RED NEURONAL ARTIFICIAL

 

Articulo científico sobre las RNA.

Escrito por: Jorge Hernán Arcila ALzate

Estudiante del Programa de Ingeniería Electrónica

En la Facultad de Ingeniería

Universidad del Quindío

jorge.aral@live.com

Armenia, Quindío, 25 de mayo de 2011

RESUMEN

Para entender el concepto de Red Neural Artificial se debe entender primero el funcionamiento del cerebro humano desde una Neurona hasta la activación de una de ellas, las redes neuronales o circuito neuronal están conectadas al sistema nervioso el cual provee un conjunto de conexiones sinápticas ordenadas que son el resultado de la unión de las neuronas. La RNA Es un procesamiento automático que con cierto estimulo produce una salida, intentando simular las reacciones que producen las neuronas humanas o animales al recibir cierto estimulo. Las redes neuronales son una simulación de funciones de los sistemas neuronales biológicos a través de modelos matemáticos los cuales son recreados por mecanismos artificiales, el objetivo es que una maquina pueda dar las respuestas que el cerebro puede ofrecer las redes de neuronas artificiales son un paradigma de aprendizaje y procesamiento automático inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexión de neuronas en una red que colabora para producir un estímulo de salida. En inteligencia artificial es frecuente referirse a ellas como redes de neuronas o redes neuronales, aunque ahora las posibilidades que tenemos de otorgar una inteligencia está cada vez yendo más rápido pues hoy en día se usan en unidades de procesamiento que intercambian datos o información, en el reconocimiento de patrones (imágenes, textos, secuencias de tiempo, sonidos y algunas tendencias financieras) y algunas muy avanzadas pueden mejorar su funcionamiento.

ABSTRACT

To understand the concept of Neural Network Arficial must first understand thefunctioning of the human brain from one neuron to the activation of one of them, neural networks or neural circuit are connected to the nervous system which provides a setof synaptic connections that are ordered the result of the union of the neurons. RNAprocessing is automatic with some stimulus produces an output, trying to simulate the reactions that produce human or animal neurons to receive some encouragement.Neural networks are a function simulation of biological neural systems throughmathematical models which are recreated by artificial mechanisms, the aim is that amachine can give the answers that the brain can provide artificial neural networks area paradigm learning and automatic processing inspired by the way does the nervous system of animals. It is an interconnection of neurons in a network that works to produce an output stimulus. Artificial intelligence is often referred to as neural networks or neural networks, but now the possibilities we have to give an intelligenceis increasingly going faster because today are used in processing units that exchange data or information in pattern recognition (images, text, time sequences, sounds and financial trends) and some very advanced can improve its performance.

PALABRAS CLAVES

Red Neural Artificial, conexiones sinápticas, inteligencia artificial, RNA.

LA NEURONA BIOLÓGICA

A finales del siglo XIX se logró una mayor claridad sobre el trabajo del cerebro debido a los trabajos de Ramón y Cajal en España y Sherrington en Inglaterra. El primero trabajó en la anatomía de las neuronas y el segundo en los puntos de conexión de las mismas o sinapsis. Se estima que en cada milímetro del cerebro hay cerca de 50.000 neuronas, conteniendo en total más de cien mil millones de neuronas y sinapsis en el sistema nervioso humano. La estructura de una neurona se muestra en la figura de La Neurona.

.

