Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
By: Gong Yi-shan Sch. of Inf. Sci. & Eng., Shenyang Univ. of Technol., Shenyang, China Publicado en: Computer Science and Network Technology (ICCSNT), 2012 2nd International Conference on
SUMARIO
Introduccin Inspiracin biolgica Modelado Neuronal Implementaciones Ventajas y desventajas Aplicaciones Futuro de las RNAs Concluciones Trabajos futuros Referencias
REDES NEURONALES EN LA IA
Ramas de la Inteligencia Artificial en sus inicios: Simblica-deductiva:
Sistemas formales de reglas y manipulacin simblica Rama ms conocida de la IA
Conexionista:
Inspirada en las redes neuronales biolgicas Mtodos Inductivos: a partir de ejemplos
Ambas tratan de resolver problemas no algoritmicos a partir de la experiencia almacenada como conocimiento
INSPIRACIN BIOLGICA
Entender el cerebro y emular su potencia
Cerebro:
Gran
INSPIRACIN BIOLGICA
Transmisin neuronal:
Impulso elctrico que viaja por el axn Liberacin de neurotransmisores Apertura/cierre de canales inicos Variacin potencial en dendrita Integracin de entradas en soma Si se supera umbral de disparo se genera un PA
INSPIRACIN BIOLGICA
de 1010 a 1011 neuronas 1014 sinapsis Organizacin por capas Organizacin por niveles:
Sistema Nervioso Central (SNC) Circuitos entre regiones Circuitos locales Neuronas rboles dendrticos Microcircuitos neuronales Sinapsis Canales inicos Molculas
INSPIRACIN BIOLGICA
Caractersticas SNC:
Inclinacin a adquirir conocimiento desde la experiencia Conocimiento almacenado en conexiones sinpticas Gran plasticidad neuronal Comportamiento altamente no-lineal Alta tolerancia a fallos (muerte neuronal) Apto para reconocimiento, percepcin y control
MODELADO NEURONAL
Una red neuronal artificial (RNA) es un sistema de procesamiento de informacin que tiene ciertas aptitudes en comn con las redes neuronales biolgicas:
El procesamiento de informacin ocurre en muchos elementos simples llamados neuronas. Las seales son transferidas entre neuronas a travs de enlaces de conexin. Cada conexin tiene un peso asociado, el cual, tpicamente, multiplica a la seal transmitida. Cada neurona aplica una funcin de activacin (usualmente no lineal) a su entrada de red (suma de entradas pesadas) para determinar su salida.
Laurene Fausett
MODELADO NEURONAL
Enfoques:
Computacional:
Modelos
Cognitivo:
Interesado
Biocognitivo:
Premisa
Psicofisiolgico:
Mecanismos
reales
MODELADO NEURONAL
Neurona = Unidad de proceso Conexiones sinpticas = Conexiones Pesadas Efectividad sinptica = Peso sinptico Exitatorio/Inhibitorio = Pesos + Efecto combinado de sinapsis = Funcin suma Activacin-> Ratio disparo = Funcin activacin -> salida
MODELADO NEURONAL
Neurona Artificial:
Grupo de entradas (x) Pesos sinpticos (w) Funcin suma (net) Funcin de activacin (act) Una nica salida (y) Funcionamiento en modo aprendizaje o ejecucin
MODELADO NEURONAL
Aprendizaje:
Estimulacin
de la RN por el entorno Cambios en la RN debido a estimulacin Nueva forma de responder debido a cambios de la estructura interna de la RN
MODELADO NEURONAL
Paradigmas de aprendizaje:
Aprendizaje
Supervizado Aprendizaje por Reforzamiento Aprendizaje Auto-organizado (No Supervizado) Precalculado o prefijado
MODELADO NEURONAL
Aprendizaje no supervizado:
Se presentan slo patrones de entrada Basado en la redundancia en las entradas Aprendizaje extrae de los patrones:
Familiaridad
pasado Anlisis de las Componentes Principales Clustering Prototipos, correspondientes a las categorias existentes Codificacin Mapa de Caractersticas
MODELADO NEURONAL
multicapa o Backpropagation
supervizados bajo correccin de
(BPN)
Aprendizajes
error
Mapas
Auto-organizados (SOM)
competitivo no supervizados
hebbianos no supervizados
Aprendizajes
Extractores
Aprendizajes
MODELADO NEURONAL
Propiedades
y Capacidades
Generalizacin Estructura altamente paralela No linealidad Mapeo de EntradaSalida Adaptabilidad Respuesta graduada
Informacin Contextual Tolerancia a fallos Implementacin VLSI Uniformidad en el Anlisis y Diseo Analoga Neurobiolgica
IMPLEMENTACIONES
Tamao:
Neuronas
Eficiencia
Cerebro: 10-6
energtica:
10-16 J/op./s., mejores ordenadores:
Fan-In:
Promedio
IMPLEMENTACIONES
Neurosimuladores:
Software:
Flexibles Econmicos
Hardware:
Eficientes
IMPLEMENTACIONES
Tipos Neurosoftware:
Caractersticas deseables:
IMPLEMENTACIONES
Neurohardware:
VLSI analgico Opto-Electrnicos FPGAs Neuro-Chips (VLSI Digital) Neuro-Tarjetas Mquinas paralelas de propsito general Biochips Acelerar fases de aprendizaje y ejecucin
Objetivo:
IMPLEMENTACIONES
Biochips
APLICACIONES
En general:
Difcil describir conocimiento/forma de resolverlos Se dispone de una gran cantidad de datos
PROBLEMAS DE PREDICCIN
Airline
Marketing Tactician
(AMT):
Monitoriza
Neuralstocks:
Servico
PROBLEMAS DE CONTROL
Control
de
robots:
Cinemtica
inversa Dinmica
ALVINN:
Conduccin
de
vehculo
PROBLEMAS DE APROXIMACIN
Aproximacin
Problemas de Optimizacin
Optimizacin de rutas:
TSP
VENTAJAS.
