Generalidades De Las Redes Neuronales Artificiales (RNA)

ESCOM SN-1 1

UnidadUnidad 1 1

Introducción A Los Sistemas

Neurodifusos

ESCOM SN-1 2

1.11.1 Generalidades De Las Generalidades De Las Redes Neuronales Redes Neuronales Artificiales Artificiales (RNA) (RNA)

1.1.1 Usos de las redes neuronales artificiales.

1.1.2 Problemas resueltos con RNA.

ESCOM SN-1 3

Es un arreglo masivo de elementos de procesamiento simple llamados neuronas,

los cuales poseen un alto grado de interconectividad entre sus elementos, en

los que la información puede fluir en cascada o en retroceso. Estos arreglos están inspirados en la naturaleza biológica de las

neuronas.

¿ Que Es Una RNA?¿ Que Es Una RNA?

ESCOM SN-1 4

Red Neuronal ArtificialRed Neuronal Artificial

Las redes neuronales artificiales son redes interconectadas masivamente en paralelo y con organización jerárquica, las cuales intentan interactuar con los objetos del mundo real del mismo modo que lo hace el sistema nervioso biológico.

Teuvo Kohonen.

ESCOM SN-1 5

Características De Las RNACaracterísticas De Las RNA

Aprendizaje Adaptativo.• Capacidad de aprender tareas basada en un

entrenamiento o una experiencia inicial.

Autoorganización.• La red crea su propia organización o representación

de la información que recibe mediante una etapa de aprendizaje.

ESCOM SN-1 6

Características De Las RNACaracterísticas De Las RNA

Tolerancia a fallos.• La red puede funcionar con información incompleta

o errónea o a pesar de algunos elementos inoperantes.

Operación en tiempo real.• La red procesa la información en paralelo y muy

rápido.

Fácil construcción en CI.

ESCOM SN-1 7

¿Qué Puede Y Qué No Puede ¿Qué Puede Y Qué No Puede Hacer Una RNA?Hacer Una RNA?

Las redes neuronales son útiles para:Clasificación de patrones.Aproximación de funciones.Mapeo.

– En los que exista información imprecisa y con tolerancia a fallos.

ESCOM SN-1 8

Las RNA No Son Útiles Para:Las RNA No Son Útiles Para:

Predicción de números aleatorios o semi-aleatorios.

Procesamiento de enteros largos.Determinación si un entero largo es primo o

compuesto.Desencriptar algo encriptado por un buen

algoritmo.

ESCOM SN-1 9

Las RNA Son Utilizadas Para:Las RNA Son Utilizadas Para:

Clasificación de patrones, Identificación de características,

Reconocimiento de patrones,Aproximación de funciones,En sistemas que contengan

información imprecisa.

ESCOM SN-1 10

1.1.1 1.1.1 Usos De Las Redes Usos De Las Redes Neuronales ArtificialesNeuronales Artificiales

Las redes neuronales son una tecnología computacional emergente que puede utilizarse en un gran número y variedad de aplicaciones, tanto comerciales como militares.

Existen diferentes tipos de redes neuronales artificiales, cada uno de los cuales tiene una aplicación particular.

ESCOM SN-1 11

Biología.Aprender más acerca del cerebro y otros sistemas.

Obtención de modelos de la retina.

Empresa.- Evaluación de probabilidad de formaciones geológicas y petrolíferas.

- Identificación de candidatos para posiciones específicas.

- Reconocimiento de caracteres escritos.

ESCOM SN-1 12

Manufacturación.- Robots automatizados y sistemas de control.- Control de producción en líneas de procesos.

Medio Ambiente.- Analizar tendencias y patrones.- Previsión del tiempo.

Finanzas.- Previsión de la evaluación de los precios.- Valoración del riesgo de los créditos.- Identificación de falsificaciones.- Interpretación de firmas.

ESCOM SN-1 13

Medicina.– Analizadores del habla para la ayuda de

audición de sordos profundos.– Diagnóstico y tratamiento a partir de síntomas

y/o de datos analíticos (electrocardiograma, encefalograma, análisis sanguíneo, etc.).

– Monitorización en cirugía.– Predicción de reacciones adversas a los

medicamentos.– Lectores de rayos X.– Entendimiento de la causa de los ataques

epilépticos.

ESCOM SN-1 14

Militares.– Clasificación de las señales de radar.– Creación de armas inteligentes.– Optimización del uso de recursos escasos.– Reconocimiento y seguimiento en el tiro al

blanco.

ESCOM SN-1 15

1.1.21.1.2 Problemas resueltos Problemas resueltos concon RNARNA

Reconocimiento de personas.– Textura del iris.– Huella dactilar.– Rostro.– Autentificación de firmas.– Dimensiones de sus manos.– Voz.

ESCOM SN-1 16

Herramientas de prediagnóstico.

