Introducción a las Redes. Neuronales Artificiales

Transcripción

1 Redes sus Neuronales Artificiales, PhD. Patricio García Baéz, PhD. Grupo de Investigación en Inteligencia Computacional y Robótica (GICR) Escuela de Ingeniería de Antioquia y

2 Redes Neuronales en la Inteligencia Artificial sus Las Redes Neuronales aparecieron de la mano de la Inteligencia Artificial en sus inicios como: Sistemas formales de reglas y manipulación simbólica. Rama más conocida de la Inteligencia Artificial. Las Redes Neuronales aparecieron en la Inteligencia Computacional (Softcomputing) como: Sistemas Inspirados en las redes neuronales biológicas. Métodos Inductivos: aprendizaje a partir de ejemplos. Ambas tratan de resolver problemas no algorítmicos a partir de la experiencia almacenada como conocimiento. y

3 Inspiración Biológica sus «Entender el cerebro y emular su comportamiento» El cerebro presenta las siguientes ventajas que son deseables para los sistemas computacionales: Gran velocidad de procesamiento. Tratamiento de grandes cantidad de información provenientes de los sentidos y de la memoria almacenada. Se adapta a nuevos ambientes por aprendizaje. Es robusto y tolerante a fallas. Es compacto y consume poca energía. Es altamente paralelo. Capacidad de aprendizaje. y

4 Inspiración Biológica sus La neurona biológica posee las siguientes características: Árbol dendrítico de entradas. Un Axón de salida. Sobre de 10^4 sinapsis. Comunicación mediante potenciales de Acción (PA). Período refractario de 10 ^(-3) segundos entre PA s. y

5 Inspiración Biológica sus La transmisión de información entre neuronas se hace de las siguiente manera: Impulso eléctrico viaja por el axón. Liberación de neurotransmisores. Apertura/Cierre de canales iónicos. Variación potencial en dendrita. Integración de entradas en el soma. Si se supera un umbral de disparo, se genera un PA. y

6 Inspiración Biológica sus Las redes neuronales en el cerebro se ubican: Paquetes de 10^10 a 10^11 neuronas. 10^14 sinapsis. Organización por capas. Organización por niveles. Sistema Nervioso Central. Circuitos entre regiones. Circuitos locales. Neuronales. Arboles dendríticos. Microcircuitos neuronales. Sinapsis. Canales Iónicos. Moléculas. y

7 Inspiración Biológica sus Características Sistema Nervioso Central (SNC): Inclinación a adquirir conocimiento desde la experiencia. Conocimiento almacenado en conexiones sinápticas. Gran plasticidad neuronal. Comportamiento altamente nolineal. Alta tolerancia a fallos. Apto para reconocimiento, percepción y control. y

8 Modelado Neuronal 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 trasmitida. Cada neurona aplica una función de activación (usualmente no lineal) a su entrada de red (suma de entradas pesadas) para determinar su salida. Laurene Fausett sus y

9 Modelado Neuronal El modelado neuronal, posee los siguientes enfoques: 1. Computacional: Modelos eficientes, potentes y simples. Áreas de aprendizaje inductivo y reconocimiento de patrones. 2. Cognitivo: Interesado por capacidades cognitivas de los modelos. Centrados en la representación del conocimiento. 3. Biocognitivo: Premisa la plausibilidad biológica. 4. Psicofisiológico: Mecanismos naturales de proceso cognitivos reales. sus y

10 Neurona Natural vs sus Neurona=Unidad de Procesamiento. Conexiones Sinápticas=Conexiones o Pesos. Efectividad Sináptica=Peso Sináptico. Exitatorio/Inhibitorio=Pesos(+ ó -). Efecto combinado de sinapsis = Función suma. Activación->Radio disparo = Función activación ->salida. y

11 sus y

12 Dependiendo del problema a resolver, la función de activación toma diferentes formas de la siguiente manera: sus Esta función se utiliza cuando se requiere la toma de decisiones en V ò F, o se quieren procesar imágenes en B ò N. Estas funciones permiten establecer valores de pertenencia entre un intervalo de V ò F o B ò N. Las funciones gaussianas, permiten la clasificación de patrones de acuerdo con características fundamentales de los mismos. y

13 Arquitecturas Neuronales sus Las redes neuronales tienen las siguientes arquitecturas: Según la cantidad de neuronas. 1. Número de entradas 2. Número de Neuronas Intermedias. 3. Número de Neuronas de Salida. Según conectividad: 1. Feedforward 2. Redes recurrentes. 3. Estructuras Enrejadas. y

14 Aprendizaje: Estimulación de las Redes Neuronales. Cambios internos debido a la estimulación. Nueva forma de responder a los cambios de la estructura interna. Paradigmas de Aprendizaje. Aprendizaje Supervisado. Aprendizaje por Reforzamiento. Aprendizaje Auto-Organizado (No Supervisado). Precalculado o prefijado. sus y

