Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Resumen Cuando hablamos de inteligencia artificial hacemos alusin a un tipo de inteligencia basada en los seres humanos de hecho se pueden tomar como modelos artificiales que emulan el cerebro o tericamente maquinas inteligentes; sin embargo las redes neuronales artificiales poseen unas serie de caractersticas que determinan el funcionamiento de la misma, es as como las neuronas artificiales se combinan entre s para formar estructuras multicapas que responden a ciertas situaciones. Abstract When we talk about artificial intelligence we refer to a type of intelligence from human beings in fact can be taken as artificial models that emulate the brain or theoretically intelligent machines, but artificial neural networks possess a number of characteristics that determine the functioning of thereof, so as artificial neurons are combined together to form multilayer structures that respond to certain situations. Palabras Claves: Inteligencia artificial, redes neuronales multicapa, perceptrn, modelo neuronal, entrenamiento, matlab.
1. Introduccin En este documento se muestra un uso prctico de las redes neuronales, sus aplicaciones bsicas y una gua de identificacin de las propiedades bsicas, es as como se emplean un documento que refleja de forma amplia las redes multicapa, se realiza un modelo bsico de un perceptron y su entrenamiento mediante iteraciones con el fin de establecer el modelo y sus pesos, as mismo se aplica el mismo modelo neuronal a una validacin en matlab, y finalmente de forma ms aplicada a la ingeniera biomdica se realiza un anlisis a un sistema de clasificacin mediante medidas fisiolgicas. 2. Marco terico 2.1 Definicin 1) Una nueva forma de computacin, inspirada en modelos biolgicos. 2) Un modelo matemtico compuesto por un gran nmero de elementos procesales organizados en niveles. 3) Un sistema de computacin compuesto por un gran nmero de elementos simples, elementos de procesos muy interconectados, los cuales procesan informacin por medio de su estado dinmico como respuesta a entradas externas. 4) Redes neuronales artificiales son redes interconectadas masivamente en paralelo de elementos simples (usualmente adaptativos) y con organizacin jerrquica, las cuales intentan interactuar con los objetos del mundo real del mismo modo que lo hace el sistema nervioso biolgico.
Las redes neuronales son una rama de la Inteligencia Artificial. En las redes neuronales el conocimiento se incorpora mediante el aprendizaje a partir de ejemplos. 2.2 Modelos neuronales Los modelos neuronales son similares o incluso en muchos casos idnticos a otros modelos matemticos bien conocidos. Se suelen
2
Pesos Incremento (D(x)*patrn donde se fall) D(x)=-1 1(-0.5)=-0.5 1(-1)=-1 1(-1)=-1 Peso nuevo (Peso anterior+ incremento) 2-0.5=1.5 1-1=0 -0.5-1=-1.5
e.
Se realizaron dos pocas y no se encontraron los pesos adecuados. 3.3 Realice el modelo neuronal del sistema del punto anterior, el entrenamiento y validacin con matlab. 3. Practica a. Grafica de las entradas Vs salida 3.1 Realice un documento que d cuenta de no menos de 10 artculos de revista indexada del 2010 en adelante relacionado con el tema expuesto. >> X=[-0.5 1 1 -1 -1 0.5 1 -0.5; -1 1 0.5 -0.5 -1 1 -0.5 -0.5]; >> y=[1 1 1 0 0 0 1 1]; >> plotpv(X,y)
3.2 Realice un modelo basado en el perceptron con redes neuronales y su respectivo entrenamiento, para el sistema cuyo comportamiento es descrito en la Tabla 1, donde X1 y X2 son entradas y D la clase a la cual pertenecen. (Realice el procedimiento de entrenamiento para un mximo de 4 iteraciones y deje indicado si es necesario) X1 -0.5 1.0 1.0 -1.0 -1.0 0.5 1.0 -0.5 a. Inicializacin de pesos 1 =1 2=0.5 0=0.5 Patrn X1 X2 Y Actual 1=1 2=0.5 0=0.5 Evaluacin 1(X1)+0.5(X2)+0.5=Y salida X2 -1.0 1.0 0.5 -0.5 -1.0 1.0 -0.5 -0.5 D 1 1 1 0 0 0 1 1
b.
Cdigo en matlab.
>> X=[-0.5 1 1 -1 -1 0.5 1 -0.5; -1 1 0.5 -0.5 -1 1 -0.5 -0.5]; >> y=[1 1 1 0 0 0 1 1]; >> plotpv(X,y) >> red=newp([minmax(X)],1); >> redentrenada=train(red,X,y); >> pesos=redentrenada.iw{1,1} pesos = 5.5000 -4.0000 >> bias=redentrenada.b{1} bias = 1 >> plotpc(pesos,bias) c. Red entrenada
1 =1 2=0.5 0=0.5
c.
-0.5 -1 1
Y=-2.5
-1 (mal)
d.
Entrenamiento
3
valores normales onda p (ancho) 1.5-2.5 onda p (altura)hasta 2.5 intervalo pr (ancho)0.12-0.20 complejo qrs (ancho) 0.08-0.1 intervalo qt (ancho)>0.44 segmento st (altura) hasta 1
d. Grafica
3.4 Utilizando matlab realice un sistema de clasificacin de un tipo de enfermedad a partir medidas fisiolgicas (mnimo 6) basado en algn tipo de red neuronal y 30 muestras por clase. a. clasificacin de problemas cardiacos (sano/enfermo) segn resultado de EKG intervalo onda p intervalo PR complejo QRS QT ancho (mm) altura (mm) ancho(duracin(seg)) ancho(duracin(seg)) ancho (seg) 1 2.4 0.12 0.12 0.44 1.5 2 0.2 0.09 0.50 2.5 2.7 0.15 0.10 0.43 2 2.4 0.1 0.11 0.47 2.2 3 0.16 0.07 0.45 1.4 2 0.2 0.07 0.49 1.6 1.8 0.19 0.1 0.45 1.9 1.7 0.15 0.08 0.47 2.1 1.9 0.1 0.06 0.50 2.3 2 0.17 0.09 0.50 2.5 2.2 0.19 0.1 0.40 2.8 1.9 0.21 0.12 0.46 1.9 1.5 0.22 0.12 0.48 2 1.6 0.18 0.11 0.47 1.2 3 0.15 0.08 0.49 1.4 2.9 0.2 0.07 0.50 1.7 2.3 0.22 0.09 0.46 2.5 2.5 0.13 0.09 0.50 2.4 2.2 0.13 0.07 0.44 2.2 2.1 0.12 0.10 0.43 2.3 2 0.15 0.08 0.45 2 1.9 0.17 0.09 0.46 2.1 1.7 0.14 0.08 0.48 1.8 2 0.22 0.06 0.42 1.9 2.4 0.23 0.07 0.44 1.7 2.2 0.18 0.09 0.46 1.6 2.1 0.19 0.08 0.45 1.7 1.6 0.2 0.07 0.46 2 1.8 0.22 0.09 0.43 1.9 1.5 0.21 0.10 0.43 segmento ST altura(mm) 0.1 0.5 0.2 0.4 0.5 0.6 0 0.08 1 0.5 1 0.9 0.8 0.6 0.4 0.2 0.1 0.5 0.3 0.3 0 0.1 0.2 0.0 0.1 0 0.1 0.2 0.3 0.5 resultado -1 1 -1 -1 -1 -1 1 1 -1 1 -1 -1 -1 -1 -1 -1 -1 1 -1 -1 1 1 1 -1 -1 1 1 -1 -1 -1
paciente 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
4
c. Resultado