Antecedentes Históricos




descargar 52 Kb.
títuloAntecedentes Históricos
fecha de publicación02.02.2016
tamaño52 Kb.
tipoDocumentos
med.se-todo.com > Finanzas > Documentos
c:\users\claudio\desktop\utem blog\fotos blog\utem logoasd.jpg

Integrantes: Felipe Eduardo Guiñez Araneda

Mariano Alejandro Román Rozas

Camilo Fernando Ríos Verdugo

Ricardo José Muñoz Duarte

Claudio Alexis Meza Vega

Profesora: Patricia Mellado Acevedo

Fecha: lunes 07/06/2010
Índice

Página 3: Introducción, antecedentes históricos

Página 4: Redes neuronales y neurona artificial.

Página 6: Aprendizaje de las redes neuronales

Página 7: Ventajas al usar RNA

Página 9: aplicaciones de las RNA

Página 11: conclusión

Página 12: bibliografía

Introducción

Desde el principio de la humanidad se soñó con el desarrollo de máquinas que puedan imitar la capacidad de aprendizaje del hombre. Actualmente es un desafío en el que pone todas sus miradas una parte de la comunidad científica.

Desde hace algunos años, algunos investigadores han estado creando modelos, tanto en hardware como en software, que interpretan la actividad cerebral en un esfuerzo por producir una forma de inteligencia artificial.

Una neurona es una célula especializada en la comunicación de información. Es la unidad funcional básica del cerebro y del sistema nervioso

La unidad de procesamiento artificial equivalente a una neurona biológica intenta imitar los aspectos de esta en cuanto a su comportamiento y funcionamiento. De este modo se disponen de unas entradas y salidas, como en las neuronas biológicas, que transmitirán valores, bien reales o binarios de una neurona a otra, en vez de señales electroquímicas.

 

Antecedentes Históricos


En 1943, Warren McCulloc y Walter Pitts originaron el primer modelo de operación neuronal, el cual fue mejorado en sus aspectos biológicos por Donald Hebb en 1948.

En 1949 Donald Hebb regla aprendizaje.

En 1962 Bernard Widrow propuso la regla de aprendizaje Widrow-Hoff, y Frank Rosenblatt desarrolló una prueba de convergencia, y definió el rango de problemas para los que su algoritmo aseguraba una solución. El propuso los 'Perceptrons' como herramienta computacional.

Las redes Neuronales

Las redes neuronales no son más que un modelo artificial y simplificado del cerebro humano, que es el ejemplo más perfecto del que disponemos para un sistema que es capaz de adquirir conocimiento a través de la experiencia. Una red neuronal es "un nuevo sistema para el tratamiento de la información, cuya unidad básica de procesamiento está inspirada en la célula fundamental del sistema nervioso humano: la neurona".

La Neurona Artificial

Si se tienen N neuronas, podemos ordenarlas arbitrariamente y designarlas como unidades. Su trabajo es simple y único, y consiste en recibir las entradas de las células vecinas y calcular un valor de salida, el cual es enviado a todas las células restantes.

redes neuronales

Imagen : Neurona Artificial

Se conoce como capa o nivel a un conjunto de neuronas cuyas entradas provienen de la misma fuente (que puede ser otra capa de neuronas) y cuyas salidas se dirigen al mismo destino (que puede ser otra capa de neuronas). De esta manera podemos destacar tres tipos de unidades:

  • Las unidades de entrada reciben señales desde el entorno (son señales que proceden de sensores o de otros sectores del sistema).



  • Las unidades de salida envían la señal fuera del sistema (son señales que pueden controlar directamente potencias u otros sistemas). Las neuronas de las capas ocultas pueden estar interconectadas de distinta manera, lo que determina con su número, las distintas tipologías de redes neuronales.

  • Las unidades ocultas son aquellas cuyas entradas y salidas se encuentran dentro del sistema (son señales que no tienen contacto con el exterior).



Las RNA están compuestas de un gran número elementos de procesamiento altamente interconectados (Neuronas) trabajando al mismo tiempo para la solución de problemas específicos. Las RNA, tal como las personas, aprenden de la experiencia.