La red backpropagation ms comunmente utilizada posee una capa oculta con 20 neuronas.
La cantidad de neuronas de entrada tanto como la de salida quedan determinadas por las caractersticas del dataset.
de los datos se utilizan para entrenamiento. 20% de los datos se utilizan para validacin. 20% de los datos se utilizan para test.
El entrenamiento contina mientras se reduce el error de validacin. Esta es una tcnica muy utilizada para evitar el sobreentrenamiento.
Para un conjunto de nuevos datos se espera un error similar al calculado para el conjunto de test.
>> net.IW{1, 1}(1:2, 1:2) -0.5815 0.2696 -0.2799 -0.4926 >> net = init(net); >> net.IW{1, 1}(1:2, 1:2) -0.0047 0.2063 0.4592 -0.4419
puede agregar como cuarto argumento un arreglo con los nombres de las funciones transferencia a usar en cada capa.
APLICACIONES EN ASTRONOMA/ASTROFSICA
Reconocimiento
de estrellas/galaxias Clasificacin espectral y morfolgica de estrellas/galaxias Estudios de superficies planetarias Estudio del campo magntico interplanetario Determinacin de parmetros en atmsferas estelares Clasificacin de poblaciones de enanas blancas
Neural
Networks, 16 (2003)
APLICACIONES EN ASTRONOMA/ASTROFSICA
Identificacin
y caracterizacin de objetos: QSO's, galaxias IR ultraluminosas, fuente de Rayos Gamma Determinacin de desplazamientos fotomtricos al rojo Eliminacin de ruido en pixels Descomposicin de datos simulados multifrecuencia para la misin Planck Bsqueda de cmulos de galaxias
Neural
Networks, 16 (2003)
APLICACIONES EN ASTRONOMA/ASTROFSICA
Anlisis
de datos recogidos por instrumentos de nueva generacin para astrofsica de alta energa:
Telescopio
de neutrinos AUGER y ARGO Telescopio de rayos gamma Cherenkhov Interfermetro de ondas gravitacionales VIRGO Bsqueda de bosones Higgs
AstroNeural,
Networks, 16 (2003)
CONCLUNIONES.
Al aplicar las redes neuronales el investigador no esta forzado a hacer un anlisis a priori de la serie de tiempo y de sus implicaciones, esto se convierte finalmente en la capacidad de hacer predicciones con precisiones aceptables obviando hasta cierto punto la teora de predicciones convencional. Al definir la topologa de la red, debemos tener cuidado en no sobreparametrizar la red; ya que, an cuando el error de ajuste dentro del conjunto de datos de entrenamiento tiende a reducirse a cero, el poder de extrapolacin de la red se reduce significativamente para datos fuera del conjunto de entrenamiento.
CONCLUCIONES PERSONALES.
El aprendizaje de sistemas neuronales directas tiene un proceso mediante el empleo del algoritmo de retropropagacin (backpropagation), realizando el ajuste de pesos entre las capas de la red. La construccin de las redes neuronales artificiales hace uso de metodologas de desarrollo de software. Las redes neuronales artificiales tienen un amplio campo de aplicaciones donde se requiera la solucin a problemas, desde actividades de investigacin hasta aplicaciones comerciales e industriales.
Futuro prometedor, si nos seguimos acercando a las caractersticias de los organismos vivos:
Evolucin,
Computacin Colectiva, Manejo del Conocimiento, ... Natural Computing => Soft Computing
vez algunos parmetros de nuestros modelos son erroneos? Tal vez no disponemos de la suficiente potencia informtica? Tal vez nuestros modelos no han alcanzado la suficiente complejidad? Tal vez nos falta en nuestros modelos algn concepto fundamental?
TRABAJOS FUTUROS.-
Sistemas expertos y redes neuronales artificiales aplicadas a la espectroscopa ptica estelar: un anlisis comparativo
REFERENCIAS.
PL Grossman, A. Nerode y AP Ravn et al, Lecture Notes in Computer Science (sistemas hbridos), No.736, Nueva York, EE.UU.: Springer-Verlag, 1993. ZJ Chen, J. Wang y XY Yu et al, una abstraccin de los sistemas de control hbridos, In: Proc. De IEEE Singapur ICI, Vol.1, 2005.