PDF de programación - Redes Neuronales

INSTITUTO TECNOLOGICO

DE NUEVO LAREDO



Integrantes Equipo # 2:

Javier Alonso Alvarado Rodríguez 01100160
Julissa Nereyda García Núñez 01100212
Wendy Hernández Santos 01100232
Norma Alicia Pimentel Vargas 01100281
Mario Tristan Martínez 01100313


Nuevo Laredo, Tamps 23 de Junio del 2005



Asignatura

Inteligencia Artificial

Catedrático:

Ing. Bruno López Takeyas



Especialidad:

Ing. Sistemas Computacionales

Tema:

Redes Neuronales

INDICE



REDES NEURONALES ……………. 3

INTRODUCCION ……………. 3

HISTORIA DE LAS REDES NEURONALES ……………. 4

DEFINICIONES DE UNA RED NEURONAL ……………. 9

EL MODELO BIOLOGICO ..…………. 10

ELEMENTOS DE UNA RED ARTIFICIAL ..…………. 12

Unidades de proceso: La neurona artificial ..…………. 14

Estado de Activación ..…………. 15

Función de Salida o Transferencia ..…………. 16

Neurona de Función Escalón ..…………. 16

Neurona de Función Lineal o Mixta ..…………. 16

Neurona de Función Continua (Sigmoidal) ..…………. 17

Función de Transferencia Gaussiana ..…………. 17

FORMAS DE CONEXIÓN ENTRE NEURONAS ..…………. 17

CARACTERISTICAS DE LAS REDES NEURONALES…………. 19

VENTAJAS DE LAS REDES NEURONALES ..…………. 20

APLICACIONES DE LAS REDES NEURONALES ..…………. 22



REDES NEURONALES Y CONTROL ..…………. 24

FUTURO ..…………. 25

BIBLIOGRAFIA ..…………. 26



REDES NEURONALES

3



INTRODUCCION

El cerebro es un procesador de información con unas características muy
notables: es capaz de procesar a gran velocidad grandes cantidades de
información procedentes de los sentidos, combinarla o compararla con la
información almacenada y dar respuestas adecuadas
incluso en
situaciones nuevas. Logra discernir un susurro en una sala ruidosa,
distinguir una cara en una calle mal iluminada o leer entre líneas en una
declaración política; pero lo más impresionante de todo es su capacidad de
aprender a representar la información necesaria para desarrollar tales
habilidades sin instrucciones explícitas para ello.

Aunque todavía se ignora mucho sobre la forma en que el cerebro aprende
a procesar la información, se han desarrollado modelos que tratan de
mimetizar tales habilidades; denominados redes neuronales artificiales ó
modelos de computación conexionista
(otras denominaciones son
computación neuronal y procesamiento distribuido paralelo o P.D.P.). La
elaboración de estos modelos supone en primer lugar la deducción de los
rasgos o características esenciales de las neuronas y sus conexiones, y en
segundo lugar, la implementación del modelo en una computadora de
forma que se pueda simular. Es obvio decir que estos modelos son
idealizaciones burdas de las auténticas redes neuronales, en muchos
casos de dudosa plausibilidad neurofisiológica, pero que sin embargo
resultan interesantes cuando menos por sus capacidades de aprendizaje.



4

Máquinas Inteligentes. Máquinas que realizan con cierto éxito funciones
típicas de los seres humanos.

Inteligencia Artificial. Capacidad de un artefacto de realizar los mismos
tipos de funciones que caracterizan al pensamiento humano.



HISTORIA DE LAS REDES NEURONALES

Conseguir diseñar y construir máquinas capaces de realizar procesos con
cierta inteligencia ha sido uno de los principales objetivos de los científicos
a lo largo de la historia. De los intentos realizados en este sentido se han
llegado a definir las líneas fundamentales para la obtención de máquinas
inteligentes: En un principio los esfuerzos estuvieron dirigidos a la
obtención de autómatas, en el sentido de máquinas que realizaran, con
más o menos éxito, alguna función típica de los seres humanos. Hoy en
día se continúa estudiando en ésta misma línea, con resultados
sorprendentes, existen maneras de realizar procesos similares a los
inteligentes y que podemos encuadrar dentro de la llamada Inteligencia
Artificial (IA).

