REDES NEURONALES

Las redes neuronales imitan la forma en que el cerebro procesa la informacin y pueden tener aprendizaje. Esto lo hacen modelar las neuronas y sus conexiones en la computadora. En la red neuronal hay varias capas que estn construidas por neuronas que se conectan entre si la primera capa se conoce como: Capa de entrada: aqu se recibe la informacin que provee el medio ambiente, cada neurona de esta capa recibe un valor de entrada que corresponde a un campo en particular luego la informacin pasa a Capa oculta: (nicamente nos interesan las entradas y las salidas no nos interesan mtodos, diseo, etc.) algunas veces se presenta como una caja negra. Esta capa puede estar constituida por una o ms capas de neuronas y esa a su vez manda la informacin a la ltima capa Capa de salida: tenemos tambin una serie de neuronas que envan al exterior la informacin calculada por la red neuronal. A continuacin tenemos un ejemplo ms claro de cmo trabajan las capas anteriormente mencionadas: Un ejemplo de la vida cotidiana es el siguiente: Supongamos que tenemos que hacer una red neuronal que decida si podemos comer determinado alimento basndonos en sus caractersticas nutricionales. La red podra quedar de la siguiente manera: Observamos que tenemos 4 neuronas de entrada. Cada una de ellas recibe un valor, la primera recibe las caloras; la segunda, la cantidad de protenas; la tercera, cuantos carbohidratos; y la cuarta, los gramos de grasa. En la capa

de salida tenemos tres neuronas, la primera indica si podemos comer todo el alimento; la segunda, si debemos de comer poco de ese alimento; y la tercera, si debemos abstenernos. La neurona de salida con el valor ms alto ser la decisin de la red neuronal. La red que ejemplificamos se le conoce como red FEED FORWARD. A este tipo de modelos tambin se les conoce como: computadoras neuronales, modelos conexionistas, etc. Como ya se haba mencionado anteriormente. El inters de estas redes se destaca en los 40s a partir del trabajo de McCulloch y Pits (1943), en los que propusieron modelos de neuronas en la forma de dispositivos basados en el umbral y algoritmos estocsticos que implicaban cambios binarios 0-1 y 1-0 en los estados de las neuronas como la base para el modelado de sistemas neuronales. En el posterior trabajo de Hebb (1949) estaba basado en modelos matemticos. A principios de los 60s las denominadas mquinas de aprendizaje tambin conocidas como perceptrones propuestas por Rosenblatt (1962) causo una revolucin entre los investigadores en la teora de reconocimiento de patrones y las demostraciones matemticas llegando a la conclusin de los perceptrones cuando son entrenados con conjuntos de entrenamiento linealmente separables, convergen a una solucin n un numero finito de iteraciones. Algunas reas de trabajo de las redes neuronales son: Procesamiento de seales Anlisis de datos. Reconocimiento de patrones. Control. Inteligencia artificial.

Algunas de las implementaciones de estas redes son como por ejemplo los siguientes: Neurosimuladores:

Software: Flexibles Econmicos

 Hardware: Eficientes

Tipos Neurosoftware: directa Programacin

Libreras Entornos desarrollo de

Caractersticas deseables: Facilidad de uso Potencia Eficiente Extensibilidad

Ventajas que ofrecen las redes neuronales. Debido a su constitucin y a sus fundamentos, las redes neuronales artificiales presentan un gran nmero de caractersticas semejantes a las del cerebro. Por ejemplo, son capaces de aprender de la experiencia, de generalizar de casos anteriores a nuevos casos, de abstraer caractersticas esenciales a partir de entradas que representan informacin irrelevante, etc. Esto hace que ofrezcan numerosas ventajas y que este tipo de tecnologa se est aplicando en mltiples reas. Entre las ventajas se incluyen: Aprendizaje Adaptativo. Capacidad de aprender a realizar tareas basadas en un entrenamiento o en una experiencia inicial. Auto-organizacin. Una red neuronal puede crear su propia organizacin o representacin de la informacin que recibe mediante una etapa de aprendizaje. Tolerancia a fallos. La destruccin parcial de una red conduce a una degradacin de su estructura; sin embargo, algunas capacidades de la red se pueden retener, incluso sufriendo un gran dao.