15 Fases para el desarrollo de un modelo neuronal sus y

16 del Modelado Neuronal Dentro de las ventajas que presentan el modelado neuronal frente a otro tipo de modelamiento tenemos: sus Generalización. Estructura altamente paralela. No Linealidad. Mapeo Entrada-Salida. Adaptabilidad. Respuesta Graduada. Manejo de Información Contextual. Tolerancia a Fallos. VLSI. Uniformidad en el Análisis y Diseño. Estabilidad en el Aprendizaje. Analogía y Neurobiología. y

17 sus De acuerdo con lo anterior, las redes neuronales pueden solucionar problemas en diferentes áreas del conocimiento: Procesamiento de Señales Informática Sicología Matemáticas Implementaciones Arquitectura y Teoría de Redes Neuronales. Análisis de Datos Reconocimiento de Patrones Control Inteligencia Artificial Física Desarrollo de aplicaciones con paralelismo implícito Construcción de modelos neuronales. Validación de funcionamiento de arquitecturas neuronales y

18 Los modelos neuronales tienen la potencialidad para la solución de problemas en áreas como: Asociación de Datos. Clasificación de Patrones. Pronóstico y Predicción. Control de Procesos Industriales. Aproximación. Optimización. De manera general, las redes neuronales son aplicables en áreas de conocimiento en las cuales: Es difícil describir el conocimiento /forma de resolverlos. Se dispone de una gran cantidad de datos. sus y

19 de las Redes Neuronales Neurosimuladores. Los neurosimuladores se pueden clasificar en: Software: Estas aplicaciones son flexibles y económicas, debido a su facilidad de implementación. Hardware: Estas aplicaciones resultan ser muy eficientes, debido a que el poder de su funcionamiento esta en los pesos de sus conexiones. De acuerdo con su desarrollo, el neurosoftware posee: Programación directa. Librerías específicas de libre distribución. Entornos de desarrollo amigables. De acuerdo con lo anterior, estas aplicaciones dan al usuario: Facilidad de uso. Potencia. Eficiencia. Extensibilidad. sus y

20 Problemas de Asociación. NETalk (Sejnowski & Rosemberg) Genera gonemas a partir de textos escritos. Permite el reconocimiento lectura de algunas palabras de un texto. Tratamiento de imágenes. Reconocimiento de placas de automoviles. Tratamiento del ruido en imágenes Restitución. Compresión de imágenes. sus y

21 Problemas de Clasificación de Patrones. sus Conteo de Células Clasificación de glóbulos blancos Inspección Visual Procesos de producción repetitivos y alta velocidad. Reconocimiento del Iris Para autenticación en seguridad. y

22 Problemas de Pronóstico y Predicción.. NeuralStocks. Pronóstico de Acciones. Pronóstico y Predicción Hidrológica para reservas en embalses y períodos de lluvias. sus y

23 Problemas de Robótica. Manipulación de piezas a alta velocidad. Cinemática Inversa y Análisis de Esfuerzos. Navegación automática en espacios cerrados. Planeación de trayectorias. sus y

24 Problemas de Interpolación y Optimización sus Aproximación de funciones. Problemas de Optimización de Rutas en Sistemas de Información Geográfica (SIG). y

25 Problemas en Astrofísica/Astronomía Identificación y caracterización de Objetos como Galaxias y Fuentes de Rayos Gama. Eliminación de ruido en imágenes satelitales. Búsqueda de cúmulos de galaxias. Análisis de datos recogidos por instrumentos de nueva generación como: Telescopios de neutrinos. Telescopios de rayos gamma. Interferómetros de ondas gravitacionales. sus y

26 . Circuito electrónico híbrido entre estructuras naturales y artificiales. Se conoce en el mundo científico como NeuroChip o microcircuito neuronal. Se utilizaron neuronas de caracol y chips de silicio. Se logró establecer conexiones artificiales entre dichos elementos. Colocaron diminutos generadores entre las neuronas para crear cambios de voltaje para accionar un interruptor. Se abre el camino a la neurocomputación. sus y

27 Futuro de las Redes Neuronales Artificiales. El futuro de la redes neuronales esta enmarcado en dos grandes líneas de investigación: Identificación de características de los organismos vivos. Evolución, Computación Colectiva, Manejo del Conocimiento. Computación Neuronal, Neurocomputación, Natural Computing (SoftComputing). Solución de la Escalabilidad del Aprendizaje. Cómo determinar parámetros erróneos en el aprendizaje? Cómo aumentar la complejidad de los modelos neuronales con plataformas computacionales existentes? Incorporación de conceptos fundamentales en el funcionamiento del cerebro. sus y

28 sus ISAZI, P. Redes de Neuronas Artificiales. Ed. Prentice Hall Latinoamérica, Primera Edición, México, HILERA GONZÁLEZ, José Ramón; MARTÍNEZ, Víctor José. Redes neuronales artificiales: fundamentos, modelos y aplicaciones. España: Rama, p. García, B. Patricio, su Aplicación a la Investigación en Astrofísica Universidad de Gran Canarias, España, 2009 y

29 sus Muchas Gracias y del modelado neuronal