Introducción a las Redes neuronales Laboratorio de Inteligencia Artificial

Modelo biológico Se estima que el cerebro humano contiene más de cien mil millones ( ) de neuronas y  sinápsis en el sistema nervioso humano Cuerpo de la neurona, Ramas de extensión llamadas dendrítas para recibir las entradas, y Axón que lleva la salida de la neurona a las desdirías de otras neuronas

Red neuronal artificial Una de las misiones consiste en simular las propiedades observadas en los sistemas neuronales biológicos que se caracterizan por su generalización y su robustez.                                        Una red neuronal se compone de unidades llamadas neuronas. Cada neurona recibe una serie de entradas a través de interconexiones y emite una salida. Respecto al Diseño y programación de una RNA,en un paradigma convencional de programación se modela mediante un algoritmo codificado que tenga una serie de propiedades que permitan resolver dicho problema. En RNA se parte de un conjunto de datos de entrada significativo y el objetivo es conseguir que la red aprenda automáticamente las propiedades. tiene más que ver con la selección del modelo de red, las variables a incorporar , el conjunto de entrenamiento.

Red neuronal artificial ,ejemplo Ejemplo 1: Diagnostico de Imágenes médicas Durante la fase de entrenamiento el sistema recibe imágenes de tejidos que se sabe (aprendizaje supervisado) son cancerígenos y tejidos que se sabe son sanos Una vez entrenado el sistema podrá recibir imágenes de tejidos no clasificados y obtener su clasificación sano/no sano con un buen grado de seguridad. Las variables de entrada pueden ser : los puntos individuales de cada imagen un vector de características de las mismas que se puedan incorporar al sistema : procedencia anatómica del tejido de la imagen a edad del paciente al que se le extrajo la muestra Analisis clínicos adicionales

Ventajas Aprendizaje: tienen la habilidad de aprender mediante una etapa de aprendizajeconsistente en proporcionar a la RNA datos como entrada a su vez que se le indica cuál es la salida (respuesta) esperada. Auto organización: crea su propia representación de la información en su interior. Sin necesidad de una “programación explicita” . Tolerancia a fallos. Almacena la información de forma redundante, ésta puede seguir respondiendo aceptablemente aún si se daña parcialmente. Flexibilidad: 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 es acertada inclusio si la imagen tiene parametros de luz ligeramente distintos o el objeto cambia ligeramente de posición Tiempo real: es paralela, si se implementa con con computadoras o en dispositivos electrónicos que utilicen dicha paralelización se pueden obtener respuestas en tiempo real , de la misma manera que el cerebro es capaz de procesar cantidades ingentes de información en paralelo sin un esfuerzo aparente: Comprensión de imágenes Comprensión de sonidos Comprensión de parámetros tactiles, de calor y movimiento

Modelo de red La forma que dos neuronas interactuan no es totalmente conocida, En general, una neurona envía su salida a otras por su axón. Este proceso es a menudo modelado como la función de red . La neurona recoge las señales por su sinápsis sumando todas las influencias excitadoras e inhibidoras. Si las influencias excitadoras positivas dominan, entonces la neurona da una señal positiva y manda este mensaje a otras neuronas por sus sinápsis de salida. En el caso general el valor de activación de la neurona viene dado por una función de activación

El Perceptrón Los perceptrones se diseñaron para emular las características principales de las neuronas biológicas. Su funcionamiento es el siguiente: Una serie de entradas se aplican al perceptrón, luego esas entradas son multiplicadas por un peso (también llamado factor), que representa la "fuerza" de la conexión sináptica y todas las entradas multiplicadas por su peso se suman para determinar el nivel de activación del perceptrón. De aquí en adelante nos referiremos a este sumatorio con el término NET.

La Función de Activación La salida NET es generalment utilizada más adelante por una función de activación que denominaremos F para producir la señal de salida del perceptrón, denominada OUT. Esta función puede ser de distintos tipos: Lineal: OUT = K * NET (siendo k una constante numérica)                     Umbral (Abrupta, binaria): La salida es 1 si NET>K y 0 en otro caso                         Sigmoidea (Contínua): Es la función que más se parece a las características de transferencia no lineal de la neurona biológica y permite funciones de red más generales. Esta función además comprime el rango de NET, por lo que pertenece al tipo de funciones de aplastamiento

Perceptrón multicapa El perceptrón multicapa es una (RNA) formada por múltiples capas, esto le permite resolver problemas que no son linealmente separables, lo cual es la principal limitación del perceptrón simple) Las capas pueden clasificarse en tres tipos: Capa de entrada: Constituida por aquellas neuronas que introducen los patrones de entrada en la red. En estas neuronas no se produce procesamiento. Capas ocultas: Formada por aquellas neuronas cuyas entradas provienen de capas anteriores y las salidas pasan a neuronas de capas posteriores. Capa de salida: Neuronas cuyos valores de salida se corresponden con las salidas de toda la red.

Continuacion Seguir a partir de : http://ohm.utp.edu.co/neuronales/Capitulo2/Perceptron/ReglaP.htm