Operacin en tiempo real. Los cmputos neuronales pueden ser realizados en paralelo; para esto se disean y fabrican mquinas con hardware especial para obtener esta capacidad. Fcil insercin dentro de la tecnologa existente. Se pueden obtener chips especializados para redes neuronales que mejoran su capacidad en ciertas tareas. Ello facilitar la integracin modular en los sistemas existentes.

Redes neuronales y computadoras digitales. Para entender el potencial de la computacin neuronal, sera necesario hacer una breve distincin entre sistemas de computacin neuronal y digital: los sistemas neurolgicos no aplican principios de circuitos lgicos o digitales. Un sistema de computacin digital debe ser sncrono o asncrono. Si fuera asncrono, la duracin de los impulsos neuronales debera ser variable para mantener uno de los valores binarios por periodos de tiempo indefinido, lo cual no es el caso. Si el principio fuera sncrono, se necesitara un reloj global o maestro con el cual los pulsos estn sincronizados. ste tampoco es el caso. Las neuronas no pueden ser circuitos de umbral lgico, porque hay miles de entradas variables en la mayora de las neuronas y el umbral es variable con el tiempo, siendo afectado por la estimulacin, atenuacin, etc. La precisin y estabilidad de tales circuitos no es suficiente para definir ninguna funcin booleana. Los procesos colectivos que son importantes en computacin neuronal no pueden implementarse por computacin digital. Por todo ello, el cerebro debe ser un computador analgico.

ALGORITMOS GENTICOS
Son otra tecnologa usada en la inteligencia artificial. Ofrecen un enfoque novedoso a la resolucin de problemas, porque copian la forma como la evolucin trabaja. Poco a poco con cada nueva generacin obtenemos una mejor solucin al problema ya que cada generacin evoluciona con el tiempo. Entonces los organismos mejor adaptados tienen ms posibilidades de pasar sus genes a la siguiente generacin y eso como sabemos las generaciones futuras estn mejor adaptadas. Nuevas caractersticas se pueden incorporar a la poblacin por medio de un mecanismo como mutacin. PARMETROS DE LOS ALGORITMOS GENTICOS. Para el estudio de los algoritmos genticos hay que tener en cuenta una serie de parmetros: Tamao de la Poblacin: Este parmetro nos indica el nmero de cromosomas que tenemos en nuestra poblacin para una generacin determinada. En caso de que esta medida sea insuficiente, el algoritmo gentico tiene pocas posibilidades de realizar reproducciones con lo que se realizara una bsqueda de soluciones escasa y poco ptima. Por otro lado si la poblacin es excesiva, el algoritmo gentico ser excesivamente lento. De hecho estudios revelan que hay un lmite a partir del cual es ineficiente elevar el tamao de la poblacin puesto que no se consigue una mayor velocidad en la resolucin del problema. Probabilidad de Cruce: Indica la frecuencia con la que se producen cruces entre los cromosomas padre es decir, que haya probabilidad de reproduccin entre ellos. En caso de que no exista probabilidad de reproduccin, los hijos sern copias exactas se los padres. En caso de haberla, los hijos tendrn partes de los cromosomas de los padres. Si la probabilidad de cruce es del 100% el hijo se crea totalmente por cruce, no por partes. Probabilidad de Mutacin: Nos indica la frecuencia con la que los genes de un cromosoma son mutados. Si no hay mutacin, los descendientes son los mismos que haba tras la reproduccin. En caso de que haya mutaciones, parte del cromosoma descendiente es modificado y si la probabilidad de mutacin es del 100%, la totalidad del cromosoma se cambia. En este caso, no se cambian simplemente unos bits del cromosoma sino que se cambian todos.

