Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Introduccion:
Index
`
Facultat dInformatica
`
Enginyeria Informatica
2005-2006
1 Modelos conexionistas . 2
2 La neurona . 6
Redes Neuronales
3 Los neurocomputadores . 10
1. Introduccion
fcn@dsic.upv.es
al perceptron
multicapa . 24
6 Del perceptron
24 de octubre de 2005
Facultat dInformatica
- UPV
24 de octubre de 2005
2
Introduccion:
3
Introduccion:
Index
Modelos conexionistas
Un conjunto de procesadores elementales densamente inteconectados
1 Modelos conexionistas . 2
2 La neurona . 6
3 Los neurocomputadores . 10
4 Aplicaciones de los modelos conexionistas . 12
Otros nombres:
Modelos conexionistas
al perceptron
multicapa . 24
6 Del perceptron
24 de octubre de 2005
Facultat dInformatica
- UPV
24 de octubre de 2005
Facultat dInformatica
- UPV
4
Introduccion:
5
Introduccion:
A NTECEDENTES:
:
F ORMALIZACI ON
L OS
EL
PRIMEROS MODELOS :
OLVIDO HASTA
1980:
R ESURGIMIENTO
EN LOS
80:
ji := ji + si sj
software: Rochester -IBM- (1950).
Simulacion
A POGEO 1986
L OS
El PERCEPTRON:
Rosenblat (1959).
El ADALINE: Widrow y Hoff (1959).
A SENTAMIENTO
1995:
A PARTIR DE
1996:
Resultados formales: Bishop (1996), Rippley (1996), Ney (1995), Lugosi (1998), etc.
Facultat dInformatica
- UPV
24 de octubre de 2005
6
Introduccion:
Facultat dInformatica
- UPV
24 de octubre de 2005
7
Introduccion:
Index
La neurona
Celula
especializada fundamental del sistema nervioso.
1 Modelos conexionistas . 2
Existen 1011 neuronas en el cerebro humano y 1015 conexiones.
2 La neurona . 6
Partes de una neurona tpica:
3 Los neurocomputadores . 10
Telodendron:
24 de octubre de 2005
Facultat dInformatica
- UPV
24 de octubre de 2005
Facultat dInformatica
- UPV
8
Introduccion:
La neurona
de la informacion
Transmision
Axon
Dendritas
9
Introduccion:
La neurona
(frecuencia modulada).
Senales
electricas
en el axon
neurotransmisores
Dendrita
Senales
qumicas en la sinapsis.
Soma
Funcionamiento
Nucleo
Axon
Si la acumulacion
(sinapsis de excitacion).
Hay sinapsis con efecto negativo (sinapsis de inhibicion).
Facultat dInformatica
- UPV
24 de octubre de 2005
10
Introduccion:
Facultat dInformatica
- UPV
24 de octubre de 2005
11
Introduccion:
Index
Las neurocomputadoras
Neurocomputador: conjunto de procesadores interconectados que operan
concurrentemente que implementan modelos conexionistas
1 Modelos conexionistas . 2
2 La neurona . 6
A PROXIMACIONES
3 Los neurocomputadores . 10
Computadores secuenciales: Simuladores software.
4 Aplicaciones de los modelos conexionistas . 12
Computadores paralelos: Simuladores.
5 Marco estadstico para los modelos conexionistas . 18
Circuitos integrados especficos (Chips neuronales)
al perceptron
multicapa . 24
6 Del perceptron
24 de octubre de 2005
Facultat dInformatica
- UPV
24 de octubre de 2005
Facultat dInformatica
- UPV
12
Introduccion:
13
Introduccion:
Index
Aplicaciones
1 Modelos conexionistas . 2
C LASIFICACI ON
2 La neurona . 6
R EGRESI ON
3 Los neurocomputadores . 10
4 Aplicaciones de los modelos conexionistas . 12
Simulacion
5 Marco estadstico para los modelos conexionistas . 18
Control y automatizacion
al perceptron
multicapa . 24
6 Del perceptron
Prediccion
Ayuda al diagnostico
Facultat dInformatica
- UPV
24 de octubre de 2005
14
Introduccion:
15
Introduccion:
Aplicaciones: clasificacion
Aplicaciones: prediccion
Deteccion
(America Express, HNC Software, Nestor Inc. and
Fraud Detection Systems)
Reconocimiento de caracteres impresos para fax (Cardiff Software)
Reconocimiento de caracteres manuscritos (HNC Software, Electronic Data Publishing, Inc., Audre Recognition Systems, Caere Corporation, Synaptics, Lexicus)
de sucesos significativos en fotografas producidas por aceleradores de
Deteccion
partculas (CERN).
