ANEXO I.- Clasificación mediante el uso de Redes Neuronales
|
|
- Carolina Caballero Ponce
- hace 5 años
- Vistas:
Transcripción
1 ANEXO I.- Clasificación mediante el uso de Redes Neuronales I.1.- Introducción a las Redes Neuronales Artificiales (RNA) I Definición de las RNA Las RNA son sistemas adaptables, con procesamiento de datos distribuido y en paralelo, que expuestos a un entorno de información desarrollan representaciones internas para generar respuestas coherentes ante tales estímulos, y que imitan el funcionamiento fisiológico y psicológico del cerebro para resolver ciertos problemas. Estos métodos no necesitan el desarrollo de algoritmos específicos para cada problema. Son adecuadas para: - Problemas con grandes cantidades de datos ruidosos. - Problemas sin reglas conocidas (algoritmos) para efectuar la tarea de procesamiento. - Problemas en los que existe algoritmo pero: No es una solución portable. El costo de la implementación algorítmica es desmesurado. Existe la necesidad de una solución adaptativa continuada. - Problemas en los que es imprescindible un procesamiento muy rápido (tiempo real). - Aplicación de un sistema general de asociación o transformación de patrones: Clasificación. Reconstrucción de patrones. Predicción. Modelización. Optimización. - Aprendizaje de máquinas ( machine learning ). Las RNA no son convenientes en todos los casos. Aunque ofrecen una buena relación eficiencia/coste, presentan algunas desventajas con respecto a los sistemas logarítmicos: - Se hace difícil la explicación de las reglas utilizadas por la red neuronal entrenada. - Necesitan ejemplos con suficiente representatividad. - Tienen aún problemas sin resolver: 127
2 Dado un problema, se desconoce la arquitectura de la red más eficiente. Precisa altos requisitos de cómputo en el aprendizaje (no en ejecución). Además, no siempre sobrepasan en eficiencia a las técnicas estadísticas, muy usadas también en los tipos de problema comentados anteriormente. I Modelo formal de Neurona Artificial I Operación Fig. I : Esquema de la neurona artificial. Excitación, activación y salida. Una neurona combina múltiples señales, que recibe de las sinapsis, mediante determinados pesos, y guarda el resultado en una memoria o variable local. En base a esto genera una salida, a través de una función que introduce no-linealidad, como vemos a continuación: 128
3 I Saturación de la respuesta: función no-lineal Fig. I : Tipos de funciones de salida. I Modelo de Red Neuronal Artificial Las RNA son redes de elementos procesadores simples interconectados masivamente, con organizaciones jerárquicas (capas o mapas), trabajando en paralelo, habitualmente adaptables y orientadas a interactuar con información imitando a los sistemas nerviosos. 129
4 Fig. I.1.3.1: Organización de la red en capas. Las RNA poseen las siguientes características: - Aprendizaje: Ante un conjunto de entradas-salidas se autoajustan para producir respuestas consistentes. - Generalización: Una red entrenada puede ser insensible a variaciones menores (ruido) en las entradas y responde correctamente a ejemplos nunca vistos anteriormente. - Abstracción: Algunas RNA son capaces de abstraer la información útil de un conjunto de entradas. 130
5 I.2.- Objetivos En este anexo se expondrá la metodología seguida para la implementación de los distintos clasificadores basados en redes neuronales que se utilizan en este proyecto. El conjunto de datos elegido para ilustrar este proceso será el obtenido en el experimento piloto, considerando sólo la información relativa a los biosensores (para más detalles, véase el capítulo 7 de la memoria). La estrategia para determinar el tipo de red neuronal y su arquitectura, así como el desarrollo del código necesario para su funcionamiento, serán similares tanto para el EEG como para los biosensores en posteriores experimentos. Los pasos a seguir son: - Realización del experimento. Montaje de biosensores. Adquisición de señales. - Procesado de señales para la obtención de características fisiológicas básicas. - Empleo de redes neuronales para la clasificación o detección de estados. Una de las tareas previas más importantes es la obtención, a partir de las señales generadas por los sensores, de nuevas características o variables más adecuadas para efectuar la distinción entre los estados, éstas serán realmente las entradas del clasificador. Como resultado de este tratamiento de las señales, y en base a toda la documentación estudiada previamente, las entradas a la red neuronal serán las siguientes: - HRV (Heart Rate Variability, calculado a partir de la señal electrocardiograma). - BVP-HRV (Heart Rate Variability, calculado a partir de la señal volumen de pulso sanguíneo). - PINCH (Dilatación Vascular, calculado a partir de la señal volumen de pulso sanguíneo). - RPM (Tasa de respiraciones por minuto, calculado a partir de la señal respiración). - PROFRESP (Profundidad de la respiración, calculado a partir de la señal respiración). - SCVAR (Skin Conductivity Variability, calculado a partir de la señal conductividad de la piel). Con estas entradas alimentaremos una red neuronal basada en perceptrón multicapa (MLP), con la siguiente arquitectura: seis neuronas para la capa de entrada, una o dos capas ocultas con un número de neuronas en cada una aún por determinar, y dos neuronas en la capa de salida, una por cada clase (Relajación, estrés). Disponemos de 826 patrones para cada variable, algunas de las cuales han sido submuestreadas para que todas tengan el mismo número de patrones, con lo que la matriz de datos de entrada a la red tendrá 6 filas (variables) y 826 columnas (patrones). Con estos datos ya definidos, procederemos en primer lugar a hacer un preprocesado y a analizar la dependencia entre variables para usar Análisis de Componentes Principales (PCA) en caso de que sea necesario. 131