En cualquier caso, se trata de una nueva forma de computación que es capaz de manejar las imprecisiones e incertidumbres que aparecen cuando se trata de resolver problemas relacionados con el mundo real (reconocimiento de formas, toma de decisiones ,etc..), ofreciendo soluciones robustas y de fácil implementación.

Una red neuronal artificial (RNA) es un sistema de procesamiento de información que tiene ciertas aptitudes en común con las redes neuronales biológicas:

– El procesamiento de información ocurre en muchos elementos simples llamados neuronas.

– Las señales son transferidas entre neuronas a través de enlaces de conexión.

– Cada conexión tiene un peso asociado, el cual, típicamente, multiplica a la señal transmitida.

– Cada neurona aplica una función de activación (usualmente no lineal) a su entrada de red (suma de entradas pesadas) para determinar su salida

Aprendizaje de las redes neuronales

El aprendizaje de las redes neuronales, es el proceso de presentar los patrones a aprender, a la red y el cambio de los pesos de las conexiones sinápticas usando una regla de aprendizaje.

La regla de aprendizaje consiste en algoritmos basados en formulas matemáticas, que usando técnicas como minimización del error o la optimización de alguna "función de energía", modifican el valor de los pesos sinápticos en función de las entradas disponibles y con ello optimizan la respuesta de la red a las salidas que deseamos.

El aprendizaje se basa en el entrenamiento de la red con patrones, que usualmente son llamados patrones de muestra o entrenamiento. El proceso usual del algoritmo es que la red ejecuta los patrones iterativamente, cambiando los pesos de las sinapsis, hasta que convergen a un conjunto de pesos óptimos que representan a los patrones lo suficientemente bien, entonces mostrará una respuesta satisfactoria para esos patrones. Esto es, sus pesos sinápticos se ajustan para dar respuestas correctas al conjunto de patrones de entrenamiento que le hemos mostrado.



Ventajas al usar RNA


Las redes neuronales artificiales (RNA) tienen muchas ventajas debido a que están basadas 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.



  • 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 (ej. 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.

La posibilidad de resolver problemas difíciles es dable gracias a los principios de las redes neuronales, los cinco más importantes son:
Aprendizaje adaptativo: Esta es quizás la característica más importante de las redes neuronales, pueden comportarse en función de un entrenamiento con una serie de ejemplos ilustrativos. De esta forma, no es necesario elaborar un modelo a priori, ni establecer funciones probabilísticas. Una red neuronal artificial es adaptativa porque puede modificarse constantemente con el fin de adaptarse a nuevas condiciones de trabajo.
Auto organización: Mientras que el aprendizaje es un proceso donde se modifica la información interna de la red neuronal artificial, la auto organización consiste en la modificación de la red completa con el fin de llevar a cabo un objetivo específico.
Auto organización significa generalización, de esta forma una red puede responder a datos o situaciones que no ha experimentado antes, pero que puede inferir sobre la base de su entrenamiento. Esta característica es muy útil sobre todo cuando la información de entrada es poco clara o se encuentra incompleta.

Tolerancia a fallos: En la computación tradicional la pérdida de un fragmento pequeño de información puede acarrear comúnmente la inutilización del sistema. Las redes neuronales artificiales poseen una alta capacidad de tolerancia a fallos. Se entiende por ello que las redes pueden reconocer patrones de información con ruido, distorsión o incompletos, pero que, además, pueden seguir trabajando aunque se destruya parte de la red (con cierta degradación). La explicación de este fenómeno se encuentra en que mientras la computación tradicional almacena la información en espacios únicos, localizados y direccionables, las redes neuronales lo hacen de forma distribuida y con un alto grado de redundancia.

Operación en tiempo real: Las redes neuronales artificiales, de todos los métodos existentes, son las más indicadas para el reconocimiento de patrones en tiempo real, debido a que trabajan en paralelo actualizando todas sus instancias simultáneamente. Es importante destacar que esta característica solo se aprecia cuando se implementan redes con hardware especialmente diseñados para el procesamiento paralelo.

