valores numricos en valores de Lgica difusa; el motor de inferencia que emplea las reglas; y el bloque de conversin de los valores de la Lgica difusa en valores numricos. En resumen, puede decirse que un sistema basado en lgica difusa acta como lo hara una persona que tuviera que reaccionar ante trminos tan imprecisos como caluroso o rpido Si al sistema se le incluye una regla que diga Si la temperatura es calurosa se ha de acelerar el ventilador, se estar aplicando el principio de If/Then y el sistema funcionar sin regirse por conceptos matemticos precisos.

RELACIONES

LGICA DIFUSA La Lgica Difusa es una generalizacin de la lgica multivaluada. Permite utilizar conceptos aproximados, por lo que el razonamiento tambin ser aproximado. En Lgica Difusa todo es cuestin de GRADO, incluso la verdad (Zadeh, 1975 y 1988): Un Grado de Verdad puede ser: Un Valor Numrico del intervalo [0,1]. Ejemplos: 0.5, 0.75... Una Etiqueta Lingstica. Ejemplos: ms o menos verdad, bastante... Resumiendo, un grado de verdad es un conjunto difuso.

 Con estas bases, han surgido trabajos en diversas lneas: Puede verse la lgica difusa como un lenguaje de primer orden con una semntica especial (Novak, 1992). Puede verse la lgica difusa como una herramienta para la resolucin de problemas y la toma de decisiones (Zadeh, 1975 y 1979; Tsukamoto, 1979; Pedrycz, 1995).

Se basa en lo relativo de lo observado como posicin diferencial. Este tipo de lgica toma dos valores aleatorios, pero contextualizados y referidos entre s. As, por ejemplo, una persona que mida 2 metros es claramente una persona alta, si previamente se ha tomado el valor de persona baja y se ha establecido en 1 metro. Ambos valores estn contextualizados a personas y referidos a una medida mtrica lineal.