6 A continuación, buscaremos la arquitectura óptima mediante diversas técnicas que se comentarán más adelante, para finalmente evaluar la red con un método de validación cruzada, presentar los resultados obtenidos y las conclusiones. I.3.- Resolución I Organización de los datos de entrada a la red Una vez que tenemos las 6 características o variables con las que vamos a trabajar, para cada una de ellas separamos los datos correspondientes a intervalos de actividad y descanso y los introducimos en un vector distinto. De esta forma nos quedan 12 vectores, uno por variable y estado (actividad, descanso), y podemos ver cuántas muestras tiene cada uno de ellos (aunque la frecuencia de muestreo inicial era de 256 Hz para todos los biosensores, las características que hemos obtenido tienen un número de puntos distinto). El que menos muestras tiene (413) es el vector que contiene la variable RPM en actividad, con lo cual submuestreamos las demás señales para que todas tengan el mismo número, y así todas las filas (variables) de la matriz de datos tengan el mismo número de columnas (patrones). Este submuestreo conlleva una pérdida de información que en alguna de las señales puede ser importante, más adelante veremos si esto puede influir en la bondad del clasificador. Como resultado de las operaciones anteriores, tenemos 12 vectores de 413 muestras cada uno. Para construir la matriz de datos, en cada fila (variable) colocamos primero los elementos del vector correspondiente a esa variable y al estado descanso, y después los del estado actividad. De esta forma obtenemos una matriz de dimensiones 6 variables x 826 patrones, de los cuales los 413 primeros pertenecen a estados de descanso y los 413 restante a estados de actividad. Las variables son, en este orden: 1. RPM 2. PROFRESP 3. HR 4. BVPHR 5. PINCH 6. SCVAR Además, en un vector columna de tamaño 826 llamado clase marcaremos con un 1 los 413 primeros elementos (salida deseada Relaxation ), y con un 2 los 413 restantes (salida deseada Stress ). Tanto este vector como la matriz datos, además de la versión escalada entre -1 y 1 de la matriz de datos dataesc y otras variables necesarias para la ejecución de los programas, han sido guardadas en el archivo matrizdatosescalados.mat, que será necesario cargar en el workspace de MATLAB antes de iniciar dicha ejecución. 132
7 I Preprocesado de los datos I Visualización de los datos Contamos ya con un fichero de MATLAB que contiene los datos necesarios para abordar el problema de clasificación. En primer lugar, visualizaremos los datos mediante la función preprocess de la SOM-Toolbox. Para ello ejecutamos el archivo preprocess1.m. Fig. I : Herramienta preprocess con los datos del problema. Fig. I : Visualización de variables con la opción plot. 133
8 Fig. I : Visualización de variables con la opción boxplot. Fig. I : Vista de los histogramas de las variables con la opción histogram. 134
9 Fig. I : Visualización por pares de variables con la opción XYplot. Como nos muestran las figuras anteriores, parece que hay problemas con las variables HR y BVPHR, que presentan distribuciones un poco extrañas. Es posible que esto afecte a la hora de hacer la clasificación, así que si los resultados son malos, ya sabemos dónde puede estar la clave. En cualquier caso, cabe comentar que todas las variables son fuertemente no lineales, cosa que habrá que tener en cuenta posteriormente. El archivo preprocess2.m escala los datos a media nula y desviación estándar unidad, mientras que preprocess3.m, además de normalizarlos, los escala entre -1 y 1. Los resultados son similares a los anteriores, por lo que no se incluyen las figuras. I Análisis de dependencia de variables Como comentamos anteriormente, las variables son no lineales, con lo que difícilmente van a ser linealmente dependientes entre ellas. Podemos comprobarlo ejecutando el fichero variablesdependientes.m : 135
10 Fig. I : Análisis de dependencia lineal entre variables. I Análisis de Componentes Principales (PCA) A continuación efectuaremos un análisis PCA, presentaremos los valores propios de la matriz de covarianzas y mostraremos algunas representaciones de pares de componentes PCA: Valores propios de la matriz de covarianzas: ans =
11 Fig. I : Proyecciones de pares de componentes PCA. Podemos observar que ninguna de estas componentes PCA nos permite separar las clases con claridad, por lo que, al ser el número de variables pequeño y no ofrecernos este método ninguna ventaja, de aquí en adelante desestimaremos el uso de esta herramienta para este problema concreto. I Solución con una capa oculta I Primera aproximación Para hacernos una idea del tamaño de la red, ejecutaremos el programa biosignalsmlp, sin aplicar PCA, con una capa oculta de 15 neuronas, y 100 ciclos de entrenamiento mediante el método de regularización bayesiana. TRAINBR, Epoch 100/100, SSE /0.001, SSW , Grad 7.06e-001/1.00e-010, #Par 1.27e+002/137 Observamos en la respuesta de la red en el último ciclo que se han utilizado 127 pesos de 137, con lo que el número óptimo de neuronas posiblemente estará más o menos cercano a 15. I Estimación de la arquitectura óptima A continuación, mediante la función MLParquitectura.m simularemos un pool de 10 redes para cada arquitectura que elijamos, con el objetivo de comprobar cuál es la óptima. Utilizaremos redes con salida binaria en las neuronas de salida, y salidas entre -1 y 1 en la capa oculta. Entrenaremos las redes con el método de Levenberg-Mardquart 137
12 durante 100 ciclos. Simularemos 9 arquitecturas de 7, 8, 9, 10, 11, 12, 13, 14 y 15 neuronas ocultas cada una. Los resultados son los siguientes: Resultados para el promedio de las 10 redes en la arquitectura con 9 neuronas ocultas: Matriz_Confusion = ans = muestras_nulas = 0 Resultados para el promedio de las 10 redes en la arquitectura con 13 neuronas ocultas: Matriz_Confusion = ans = muestras_nulas = 0 Red con error minimo en arquitectura con 8 neuronas ocultas y prueba 3. Matriz_Confusion = Kappa = muestras_nulas = 0 138