Procesadores de formularios (Eastman Kodak)
Aplicaciones medicas:
detecciones de celulas
cancergenas, malformaciones, pre de problemas de la anestesia, modelado de la esquizofrenia, deteccion
de
vencion
los ataques de epilepsia, ayuda a la diagnosis de la esclerosis multiple,
etc.
24 de octubre de 2005
Facultat dInformatica
- UPV
24 de octubre de 2005
Facultat dInformatica
- UPV
Prevision
(National Weather Service)
de stocks (Carl & Associates, Neural Applications Corporation, NeuroDiPrevision
mension Inc., Walkrich Investment Advisors)
de precios (Daiwa Securities Co., Ltd. and NEC Corporation)
Prevision
Pensiones (John Deere & Company)
Habitos
de uso de tarjetas (MasterCard, Visa, Adaptive Decision Systems)
de demanda electrica
Prevision
(Bayernwerk AG, Britvic, Electric Power Research
Institute, Pacific Gas & Electric, PUB Singapore, Vattenfall)
24 de octubre de 2005
Facultat dInformatica
- UPV
16
Introduccion:
17
Introduccion:
Algunas aplicaciones
Prediccion
(Siemens).
Control de fotocopiadoras (Ricoh).
Refinado petrolfero (Texaco).
de acero (Fujitsu prevencion
de vertidos, Neural Applications CorporaFabricacion
tion, Nippon Steel, Siemens en control del laminaje )
Control de calidad (Florida Department of Citrus en ctricos, Frito-Lay en las patatas
de papel, Monsanto en la fabricacion
de plastico,
Facultat dInformatica
- UPV
24 de octubre de 2005
18
Introduccion:
Aplicaciones
http://electronica.com.mx/neural/aplicaciones/index.html
financiera
Tratamiento de la informacion
http://www.ciberconta.unizar.es/Biblioteca/0004/SerGall96.html
Minera de datos
http://www.cazv.cz/2003/AE9_03/6-Vesely.pdf
de funciones
Aproximacion
http://neuron.eng.wayne.edu/bpFunctionApprox/bpFunctionApprox.html
Diagnostico
en medicina
http://www.generation5.org/content/2004/MedicalDiagnosis.asp
Anemias
http://www.generation5.org/content/2004/NNinAnaemia.asp
Aplicaciones en Fsica de Altas Energas
http://neuralnets.web.cern.ch/NeuralNets/nnwInHep.html
Ejemplos varios
http://www.calsci.com/Applications.html
Diversas implementaciones
http://www.neural-networks-at-your-fingertips.com/
Demos en Java
http://diwww.epfl.ch/mantra/tutorial/english/
Facultat dInformatica
- UPV
24 de octubre de 2005
19
Introduccion:
Index
1 Modelos conexionistas . 2
2 La neurona . 6
3 Los neurocomputadores . 10
MODELOS
al perceptron
multicapa . 24
6 Del perceptron
OBJETO
24 de octubre de 2005
PREPROCESO Y
EXTRACCIN DE
CARACTERSTICAS
ADQUISICIN
Facultat dInformatica
- UPV
24 de octubre de 2005
IMAGEN
10
6
CLASIFICADOR
VECTOR
DE
CARACTERSTICAS
VIRGINIA
VERSICOLOR
CLASE
Facultat dInformatica
- UPV
20
Introduccion:
21
Introduccion:
Frontera de decision
define M regiones de decision:
La regla de decision
)
(
Ry =
Riesgo total
R() =
M Z
X
y=1
IRd
FD(1,3)
1y 0 M
R3
R1
R3
R2
FD(1,2)
FD(2,3)
Facultat dInformatica
- UPV
24 de octubre de 2005
22
Introduccion:
Facultat dInformatica
- UPV
24 de octubre de 2005
23
Introduccion:
de un clasificador
Diseno
de un clasificador
Diseno
n
o
A = (~xi, yi) | ~xi IRd, 1 yi M para 1 i n
Por ejemplo
x~
y )T 1 (~
x~
y ) ]
exp[ 12 (~
pr (~x)
pr (1), . . . , pr (M )
n
o
T = (~xi, yi) | ~xi IRd, 1 yi M para 1 i m
m
RT ( ) =
1 X
L(yi, (~xi))
m i=1
= (pr (1), . . . , pr (M ),
~ 1, . . . ,
~ M , ) con
~ y IRd (1 y M ) y IRdd.
