Redes Neuronales artificiales - Rna
ESCUELA POLITÉCNICA DEL EJÉRCITO -SEDE LATACUNGA-
INGENIERÍA MECATRÓNICA AUTOMATIZACION INDUSTRIAL MECATRÓNICA ENSAYO N: 01
DATOS INFORMATIVOS
NOMBRE: Paúl Jerez NIVEL: VIII “A” CARRERA: Ingeniería Mecatrónica MATERIA: Automatización Industrial Mecatrónica FECHA: 17 de Septiembre del 2013.
1
Redes Neuronales artificiales - Rna
TEMA REDES NEURONALES ARTIFICIALES
OBJETIVOS
Realizar la investigación referente a las Redes Neuronales Artificiales para comprender su funcionamiento y como esto concuerda con la materia de Automatización Industrial y la Carrera de Ingeniería Mecatrónica.
Ver los tipos de aplicaciones que se pueden realizar en la actualidad concerniente a las RNA y ver cómo se puede implementar en algún ámbito de la materia.
Desarrollar todo tipo de información bibliográfica sobre las RNA, así como aplicaciones en algún software como puede ser el caso de Matlab.
DESARROLLO
o
Introducción
Las actividades de investigación desarrolladas en torno al estudio de redes neuronales artificiales, simplemente redes neuronales o neuroredes, están motivadas en modelar la forma de procesamiento de la información en sistemas nerviosos biológicos. Especialmente, por la forma de funcionamiento del cerebro humano, que es completamente distinta al funcionamiento de un computador digital convencional. El cerebro humano corresponde al de un sistema altamente complejo, no-lineal y paralelo. En términos sencillos lo anterior equivale a decir que puede realizar muchas operaciones simultáneamente a diferencia de los computadores comunes que son de tipo secuencial, o sea, realizan sólo una operación a la vez. En este sentido, una neurored es un procesador de información, de distribución altamente paralela, constituido por muchas unidades sencillas de procesamiento llamadas neuronas. La neuroredes se caracterizan principalmente por:
Tener una inclinación natural a adquirir el conocimiento a través de la experiencia, el cual es almacenado, al igual que en el cerebro, en el peso relativo de las conexiones interneuronales. Tienen una altísima plasticidad y gran adaptabilidad, son capaces de cambiar dinámicamente junto con el medio. Poseen un alto nivel de tolerancia a fallas, es decir, pueden sufrir un daño considerable y continuar teniendo un buen comportamiento, al igual como ocurre en los sistemas biológicos.
2
Redes Neuronales artificiales - Rna
o
Tener un comportamiento altamente no-lineal, lo que les permite procesar información 1 procedente de otros fenómenos no-lineales.
Arquitectura de una red
Es posible diseñar una red lineal con varias neuronas del tipo de la que se muestra en la fig. 1 A este tipo de red se le ha llamado también MADELINE, por ser Muchas ADELINE. La regla de entrenamiento Widrow-Hoff, sólo puede entrenar redes de una sola capa de procesamiento, sin embargo esto no es una desventaja muy grande. Se puede demostrar (incluso vislumbrar) que una red lineal de varias capas siempre tiene un equivalente de una sola capa. De hecho lo único que se lograría con capas múltiples sería una operación de multiplicación a los resultados de una sola capa, lo que implica multiplicar por cierto fac tor los resultados de la capa única.
F igura 1. Esquema de una red lineal
La figura 2 muestra una red lineal de múltiples neuronas. Ahora se adopta la notación que MATLAB usa en el manual y en los programas.
F igura 2. Arquitectura de una red lineal. Se usa notación de Matlab
1
http://www.uta.cl/charlas/volumen16/Indice/Ch-csaavedra.pdf, Página 1
3
Redes Neuronales artificiales - Rna
La figura 3 muestra un diagrama esquemático equivalente a la figura 2 pero en este caso en simbología reducida. Las entradas se muestran como un vector, al igual que las salidas, los elementos de tendencia y los resultados intermedios (n). Los pesos ahora son una matriz p orque hay tantos pesos como número de neuronas en la capa procesadora para cada entrada. Cada entrada tiene un vector de pesos asociado. El conjunto completo de pesos forma una matriz con 2 los vectores que corresponden a cada entrada.