– Patologías oculares.– Electroencefalogramas.– Electrocardiogramas.– Detección de melanomas.

ESCOM SN-1 17

1.- Reconocimiento De Personas Mediante La Textura Del Iris

ESCOM SN-1 18

Adquisición de Medias Firmas

Medias firmas a autentificar

AUTENTIFICACIÓN

Adquisición deAdquisición deMedias FirmasMedias Firmas

Momentosgráficos

Momentosgráficos

Velocidad

Momentos gráficos, velocidad

Resultado

Datosdinámicos

Datosdinámicos

AceptaciónAceptación

Resultado

Base de Base de DatosDatos

Pesos y umbrales

CaracterísticasCaracterísticas

Obtención de Obtención de característicascaracterísticas

Comparación Comparación de momentos de momentos

gráficosgráficos


gráficosgráficos

Obtención de Obtención de rango derango develocidadvelocidad

Comparación Comparación de velocidadde velocidad

EntrenamientoEntrenamientode RNAde RNA

EvaluaciónEvaluaciónde RNAde RNA

Velocidad

RechazoRechazo

Muestras de medias firmas

CAPTURA

Adquisición de Medias Firmas


AUTENTIFICACIÓN


AUTENTIFICACIÓN

Adquisición deAdquisición deMedias FirmasMedias Firmas

Momentosgráficos

Momentosgráficos

Velocidad


Resultado

Datosdinámicos

Datosdinámicos

AceptaciónAceptación

Resultado


Pesos y umbrales




gráficosgráficos


gráficosgráficos





Velocidad

RechazoRechazo

Momentosgráficos

Momentosgráficos

Momentosgráficos

Momentosgráficos

VelocidadVelocidad


Resultado

Datosdinámicos

DatosdinámicosDatosdinámicos

AceptaciónAceptaciónAceptaciónAceptación

Resultado



Pesos y umbrales




gráficosgráficos


gráficosgráficos





VelocidadVelocidad

RechazoRechazoRechazoRechazo


CAPTURA


CAPTURA

2.- Autentificación

De Firmas Autógrafas

ESCOM SN-1 19

Red Neuronal Artificial

ESCOM SN-1 20

3.- Reconocimiento De Personas Mediante El

Rostro

ESCOM SN-1 21


ESCOM SN-1 22

4.- Reconocimiento De Personas Mediante La Huella Digital

ESCOM SN-1 23


ESCOM SN-1 24

5.- Reconocimiento De Caracteres 5.- Reconocimiento De Caracteres ImpresosImpresos

Adquisición de la

Imagen

Tratamientode la

Imagen

Reconocimiento e interpretación

de la Imagen

Editor de texto

iw1,11,1

iwi,1S,R,

Entradas Perceptrón

a 1 = f (IW1,1p1 + b1)

p1

p2

p3

pR

n11 a 1

1

b11

1n1

2 a 12

b11

1n1

s a 1s

b1s

1

. .

. .

. .. .. .. .

Simple, básicaAprendizaje supervisadoOffline (entrena/prueba)1 capa de entrada y una de salidaFn. de transferencia EscalonRegla de aprendizaje: corrección de error


ESCOM SN-1 26

6.- Sistema De Control De Personal A Través Del Reconocimiento De

Huella Dactilar

ESCOM SN-1 27

7.- 7.- Sistema Inteligente de Reconocimiento de Caracteres

Manuscritos TT0358 :TT0358 :

Adquisición de la

Imagen

Tratamientode la

Imagen

Reconocimiento e interpretación

de la Imagen

TextoDigital

ESCOM SN-1 28


ESCOM SN-1 29

8.- Portafolio Bursátil Inteligente

Predicción de precios

RNA Backpropagation

Predicción de precios

Variables técnicas

Selección de acciones

Formación de la cartera

Porcentajes de inversión

RNA Perceptrón Simple

Teoría de carteras

Lógica difusa

Portafolio bursátil

ESCOM SN-1 30

Arquitectura del perceptrón simple para la selección de acciones

1

B= -12.46

W1=1.24

W2=6.90

W3=-4.07

W4=10.78

Vi

Ri

R

n Pi

a Salida

ESCOM SN-1 31

RNA MLP para predicción de precios de la acción

t + 1

t - 9

t - 8

t - 7

t - 6

t - 5

t - 4

t - 3

t - 2

t - 1

t

.

.