Fácil inserción en la tecnología existente: Es relativamente sencillo obtener chips especializados para redes neuronales que mejoran su capacidad en ciertas tareas. Ello facilita la integración modular en los sistemas existentes.
Existe una gran variedad de modelos de redes neuronales estos dependen del objetivo para el cual fueron diseñados y del problema práctico que solucionan. Hoy en día, su éxito depende en, gran medida, del valor comercial que logren alcanzar sus aplicaciones. En dependencia de ello unos serán más populares que otros, entre los más conocidos están el Adaline/Madaline (utilizado en el diseño y realización de filtros, para llevar a cabo la eliminación del ruido en señales portadoras de información, modems, etc.), el back propagation (utilizado en el proyecto de la máquina de escribir neural fonética) y el modelo de los mapas auto-organizados (Self-Organizing Map, SOM).

Aplicaciones de las Redes Neuronales

Los campos de aplicación de las RNA crecen por momentos, por ejemplo, reconocimiento de patrones, clasificación de datos, predicciones,... Su ventaja más destacada es la de solucionar problemas que con las técnicas convencionales serían demasiado complejos.

Hay muchos tipos diferentes de redes neuronales, cada uno de los cuales tiene un aplicación particular más apropiada. Separándolas según las distintas disciplinas algunos ejemplos de sus aplicaciones son:

Biología:

  • Aprender más acerca del cerebro y otros sistemas.

  • Obtención de modelos de la retina.

Empresa:

  • Reconocimiento de caracteres escritos.

  • Identificación de candidatos para posiciones específicas.

  • Optimización de plazas y horarios en líneas de vuelo.

  • Explotación de bases de datos.

  • Evaluación de probabilidad de formaciones geológicas y petrolíferas.

  • Síntesis de voz desde texto.

Medio Ambiente:

  • Analizar tendencias y patrones.

  • Previsión del tiempo.

Finanzas:

  • Previsión de la evolución de los precios.

  • Valoración del riesgo de los créditos.

  • Identificación de falsificaciones.

  • Interpretación de firmas.

Manufacturación:

  • Robots automatizados y sistemas de control (visión artificial y sensores de presión, temperatura, gas, etc.)

  • Control de producción en líneas de proceso.

  • Inspección de calidad.

  • Filtrado de señales.

Medicina:

  • Analizadores del habla para la ayuda de audición de sordos profundos.

  • Diagnóstico y tratamiento a partir de síntomas y/o de datos analíticos (encefalograma, etc.).

  • Monitorización en cirugía.

  • Predicción de reacciones adversas a los medicamentos.

  • Lectoras de Rayos X.

  • Entendimiento de causa de ataques epilépticos.

Militares:

  • Clasificación de las señales de radar .

  • Creación de armas inteligentes.

  • Optimización del uso de recursos escasos.


Conclusiones

En este informe se ha realizado una descripción de las redes neuronales desde su unidad básica la neurona artificial, nombrando sus características y funcionamiento. Además se han presentado aplicaciones prácticas y además ventajas que tienen las redes neuronales para la solución de problemas.

Esta área científica es de trabajo multidisciplinar y de dinámico desarrollo, que empieza a configurarse como de gran interés para la resolución de problemas prácticos del mundo real.

Bibliografía:
http://www.monografias.com/trabajos12/redneuro/redneuro.shtml
http://html.rincondelvago.com/redes-neuronales-artificiales.html

http://www.redes-neuronales.netfirms.com/tutorial-redes-neuronales/que-son-las-redes-neuronales.htm

similar:

Antecedentes Históricos iconCapítulo I antecedentes históricos antecedentes históricos de la ciudad de querétaro

Antecedentes Históricos iconAntecedentes historicos

Antecedentes Históricos iconAntecedentes históricos de los tributos

Antecedentes Históricos iconAntecedentes historicos de la estadistica y aplicaciones

Antecedentes Históricos icon3 antecedentes historicos de la prueba pericial

Antecedentes Históricos iconCapitulo I generalidades antecedentes historicos

Antecedentes Históricos iconAntecedentes Históricos del Colegio Tabasco

Antecedentes Históricos iconDefinición de fluido. Clasificación de los fluidos. Antecedentes...

Antecedentes Históricos icon2 Id. Id. Id. Antecedentes historicos. El reconocimiento social del...

Antecedentes Históricos iconPrimeros apuntes históricos de la propaganda


Medicina



Todos los derechos reservados. Copyright © 2015
contactos
med.se-todo.com