OPERACIONES DE LOS ALGORITMOS GENTICOS. Todos los operadores utilizados por un algoritmo gentico se aplicarn sobre estos cromosomas, o sobre poblaciones de ellos. En el algoritmo gentico va implcito el mtodo para resolver el problema. Las soluciones codificadas en un cromosoma compiten para ver cul constituye la mejor solucin (aunque no necesariamente la mejor de todas las soluciones posibles). Por lo tanto, un algoritmo gentico consiste en hallar de qu parmetros depende el problema, codificarlos en un cromosoma, y aplicar los mtodos de la evolucin: seleccin y reproduccin sexual con intercambio de informacin y mutaciones que generen diversidad. Codificacin de las Variables Los cromosomas de alguna manera debern contener informacin acerca de la solucin que representa. La codificacin se puede realizar de varias formas. La ms utilizada es mediante una cadena de nmeros binarios (1s o 0s). Pero tambin se puede realizar la codificacin mediante nmeros enteros o incluso cadenas de palabras. Codificacin Binaria Es la codificacin ms extendida debido a que los primeros algoritmos genticos utilizaron este tipo de codificacin. En este caso, cada cromosoma es una cadena de bits (0 o 1). A su favor tiene que puede abarcar muchos cromosomas incluso con un nmero reducido de genes. Codificacin Numrica En este tipo de codificacin se utilizan cadenas de nmeros que representan un nmero en una secuencia. Se utiliza en problemas en los que hay que ordenar algo, donde resulta muy til. En algunos casos tambin es necesario como en el caso anterior realizar correcciones tras relaciones o mutaciones. Codificacin por Valor Directo Este tipo de codificacin ser el utilizado en caso de resolucin de problemas en el que se requiera del uso de valores de cifrado complicado como podra ser en el uso de nmeros reales, cuya codificacin con nmeros binarios sera muy complejo. Codificacin en rbol Este tipo de codificacin se utiliza principalmente en el desarrollo de programas o expresiones para programacin gentica. Cada cromosoma ser en este caso un rbol con ciertos objetos. En este mtodo, los cambios aleatorios pueden generarse cambiando el operador, alterando el valor de un cierto nodo del rbol o simplemente sustituyendo un subrbol por otro.

Reproduccin o Crossover Una vez se realiza la seleccin de los cromosomas se procede a realizar la reproduccin o cruce entre dos de estos cromosomas Ms concretamente, el crossover consiste en el intercambio de material gentico entre dos cromosomas. El objetivo del cruce es conseguir que el descendiente mejore la aptitud de sus padres.

Crossover 1 Punto Los dos cromosomas padres se cortan por un punto. Se copia la informacin gentica de uno de los padres desde el inicio hasta el punto de cruce y el resto se copia del otro progenitor. Es una de las formas clsicas de crossover. Crossover 2 Puntos Se trata de la misma filosofa que en el caso anterior peo en este caso los padres se cortan por dos puntos. Se copiar al descendiente los genes de un cromosoma progenitor desde el principio hasta el primer punto de cruce, los genes del otro progenitor desde el primer punto de cruce hasta el segundo y del segundo punto de cruce hasta el final se copiar del otro progenitor. Crossover Uniforme Cada gen del descendiente se obtiene de cualquiera de los padres de forma aleatoria. Una opcin es generar un nmero aleatorio. Crossover Aritmtico Los progenitores se recombinan segn algn operador aritmtico para generar su descendiente. VENTAJA DE LOS ALGORITMOS GENTICOS Una clara ventaja es que los algoritmos genticos son intrnsecamente paralelos, es decir, operan de forma simultnea con varias soluciones, en vez de trabajar de forma secuencial como las tcnicas tradicionales. Esto significa que mientras tcnicas tradicionales slo pueden explorar el espacio de soluciones hacia una solucin en una direccin al mismo tiempo, y si la solucin que descubren resulta subptima, no se puede hacer otra cosa que abandonar todo el trabajo hecho y empezar de nuevo. Sin embargo, los algoritmos genticos simplemente desechan esta solucin subptima y siguen por otros caminos. Cuando se usan para problemas de optimizacin resultan menos afectados por los mximos locales (falsas soluciones) que las tcnicas tradicionales. Muchos algoritmos de bsqueda pueden quedar atrapados en los ptimos locales: si llegan a lo alto de una colina del paisaje adaptativo, descubrirn que no existen soluciones mejores en las cercanas y concluirn que han alcanzado la mejor de todas, aunque existan picos ms altos en algn otro lugar del mapa, situacin que no sucede para algoritmos genticos.