. a1 = 1 / (1 + e –n1) n1= Wij1T * a0 + bj1

a2 = n2 n2= Wij2 * a1 + bj2

a0 = Pi

ESCOM SN-1 32

9.- Sistema Integral En Ortopedia Pediátrica: SIO-P TT594

INGRESO AL SISTEMA

PRESENTACIÓN DEL SISTEMA

REGISTRO DE USUARIO

REGISTRO DE PACIENTE

PREDIAGNÓSTICO

EDICIÓN DE RECETAS

ANEXAR DIAGNÓSTICO

RADIOGRAFIAS

CONSULTA DE HISTORIAL

CLÍNICO

CONSULTA DE TRATAMIENTO

EDICIÓN DE PREDIAGNÓSTICO

ESCOM SN-1 33


ESCOM SN-1 34

10.- 10.- Sistema Sistema

Biométrico Biométrico De Control De Control

De De Personal Personal

TT514TT514

ESCOM SN-1 35


Rostro

ESCOM SN-1 36

11.- Sistema Verificador De Placas De Automóvil “Sivepa” TT497

CAPTURA

DETECCIÓN

SEGMENTACIÓN

EXTRACCIÓN DE CARACTERÍSTICAS

RECONOCIMIENTO

BASE DE DATOS

ESCOM SN-1 37

1

2

3

253

252

1

2

3

4

6

5

4

7

6

75

76

5

1

5

22

23

4

3

2

1

2

3

253

252

1

2

3

4

6

5

4

7

6

49

50

5

1

5

9

10

4

3

2

Estructura de la red que clasifica caracteres

Estructura de la red que clasifica números


ESCOM SN-1 38

Etapas Fundamentales del Procesamiento Digital de Imágenes

ESCOM SN-1 39

Etapas de un sistema de reconocimiento de Etapas de un sistema de reconocimiento de patrones.patrones.

ESCOM SN-1 40

12.- Sistema Inteligente de 12.- Sistema Inteligente de Expresiones Faciales Expresiones Faciales TTTT

ImagenLocalización

del rostro

Extracción deCaracterísticas

Faciales.

Clasificador de Patrones Interpretación

Entrenamiento

ESCOM SN-1 41


ESCOM SN-1 42

13.-Sistema 13.-Sistema Del Del

Prediágnostico Prediágnostico De Anomalías De Anomalías

En Células En Células Cérvico Cérvico UterinasUterinas

TT593TT593

ESCOM SN-1 43

ClasificadorClasificador

En el módulo de clasificación se contemplo el enfoque basado en métricas del cual tomamos el clasificador KNN (The Neighboring Near K).

La regla de clasificación por vecindad más general es la regla de clasificación de los k vecinos más cercanos o simplemente k-NN. Se basa en la suposición de que los prototipos más cercanos tienen una probabilidad a posteriori similar.

ESCOM SN-1 44

Caracteristicas del Perceptrón MulticapaCaracteristicas del Perceptrón Multicapa– Red Feeforward– Red Multicapa– Clasificación de patrones no linealmente

separables– Aprendizaje supervisado– Aprendizaje offline– El número de neuronas ocultas, lo

suficientemente grande para formar una región compleja que solucione el problema.

REDES REDES NEURONALESNEURONALES

ESCOM SN-1 45

– Los pesos se ajustan después de ver los pares entrada/salida del conjunto de entrenamiento.

– En el sentido directo la red permite un flujo de activación en las capas.

– En la retropropagación, la salida actual es comparada con la salida deseada, entonces se calcula el error para las unidades de salida.

– Entonces los pesos en la salida son ajustados para reducir el error, esto da un error estimado para las neuronas ocultas y así sucesivamente.

– Una época se define como el ajuste de los pesos para todos los pares de entrenamientos, usualmente la red requiere muchas épocas para su entrenamiento.

BACKPROPAGATIOBACKPROPAGATIONN

ESCOM SN-1 46

Diseño de una Red Neuronal– Supervisada: requiere de pares de datos

consistente de patrones de entrada y salida correcta.

– El número de elementos del vector de entrada (Número de características extraídas) estará determinado por el tipo de problema a resolver.

– La selección del vector de salida o vectores determinara el numero de neuronas en la capa de salida.

……

ESCOM SN-1 47

Algoritmo de entrenamiento es Backpropagation

Vector de entrada para el entrenamiento con valores ideales como son:– NORMAL ={0.8,0.9,0.6,0.43,0.3};– LESIÓN DE BAJO GRADO =

{0.8,0.8,0.8,0.504,0.5};– LESIÓN DE ALTO GRADO

={0.4,0.5,0.9,0.535,0.7};– CÁNCER INVASOR = {0.2,0.3,1.2,0.618,0.9};

……

ESCOM SN-1 48

La velocidad de aprendizaje se controla mediante . Normalmente, debe ser un número entre 0.05 y 0.25 según la bibliografía.

Añadir un momento (sumar una fracción del ajuste del peso anterior al ajuste actual).

Error propuesto es de 0.007.

……

ESCOM SN-1 49

1.2 Introducción A La 1.2 Introducción A La Lógica Difusa (LD)Lógica Difusa (LD)

UnidadUnidad 1 1

Generalidades De Las Redes Neuronales Artificiales (RNA)

Education

Transcript of Generalidades De Las Redes Neuronales Artificiales (RNA)