13 Fig. I : Estadísticas del error para todas las redes simuladas. Fig. I : Clasificación, usando todas las muestras, de la red con error mínimo. Por tanto, al ser muy parecidos los resultados a partir de 9 neuronas ocultas (aunque la red con 8 ha dado el mejor resultado, en promedio es peor), elegiremos la red 6:9:2 como arquitectura óptima con una capa oculta. I Evaluación de la arquitectura elegida con validación cruzada Ejecutamos la función MLPCV.m, entrenamos un pool de 10 redes para la arquitectura de 9 neuronas ocultas, con el método de Levenberg-Marquardt durante 50 ciclos. Efectuamos 3 validaciones cruzadas, obteniendo estos resultados: 139
14 Fig. I : Error cuadrático medio en cada conjunto de prueba. Por último, evaluamos nuestra red mediante la rutina MLPCVevaluacion.m. 140
15 Fig. I : Estadísticas del error, kappa medio, histograma de pesos y clasificación. Fig. I : Respuestas de la clase 1.-Relaxation (izquierda) y 2.-Stress (derecha). 141
16 I Solución con dos capas ocultas I Estimación de la arquitectura óptima Entrenaremos varias arquitecturas con la función MLParquitectura2capas1fija, de la misma forma que para una capa oculta. Probaremos con una primera capa oculta de 15 neuronas, e iremos variando el número de elementos de la segunda: 5, 7, 10, 12 y 14: Resultados para el promedio de las 10 redes en la arquitectura con 10 neuronas ocultas: Matriz_Confusion = ans = muestras_nulas = 0 Red con error minimo en arquitectura con 12 neuronas ocultas y prueba 6. Matriz_Confusion = Kappa = muestras_nulas = 0 142
17 Fig. I : Estadísticas del error para todas las redes simuladas. Fig. I : Clasificación, usando todas las muestras, de la red con error mínimo. Seleccionamos, por tanto, la red con 10 neuronas en la segunda capa, y la arquitectura será 6:15:10:2. I Evaluación de la arquitectura elegida con validación cruzada 143
18 Entrenamos la red elegida en el programa MLPCV2capas.m, exactamente como hicimos con la red de una capa. Fig. I : Error cuadrático medio en cada conjunto de prueba. Y de nuevo, ejecutamos la función MLPCVevaluacion.m : 144
19 Fig. I : Estadísticas del error, kappa medio, histograma de pesos y clasificación. Fig. I : Respuestas de la clase 1.-Relaxation (izquierda) y 2.-Stress (derecha). 145
20 I.4.- Resultados preliminares En las gráficas anteriores para la arquitectura con una capa oculta podemos observar que los resultados empeoran al evaluar la red con validación cruzada, lo cual es lógico ya que en ese caso usamos una parte de los patrones para entrenar la red y otra parte para evaluarla, en lugar de usar todos los patrones para el entrenamiento. De este modo, pasamos de un valor de Kappa de a (valor medio) en la validación cruzada. También comprobamos que al ser un problema no lineal, una capa oculta no es suficiente para hacer una buena clasificación. Probamos entonces con una arquitectura de dos capas ocultas, y la clasificación usando todas las muestras mejora bastante, aunque otros factores como el tiempo de cómputo empeoran ostensiblemente. Ello prueba que la red se aprende mejor los datos, pero esto no significa que vaya a generalizar mejor, porque de hecho en la validación cruzada pasamos de una Kappa de a , valor incluso peor que en el caso anterior. Como curiosidad comentaremos que se ha probado una arquitectura con tres capas ocultas (6:25:15:7:2), obteniendo un valor de Kappa igual a , y a pesar de ello en la evaluación con validación cruzada el Kappa medio es de Fig. I.4.1: Clasificación usando todas las muestras para entrenamiento y validación cruzada. Esto significa que para mejorar el clasificador habría que centrar los esfuerzos en depurar los datos de partida, en lugar de proponer redes más complejas. I.5.- Modificaciones y mejoras A la vista de los resultados anteriores, revisaremos los datos de entrada a la red, poniendo un énfasis especial en las variables HR y BVPHR, que, como mostramos en el preprocesado, son las que presentaban distribuciones más confusas. 146
21 Se han suavizado estas señales con un filtro de media móvil de 50 puntos, y se han depurado outliers (ahora tenemos 375 patrones para la clase Relaxation y 413 para la clase Stress, 788 en total), de manera que una nueva visualización de las variables quedaría de la forma siguiente (cargamos previamente en el workspace de MATLAB el archivo /datosrevisados/matrizdatosescaladossinoutliers ): Fig. I.5.1: Nuevos datos de entrada a la red. Fig. I.5.2: Histogramas de las nuevas variables. 147
22 Fig. I.5.3: Representación XY de algunas variables y análisis PCA (abajo, derecha). Además, en la figura podemos comprobar que con los datos depurados, la aplicación de PCA quizá nos ayude a separar las clases. Por lo tanto, a continuación probaremos una red de una capa oculta. Estimaciones preliminares nos indicaron que de 10 a 15 neuronas podría ser un número óptimo, con lo cual, ejecutamos el programa /datosrevisados/ MLParquitecturaconPCAsinoutliers.m, aplicando PCA y con las mismas opciones que anteriormente. Tras varias inspecciones, nos decantamos por una red 6:15:2. 148
23 Resultados para el promedio de las 10 redes en la arquitectura con 15 neuronas ocultas: Matriz_Confusion = ans = 1 muestras_nulas = 0 Fig. I.5.4: Estadísticas del error para algunas de las redes simuladas y entrenamiento. Fig. I.5.5: Clasificación usando todas las muestras de la red. 149
24 La figura nos muestra que la clasificación con esta arquitectura usando todas las muestras ha sido perfecta. Evaluamos la red con tres validaciones cruzadas, mediante las funciones /datosrevisados/mlpcvconpca y /datosrevisados/mlpcvevaluacionpcasinoutliers, de la misma forma que antes: Fig. I.5.6: Error cuadrático medio en cada conjunto de prueba. 150
25 Fig. I.5.7: Estadísticas del error, kappa medio, histograma de pesos y clasificación. Fig. I.5.8: Respuestas de la clase 1.-Relaxation (izquierda) y 2.-Stress (derecha). 151
