EJERCICIO

EJERCICIO 

PERCEPTRON UNICAPA Y MULTICAPA

INTRODUCCIÓN

Una de las características más significativas de las redes neuronales es su capacidad para aprender a partir de alguna fuente de información interactuando con su entorno. En 1958 el psicólogo Frank Ronsenblant desarrolló un modelo simple de neurona basado en el modelo de McCulloch y Pitts y en una regla de aprendizaje basada en la corrección del error. A este modelo le llamó Perceptrón.

PERCEPTRON

Un perceptrón es una estructura neuronal más una regla de aprendizaje. Como se explicaba anteriormente, una neurona se compone de un conjunto de entradas, cada una con un peso, que se introducen en el cuerpo de la misma para su procesamiento.

PERCEPTRON SIMPLE

El Perceptrón Simple (Rosenblatt, 1959), consta de una red con una capa de salida de n neuronas y otra de salida con m neuronas. Utiliza señales binarias, tanto de entrada como de salida de las neuronas y su función de activación es de tipo signo. Como regla de propagación se usa la suma ponderada del producto escalar por el vector de entrada, debiendo superarse un cierto umbral.

ARQUITECTURA

·         Es una red monocapa con varias neuronas de entrada conectadas a la neurona de salida.

·         En el caso de que la salida sea +1, la entrada pertencerá a una clase, situada a un lado del hiperplano

·         En el caso de que la salida sea -1, la entrada pertencerá a la clase contraria, situada al otro lado del hiperplano

·         El perceptron simple es un hiperplano de dimensión n-1 capaz de separar las clases. La ecuación de dicho interplano es:

w1x1+w2x2+θ=0

APRENDIZAJE DEL PRECEPTRON SIMPLE

Los pasos a seguir para el aprendizaje son los siguientes:

1.    Inicialización aleatoria de los pesos y umbral.

2.    Se toma un patrón de entrada-salida.

3.    Se calcula la salida de la red.

4.    Si y = d(x) (clasificación correcta). 

1.    Si y ≠ d(x) (clasificación incorrecta) se modifican los parámetros.

5.    Se vuelve al paso 2 hasta completar el conjunto de patrones de entrenamiento.

6.    Se repiten los pasos anteriores hasta alcanzar el criterio de parada.

PERCEPTRON MULTICAPA

ARQUITECTURA

·         Capa de entrada: sólo se encarga de recibir las señales de entrada y propagarla a la siguiente capa.

·         Capa de salida: proporciona al exterior la respuesta de la red para cada patrón de entrada.

·         Capas ocultas: realizan un procesamiento no lineal de los datos de entrada.

APRENDIZAJE DEL PRECEPTRON MULTICAPA

1.    Se inicializan los pesos y umbrales (valores aleatorios próximos a 0).

2.    Se presenta un patrón "n" de entrenamiento y se propaga hacia la salida, obteniendo la salida de la red "y(n)"

3.    Se evalúa el error cuadrático, "e(n)", cometido por la red para cada patrón.

4.    Se aplica la Regla Delta Generalizada para modificar pesos y umbrales:

5.    Se calculan los valores "δ" para todas las neuronas de la capa de salida.

6.    Se calcula "δ" para el resto de neuronas, empezando por la última capa oculta y terminando en la capa de entrada.

7.    Se modifican los pesos y umbrales.

8.    Se repiten los pasos 2, 3 y 4 para todo el patrón de entrenamiento.

9.    Se evalúa el error total de la red.

10.  Se repite hasta alcanzar el error mínimo de entrenamiento, realizando "m" ciclos.

CONCLUSION

El perceptron es un modelo que fue diseñado para realizar tareas de clasificación de forma automática, la idea fue crear un sistema que a partir de ejemplos pueda determinar ecuaciones.

Existen dos tipos de  perceptrones, los simples y los multicapas que como su nombre lo indica tienen una capa más que el simple, ambos nos sirven para resolver problemas lineales ya sea que esperemos una o varias salidas.

BIBLIOGRAFÍA

Isasi, P; Galván, I; 2004. Redes de Neuronas Artificiales Un Enfoque Práctico. Madrid España.