Visin Las mquinas de visin precisas, abren un nuevo dominio de aplicaciones de las computadoras. Estas aplicaciones comprenden navegacin de robots mviles, tareas de manufacturacin complejas, anlisis de imgenes de satlites y procesos de imgenes mdicas. Una imagen est compuesta por varios por miles de pixeles. Qu tipo de cosas podamos hacer con dicha imagen?, a continuacin se mencionan 4 operaciones ordenadas de menor a mayor complejidad: 1. Procesamiento de seales: Entrelazando la imagen, bien sea para consumo humano o como entrada para otro programa. 2. Anlisis de medicin: Para imgenes que contengan un nico objeto, determinando la extensin bidimensional del objeto representado. 3. Reconocimiento de patrones: Para imgenes de un solo objeto, clasificando el objeto dentro de una categora a partir de un nmero finito de posibilidades. 4. Entendimiento de imagen: Para imgenes que contengan varios objetos localizando los objetos en la imagen, clasificndolos y construyendo un modelo tridimensional de la escena. Mientras que algunos aspectos del entendimiento de imagen se reducen a anlisis de medicin y a reconocimiento de patrones, el problema en su totalidad queda sin resolver debido a las dificultades que se incluyen a continuacin: Una imagen es bidimensional, mientras que el mundo es tridimensional. Necesariamente se pierde alguna informacin cuando se crea una imagen. Una imagen puede incluir varios objetos, y algunos objetos pueden tapar parcialmente a otros. El valor de un nico pixel se ve afectado por muchos fenmenos diferentes, como el color del objeto, la fuente de luz, el ngulo y la distancia de la cmara, la polucin del aire, etc. Como resultado de esto, las imgenes son sumamente ambiguas. Dada una imagen simple, se puede construir cualquier nmero de mundos 3-D que podran dar lugar a la imagen. Por ejemplo, podemos invocar conocimiento acerca de caractersticas de imgenes de bajo nivel, como sombras y texturas como la siguiente figura muestra como este tipo de conocimiento puede ayudar a la imagen deje de ser ambigua. Poseer mltiples imgenes de un mismo objeto tambin puede ser til para recuperar la estructura 3-D.

Las regiones por otro lado, se encuentran agrupando pixeles similares. En la siguiente imagen se muestra una posible arquitectura para la visin. El primer caso es convertir la seal de video analgica en imagen digital. El siguiente paso es extraer caractersticas de la imagen, como bordes y regiones. Los bordes pueden ser destacados por algoritmos que buscan series de pixeles adyacentes con valores diferentes. Ya que los valores de los pixeles se ven afectados por varios factores, los bordes pequeos con orientaciones similares pueden ser agrupados con los grandes.

Puede ser imposible interpretar objetos aisladamente. Por esto, mdulos de ms alto nivel pueden devolver la hiptesis otra vez a los mdulos de ms bajo nivel, los cuales controlan las predicciones hechas por la hiptesis. Esta es solo una forma de estructurar un programa de comprensin de imgenes. Resalta el espectro del bajo al alto nivel de conocimiento requerido para la visin tridimensional. Como las otras tareas de la inteligencia artificial, el xito de un programa de visin depende de forma crtica de como representarla y aplica l conocimiento.

BIBLIOGRAFAS CONSULTADAS Inteligencia artificial o Segunda edicin o Elaine Rich o Kevin Knight o Mc Graw Hill Inteligencia artificial e ingeniera del conocimiento o Gonzalo Pajares Martinsanz o Matilde Santos Peas o Alfaomega Ra-Ma Inteligencia artificial o Logica difusa o Algoritmos genticos o Redes neuronales o Sistemas exertos o Inteligencia artificial probabilstica o Los robots o El algoritmo A* Sistemas inteligentes con C#

Bibliografas de la web http://www.frro.utn.edu.ar/repositorio/catedras/quimica/5_anio/orientadora1/ monograias/matich-redesneuronales.pdf http://www.nib.fmed.edu.uy/Seminario%202009/Monografias%20seminario %202009/Nacell-Redes%20NeuronalesImplementacion.pdf http://casa.ccp.servidores.net/genetico.html http://www.fiec.espol.edu.ec/investigacion/topico/algoritmosgeneticos.pdf