Sistemas expertos basados en Redes Neuronales

1. Sistemas expertos basados en Redes Neuronales

2. Neurona o Unidad Procesadora • Una Neurona, o Unidad Procesadora, sobre un conjunto de nodos N, es una tripleta (X; f; Y ), donde X es un subconjunto de N; Y es un único nodo de N y f : R ? R es una función neuronal (también llamada de activación) que calcula un valor de salida para Y basado en una combinación lineal de los valores de las componentes de X, es decir: • Los elementos X; Y y f de denominan conjunto de nodos de entrada, nodo de salida, y función neuronal de la unidad neuronal, respectivamente

3. Red Neuronal Artificial • Las RNA están compuestas de un gran número elementos de procesamiento altamente interconectados (Neuronas) trabajando al mismo tiempo para la solución de problemas específicos. Las RNA, tal como las personas, aprenden de la experiencia.

4. Algoritmo de Aprendizaje: Supervisado • Los patrones para el aprendizaje están formados por parejas, f(ap; bp) p=1;...; r, que constan de un vector de variables de entrada, a, junto con las salidas correspondientes b. Por tanto cada valor de salida es la respuesta deseada a las señales de entrada. En este caso, los pesos se obtienen minimizando alguna función de error que mide la diferencia entre los valores de salida deseados y los calculados por la red neuronal. En este tipo de aprendizaje se debe tener en cuenta el problema de la convergencia del error. En general, la función de error resultante puede contener múltiples mínimos locales y, por lo tanto, el proceso de aprendizaje puede no converger al mínimo global óptimo.

5. El problema de identificación de patrones y sus aplicaciones. • Al margen de la estructura interna de una RNA, para trabajar en el reconocimiento de patrones debemos preocuparnos primeramente de establecer el número de neuronas en la capa de entrada y el número de neuronas en la capa de salida. • Considerando a una RNA como una caja negra podremos representar su interacción funcional con el entorno de la siguiente manera.

6. Identificación de patrones • Al Reconocimiento de patrones llamado también lectura de patrones, identificación de figuras y reconocimiento de formas1 consiste en el reconocimiento de patrones de señales. Los patrones se obtienen a partir de los procesos de segmentación, extracción de características y descripción dónde cada objeto queda representado por una colección de descriptores. El sistema de reconocimiento debe asignar a cada objeto su categoría o clase (conjunto de entidades que comparten alguna característica que las diferencia del resto). Para poder reconocer los patrones se siguen los siguientes procesos: • adquisición de datos • extracción de características • toma de decisiones

7. Identificación de patrones • El punto esencial del reconocimiento de patrones es la clasificación: se quiere clasificar una señal dependiendo de sus características. Señales, características y clases pueden ser de cualquiera forma, por ejemplo se puede clasificar  imágenes digitales de letras en las clases «A» a «Z» dependiendo de sus píxeles o se puede clasificar ruidos de cantos de los pájaros en clases de órdenes aviares dependiendo de las frecuencias.

8. Aplicaciones Los sistemas de reconocimiento de patrones tienen diversas aplicaciones. Algunas de las más relevantes y utilizadas actualmente son: • Previsión meteorológica: poder clasificas todos los datos meteorológicos según diversos patrones, con el conocimiento a priori que tenemos de las diferentes situaciones que pueden aparecer nos permite crear mapas de predicción automática. • Reconocimiento de caracteres escritos a mano o a máquina: es una de las utilidades más populares de los sistemas de reconocimiento de patrones ya que los símbolos de escritura son fácilmente identificables. • Reconocimiento de voz: el análisis de la señal de voz se utiliza actualmente en muchas aplicaciones, un ejemplo claro son los teleoperadores informáticos. • Aplicaciones en medicina: análisis de biorritmos, detección de irregularidades en imágenes de rayos-x, detección de células infectadas, marcas en la piel...

9. Aplicaciones • Reconocimiento de huellas dactilares: utilizado y conocido por la gran mayoría, mediante las huellas dactilares todos somos identificables y con programas que detectan y clasifican las coincidencias, resulta sencillo encontrar correspondencias. • Reconocimiento de caras: utilizado para contar asistentes en una manifestación o simplemente para detectar una sonrisa, ya hay diferentes cámaras en el mercado con esta opción disponible. • Interpretación de fotografías aéreas y de satélite: gran utilidad para propuestas militares o civiles, como la agricultura, geología, geografía, planificación urbana... • Predicción de magnitudes máximas de terremotos. • Reconocimiento de objetos: con importantes aplicaciones para personas con discapacidad visual. • Reconocimiento de música: identificar el tipo de música o la canción concreta que suena.

10. Identificación de patrones a través de RNA • Los datos de entrada serán recibidas(o leídas) por las neuronas de entrada, las mismas que serán procesadas por la RNA y los resultados serán entregados a los Datos de salida a través de las neuronas de Salida. • Por lo tanto los datos de entrada estarán en relación biunívoca con las neuronas de entrada y los datos de salida con las neuronas de salida lo que significa que a una RNA de n neuronas en la capa de entrada y m neuronas en la capa de salida le corresponderá como datos de entrada un vector X de tamaño n [X1, X2, X3, ……Xn] y como datos de salida un vector Y de tamaño m [ Y1,Y2,……,Ym], estableciéndose entre ellos una dependencia funcional que la podemos llamar RN, y que la podemos expresar de la siguiente manera: [Y1, Y2,……,Ym] = RN ( [X1, X2,….,Xn] )

11. Algoritmos de RNA para identificación de patrones. • Arquitectura sin retroalimentación. • Arquitectura con retroalimentación.

12. Arquitectura con retroalimentación • Las redes neuronales con retroalimentación corresponde a la clase de RNA más estudiada por el ámbito científico y la más utilizada en los diversos campos de aplicación. • Las diferentes clases de RNA se distinguen entre sí por los siguientes elementos: • Las neuronas o nodos que constituye el elementos básico de procesamiento. • La arquitectura de la red descrita por las conexiones ponderadas entre los nodos. • El algoritmo de entrenamiento, usado para encontrar los parámetros de la red.

13. Un reciente estudio ha demostrado que aproximadamente el 95% de las aplicaciones reportadas de redes neuronales en los negocios utilizan redes neuronales sin retroalimentación multicapas con algoritmo de aprendizaje de retro-propagación. • La retro-propagación es una red sin retroalimentación que se actualiza, las neuronas artificiales reciben, procesan y comunican actividades y debido a esto, sus estados cambian con el tiempo. La red es enfrentada a un patrón de entrada y, gracias a enlaces que realimentan a la red, va actualizan-do su estado. • Las redes neuronales artificiales analógicas son usadas en la resolución de problemas de optimización.

14. Algoritmo de Retro-Propagación

15. Consideraciones para resolver problemas basados en el conocimiento a través de RNA Se debe tener presente las características de las que son, como apreciaremos muy semejantes a las de las Redes Neuronales Biológicas, entre las principales podemos mencionar las siguientes: • Aprenden a través de ejemplos. • Inferencia estadística. • Adaptabilidad. • Dilema plasticidades y estabilidad. • Capacidades de generalización. • Tolerante a fallas. • Rápida implantación.