A pesar de disponer de herramientas y lenguajes de programación
diseñados expresamente para el desarrollo de máquinas inteligentes, existe
un enorme problema que limita los resultados que se pueden obtener:
estas máquinas se implementan sobre computadoras basadas en la
filosofía de Von Neumann, y que se apoyan en una descripción secuencial
del proceso de tratamiento de la información. Si bien el desarrollo de estas
computadoras es espectacular, no deja de seguir la línea antes expuesta:
una máquina que es capaz de realizar tareas mecánicas de forma

5

increíblemente rápida, como por ejemplo cálculo, ordenación o control,
pero incapaz de obtener resultados aceptables cuando se trata de tareas
como reconocimiento de formas, voz, etc.

La otra línea de la investigación ha tratado de aplicar principios físicos que
rigen en la naturaleza para obtener máquinas que realicen trabajos
pesados en nuestro lugar. De igual manera se puede pensar respecto a la
forma y capacidad de razonamiento humano; se puede intentar obtener
máquinas con esta capacidad basadas en el mismo principio de
funcionamiento.

No se trata de construir máquinas que compitan con los seres humanos,
sino que realicen ciertas tareas de rango intelectual con que ayudarle,
principio básico de la Inteligencia Artificial.

Las primeras explicaciones teóricas sobre el cerebro y el pensamiento ya
fueron dadas ya por Platón (427-347 a.C.) y Aristóteles (348-422 a.C.). Las
mismas ideas también las mantuvieron Descartes (1569-1650) y los
filósofos empiristas del siglo XVIII.

La clase de las llamadas máquinas cibernéticas, a la cual la computación
neuronal pertenece, tiene más historia de la que se cree: Herón (100 a.C)
construyó un autómata hidráulico.

1936 - Alan Turing. Fue el primero en estudiar el cerebro como una forma
de ver el mundo de la computación. Sin embargo, los primeros teóricos
que concibieron los fundamentos de la computación neuronal fueron
Warren McCulloch, un neurofisiólogo, y Walter Pitts, un matemático,
quienes, en 1943, lanzaron una teoría acerca de la forma de trabajar de las
neuronas (Un Cálculo Lógico de la Inminente Idea de la Actividad Nerviosa

6

- Boletín de Matemática Biofísica 5: 115-133). Ellos modelaron una red
neuronal simple mediante circuitos eléctricos.

1949 - Donald Hebb. Escribió un importante libro: La organización del
comportamiento, en el que se establece una conexión entre psicología y
fisiología. Fue el primero en explicar los procesos del aprendizaje (que es el
elemento básico de la inteligencia humana) desde un punto de vista
psicológico, desarrollando una regla de como el aprendizaje ocurría. Aun
hoy, este es el fundamento de la mayoría de las funciones de aprendizaje
que pueden hallarse en una red neuronal. Su idea fue que el aprendizaje
ocurría cuando ciertos cambios en una neurona eran activados. También
intentó encontrar semejanzas entre el aprendizaje y la actividad nerviosa.
Los trabajos de Hebb formaron las bases de la Teoría de las Redes
Neuronales.

1950 - Karl Lashley. En sus series de ensayos, encontró que la
información no era almacenada en forma centralizada en el cerebro sino
que era distribuida encima de él.

1956 - Congreso de Dartmouth. Este Congreso frecuentemente se
menciona para indicar el nacimiento de la inteligencia artificial.

1957 - Frank Rosenblatt. Comenzó el desarrollo del Perceptrón. Esta es
la red neuronal más antigua; utilizándose hoy en día para aplicación como
reconocedor de patrones. Este modelo era capaz de generalizar, es decir,
después de haber aprendido una serie de patrones podía reconocer otros
similares, aunque no se le hubiesen presentado anteriormente. Sin
embargo, tenía una serie de limitaciones, por ejemplo, su incapacidad para
resolver el problema de la función OR-exclusiva y, en general, era incapaz
de clasificar clases no separables linealmente. En 1959, escribió el libro

7

Principios de Neurodinámica, en el que confirmó que, bajo ciertas
condiciones, el aprendizaje del Perceptrón convergía hacia un estado finito
(Teorema de Convergencia del Perceptrón).

1960 - Bernard Widrow/Marcial Hoff. Desarrollaron el modelo Adaline
(ADAptative LINear Elements). Esta fue la primera red neuronal aplicada a
un problema real (filtros adaptativos para eliminar ecos en las líneas
telefónicas) que se ha utilizado comercialmente durante varias décadas.

1961 - Karl Steinbeck: Die Lernmatrix. Red neuronal para simples
realizaciones técnicas (memoria