1_RNA

LAS REDES NEURONALES

• Las redes neuronales como su nombre lo indica pretenden imitar a pequeñísima escala la forma de funcionamiento de las neuronas que forman el cerebro humano. Todo el desarrollo de las redes neuronales tiene mucho que ver con la neurofisiología, no en vano se trata de imitar a una neurona humana con la mayor exactitud posible.
• 

MODELADO DE NEURONAS

• En el modelado de neuronas se encuentra Warren McCulloch y Walter Pitts. Estos dos investigadores propusieron un modelo matemático de neurona.
• En este modelo cada neurona estaba dotada de un conjunto de entradas y salidas.
• Cada entrada está afectada por un peso. La activación de la neurona se calcula mediante la suma de los productos de cada entrada y la salida es una función de esta activación.
• La principal clave de este sistema se encuentra en los pesos de las diferentes entradas. Como se ha visto, las entradas son modificadas por el peso y las salidas son función de estas modificaciones.
• Es decir, los pesos influyen de forma decisiva en la salida y por lo tanto pueden ser utilizados para controlar la salida que se desea.
• 
• Bildunterschrift: Pioneros del modelo de Neuronas

NEURONA ARTIFICIAL

• Es un circuito eléctrico que realiza la suma ponderada de las diferentes señales que recibe de otras unidades iguales y produce en la salida un uno o un cero según el resultado de la suma con relación nivel de disparo, La función de transferencia para la activación o disparo de la neurona puede ser de:
• 1. Umbral lógico
• 2. Limitación dura
• 3. Función sigmoidal (tipo s)
• W representa el peso o ponderación de la conexión a través de una entrada.
• 

NEURONA NATURAL VS ARTIFICIAL

• Neurona = Unidad de proceso
• Conexiones sinápticas = Conexiones Pesadas
• Efectividad sináptica = Peso sináptico
• Exitatorio/Inhibitorio = Pesos + ó -
• Efecto combinado de sinapsis= Función suma
• Activación-> Ratio disparo = Función activación -> salida
• 
• Bildunterschrift: Diagrama Neurona Natural y Neurona Artificial

ARQUITECTURAS NEURONALES

• e/o/s
• • Número y tipo de entradas
• • Elementos ocultos
• • Elementos de salida
• Conectividad entre capas
• • Hacia adelante (Feedforward )
• • Redes Recurrentes
• • Estructuras Enrejadas (Lattice)
• 

NEURONA ARTIFICIAL

• 
• Las
• señales de entrada a una neurona artificial X1, X2,.., Xn
• son variables continuas en lugar de pulsos discretos, como se presentan en una
• neurona biológica.

NEURONA ARTIFICIAL

• 
• Bildunterschrift: Cada señal de entrada pasa a través de una ganancia o peso, llamado peso sináptico o fortaleza de la conexión cuya función es análoga a la de la función sináptica de la neurona biológica. Los pesos pueden ser positivos (excitatorios), o negativos (inhibitorios).

NEURONA ARTIFICIAL

• 
• Bildunterschrift: El nodo sumatorio acumula todas las señales de entrada multiplicadas por los pesos o ponderadas y las pasa a la salida a través de una función umbral o función de transferencia.

ENTRADA NETA A CADA UNIDAD

CAPAS DE LAS REDES NEURONALES

• 1. Entrada: Recibe la información proveniente de fuentes externas de la red.
• 2. Ocultas: Son internas a la red y no tienen contacto directo con el exterior. Las neuronas de esta capa pueden estar interconectadas de distintas maneras la cual identifica las diferentes topologias de las redes neuronales.
• 3. Salida: Transfieren la información hacia el exterior.
• 
• Bildunterschrift: Capas de las RNA

TOPOLOGIAS

• 1. Monocapa: Resuelve sistemas separables lineal mente.
• 2. Multicapa: Resuelve problemas no lineales, para obtener la solución de su función debe ser derivable.
• 3. Recurrentes: Representan al menos un ciclo cerrado de activación Neuronal.
• 
• Bildunterschrift: Topologias RNA

ARQUITECTURAS NEURONALES

• Conexión entre capas
• • Totalmente conectados (full-conexión)
• • Parcialmente conectados
• • Conexión uno a uno
• Sincronía (actualización de valores)
• • Simultánea
• • Aleatoria
• • Según orden topológico
• 

TIPOS DE APRENDIZAJE

• Aprendizaje supervisado:
• Se presentan pares de patrones de entrada y salida deseada
• Pasos:
• 1. Fijar pesos aleatorios las conexiones
• 2. Seleccionar par de entrenamiento
• 3. Presentar patrón de entrada y calcular salida
• 4. Calcular error o discrepancia con la salida deseada
• 5. Aplicar regla de aprendizaje
• Corrección de Error:
• 1. Requiere propagar información hacia atrás
• 2. Requiere de instructor
• 
• Bildunterschrift: Aprendizaje supervisado

TIPOS DE APRENDIZAJE

• Aprendizaje no supervisado:
• Se presentan sólo patrones de entrada, se basa en la redundancia en las entradas, el aprendizaje extrae de los patrones:
• • Familiaridad con patrones típicos o promedios del pasado
• • Análisis de las Componentes Principales
• • Clustering
• • Prototipos, correspondientes a las categorias existentes
• • Codificación
• 
• Bildunterschrift: Aprendizaje no supervisado

TIPOS DE APRENDIZAJE

• Aprendizaje Competitivo
• Solo modifica las conexiones de la célula ganadora por lo cual se le suele llama "el que gana todo se lleva todo".
• Con esto cada célula podrá reconocer con mas facilidad el estimulo aprendido o algunos que sean simulares.
• 
• Bildunterschrift: Aprendizaje Competitivo

APLICACIONES RNA

• 
• 
• Bildunterschrift: Control de robots: Dinámica
• Bildunterschrift: • Conducción de vehículo

Folie 17