SISTEMAS EXPERTOS BASADOS EN REDES NEURONALES
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
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.
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.
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.
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:
1. adquisición de datos
2. extracción de características
3. toma de decisiones
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.
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...
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.
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] )
ALGORITMOS DE RNA PARA IDENTIFICACIÓN DE PATRONES.
Arquitectura sin retroalimentación. Arquitectura con retroalimentación.
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.
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.
ALGORITMO DE RETRO-PROPAGACIÓN
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.