REDES NEURONALES DEFINICION Y APLICACIONES

Redes neuronales de tipo Biológico



Estas herramientas consisten en la representación gráfica ordenada de las distribuciones de probabilidad, y para la inferencia. Están adquiriendo cada vez más importancia en el campo de las ciencias biológicas sobre todo para dilucidar redes celulares, modelado de rutas de señalización proteica, integración y clasificación de datos, y análisis genético. La representación y uso de la teoría de la probabilidad hace a esta herramienta muy útil para la extracción de conocimiento a partir de los datos, expresión de relaciones causales y el aprendizaje de conjuntos de datos incompletos. Los modelos probabilísticos proveen un tratamiento natural para la naturaleza estocástica de los sistemas y medidas biológicas.

http://www.revistaesalud.com/index.php/revistaesalud/article/viewArticle/207/511


Redes Neuronales para aplicaciones concretas

Las redesdirigidas a aplicación están en general poco ligadas a las redes neuronales biológicas. Ya que el conocimiento que se posee sobre el sistema nervioso en general no es completo, se han de definir otras funcionalidades y estructuras de conexión distintas a las vistas desde la perspectiva biológica. Las características principales de este tipo de redes son los siguientes:
Auto Organización y Adaptatividad: utilizan algoritmos de aprendizaje adaptativo y auto organización, por lo que ofrecen posibilidades de procesado robusto y adaptativo



Procesado No Lineal: aumenta la capacidad de la red de aproximar, clasificar y su inmunidad frente al ruido.



Procesado paralelo: normalmente se usa un gran número de células de procesado por el alto nivel de interconectividad.




Aplicaciones



Desde el punto de vista de la aplicaciones, la ventaja de las redes reside en el procesado paralelo, adaptativo y no lineal. Las redes han encontrado muchas aplicaciones con éxito en la visión artificial, en el procesado de señales e imágenes, reconocimiento del habla y de caracteres, sistemas expertos, análisis de imágenes médicas, control remoto, control de robots, inspección industrial y exploración científica. El dominio de aplicación de las redes se puede clasificar de la siguiente forma: asociacion y clasificacion, regeneracion de patrones, regresion y generalizacion, optimizacion.


Asociación y Clasificación

Los patrones de entrada estáticos o señales temporales deben ser clasificadas o reconocidas.

Idealmente, un clasificador debería ser entrenado para que cuando se le presente una versión distorsionada ligeramente del patrón, pueda ser reconocida correctamente sin problemas. De la misma forma, la red debería presentar cierta inmunidad contra el ruido, esto es, debería ser capaz de recuperar una señal "limpia" de ambientes o canales ruidosos. Esto es fundamental en las aplicaciones holográficas, asociativas o regenerativas.

Asociación: de especial interés son las dos clases de asociación: autoasociación y heteroasociación. El problema de la autoasociación es recuperar un patrón enteramente, dada una información parcial del patrón deseado. La heteroasociación es recuperar un conjunto de patrones B, dado un patrón de ese conjunto. Los pesos en las redes asociativas son a menudo predeterminados basados en la regla de Hebb. Normalmente, la auto correlación del conjunto de patrones almacenado determina los pesos en las redes auto asociativas. Por otro lado, la correlación cruzada de muchas parejas de patrones se usa para determinar los pesos de la red de Heteroasociación.

Clasificación no Supervisada:

para esta aplicación, los pesos sinápticos de la red son entrenados por la regla de aprendizage no supervisado, esto es, la red adapta los pesos y verifica el resultado basándose únicamente en los patrones de entrada.

Clasificación Supervisada:




esta clasificación adopta algunas formas del criterio de interpolación o aproximación. En muchas aplicaciones de clasificación, por ejemplo, reconocimiento de voz, los datos de entrenamiento consisten de pares de patrones de entrada y salida. En este caso, es conveniente adoptar las redes Supervisadas, como las bien conocidas y estudiadas redes de retropropagacion. Este tipo de redes son apropiadas para las aplicaciones que tienen una gran cantidad de clases con límites de separación complejos.



http://www.gc.ssr.upm.es/inves/neural/ann2/anntutorial.html




PERCEPTRON

El cuerpo de la neurona se representa como un sumador lineal de los estímulos externos zj, seguida de una función no lineal yj = f(zj). La función f(zj) es llamada la función de activación, y es la función que utiliza la suma de estímulos para determinar la actividad de salida de la neurona.



El modelo perceptrón de McCulloch-Pitts, es la base de la mayor parte de las arquitectura de las RNA que se interconectan entre sí. Las neuronas emplean funciones de activación diferentes según la aplicación, algunas veces son funciones lineales, otras funciones sigmoidales (p.ej. la tanh), y otras funciones de umbral de disparo. La eficiencia sináptica se representa por factores de peso de interconección wij, desde la neurona i, hasta la neurona j.
Los pesos pueden ser positivos (excitación) o negativos (inhibición). Los pesos junto con las funciones f(z) dictan la operación de la red neuronal. Normalmente las funciones no se modifican de tal forma que el estado de la red neuronal depende del valor de los factores de peso (sinápsis) que se aplica a los estímulos de la neurona.
En un perceptrón, cada entrada es multiplicada por el peso W correspondiente, y los resultados son sumados, siendo evaluados contra el valor de umbral, si el resultado es mayor al mismo, el perceptrón se activa.

http://electronica.com.mx/neural/informacion/perceptron.html