26 I.6.- Resultados finales Finalmente, hemos podido comprobar cómo mediante la depuración de los datos se ha mejorado mucho la clasificación (kappa = 1 con todas las muestras, de media con una validación cruzada, con dos validaciones cruzadas, con tres validaciones cruzadas), sin necesidad de añadir más capas ocultas (de hecho, con dos capas ocultas, los resultados son peores). I.7.- Conclusiones En primer lugar cabe destacar, como hemos comentado anteriormente, que las vías de mejora para el detector de estados pasan por modificar la extracción de características, ya sea añadiendo variables nuevas o aplicando alguna técnica para que sean más fiables las actuales. Por otra parte, los resultados finales están en la línea de los obtenidos en estudios anteriores, y son acordes en general con la literatura existente sobre el tema. La diferencia es que en algunos de esos estudios, los métodos usados para inducir estos estados emocionales en los usuarios son mucho más eficaces (estímulos audiovisuales, encuestas psicológicas, etc.), y de este modo los resultados mejoran, aunque también hay que decir que en buena parte de ellos se trata con varios individuos en lugar de uno, lo que aumenta considerablemente la dificultad. 152
CAPITULO 5 DISEÑO DE UN CLASIFICADOR DE
Capitulo 5. Diseño de un Clasificador de Patrones. 60 CAPITULO 5 DISEÑO DE UN CLASIFICADOR DE PATRONES. En este capítulo se presenta un problema simple de clasificación de patrones, en el cual se pondrán
El Perceptrón Multicapa
El Perceptrón Multicapa N entradas M neuronas de salida L: neuronas en la capa oculta E = 1 p M ( zi ( k) yi ( k) ) k = 1 i= 1 Implementación de la función XOR Regiones de clasificación en función del
INTRODUCTION TO MACHINE LEARNING ISABELLE GUYON
INTRODUCTION TO MACHINE LEARNING ISABELLE GUYON 2008-02-31 Notas tomadas por: María Eugenia Rojas Qué es Machine Learning? El proceso de aprendizaje de maquina consiste en tener una gran base de datos
REDES NEURONALES. Una esquema simplificado de una neurona se muestra en la siguiente figura. Cuerpo celular. Dendrita. Axón.
REDES NEURONALES Las redes neuronales constituyen una poderosa herramienta para modelar sistemas, especialmente no lineales, sean dinámicos o estáticos. En el cuerpo celular se realizan la mayoría de las
Aprendizaje Automatizado. Redes Neuronales Artificiales
Aprendizaje Automatizado Redes Neuronales Artificiales Introducción Otra forma de emular características propias de los humanos: memorizar y asociar hechos. Se aprende de la experiencia. El cerebro humano
Uso de una red neuronal multicapa para el reconocimiento de caracteres griegos. Skynet Reloaded
Uso de una red neuronal multicapa para el reconocimiento de caracteres griegos: Skynet Reloaded...decided our fate in a microsecond... P. García H. Rajchert I. Scena Sistemas de Inteligencia Artificial
Detección Multiusuario para DS-CDMA basado en SVM
9 Otra técnica basada en el aprendizaje y más conocida que la anterior es la basada en. Vamos a realizar una pequeña comparativa teórica de sobre ambas técnicas de clasificación. Estudiaremos los conceptos
Conceptos básicos V:
C261-69 69 Tópicos Avanzados: Redes Neuronales Artificiales Conceptos básicos Dra. Ma. del Pilar Gómez Gil Primavera 2009 pgomez@acm.org V:13-01-09 Modelo Básico y Abstracto de un Neurón Artificial x 0
Reconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales
Reconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales Dra. Ma. de Guadalupe García Hernández Departamento de Ingeniería Electrónica Objetivo general Aplicar
Análisis de Datos. Introducción al aprendizaje supervisado. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Introducción al aprendizaje supervisado Profesor: Dr. Wilfrido Gómez Flores 1 Conceptos básicos Desde la antigüedad, el problema de buscar patrones en datos es fundamental en diversas
Perceptrón simple y perceptrón multicapa
UNL - FICH - Departamento de Informática - Ingeniería Informática Inteligencia Computacional Guía de trabajos prácticos Perceptrón simple y perceptrón multicapa. Objetivos Aplicar diferentes arquitecturas
TLU(s) MULTICAPAS. Se pueden implementar funciones en TLU con más de una capa.
TLU(s) MULTICAPAS Se pueden implementar funciones en TLU con más de una capa 1 05 2 15 2 3 z 3 15 2 4 05 No eisten, en la actualidad, mecanismos de entrenamiento que permita conocer los pesos sinápticos
Línea de Especialización Control de Sistemas
Línea de Especialización Control de Sistemas 1.- Propósito de la línea de especialización. Profesional con sólida formación teórico-práctica y visión global amplia acerca de diferentes métodos de modelación,
UNIVERSITAT DE JOSÉ LUIS ORTIZ ARCINIEGA
UNIVERSITAT DE JOSÉ LUIS ORTIZ ARCINIEGA Obtener la amplitud real del pulso a partir de las muestras (7) digitales. Actualmente se Utiliza Optimal Filtering corriendo en Procesadores Digitales de Señal
ANEXO II.- TEORÍA SOBRE REDES NEURONALES ARTIFICIALES
ANEXO II.- TEORÍA SOBRE REDES NEURONALES ARTIFICIALES 1. Concepto de red neuronal artificial Una red neuronal artificial (RNA) es un modelo matemático que intenta reproducir el modo de funcionamiento y
Introducción a Las redes Neuronales (Neurales) CO-6612
a Las redes Neuronales (Neurales) CO-6612 Coordenadas iniciales: Prof. Minaya Villasana Oficina: CBI-112 Extension: 906 3386 forma más fácil (preferida) de contacto: mvillasa@usb.ve Bibliografia: Simon
CAPÍTULO 4 IMPLEMENTACIÓN DE LA TRANSFORMADA DE DISTANCIA CON UN
CAPÍTULO 4 IMPLEMENTACIÓN DE LA TRANSFORMADA DE DISTANCIA CON UN PERCEPTRÓN MULTICAPA EN MATLAB 4.1 Matlab Matlab ha demostrado ser un programa de desarrollo muy completo en distintas áreas, más que nada
TEMA 1: INTRODUCCIÓN N AL PROCESADO Y ANÁLISIS DE DATOS
Procesado y Análisis de Datos Ambientales. Curso 2009-2010. José D. Martín, Emilio Soria, Antonio J. Serrano TEMA 1: INTRODUCCIÓN N AL PROCESADO Y ANÁLISIS DE DATOS ÍNDICE Introducción. Selección de variables.
