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.