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.
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

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.
Descargar

Sistemas expertos basados en Redes Neuronales