Redes Neuronales. Parte II. Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez
Redes Neuronales Parte II Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez UNIDAD TEMÁTICA : REDES NEURONALES Introducción. De/iniciones. Topologías
INVESTIGACIÓN OPERATIVA Redes Neuronales Artificiales y Aplicaciones INTEGRANTES: Armijos Mauricio Jara Iza Rony
INVESTIGACIÓN OPERATIVA Redes Neuronales Artificiales y Aplicaciones INTEGRANTES: Armijos Mauricio Jara Iza Rony Técnicas De La Inteligencia Artificial Programación Heurística Redes Neuronales. Evolución
CONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7)
Tema 1: Conceptos Básicos Sistemas Conexionistas 1 CONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7) 1.- Introducción. 1.1.- Redes Neuronales de Tipo Biológico. 1.2.- Redes Neuronales dirigidas
CAPÍTULO 2 MARCO TEÓRICO
CAPÍTULO 2 MARCO TEÓRICO Reconocimiento de Patrones El reconocimiento de patrones es utiliza actualmente para la solución de tareas tales como el reconocimiento de caracteres, de huellas digitales y reconocimiento
Inteligencia Computacional
Inteligencia Computacional Práctica de redes neuronales Reconocimiento óptico de caracteres MNIST Curso 2017-2018 Máster en Ingeniería Informática Departamento de Ciencias de la Computación e Inteligencia
Capitulo 1: Introducción al reconocimiento de patrones (Secciones )
Capitulo 1: Introducción al reconocimiento de patrones (Secciones 1.1-1.6) M A C H I N E P E R C E P T I O N U N E J E M P L O S I S T E M A S D E R E C O N O C I M I E N T O D E P A T R O N E S C I C
CONCLUSIONES. La teoría de Redes Neuronales Artificiales, presenta grandes ventajas con
319 CONCLUSIONES La teoría de Redes Neuronales Artificiales, presenta grandes ventajas con respecto a otros modelos típicos de solución de problemas de Ingeniería, una de ellas es su inspiración en modelos
Redes Neuronales Artificiales
Red de Hopfield Almacenar un conjunto de p patrones de forma tal que cuando se presente un nuevo patrón, la red responda produciendo alguno de los patrones previamente almacenados que más se parezca al
TEMA 0 Y SUS APLICACIONES. Redes Neuronales Artificiales y sus Aplicaciones
Curso RNA Tema 0 TEMA 0 PRESENTACIÓN DEL CURSO REDES NEURONALES ARTIFICIALES Y SUS APLICACIONES Comienzo del Curso Presentación del Curso Enfoque y Contexto Objetivos Contenidos Teórico Contenido Práctico
CAPÍTULO Inteligencia Artificial y Redes Neuronales Artificiales
CAPÍTULO 1 INTRODUCCIÓN 1.1 Inteligencia Artificial y Redes Neuronales Artificiales Durante las últimas décadas se han ido desarrollando investigaciones importantes en el área de la inteligencia artificial.
REDES NEURONALES ADAPTABLES
REDES NEURONALES ADAPTABLES Unidad 3: Redes neuronales artificiales y modelos de entrenamiento SubTemas 3.2 Perceptron simple Arquitectura Regla delta Multi Layer Perceptrón 3.3 Redes Neuronales Adaptables
Perceptrones Fernando Berzal,
Fernando Berzal, berzal@acm.org Introducción Redes neuronales artificiales Modelos de redes Modelo de neurona artificial Funciones de activación La neurona de McCulloch y Pitts El algoritmo de aprendizaje
que represente lo mejor posible la relación entre valores X e Y permitiéndonos inferir un valor a partir del otro.
Regresió n josé a. mañas 8.2.2017 1 Introducción El objetivo de las técnicas de regresión es identificar una función que permita estimar una variable Y en función de la otra X. Es decir, averiguar una
Inteligencia Artificial (Curso ) Grado en Ingeniería Informática - Ingeniería del Software
Inteligencia Artificial (Curso 0-0) Grado en Ingeniería Informática - Ingeniería del Software Redes neuronales Cuestión : Decir si las siguientes afirmaciones son verdaderas o falsas: Si tomamos la función
BLOQUE IV. CLASIFICACIÓN
BLOQUE IV. CLASIFICACIÓN CAPÍTULO 11 Clasificación de mínima distancia. IV. 11.1 Pasos para realizar la clasificación. Es necesario comentar que se trata de una clasificación muy básica, que, en este caso,
Tema 3: Ðreas de la IA: Ejemplos de Investigaci n Actual (III) Redes Neuronales
Tema 3: Ðreas de la IA: Ejemplos de Investigaci n Actual (III) Redes Neuronales SRP Carlos Carrascosa Casamayor Vicente J. Julián Inglada Tema 3: Ðreas de La IA: Ejemplos de Investigaci n Actual (II) Redes
3.7 IDENTIFICACION DE UN SISTEMA DINÁMICO NO LINEAL Descripción del Problema: La identificación de un sistema consiste en
301 3.7 IDENTIFICACION DE UN SISTEMA DINÁMICO NO LINEAL 3.7.1 Descripción del Problema: La identificación de un sistema consiste en determinar una función que relacione las variables de entrada con las
Capítulo 5. Conclusiones
Capítulo 5 Conclusiones En este trabajo se desarrolló un sistema capaz de clasificar enunciados dependiendo de la opinión que cada uno expresa acerca de una película. Se cumplió entonces con el objetivo
ANEXO B REDES NEURONALES
ANEXO B REDES NEURONALES En la búsqueda de la arquitectura de la red neuronal se conto con aproximadamente 30300 datos para 3 líneas diferentes. Se realizaron diferentes configuraciones para encontrar
Perceptrón Simple. Aspectos Prácticos y Algoritmos Redes Neuronales, DC-FCEyN-UBA. Rosana Matuk Primer Cuatrimestre 2018
Perceptrón Simple Aspectos Prácticos y Algoritmos Redes Neuronales, DC-FCEyN-UBA Rosana Matuk Primer Cuatrimestre 2018 Rosana Matuk (DC-FCEyN-UBA) Perceptrón simple Primer Cuatrimestre 2018 1 / 29 Objetivo
4.- Modelos de resolución exacta empleados.