F igura 3. Arquitectura de una red lineal. Se usa notación reducida de Matlab
o
Asociación de Redes Neuronales con Software de Simulación Matlab
3
2
http://www.slideshare.net/civerisai/redes-neuronales-atificiales-y-estadstica.pdf Redes Neuronales con Matlab, PDF Gustavo Meschino 2006, Pág. 1 - 2
3
4
Redes Neuronales artificiales - Rna
o
Ventajas de las RNA
Las redes neuronales artificiales (RNA) tienen muchas ventajas debido a que está basada en la estructura del sistema nervioso, principalmente el cerebro. Aprendizaje: Las RNA tienen la habilidad de aprender mediante una etapa que se llama etapa de aprendizaje. Esta consiste en proporcionar a la RNA datos como entrada a su vez que se le indica cuál es la salida (respuesta) esperada.
5
Redes Neuronales artificiales - Rna
Auto organización: Una RNA crea su propia representación de la información en su interior, descargando al usuario de esto. Tolerancia a fallos: Debido a que una RNA almacena la información de forma redundante, ésta puede seguir respondiendo de manera aceptable aun si se daña parcialmente. Flexibilidad: Una RNA 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 no sufre cambios si la imagen cambia un poco su brillo o el objeto cambia ligeramente). Tiempo real: La estructura de una RNA es paralela, por lo cual si esto es implementado con computadoras o en dispositivos electrónicos especiales, se pueden obtener respuestas en tiempo real. o
Aplicaciones de las RNA
Las características de las RNA las hacen bastante apropiadas para aplicaciones en las que no se dispone a priori de un modelo identificable que pueda ser programado, pero se dispone de un conjunto básico de ejemplos de entrada (previamente clasificados o no). Asimismo, son altamente robustas tanto al ruido como a la disfunción de elementos concretos y son fácilmente paralelizables. Esto incluye problemas de clasificación y reconocimiento de patrones de voz, imágenes, señales, etc. Asimismo se han utilizado para encontrar patrones de fraude económico, hacer predicciones en el mercado financiero, hacer predicciones de tiempo atmosférico, etc. A continuación detallamos un ejemplo:
Quake II Neuralbot: Un bot es un programa que simula a un jugador humano. El Neuralbot es un bot para el juego Quake II que utiliza una red neuronal artificial para decidir su comportamiento y un algoritmo genético para el aprendizaje. Es muy fácil probarlo para ver su evolución.
4
CONCLUSIONES
En primer debemos lugar destacar que es posible modelar el funcionamiento de una neurona en forma extremadamente simple, y sin embargo, posee una gran capacidad, vemos la sencillez y la complejidad unidas de un modo maravilloso.
4
http://es.wikipedia.org/wiki/Red_neuronal_artificial
6
Redes Neuronales artificiales - Rna
Otra característica fundamental que no podemos olvidar son la Robustez y la Capacidad de Aprendizaje. Las neuronas son capaces de imitar y predecir el comportamiento de sistemas dinámicos sin usar ningún modelo explícito, y capaces de reconocer patrones, aunque éstos tengan errores.
Las redes neuronales tiene la capacidad de aprender intuitivamente y una gran capacidad de modelamiento matemático para visualizarlo en algún tipo de sistema.
BIBLIOGRAFIA
http://es.wikipedia.org/wiki/Red_neuronal_artificial http://www.slideshare.net/civerisai/redes-neuronales-atificiales-y-estadstica.pdf Redes Neuronales con Matlab, PDF Gustavo Meschino 2006, Pág. 1 – 2 http://www.uta.cl/charlas/volumen16/Indice/Ch-csaavedra.pdf, Página 1
7