Imagen copiada de

http://www.gc.ssr.upm.es/inves/neural/ann2/images/bioneur2.gif

RED NEURONAL ARTIFICIAL

La Red neuronal artificial o RNA, Es un sistema de interconexión de neuronas que intenta simular el sistema nervioso de los animales. Las redes neuronales o circuito neuronal están conectadas al sistema nervioso el cual provee un conjunto de conexiones sinápticas ordenadas que son el resultado de la unión de las neuronas. La RNA Es un procesamiento automático que con cierto estimulo produce una salida, intentando simular las reacciones que producen las neuronas humanas o animales al recibir cierto estimulo. Las redes neuronales son una simulación de funciones de los sistemas neuronales biológicos a través de modelos matemáticos los cuales son recreados por mecanismos artificiales, el objetivo es que una maquina pueda dar las respuestas que el cerebro puede ofrecer. Las RNA son parte de la inteligencia artificial, pues su respuesta ante estímulos es lo que propone una idea de inteligencia, aunque aún estamos muy lejos de poder otorgar la inteligencia a una máquina , aunque ahora las posibilidades que tenemos de otorgar una inteligencia está cada vez yendo más rápido pues hoy en día se usan en unidades de procesamiento que intercambian datos o información, en el reconocimiento de patrones(imágenes, textos, secuencias de tiempo, sonidos y algunas tendencias financieras) y algunas muy avanzadas pueden mejorar su funcionamiento.

Segun el material tomado de wikipedia, existen varios modelos entre los cuales están: Perceptrón, Adaline, Perceptrón Multicapa, Memorias Asociativas, Propagación hacia atrás, Las Redes de Hopfield, Las redes de Kohonen y las Redes ART (Adaptive Resonance Theory)… Estos son los principales y los más usados a la hora de hablar de RNA.

Imagen copiada de http://upload.wikimedia.org/wikipedia/commons/thumb/6/64/RedNeuronalArtificial.png/400px-RedNeuronalArtificial.png

Como todas las neuronas están interconectadas, sea en humanos o en la RNA la que da la respuesta es solo una. El sistema de respuesta de las RNA (para los Perceptrón) se basa en el grafico se ve un “n” número de entradas, un “m” numero de neuronas en la capa oculta y una neurona en la capa de salida, este sistema se basa en una matriz la cual representa las redes neuronales y un discriminador terciario el cual traza su entrada “x” (un vector binario) a un valor de salida f(x) (un solo valor binario) a través de dicha matriz. En el Perceptrón existen dos formas de razonamiento en la neurona, la “activación” y “inhibición” los cuales se indican con un 1 y un 0.

 

 

Imagen copiada de

http://lh5.ggpht.com/-5D_NNjcvTIY/Td3FRF8TlbI/AAAAAAAAACE/gYgW2Asinfg/s1600-h/clip_image002%25255B4%25255D.png

Donde “w” es un vector, y “” es el producto punto (un numero o un escalar) “u” es el umbral, es cual representa el grado de “inhibición” de la neurona, es un término constante que no depende del valor que tome la entrada.

El algoritmo de aprendizaje para todas las neuronas es el mismo. Primero se declaran las variables:

x( j ) = denota el elemento en la posición j del vector de la entrada

w( j ) = denota elemento de la posición j en el vector de peso

y = denota la salida de la neurona

δ = denota la salida esperada

α = es una constante.

Los pesos son actualizados después de cada entrada según la siguiente regla de actualización:

Imagen copiada de

http://upload.wikimedia.org/math/6/c/2/6c2d31a9f044736c57afb8adf3add8d3.png

Cuando hablamos de inteligencia artificial siempre nos referimos a robots y a la parte de hardware pero nunca nos damos la oportunidad de investigar que es lo que pasa detrás de estas máquinas. Las RNA son las que le dan vida a los robots (maquinas en general) o al menos a los que involucran toma de decisiones o reconocimiento (imagenes, datos…) .Pero no todo se refiere a hardware también tenemos software que involucran las RNA de manera virtual y no física como para el reconocimiento de la huella dactilar, este involucra software de reconocimiento Biométrico. También en la Biometría se involucra el reconocimiento facial, ocular y los patrones de la mano como las venas y la geometría de esta. Para concluir este párrafo terminamos hablando un poco más sobre los software, actualmente se usan para seguridad y reconocimiento, algunos ejemplos seria en los laboratorios que miran la retina del ojo y de reconocimiento seria el robot “Spirit” que es el que hace las misiones de reconocimiento en marte.