Javier, R. 2013. El perceptrón (En linea). . Formato PDF. Disponible en: ftp://decsai.ugr.es/pub/usuarios/castro/Actividades/Redes-Neuronales/Apuntes/Apuntes%20Javier%20Rodriguez%20Blazquez/Redes%20de%20una%20capa.pdf

APRENDIZAJE DE UNA RED DE NEURONA ARTIFICIAL

INTRODUCCIÓN

Una parte muy indispensable en la neurona artificial es la capacidad autoaprendizaje para que la neurona pueda llevar a cabo sus objetivos, para lo cual este aprendizaje tiene algunas características y esquemas que debe cumplir, las cuales se resumirán en el siguiente informe.

APRENDIZAJE

El aprendizaje es la parte más indispensable en una neurona artificial, el esquema de aprendizaje de una red es lo que determina el tipo de problemas que ser capaz de resolver. La capacidad de una red para resolver un problema estará ligada de forma fundamental al tipo de ejemplos que dispone en el proceso de aprendizaje. El aprendizaje debe poseer las siguientes características:

·         Ser Significativo. Debe haber un número suficiente de ejemplos. Si el conjunto de aprendizaje es reducido, la red no será capaz de adaptar sus pesos de forma eficaz.

·    Ser representativo. Los componentes del conjunto de aprendizaje deberán ser diversos. Si un conjunto de aprendizaje tiene muchos más ejemplos de un tipo que del resto, la red se especializara en dicho subconjunto de datos y no será de aplicación general. Es importante que todas las regiones significativas del espacio de estados estén suficientemente representadas en el conjunto de aprendizaje.

Dependiendo del esquema de aprendizaje y del problema a resolver, se pueden distinguir tres tipos de esquemas de aprendizaje:

Aprendizaje supervisado. En este tipo de esquemas, los datos del conjunto de aprendizaje tiene dos tipos de atributos: los datos propiamente dichos y cierta información relativa a la solución del problema.

Aprendizaje no supervisado. Los datos del conjunto de aprendizaje solo tienen información de los ejemplos, y no hay nada que permita guiar en el proceso de aprendizaje. En este caso, no existe profesor externo que determine el aprendizaje. La red modificara los valores de los pesos a partir de la información interna.

Aprendizaje por refuerzo Es una variante del aprendizaje supervisado en el que no se dispone de información concreta del error cometido por la red para cada ejemplo de aprendizaje, sino que simplemente se determina si la salida producida para dicho patrón es o no adecuada. En este caso el conjunto de aprendizaje está compuesto por ejemplos que contienen los datos y sus salidas deseadas.

CONCLUSION

La neurona artificial en si necesita aprender, esto es lo que las hace inteligentes, para lo cual debe de llevar ciertos pasos para resolver algún problema, ya sea que solo se le brinde muy poca información, sea capaz resolver cualquier problema.

BIBLIOGRAFIA

Isasi, P; Galván, I; 2004. Redes de Neuronas Artificiales Un Enfoque Práctico. Madrid España.

Salas, R. 2008. Redes Neuronales Artificiales. (En Linea). Formato PDF. Disponible en: http://www.inf.utfsm.cl/~rsalas/Pagina_Investigacion/docs/Apuntes/Redes%20Neuronales%20Artificiales.pdf

MODELO COMPUTACIONAL REDES DE NEURONAS

INTRODUCCIÓN

Existen diversos modelos de redes neuronales en los cuales se siguen filosofías de diseño, reglas de aprendizaje y funciones de construcción de las respuestas muy distintas, en este informe hablaremos del modelo computacional ya que este es muy indispensable para desarrollar los diferentes sistemas de Redes de Neuronas Artificiales.

MODELO COMPUTACIONAL

El modelado computacional es el uso de matemáticas, física e informática para estudiar el comportamiento de sistemas complejos mediante la simulación por computadora. Un modelo computacional contiene numerosas variables que caracterizan el sistema bajo estudio. La simulación se realiza ajustando estas variables y observando cómo los cambios afectan los resultados pronosticados por el modelo. Los resultados de las simulaciones de modelos ayudan a los investigadores a hacer predicciones acerca de qué pasará en el sistema real que se está estudiando en respuesta a condiciones cambiantes.