4.- Modelos de resolución exacta empleados. Una vez explicada la batería de problemas con la que vamos a trabajar, y según la metodología a seguir en este proyecto, pasamos a describir los modelos de resolución
Inteligencia Artificial II (Curso ) Ejercicios propuestos del tema 5
Inteligencia Artificial II (Curso 0-0) Ejercicios propuestos del tema Ejercicio : Diseñar un perceptrón simple con n valores de entrada y función umbral de activación que sirva para calcular la función
SISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES T10: Redes Neuronales.aic.uniovi.es/ssii Índice Redes Neuronales Artificiales Fundamentos biológicos Perceptrón Funciones de activación Redes de neuronas Entrenamiento: Perceptrón
Pattern Classification
Pattern Classification All materials in these slides were taken from Pattern Classification (2nd ed) by R. O. Duda, P. E. Hart and D. G. Stork, John Wiley & Sons, 2000 with the permission of the authors
TECNICAS DE PROCESADO Y REPRESENTACION DE LA SEÑAL DE VOZ PARA EL RECONOCIMIENTO DEL HABLA EN AMBIENTES RUIDOSOS
UNIVERSIDAD POLITECNICA DE CATALUÑA Departamento de Teoria de la señal y comunicaciones TECNICAS DE PROCESADO Y REPRESENTACION DE LA SEÑAL DE VOZ PARA EL RECONOCIMIENTO DEL HABLA EN AMBIENTES RUIDOSOS
7. Ejemplos con LightPAP
7. Ejemplos con LightPAP La herramienta creada se ha testado con una secuencia de siete imágenes de citologías muy diferentes entre sí. Estas imágenes han sido proporcionadas por un grupo de investigación
Redes de Neuronas de Base Radial
Redes de Neuronas de Base Radial 1 Introducción Redes multicapa con conexiones hacia delante Única capa oculta Las neuronas ocultas poseen carácter local Cada neurona oculta se activa en una región distinta
Caracterización del funcionamiento adecuado de equipos aplicando redes neuronales
Caracterización del funcionamiento adecuado de equipos aplicando redes neuronales Angel Marín, Nuria López, Miguel Ángel Rodríguez y Antonio José Fernández Iberdrola Ingeniería y Construcción, SAU ÍNDICE
LIM. Modelización del conjunto motor-transmisión de un automóvil a partir de datos experimentales. Trabajo final de grado
Trabajo final de grado Modelización del conjunto motor-transmisión de un automóvil a partir de datos experimentales Autor Alfonso Ramón Varela Olmedo Tutores Miguel Ángel Naya Villaverde Emilio Sanjurjo
Redes Neuronales Artificiales
Redes Neuronales Artificiales Introducción a la Robótica Inteligente Álvaro Gutiérrez de abril de 208 aguti@etsit.upm.es www.robolabo.etsit.upm.es Mapas Predicción Robótica M l M r W ij S S 2 S 3 S 4
Entrenamiento de redes neuronales Fernando Berzal,
Entrenamiento de redes neuronales Fernando Berzal, berzal@acm.org Entrenamiento de redes neuronales Modos de entrenamiento Preprocesamiento de los datos Funciones de activación Inicialización de los pesos
ANÁLISIS MULTIVARIANTE Y APLICACIONES (Postgrado en Economía)
ANÁLISIS MULTIVARIANTE Y APLICACIONES (Postgrado en Economía) Gerardo A. Colmenares L. Ph.D. IIES. Núcleo La Liria. Edif. G. Piso 3. Telf.: 2401082 Dirección E- mail: gcolmen@ula.ve, gcolmen@gmail.com
ALGUNOS COMENTARIOS SOBRE GENERALIZACION EN BACKPROPAGATION
ALGUNOS COMENTARIOS SOBRE GENERALIZACION EN BACKPROPAGATION En una RN entrenada, si las salidas calculadas por la red con nuevos ejemplos están próimas a los valores deseados, hay generalización (Haykin,
Comparativa de clasificadores para la detección de microaneurismas en angiografías digitales.
Escuela Técnica Superior de Ingenieros Proyecto Fin de Carrera Comparativa de clasificadores para la detección de microaneurismas en angiografías digitales. DEPARTAMENTO DE TEORÍA DE LA SEÑAL Y COMUNICACIONES
Análisis de Datos. Validación de clasificadores. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Validación de clasificadores Profesor: Dr. Wilfrido Gómez Flores 1 Introducción La mayoría de los clasificadores que se han visto requieren de uno o más parámetros definidos libremente,
Redes Neuronales Artificiales
Redes Neuronales Artificiales Claudio Javier Tablada Germán Ariel Torres Resumen. Una Red Neuronal Artificial es un modelo matemático inspirado en el comportamiento biológico de las neuronas y en la estructura
1. Introducción. 1.1 Motivación
1. Introducción 1.1 Motivación El Análisis de Componentes Independientes (ICA) y la Factorización No Negativa de Matrices (NMF) representan técnicas de procesamiento de información que permiten extraer
Aprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Análisis de Datos. Introducción al aprendizaje supervisado. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Introducción al aprendizaje supervisado Profesor: Dr. Wilfrido Gómez Flores 1 Conceptos básicos Reconocimiento de patrones (RP): clasificar objetos en un número de categorías o clases.