Al hablar de redes neuronales artificiales debemos aclarar algunos términos antes, como lo son. Los esquemas de aprendizaje; es por lo cual la neurona tiene la capacidad de aprender sobre una reacción o sobre una entrada. Entrada; Es lo que recibe la red para actuar frente a esta y dar una salida.

Según el material recolectado por Pedro Isasi Viñuela, Las primeras investigaciones en RNA datan de principios del siglo XIX, por algunos trabajos realizados por Freud en el periodo de [1966] la cual su primera implementación fue un dispositivo hidráulico descrito por Russell (1913). Los científicos que permitieron el avance y los estudio respecto a las RNA fueron [McCulloch y Pitts, 1943], [Hopfield, 1982], [Kosko, 1988] estos fueron algunos de los científicos que más aportaron y que crearon algunos modelos y esquemas de aprendizaje o tipos de red. En el siglo XX cuando el estudio en RNA cobro una fuerza que se ha ido incrementando hasta la actualidad, gracias al trabajo de varios científicos y de increíbles avances en el hardware. Cabe destacar que gracias a algunos científicos tomamos en cuenta las RNA y hacemos que ocupen un lugar relevante a la hora de hablar de inteligencia artificial.

McCulloch-Pitts dio origen a los modelos básicos y la definición de neuronal como una maquina binaria con varias entradas y salidas [1943]. Luego Hebb, definió dos conceptos importantes y fundamentales; el aprendizaje (el cual se localiza en las conexiones entre neuronas) y la información (se representa en el cerebro mediante un conjunto de neuronas activas o inactivas) [1949]. La hipótesis de Hebb, se sintetiza en la regla de aprendizaje del Hebb, que aún se una en los modelos actuales. Esta regla nos habla de que los cambios de los pesos en las conexiones se basan en la interacción entre neuronas pre y postsinapticas. Para [1956] se dio la primera conferencia sobre IA (inteligencia artificial) se discutió sobre la capacidad de que las computadoras puedan similar el aprendizaje. A partir de este momento los investigadores y científicos vienen desarrollando distintos tipos de redes neuronales.

REDES NEURONALES FRENTE A REDES DE NEURONAS ARTIFICIALES

Una de las diferencias fundamentales y más notables entre los sistemas biológicos y los artificiales es la complejidad de las sinapsis. En los sistemas biológicos los puntos de interconexión tienen miles de componentes y de procesos activos de propagación de impulsos electro-químicos. En cambio en los sistemas artificiales las conexiones son muy simples, por lo general se realiza un promedio de las entradas y se le aplica una función de umbral. Esto hace casi ridícula y nula la comparación de lo biológico con lo artificial, mirándolo desde las sinapsis biológicas.

Imagen copiada de

http://ciberconta.unizar.es/leccion/redes/DIBUJOS/555.GIF

En la parte del desarrollo hemos tenido unas nuevas funciones en las redes:

Función de propagación o ponderación

Esta función se encarga de transformar las diferentes entradas que provienen de la sinapsis en el potencial de la neurona. En la función de propagación normalmente se usa como función la suma ponderada de las entradas multiplicada por los pesos de la red. Esta función interpreta las señales emitidas entre las neuronas para ponderar las salidas resultantes de las entradas. Una regla de propagación usada es la distancia euclidea, usada en mapas de Kohonen y algunas redes. En esta los pesos funcionan de manera distinta a la anterior ya que lo que hacen es aproximaciones al vector más grande de la entrada.

Imagen copiada de

http://www.industriaynegocios.cl/Academicos/AlexanderBorger/Docts%20Docencia/Seminario%20de%20Aut/trabajos/vespertino%202005/R%20Neuronales/TRABAJO%20REDES%20NEURONALES%20UDA%20ABRIL%202005%20_archivos/image070.gif

Función de activación

La función de activación es una combinación entre el potencial que nos proporciona la función de propagación, con el estado actual de la neurona para conseguir un estado de activación. Sin embargo, es común que las RNA no tomen su estado propio como un parámetro entonces no se le considera mucho. Esta función es creciente y monótona y se puede citar las funciones más comunes como la Lineal, la de escalón y la hiperbólica. Una usando un Adeline (la Lineal) y las otras 2 usando perceptrones, que trabajan a multicapa y con propagación.

