STEMAS INTELIGENTES

AGENDA:
 Redes Neuronales Artificiales.
 El perceptrón simple.
 Algoritmo de aprendizaje.
 Aplicaciones reales.

SESIÓN Nº 11 2

MODELO BIOLÓGICO RED NEURONAL ARTIFICIAL

 Se estima que el cerebro humano contiene más de cien mil
millones ( ) de neuronas y sinápsis en el sistema nervioso
humano
 Cuerpo de la neurona,
 Ramas de extensión llamadas dendrítas para recibir las entradas, y
 Axón que lleva la salida de la neurona a las desdirías de otras
neuronas
 Una de las misiones consiste en simular las propiedades
observadas en los sistemas neuronales biológicos que se
caracterizan por su generalización y su
robustez.
 Una red neuronal se compone de unidades llamadas neuronas.
Cada neurona recibe una serie de entradas a través de
interconexiones y emite una salida.
 Respecto al Diseño y programación de una RNA,en un
paradigma convencional de programación se modela mediante
un algoritmo codificado que tenga una serie de propiedades que
permitan resolver dicho problema.
 En RNA se parte de un conjunto de datos de entrada significativo
y el objetivo es conseguir que la red aprenda automáticamente
las propiedades. tiene más que ver con la selección del modelo
3 de red, las variables a incorporar , el conjunto de entrenamiento. 4

RED NEURONAL ARTIFICIAL ,EJEMPLO VENTAJAS

 Ejemplo 1: Diagnostico de Imágenes médicas
1) Durante la fase de entrenamiento el sistema recibe imágenes
de tejidos que se sabe (aprendizaje supervisado) son
cancerígenos y tejidos que se sabe son sanos
2) Una vez entrenado el sistema podrá recibir imágenes de
tejidos no clasificados y obtener su clasificación sano/no sano
con un buen grado de seguridad.
3) Las variables de entrada pueden ser :
 Aprendizaje: tienen la habilidad de aprender mediante una etapa de
aprendizajeconsistente en proporcionar a la RNA datos como entrada a su vez que se le
indica cuál es la salida (respuesta) esperada.
 Auto organización: crea su propia representación de la información en su interior. Sin
necesidad de una “programación explicita” .
 Tolerancia a fallos. Almacena la información de forma redundante, ésta puede seguir
respondiendo aceptablemente aún si se daña parcialmente.
 Flexibilidad: puede manejar cambios no importantes en la información de entrada, como
señales con ruido u otros cambios en la entrada
 por ejemplo si la información de entrada es la imagen de un objeto, la respuesta
correspondiente es acertada inclusio si la imagen tiene parametros de luz ligeramente
distintos o el objeto cambia ligeramente de posición

a) los puntos individuales de cada imagen  Tiempo real: es paralela, si se implementa con con computadoras o en dispositivos
electrónicos que utilicen dicha paralelización se pueden obtener respuestas en tiempo
b) un vector de características de las mismas que se puedan real , de la misma manera que el cerebro es capaz de procesar cantidades ingentes de
incorporar al sistema : información en paralelo sin un esfuerzo aparente:
i. procedencia anatómica del tejido de la imagen  Comprensión de im ágenes
 Comprensión de sonidos
ii. a edad del paciente al que se le extrajo la muestra
iii. Analisis clínicos adicionales 5  Comprensión de parámetros tactiles, de calor y movimiento
6
MODELO DE RED
 La forma que dos neuronas interactuan no es totalmente conocida, En general, una
neurona envía su salida a otras por su axón.
 Este proceso es a menudo modelado como la función de red . La neurona recoge las
señales por su sinápsis sumando todas las influencias excitadoras e inhibidoras.
 Si las influencias excitadoras positivas dominan, entonces la neurona da una señal
positiva y manda este mensaje a otras neuronas por sus sinápsis de salida.
 En el caso general el valor de activación de la neurona viene dado por una función de
activación
LA FUNCIÓN DE ACTIVACIÓN
 La salida NET es generalment utilizada más adelante por una función de
activación que denominaremos F para producir la señal de salida del
perceptrón, denominada OUT. Esta función puede ser de distintos tipos:
 Lineal: OUT = K * NET (siendo k una constante numérica)
 Umbral (Abrupta, binaria): La salida es 1 si NET>K y 0 en otro caso
 Sigmoidea (Contínua): Es la función que más se parece a las
características de transferencia no lineal de la neurona biológica y
permite funciones de red más generales. Esta función además
comprime el rango de NET, por lo que pertenece al tipo de funciones de
aplastamiento
EL PERCEPTRÓN
 Los perceptrones se diseñaron para emular las características
principales de las neuronas biológicas.
 Su funcionamiento es el siguiente: Una serie de entradas se aplican al
perceptrón, luego esas entradas son multiplicadas por un peso (también
llamado factor), que representa la "fuerza" de la conexión sináptica y
todas las entradas multiplicadas por su peso se suman para determinar
el nivel de activación del perceptrón.
 De aquí en adelante nos referiremos a este sumatorio con el término
NET.
7
8
PERCEPTRÓN MULTICAPA
 El perceptrón multicapa es una (RNA) formada por múltiples capas, esto le permite
resolver problemas que no son linealmente separables, lo cual es la principal limitación
del perceptrón simple)
 Las capas pueden clasificarse en tres tipos:
 Capa de entrada: Constituida por aquellas neuronas que introducen los patrones de
entrada en la red. En estas neuronas no se produce procesamiento.
 Capas ocultas: Formada por aquellas neuronas cuyas entradas provienen de capas
anteriores y las salidas pasan a neuronas de capas posteriores.
9  Capa de salida: Neuronas cuyos valores de salida se corresponden con las salidas de 10
toda la red.
11