Neural Network Toolbox
Neural Network Toolbox Sistemas Conexionistas - Curso 07/08 La Neural Network Toolbox es un paquete de Matlab que contiene una serie de funciones para crear y trabajar con redes de neuronas artificiales.
Redes Neuronales Artificiales
Redes Neuronales Artificiales Alejandro Osses Vecchi 11 de julio de 2009 1. Introducción Comenzaremos con una definición simple y general de Red Neuronal para, en las próximas secciones, explicar y profundizar
Aprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Práctica 5: Clasificación con número variable de ejemplos.
5º INGENIERÍA DE TELECOMUNICACIÓN INTELIGENCIA ARTIFICIAL Y RECONOCIMIENTO DE PATRONES Práctica 5: Clasificación con número variable de ejemplos. Objetivos: Utilización de conjuntos de entrenamiento y
Tema: Aprendizaje Supervisado.
Sistemas Expertos e Inteligencia Artificial. Guía No. 9 1 Tema: Aprendizaje Supervisado. Facultad: Ingeniería Escuela: Computación Asignatura: Sistemas Expertos e Inteligencia Artificial Objetivos Específicos
Red Neuronal Artificial
índice RN Supervisadas - Introducción - El Perceptrón y la estructura multicapa MLP - El aprendizaje retropropagado: BP - Aplicaciones y ejemplos - Características y limitaciones P Campoy 1 Red Neuronal
Definir un Equipo de Fútbol óptimo mediante Redes Neuronales Artificiales
Definir un Equipo de Fútbol óptimo mediante Redes Neuronales Artificiales Abstract Este trabajo tiene como objetivo analizar, experimentar y comprender el funcionamiento y las características de los Sistemas
Relación 7 - Redes neuronales
Sistemas Inteligentes 0-0 Relación - Redes neuronales Problemas Ejercicio. Explicar cómo se usaría una red neuronal para obtener un reconocedor de letras escritas a mano. Describir con precisión qué estructura
Topología de RNA Propuesta para Procesar Señales de Trasductores de Temperatura del Tipo RTD con Coeficiente Negativo
27 Topología de RNA Propuesta para Procesar Señales de Trasductores de Temperatura del Tipo RTD con Coeficiente Negativo LÓPEZ-VILLARREAL, Abraham Antonio *, MEDINA-MUÑOZ, Luis Arturo, RODRÍGUEZ- ESPINOZA
Capítulo 3 REDES NEURONALES Y SU APLICACIÓN EN LA INGENIERÍA SÍSMICA III. REDES NEURONALES Y SU APLICACIÓN EN LA INGENIERÍA SÍSMICA
III. REDES NEURONALES Y SU APLICACIÓN EN LA INGENIERÍA SÍSMICA 32 III. REDES NEURONALES ARTIFICIALES Y SU APLICACIÓN EN LA INGENIERÍA SÍSMICA III.1 CONCEPTOS GENERALES En sus orígenes las Redes Neuronales
Redes Neuronales Artificiales El Perceptrón
1 Sistemas Expertos e Inteligencia Artificial / Guía IX / Ciclo 01-2018 Facultad: Ingeniería Escuela: Computación Asignatura: Sistemas Expertos e Inteligencia Artificial Redes Neuronales Artificiales El
Introducción a las Redes Neuronales
Introducción a las Redes Neuronales Perceptrón Simple William Campillay-LLanos williamcampillay@gmail.com https://sites.google.com/site/williamcampillay/home Departamento de Matemática, Física y Estadística.
Redes Neuronales Multicapa
Undécima sesión 16 de abril de 2010 Relación entre capas y conjuntos bajo estudio Estructura Regla de decisión XOR Clases no linealmente separables Regiones generalizadas Una capa Regiones separables con
Manual del Usuario para el programa de reconocimiento de caracteres.
Manual del Usuario para el programa de reconocimiento de caracteres. Instalación. El software no tiene programa de instalación, solo es necesario copiar el ejecutable al directorio donde usted desee. Y
Aprendizaje Automatizado. Redes Neuronales Artificiales
Aprendizaje Automatizado Redes Neuronales Artificiales Introducción Una forma de emular características propias de los humanos: memorizar y asociar hechos. Se aprende de la experiencia. El cerebro humano
Técnicas de inteligencia artificial. Aprendizaje: Perceptrón multi-capa
Técnicas de inteligencia artificial Aprendizaje: Perceptrón multi-capa Índice Regla delta Modelo computacional Neuronas e hiperplanos Entrenamiento como ajuste supervisado No-separabilidad lineal Backpropagation
Simulación de Redes Neuronales Artificiales: Una Herramienta para la Docencia en Castellano
Simulación de Redes Neuronales Artificiales: Una Herramienta para la Docencia en Castellano Anita Alegre López 1, Sonia Mariño 1, David La Red 1 1 Dpto. Informática. Universidad Nacional del Nordeste.
