Redes

Neuronales

Ernesto Berger Zambrano Francisco Carrer

. Introduccin:
Son tcnicas computacionalescon objetivo
de tener capacidad procesar informaciones
Formados por pequeos mdulos llamadas
de neuronas artificiales, que simulan el
funcionamiento de la neurona humano
El comportamiento inteligente de una red
neuronal artificial proviene de las
interacciones entre las unidades de
procesamiento de red.

 Las redes neuronales son usadas en:

1. Aproximacin de funciones
2. Clasificacin de patrones
3. Emulacin de las actividades
humanas
4. Agrupacin de datos

2. Historia:
Modelo de McCulloch & Pitts
(1943)
Aprendizaje de Hebb (1949)
Perceptron: Frank Rosenblatt
(1962)

3. Neurona
artificial:

Elementos bsicos de la neurona artificial:

Entradas
Combinacin de entradas
Funcin de activacin o funcin de salida

FUNCIONAMIENTO DE LA
NEURONA:
Las entradas estn conectadas al
neurona a travs de conexiones
sinpticas, cada uno de los cuales
tiene un peso asociado
Los pesos representan el
conocimiento de la red

 Se calcula la entrada, el valor

resultante se compara con un valor
establecido que, una vez alcanzado,
propaga la salida de las siguientes
neuronas de la prxima capas
La funcin de salida es quien
produce la salida de la neurona y
generalmente tiene forma continua.

 Expresin del proceso:

(La suma de todas las entradas

multiplicado por su respectivos pesos
sinpticos, llamado NET)

3.1. Estructura de
las capas:

Entrada -reciben los estmulos del medio externo;

Intermedias: responsable por la mayor parte del
procesamiento;
Salida - resultado final es completado y presentado.

4.
Clasificacin:
Arquitectura de la red;
Algoritmo de aprendizaje.

4.1.
Arquitectura:
Consiste
en la organizacin y
disposicin de las neuronas en la red.
La arquitectura de la red es
determinada por:
Numero de capas;
Conectividad;
Topologa.

Numero de capas:
Una red neural puede tener una o ms
capas
Monocapa:

Tienen apenas una capa de entrada, para unirse

las neuronas crean conexiones laterales para
conectar con otras neuronas de su capa. Sido
ampliamente utilizada en circuitos elctricos.

 Multicapa:

Tienen una o ms capas entre las capas de

entrada y salida. Las capas estn ordenadas
por el orden en que reciben la seal desde la
entrada hasta la salida y estn unidas en ese
orden.

Conectividad:
Totalmente conectadas: Cuando cada
nodo de una capa es totalmente
conectado a la siguiente capa

Parcialmente conectadas: Cuando

algunas conexiones entre las
neuronas estn faltando.

Topologa:
Redes directas (Feedforward): Son
redes de capas donde se proyectan
en direccin de la capa de entrada
hasta la capa de salida, de modo que
la salida de la primera es la entrada
de la segunda, y as sucesivamente

 Recurrentes(Feedback): El grafo de
conectividad tiene al menos un ciclo.
Puede estar compuesto de una o ms
capas, cada neurona proporciona la
seal de entrada como una entrada a
cada una de las otras neuronas.

Aprendizaje:
Nos determina el tipo de problemas
que ser capaz de resolver.
o Significativo

El conjunto de aprendizaje debe de ser:

o Representativo

Caractersticas:
Son Modelos adaptativos entraables
Son capaces de generalizacin de la
informacin Incompleta
Tratamiento gran nmero de elementos
Reconocimiento de patrones
Tolerancia a fallos
Aprendizaje
Procesamiento distribuido y paralelo
Robustez
No linealidad y uniformidad

OS DE REDES NEURONAL
Perceptron Simple:
Primero modelo de
neurona artificial creado.
Tipo ms simples de red
neural artificial.
Una capa de neuronas
Algoritmo de
aprendizaje:
supervisado.

Perceptrn
Multicapa:

Se caracteriza por que tiene sus

neuronas agrupadas en capas de
diferentes niveles. Cada capa est
formada por un conjunto de
neuronas y se distinguen 3 capas: la
cada de entrada, la capa oculta y la
capa de salida.

Red Hopfield:
La red hopfield est formada por un numero de neuronas,
cada una conectada a todas las dems salvo a ella misma.
Este tipo de neuronas posee dos estados, generalmente -1
y 1, que vienen determinados por el nivel o potencial de
activacin que recibe la neurona.
La red Hopfield es una red monocapa, es decir, que solo
tiene una capa. Tambin podemos tener una red con dos
capas, una seria la capa de sensores y la segunda capa
seria la capa de procesamiento.

Aplicaciones:

Reconocimiento de Caracteres
Reconocimiento de imagen
Reconocimiento de voz
Tarjeta de crdito
Diagnstico mdico
Identificacin de albos militares
Control de navegacin autnoma de
coches (ALVINN ate CMU)
Robtica

plicacin en la Ingeniera
Un robot mvil es un dispositivo que acta por el
control de un sistema computacional, equipado con
sensores que le permiten interactuar con el medio
ambiente. La interaccin con el medio ambiente ocurre
a travs de ciclos de percepcin-accin, formado por
tres principales fundamentos: obtencin de informacin
por los sensores; procesamiento de la informacin
para la seleccin de la accin y ejecucin de la accin
a travs de la activacin de los sensores.
El control del robot fue desarrollado por una red
neuronal que permite la navegacin y desvi de
obstculos en un entorno dinmico obtenido por los
sensores de los robots.

Las redes neuronales tiene como

entradas la siguiente informacin:
Orientacin (ngulo) del robot en
relacin con el plano
Azimut (ngulo del objetivo del
vehculo)
Cinco valores de sensores de
distancia (Sonar).
Las salidas son:
Fuerza a aplicar el motor angular
(giro de la barra de direccin)
Fuerza a aplicar en el motor lineal

 Las reglas creadas son:

Velocidad.
Orientacin.
Desvio de obstculos.

Aplicacin
Matlab:
Para crear y entrenar perceptrones, se utiliza funciones
NEWP, que crea un perceptrn y establece el campo
de entradas, adapt, que realiza la adaptacin de los
pesos segundo el algoritmo de entrenamiento del
perceptrn:
Las entradas estn representadas por el vector P e los
valores deseados en el vector T. El algoritmo itera 6
veces con el perceptrn, ajustando los pesos sinpticos
.En la lnea 1, hemos creado un nuevo perceptrn,
defindo el dominio de entrada como [-2, 2]. La lnea 9
es el responsable de la adaptacin de los pesos de las
sinapsis. Los resultados obtenidos de 4 iteraciones
son:

Resuldados:

Referencias:
http://www.gsigma.ufsc.br/~popov/aul
as/rna/arquitetura/
http://www.din.uem.br/ia/neurais/#
classificao
http://www.redes-neuronales.com.es/t
utorial-redes-neuronales/tutorial-re
des.htm

Gracias por su atencin