Ensayo Redes Neuronales

 

 

Tecnológico Nacional de

éxico 

Ingeniería electrónic electrónica a 

Inteligencia Artificial Neuronal  Octavo Semestre 

 

Ensayo  Redesneuronalesartificiales

Oscar Raúl Suárez Suárez Farías Farías  15290380  Lunes 11 de marzo del 2019 

 

 

Desde la antigüedad el hombre siempre se ha preguntado que lo distingue de los demás animales, cual es esa característica que nos hace únicos y nos permite reservarnos el termino inteligentes para nosotros mismos. Esto llevado a tiempos modernos hizo a los científicos del siglo XX pensar que estas capacidades que caracterizan al ser humano podrían ser replicadas con suficiente estudio y análisis del tema. Su objetivo era diseñar maquinas que sean capaces de trabajar sin intervención humana y resolver problemas en ambientes no estructurados e inciertos.  A una maquina con estas característ características icas bastaría bastaría presentarle un problema, problema, ella llegar llegaría ía a la solución por medio de una interacción continua con el medio que presenta el problema. Sin embargo, los avances significativos signi ficativos en las redes neuronales en el siglo XX se vieron frenados por las limitaciones tecnológicas de la época que hacía difícil o imposible procesar la gran cantidad de datos que requiere el diseñar sistemas inteligentes. Para poder entender las redes neuronales artificiales se debe primero entender por lo menos a grandes rasgos el funcionamiento de una red neuronal biológica que es en la cual están basadas las artificiales. Las neuronas son un componente básico del sistema nervioso, incluyendo al mismo tiempo al cerebro, estas son células cél ulas que presentan una forma especial, tienen tr tres es partes principales, las dendritas, el cuerpo de la célula o soma y el axón. La membrana de la neurona genera impulsos eléctricos y transfiere información a otras neuronas por medio de la sinapsis, la información a lo largo de los axones por medio de impulsos eléctricos. El estimulo es creado por la información que llega a través de las dendritas. El impulso se propaga a lo largo del axón por el cambio de conductancia de la membrana que abre y cierra los canales a los iones de sodio y potasio. Los potenciales de acción alcanzan una amplitud máxima de unos 100mV y duran aproximadamente 1ms. Sin embargo, las neuronas no están solas, en el cuerpo humano habitan redes neuronales, estas están constituidas por un gran numero de neuronas, conectadas en forma masiva, ellas conforman el sistema nervioso y el cerebro.

 

 

En cambio, las redes neuronales artificiales son modelos simplificados de las redes neuronales biológicas, estas intentan imitar el funcionamiento del cerebro para resolver problemas complejos como la visión, el reconocimiento de patrones o el control motosensorial que caracteriza a los animales incluyendo al ser humano. Una neurona artificial esta compuesta de una señal de entrada esta ingresa la señal a los pesos sinápticos, estos están conectados a un punto de suma al punto de suma al mismo tiempo ingresa un bias, este punto de suma tiene una salida conectada a una función de activación que es la que nos proporciona la salida de nuestra neurona. Las neuronas artificiales adquieren

el

conocimiento

experimentalmente

mientras

varían

los

pesos

de

interconexión constantemente. En términos matemáticos es posible describir una neurona k escribiendo un par de ecuaciones, donde las x representan las señales de entrada y ω los respectivos pesos

sinápticos de la neurona K mientras que b subíndice k representa el bias y la letra griega phi la función de activación.



  ∑    =1

 ( +  ) 

Las neuronas pueden poseer distintas funciones de activación denotadas por la letra φ(v)

esta define la salida de la neurona en función del potencial de activación v. Las funciones funcio nes de activación básicas para una neurona son: Función escalón o umbral, función lineal a tramos y función sigmoidal. La parte mas importante de una red de neuronas artificial es el aprendizaje, este determina el tipo de problemas que la red será capaz de resolver, la capacidad de una red neuronal de resolver un problema esta ligada de forma fundamental al tipo de ejemplos de que dispone en el proceso de aprendizaje es por eso por lo que el aprendizaje

 