Imagen copiada de

http://174.129.15.213/trabajos38/redes-neuronales/red1.gif

Función de Salida.

Esta función convierte el estado de la neurona en la salida hacia la siguiente neurona que se transmite por las sinapsis. Usualmente no se considera y se toma la identidad, esto es, de manera que la salida es el propio estado de activación de la neurona. Existen algunas redes que transforman su estado de activación en una salida binaria y para eso usan la función escalón antes mostrada como salida. Otra opción, consiste en usar funciones probabilísticas como en la máquina de Boltzman. Las redes con este tipo de salidas no tienen un comportamiento determinista.

Imagen copiada de

http://tecnopaula08.bravehost.com/tecnologia4/ELECTRONICA%20DIGITAL/IMAGENES/practica11.JPG

Hoy en día más cosas de las que creemos usan redes neuronales artificiales (inteligencia artificial). Las podemos encontrar en aparatos de reconocimiento, en juegos, en máquinas. En lugares como bancos, centros de entretenimiento, en nuestro hogar, en hospitales y más. En la tecnología “Lingüística computacional” el cual es un campo multidisciplinar, el cual intenta emular de forma lógica el lenguaje natural pero desde un punto de vista computacional. En otras áreas como en mundos virtuales los cuales están inspirados en el mundo real a un nivel artificial, esta es usada para los juegos.

Las maquinas convencionales tienen una única CPU que realiza en secuencia todas las computaciones. Una CPU clásica es capaz de realizar una centena o un millar de comandos básicos, como sumas, restas, cargas y desplazamientos, todos los comandos son ejecutados uno cada vez, en pasos sucesivos al reloj. Por el contrario, una unidad de proceso en Redes de Neuronas Artificiales puede realizar solo una o unas pocas operaciones diferentes. El poder de proceso de una Red de Neuronas Artificial viene dado por el número de actualizaciones por segundo; Mientras que en las computadoras convencionales es instrucciones realizadas secuencialmente por segundo, elaboradas todas por un procesador.

Si pudiéramos avanzar más en las redes neuronales artificiales podríamos recrear nuestro mundo en un mundo virtual, crear catástrofes, tener reacciones involuntarias y hacer lo que nosotros queramos. Las RNA’s si se diera un enfoque más practico las podríamos usar en casas inteligentes de una manera más útil y dinámica pues tendríamos que algunos hogares hasta cobraran vida literalmente. Si tuviera un enfoque comercial hasta podríamos crear robots que hicieran nuestro trabajo de manera más útil y hacer nuestra vida más duradera, pero esto acarrearía problemas a nivel agigantado.

Bibliografia

Wikipedia (2011)  Red neuronal Artificial . EN : http://es.wikipedia.org/wiki/Red_neuronal_artificial extraido el 1 de Abril 2011.

 

Gallego, Alfredo Catalina (No Sale) Introduccion a las redes neuronales artificiales.
EN: http://www.gui.uva.es/login/login/13/redesn.html , extraido el 2 de Abril 2011.

 

Wikipedia (2011) Artificial Neural Network. EN :

http://en.wikipedia.org/wiki/Artificial_neural_network extraido el 23 de Mayo de 2011.

 

Isasi Viñuela, Pedro (2004) . Red Neuronal Artificial : Un enfoque practico : edit. Pearson Educación 229 pg. EN: http://books.google.com.co/books?id=izJ6NQAACAAJ&dq=redes+neuronales+artificiales+un+enfoque&hl=es&ei=qcPdTZTwHpKltwfwoOn4CQ&sa=X&oi=book_result&ct=result&resnum=3&ved=0CDIQ6AEwAg