Descargar la presentación
La descarga está en progreso. Por favor, espere
Publicada porPaquita Armas Modificado hace 9 años
1
Aplicaciones de las Redes Neuronales Artificilaes Dr. Héctor Allende
2
Redes Neuronales Artificiales
Areas de Aplicación Areas donde se aplican ANN: Ingeniería ( Control, Robótica, Visión ) Ciencias de la computación. Neurofisiología. Física. Matemáticas Ciencia del Conocimiento. Economía y finanzas Estadísticas. Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
3
Redes Neuronales Artificiales
Aplicaciones. Algunas aplicaciones: Reconocimiento de patrones. Predicción. Regresión. Compresión. Procesamiento de Señales Data Mining. Series de Tiempo. Finanzas. Reconocimiento de voz, caras, caracteres . Restauración de imagenes.etc. Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
4
Ejemplo Modelos de Regresión
Redes FeedForward
5
Redes Neuronales Artificiales
Modelos de Regresión Tipo de Redes: Feedforward , Feedforward Recurrentes Característica: Las redes Feedforward son aproximadores universales. Pueden modelar funciones altamente no-lineales, donde modelos lineales tradicionales, no se comportan bien. No necesitan conocomiento del fenómeno, sólo un conjunto de datos. Aprendizaje es supervizado. Corrección del Error Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
6
Formulación del problema
Se desea modelar la siguiente función donde con Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
7
Redes Neuronales Artificiales
Tipo de ANN utilizada La entrada a la red fue normalizada entre [-1,1]. Tiene 1 neurona de entrada y 1 de salida. La red tiene 1 capa escondida y 3 neuronas escondidas. La red es del tipo FeedForward con algoritmo de aprendizaje Back-Propagation. Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
8
Proceso de Aprendizaje. Desempeño del BackPropagation
Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
9
Datos experimentales y salida de la ANN
Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
10
Ejemplo Series de Tiempo y Predicción
Redes FeedForward
11
Formulación del problema
Tipo de Redes: FeedForward. Modelar los datos de la “Línea Aerea Internacional” modelo (ARIMA), de orden (0,1,1)x(0,1,1)12 Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
12
ANN de los datos de la Aerolínea
Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
13
Redes Neuronales Artificiales
Datos de la Aerolínea Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
14
Ejemplo Clasificación de Patrones
LVQ (Learning vector quantizacion)
15
Clasificación de Patrones
Tipo de Redes: LVQ (Learning vector quantizacion). Característica: Consiste en clasificar un conjunto de elementos en un conjunto de clases. Se debe utilizar redes con aprendizaje supervisado. Las ANN son ampliamente usada en problemas de clasificación. Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
16
Formulación del Problema
Patrones: P son los patrones de entrada (p1 , p2) C es la clase a la cual pertenece cada patrón. Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
17
Gráfico de la ubicación de los Patrones.
Rojo : Clase 1 Celeste : Clase 2 Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
18
Redes Neuronales Artificiales
Parámetros de la ANN Neuronas escondidas: 4 Razón de aprendizaje: 0.1 Por ciento de cada clase: Clase 1: 60%, Clase 2: 40% Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
19
Resultado de la Red neuronal.
+ Vectores de entrada. O Pesos de las neuronas Rojo: patrones clasificados como clase 1 Celeste: patrones clasificados como clase 2. Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
20
Clasificación de caracteres
Counterpropagation Network Redes CPN
21
Clasificación de Caracteres
Tipo de Redes: CPN. Característica: Consiste en un problema de clasificación de patrones. Se debe utilizar redes con aprendizaje supervisado. Las ANN son ampliamente usada en estos problemas de clasificación. Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
22
Formulación del Problema
Se tiene un conjunto de letras como una imagen binaria de 5x6 pixeles, “1”cuando el pixel esta encendido y “0” cuando el pixel esta apagado La red tiene que asociar correctamente el código ASCII a la imagen. Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
23
Ejemplo de Imágenes de Letras
Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
24
Representación de las letras
Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
25
Redes Neuronales Artificiales
Letras de Testeo Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
26
Ejemplo Problemas de Heurística: Traveling Salesperson Problem (TSP)
Redes de Hopfield
27
Problemas de Heurística: “Problema del Vendedor Viajero”
Tipo de Redes: Hopfield bidimensional con memoria continua. Característica: Problema del tipo NP (no-polinomial). Consiste en un problema de Optimización. Se debe utilizar redes con aprendizaje no supervisado. Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
28
Formulación del Problema
Condiciones: Un vendedor viajero debe visitar un número de ciudades, visitándolas todas, solo una vez. Moverse de una ciudad a otra tiene un costo asociado ( dependiendo de la distancia) . El vendedor viajero debe volver al punto de partida. Se debe encontrar la secuencia correcta que minimiza el costo. (n!): 2n = número de recorridos distintos Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
29
Redes Neuronales Artificiales
Análisis del Problema Sea C1, C2, .., CK las ciudades involucradas. A cada ciudad se le asocia un número que representa el orden en el que fue visitada. La representación es binaria. Ej: 1era ciudad = ( ) Ej: 2da ciudad = ( ) Etc... Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
30
Matriz que define el Problema
Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
31
Redes Neuronales Artificiales
Análisis del Problema La idea es construir una memoria de Hopfied Bidimensional, tal que la salida es la matriz Y que tiene la forma anterior, y será la solución. Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
32
Redes Neuronales Artificiales
Restricciones para Y Cada ciudad no puede ser visitada más de 1 vez. Cada fila tiene no más de un 1. 2 ciudades no pueden ser visitadas al mismo tiempo Cada columna no puede contener más que un 1. Todas las ciudades deben ser visitadas Cada fila o columna debe tener al menos un 1. El costo o distancia total debe ser minimizado. Sea dk1 k2 el costo entre las ciudades Ck1 y Ck2. Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
33
Pesos asociados a las Neuronas.
Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
34
Construcción de los pesos.
Cada ciudad debe aparecer 1 vez en el tour: Una neurona en una fila debe inhibir todas las otras de la misma fila. Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
35
Construcción de los pesos.
No debe haber con el mismo número de orden en un tour. Una neurona en una columna debe inhibir todas las otras de la misma columna. Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
36
Construcción de los pesos.
La mayoría de las neuronas deben tener valor cero entonces se debe usar inhibición global Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
37
Construcción de los pesos.
Distancia total debe ser minimizada, entonces las neuronas reciben entrada inhibitoria proporcinal a la distancia. Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
38
Redes Neuronales Artificiales
Función de Energía Función de energía de la memoria discreta de Hopfield: Formula de actualización: Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
39
Inicio del Algoritmo. TSP 50 ciudades
Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
40
Solución Encontrada. TSP 50 ciudades
Profesor: Dr. Héctor Allende Redes Neuronales Artificiales
Presentaciones similares
© 2024 SlidePlayer.es Inc.
All rights reserved.