24 de octubre de 2005
Facultat dInformatica
- UPV
24 de octubre de 2005
Facultat dInformatica
- UPV
24
Introduccion:
25
Introduccion:
Index
El perceptron
1 Modelos conexionistas . 2
es una funcion
lineal:
El perceptron
2 La neurona . 6
3 Los neurocomputadores . 10
w1
x1
x2
6 Del perceptron
al perceptron
multicapa . 24
Facultat dInformatica
- UPV
24 de octubre de 2005
26
Introduccion:
w
w
Pesos
Entradas
g2(x)
g3(x)
g4(x)
(para dos
Y una regla de clasificacion
clases)
xd
P (~x) =
27
Introduccion:
para M clases
El perceptron
g5(x)
g6(x)
EL
EL
PROBLEMA DE LAS
x2
1 XX
2
(ti,j gj (x~i))
2n i=1 j=1
ALGORITMO DE
x3
W IDROW-H OFF
Para 1 j M
CLASES
0
d
X
~ j (1)
arbitrario
0
0
0
0
~ j (k + 1) =
~ j (k) k tj (k)
~ j (k) ~x (k) ~x (k)
0
ij xi + 0j =
~ j ~xi para 1 j M
i=1
R EGLA
1 si g(~x) > 0
2 si g(~x) < 0
Facultat dInformatica
- UPV
EA() =
x1
k xk + 0,
24 de octubre de 2005
para M clases
El perceptron
g1(x)
d
X
k=1
...
...
Umbral
g(~x) =
DE CLASIFICACI ON
P (~x) = argmax gj (~x)
j
24 de octubre de 2005
Facultat dInformatica
- UPV
24 de octubre de 2005
Facultat dInformatica
- UPV
28
Introduccion:
s 21
s2
i
s 22
2,2
2,1
l=2
s 23
2
w3,6
2
wi,j
s 14
l=1
1,1
1,2
1,3
multicapa
El perceptron
s2j = f (e2j )
2,3
1,4
1,6
1,5
29
Introduccion:
multicapa
El perceptron
e2j =
s1j = f (e1j )
2 1
i wj,i si
e1j =
1
i wj,i xi
1
wi,j
1
w6,3
s0
i
s 02
l=0
x1
x2
de activacion
sigmoid
Funcion
x3
f (ekj ) =
1
1+exp(ek
j)
Facultat dInformatica
- UPV
24 de octubre de 2005
30
Introduccion:
multicapa
El perceptron
R EGLA
:
DE CLASIFICACI ON
multicapa y A =
A PRENDIZAJE DE LOS PESOS : Dada una de un perceptron
{(~x1, ~t1), ..., (~xn, ~tn)}, con ~xi IRN0 , ~ti IRN2 , encontrar un conjunto de pesos
tal que minimice:
n N2
2
1 XX
EA() =
ti,j s2j (x~i)
2n i=1 j=1
de los pesos de la capa de salida (1 i N2, 0 j N1)
Correccion
2
ij
=
n
X
i2(~xp) = tp,i s2i (~xp) f 0(e2i (~xp))
p=1
Facultat dInformatica
- UPV
24 de octubre de 2005
Facultat dInformatica
- UPV