NEURONA ARTIFICIAL

La neurona artificial, célula o autómata, es un elemento que posee un estado interno, llamado nivel de activación, y recibe señales que le permiten, en su caso, cambiar de estado. 

Si se denomina S al conjunto de estados posibles de la neurona, S podrá ser por ejemplo, S= {0,1}, siendo 0 estado inactivo y el 1 el activo,  también puede toamar muchos más valores.

Las neuronas poseen una función que les permite cambiar de nivel de activación a partir de señales que reciben; a dicha función se la llama función de transición de estado o función de activación. El nivel de activación de una célula depende de las entradas recibidas y de los valores sinápticos.

ESTRUCTURA BASICA DE LA RED

A la izquierda están las la serie de entradas a la neurona, cada una llega de la salida de otra neurona de la red. Una vez calculada la salida de una neurona, esta se propaga vía conexiones de salida a las células destino. Todas las conexiones de salida reciben el mismo valor de salida.

CONCLUSIÓN

La neurona artificial es un autómata que posee un estado interno el cual puede estar activo o inactivo dependiendo de las señales que perciba, estos estados ya que tienen una función llamada función de activación que prácticamente cambia el estado de la neurona.

La Neurona Artificial está compuesta por entradas y salidas de las cuales las entradas son las neuronas que están conectadas a una capa intermedia y por ultimo las salidas que determinan el resultado de la operación deseada.

BIBLIOGRAFÍA

Gómez, F; Fernández, M; López, M; Díaz, M. 2004. Aprendizaje con redes.Neuronas Artificiales. (En línea). Formato PDF. Disponible en: dialnet.unirioja.es/descarga/articulo/2281678.pdf

Isasi, P; Galván, I; 2004. Redes de Neuronas Artificiales Un Enfoque Práctico. Madrid España.

REDES NEURONALES ARTIFICIALES

INTRODUCCIÓN

En la actualidad existen muchas maquinas capaces de hacer cálculos inmensos y en muy poco tiempo, ya que el hombre desde tiempos ancestrales ha intentado mediante la inteligencia artificial recrear el pensamiento y actuación del mismo, para lo cual tuvo que tener muy en claro los conceptos de las redes neuronales para así poder alcanzar sus objetivos.

FUNDAMENTOS BIOLÓGICOS DE LAS REDES NEURONALES

El aparato de comunicación neuronal está formado por el sistema nervioso y hormonal, en conexión con los órganos de los sentidos y los órganos efectores, tiene la misión de recoger información, transmitirlas y elaborarlas, en parte también almacenarlas y enviarlas de forma elaborada. 

El sistema de comunicación neuronal se compone de tres partes:

·         Los receptores, estos se encargan de recoger la información en forma de estímulos.

·         El sistema nervioso, recibe las informaciones, las elabora, en parte las almacena, las envía ya elaboradas a los órganos efectores y a otras a zonas del sistema nervioso.

·         Efectores, reciben la información y la interpretan para luego ejecutar una acción.

La misión de las neuronas comprende generalmente cinco funciones parciales: 

1.    Las neuronas recogen información que llega a ellas en forma de impulsos procedentes de otras neuronas.

2.    La integran en un código de activación propia de la célula.

3.    La transmiten codificada en forma de frecuencia de impulsos a través del axón.

4.    A través de sus ramificaciones del axón, efectúa la distribución espacial de los mensajes.

5.    En sus terminales transmite los impulsos a las neuronas subsiguientes o a las células efectoras.

CONCLUSION

El objetivo de las Redes Neuronales Artificiales es llegar a diseñar maquinas con elementos neuronales de procesamiento paralelo, de modo en que puedan llegar a imitar el procesamiento de los sistemas neuronales de los animales y de las personas.

BIBLIOGRAFÍA

Isasi, P; Galván, I; 2004. Redes de Neuronas Artificiales Un Enfoque Práctico. Madrid España.