 

debe poseer algunas características como el ser significativo, con esto me refiero a la cantidad de ejemplos con los que cuenta la red neuronal, si las muestras no son significativas la red no será capaz de adaptar sus pesos de forma eficaz, un ejemplo seria la inteligencia artificial que utiliza Google para reconocer rostros, esta conto con una cantidad de ejemplos que supera la barrera del millón. Otra característica importante para el aprendizaje de la red neuronal es que el aprendizaje debe ser representativo, los componentes del conjunto deberán ser diversos, si un conjunto de aprendizaje tiene muchos ejemplos, pero estos se parecen entre sí, la red se especializara en dicho subconjunto de datos y provocara que la red no pueda ser de aplicación general. El proceso general de aprendizaje de una red neuronal consiste en la determinación de los valores precisos de los pesos para todas sus conexiones que la capacite para la resolución de problemas de manera eficiente. El proceso general de aprendizaje consiste en ir introduciendo paulatinamente todos los ejemplos del conjunto de aprendizaje y modificar los pesos de las conexiones siguiendo un determinado esquema de aprendizaje. Una vez realizado esto se comprueba si el resultado obtenido converge con el resultado deseado de no ser así, se repite el proceso. El criterio de convergencia depende del tipo de red utilizado o del tipo de problema a resolver estos pueden ser: 1. Mediante un numero determinado de ciclos, se decide priorizar cuantas v veces eces será introducido todo el conjunto y una vez alcanzado dicho numero se detiene el proceso de aprendizaje. 2. Cuanto el error descienda por debajo de la cantidad prestablecida, en este caso habrá que definir en primer lugar el error deseado, se puede establecer cuando el valor de error es aceptable para la función que desempeña la red neuronal. 3. Cuando la modificación de los pesos sea irrelevante, en algunos modelos se define un esquema de aprendizaje que hace que las conexiones continúen modificándose cada vez con menor intensidad, si el proceso de aprendizaje continua llegara un momento donde no se seguirán realizando variaciones.

 

 

La tecnología con redes neuronales ha ido tomando forma en el siglo XXI sus aplicaciones son diversas, aun que se utilizan para los mismos principios tales como reconocimiento de patrones, como ser: buscar un patrón en una serie de ejemplos, clasificar patrones, completar una señal a partir de valores parciales o reconstruir el patrón correcto partiendo de uno distorsionado. Sin embargo, está creciendo el uso de redes neuronales en distintos tipos de sistemas de control. Refiriéndonos particularmente a una de las aplicaciones mas extendidas de las redes neuronales como lo es la asociación y clasificación de patrones En esta aplicación, los patrones de entrada estáticos o señales temporales debe ser clasificadas o reconocidas por la red neuronal permitiendo a esta desempeñar la tarea que se le asigne, este tipo de aplicación para una red neuronal es utilizada por ejemplo en líneas de producción electrónica para el control de calidad o incluso utilidades no empresariales como la detección de rostro o de sonrisas para las cámaras de los teléfonos inteligentes. Otra de las aplicaciones ampliamente extendidas de las redes neuronales es la regeneración de patrones En muchos problemas de clasificación, una cuestión a solucionar es la recuperación de información, esto es, recuperar el patrón original dada solamente una información parcial. Una aplicación más de las redes neuronales es la regeneración y generalización el objetivo de la generalización es dar una respuesta correcta a la salida para un estímulo de entrada que no ha sido entrenado con anterioridad. El sistema debe inducir la característica saliente del estímulo a la entrada y detectar la regularidad. Tal habilidad para el descubrimiento de esa regularidad es crítica en muchas aplicaciones. Esto hace que el sistema funcione eficazmente en todo el espacio, incluso cuando ha sido entrenado por un conjunto limitado de ejemplos.

 

 

Con todo lo anterior no queda claro que las redes neuronales a pesar de ser una disciplina en plena pubertad se han desarrollado bastante en los últimos años en gran parte a que el hardware actualmente nos permite generar aplicaciones de utilidad real que antes jamás habrían sido posibles, tal vez estas puedan generar una nueva década de avances sin precedentes con la aparición de la computación cuántica o con el uso cada vez mas generalizado de los l os FPGA en conjunto con las redes neuronales no queda más que esperar.

 

 

  Simon Haykin. Haykin. (2009). Neural Networks and Learning Machines. United States of Bibliografía 

 America: Pearson Prentice Prentice Hall.   Pedo Isasi Viñuela Inés M. Galván León. (2004). Redes de Neuronas Artificiales



Un Enfoque Practico. Madrid(España): Pearson Prentice Hall.   Edgar Nelson Nelson Sánchez Camperos Alma Yolanda Alanís García. (2006). Redes



Neuronales Conceptos fundamentales y aplicaciones a control automático. Madrid(España): Pearson Prentice Hall.