Para comenzar a ejecutar la interfaz se escribirá lo siguiente en la pantalla principal de Matlab: >>proyecto
Capítulo 4. Manual de usuario. En este apartado del proyecto se va a realizar una guía para facilitar el uso del programa, así como dar a conocer sus diferentes opciones y posibilidades. La interfaz se
TUTORIAL SOBRE REDES NEURONALES APLICADAS EN INGENIERIA ELECTRICA Y SU IMPLEMENTACIÓN EN UN SITIO WEB
TUTORIAL SOBRE REDES NEURONALES APLICADAS EN INGENIERIA ELECTRICA Y SU IMPLEMENTACIÓN EN UN SITIO WEB MARIA ISABEL ACOSTA BUITRAGO CAMILO ALFONSO ZULUAGA MUÑOZ UNIVERSIDAD TECNOLOGICA DE PEREIRA FACULTAD
Introducción al problema y objetivos
Capítulo 1 Introducción al problema y objetivos En este capítulo describimos los problemas que esta tesis aborda. El primero, la optimización de la genotipificación de ADN, y en específico la genotipificación
Redes Neuronales Multicapa
4 de abril de 2011 Relación entre capas y conjuntos bajo estudio Estructura Regla de decisión XOR Clases no linealmente separables Regiones generalizadas Una capa Regiones separables con hiperplanos Dos
Redes neuronales con funciones de base radial
Redes neuronales con funciones de base radial Diego Milone y Leonardo Rufiner Inteligencia Computacional Departamento de Informática FICH-UNL Organización: RBF-NN Motivación y orígenes RBF Arquitectura
Introducción a las Redes Neuronales
Introducción a las Redes Neuronales Excepto en las tareas basadas en el cálculo aritmético simple, actualmente, el cerebro humano es superior a cualquier computador: Reconocimiento de imágenes, Interpretación
Proyecto Final - Reconocimiento de Patrones
Proyecto Final - Reconocimiento de Patrones Salim Perchy Maestría en Ingeniería Énfasis en Computación Pontificia Universidad Javeriana Cali, Valle del Cauca Email: ysperchy@cic.javerianacali.edu.co Mario
Redes Neuronales. Introducción. José Manuel Quero Reboul Dpto. Ingeniería Electrónica Universidad de Sevilla
Redes Neuronales Introducción José Manuel Quero Reboul Dpto. Ingeniería Electrónica Universidad de Sevilla Indice Motivación Arquitectura Leyes de Aprendizae Aplicaciones DILEMA MEMORIA CALCULO Aritmética
4. El perceptrón. 4.1 Introducción. 4.2 Consideraciones básicas
4. El perceptrón 4.1 Introducción El perceptrón es la forma más simple de una red neuronal usada para la clasificación de un tipo especial de patrones, los linealmente separables (es decir, patrones que
Jesús García Herrero METODOLOGÍA DE ANÁLISIS DE DATOS
Jesús García Herrero METODOLOGÍA DE ANÁLISIS DE DATOS En esta clase concluimos el curso de Análisis de Datos con una visión de las metodologías del análisis de datos. Como se ha visto, este es un campo
Unidad VII Redes Neuronales
Unidad VII Redes Neuronales Maestría en Sistemas Computacionales Clave: MPSCO-0108 6 Créditos Sesiones Sábados 10-13 Rafael Vázquez Pérez Agenda 7.1 Introducción a las Redes Neurales (ANN) 7.2 Tipos de
Examen de Septiembre de TACCIII y TAI (Modelo 2)
Examen de Septiembre de TACCIII y TAI (Modelo 2) 12 de septiembre de 2008 1. La desordenación de la base de datos puede influir en el resultado obtenido mediante a) clasificación por distancia a las medias
Línea de Especialización Inteligencia Computacional y Robótica
Línea de Especialización Inteligencia Computacional y Robótica 1.- Propósito de la línea de especialización La Inteligencia Computacional agrupa la teoría, diseño y aplicación de métodos y técnicas biológica
FORTISSIMO 2 EXPERIMENT 904: MEJORA DEL SISTEMA REMOTO
OTEAres FORTISSIMO 2 EXPERIMENT 904: MEJORA DEL SISTEMA REMOTO EXPERTO BASADO EN EL SOFTWARE OTEA innovation programme under grant agreement No 680481 (Fortissimo 2 project). Objetivos de OTEAres OTEARES
Redes neuronales en control de sistemas
Redes neuronales en control de sistemas Marco Teórico Las redes neuronales tratan de emular ciertas características propias de los humanos, una muy importante es la experiencia. El ser humano es capaz
TABLAS DE CONTINGENCIA
Tablas de contingencia 1 TABLAS DE CONTINGENCIA En SPSS, el procedimiento de Tablas de Contingencia crea tablas de clasificación doble y múltiple y, además, proporciona una serie de pruebas y medidas de
Componentes de los SBC. Componentes de los SBC. SBC basados en sistemas de producción. Notas
Componentes de los SBC Componentes de los SBC Queremos construir sistemas con ciertas características: Resolución de problemas a partir de información simbólica Resolución mediante razonamiento y métodos
8. Conclusiones y líneas futuras de investigación
8. Conclusiones y líneas futuras de investigación 8.1 Conclusiones El Análisis de Componentes Independientes (ICA) y la Factorización No Negativa de Matrices (NMF) representan las técnicas de procesamiento
Predicción de potencia en el parque eólico de Villonaco, Loja, Ecuador. Alberto Reyes y Tania Guerrero INER Ecuador
Predicción de potencia en el parque eólico de Villonaco, Loja, Ecuador Alberto Reyes y Tania Guerrero INER Ecuador INTRODUCCIÓN El comportamiento del viento presenta alto grado de aleatoriedad, incertidumbre
Clasificación automatizada de clases petrofísicas usando análisis de agrupamiento y redes neuronales artificiales
Asociación de Ingenieros Petroleros de México, A. C. XXVIII Jornadas Técnicas 2013 Clasificación automatizada de clases petrofísicas usando análisis de agrupamiento y redes neuronales artificiales Javier
Estadística con R. Clasificadores
Estadística con R Clasificadores Análisis discriminante lineal (estadístico) Árbol de decisión (aprendizaje automático) Máquina soporte vector (aprendizaje automático) Análisis discriminante lineal (AD)
License Plate Detection using Neural Networks
License Plate Detection using Neural Networks Luis Carrera, Marco Mora Les Fous du Pixel Image Processing Research Group Department of Computer Science Catholic University of Maule http://www.lfdp-iprg.net
TALLER DE INTRODUCCIÓN A LOS NEGOCIOS
REGRESIÓN LINEAL SIMPLE INTRODUCCIÓN Si sabemos que existe una relación entre una variable denominada dependiente y otras denominadas independientes (como por ejemplo las existentes entre: la experiencia
Estadística I Curso 2011/2012 Guion de la Práctica 3: Simulación de muestras y bondad de ajuste; Teorema Central del Límite; Intervalos de confianza.
Estadística I Curso 2011/2012 Guion de la Práctica 3: Simulación de muestras y bondad de ajuste; Teorema Central del Límite; Intervalos de confianza. En esta práctica veremos una introducción al empleo