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
nico nodo de N y f : R ? R es una funcin neuronal (tambin
llamada de activacin) que calcula un valor de salida para Y basado
en una combinacin 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 funcin neuronal de la unidad neuronal,
respectivamente
RED NEURONAL ARTIFICIAL
Las RNA estn compuestas de un gran nmero
elementos de procesamiento altamente
interconectados (Neuronas) trabajando al mismo
tiempo para la solucin de problemas especficos.
Las RNA, tal como las personas, aprenden de la
experiencia.
ALGORITMO DE APRENDIZAJE: SUPERVISADO
Los patrones para el aprendizaje estn 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 seales de entrada. En este
caso, los pesos se obtienen minimizando alguna funcin 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 funcin de error resultante puede contener mltiples
mnimos locales y, por lo tanto, el proceso de aprendizaje puede no
converger al mnimo global ptimo.
EL PROBLEMA DE IDENTIFICACIN 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 nmero de neuronas en la
capa de entrada y el nmero de neuronas en la capa de
salida.
Considerando a una RNA como una caja negra podremos
representar su interaccin funcional con el entorno de la
siguiente manera.
IDENTIFICACIN DE PATRONES
Al Reconocimiento de patrones llamado tambin lectura de patrones, identificacin
de figuras y reconocimiento de formas
1
consiste en el reconocimiento de patrones de
seales. Los patrones se obtienen a partir de los procesos de segmentacin,
extraccin de caractersticas y descripcin dnde cada objeto queda representado por
una coleccin de descriptores. El sistema de reconocimiento debe asignar a cada
objeto su categora o clase (conjunto de entidades que comparten alguna
caracterstica que las diferencia del resto). Para poder reconocer los patrones se
siguen los siguientes procesos:
1. adquisicin de datos
2. extraccin de caractersticas
3. toma de decisiones

IDENTIFICACIN DE PATRONES
El punto esencial del reconocimiento de patrones es la
clasificacin: se quiere clasificar una seal dependiendo de
sus caractersticas. Seales, caractersticas y clases pueden
ser de cualquiera forma, por ejemplo se puede
clasificar imgenes digitales de letras en las clases A a
Z dependiendo de sus pxeles o se puede clasificar ruidos
de cantos de los pjaros en clases de rdenes aviares
dependiendo de las frecuencias.


APLICACIONES
Los sistemas de reconocimiento de patrones tienen diversas aplicaciones. Algunas de las ms
relevantes y utilizadas actualmente son:
Previsin meteorolgica: poder clasificas todos los datos meteorolgicos segn diversos
patrones, con el conocimiento a priori que tenemos de las diferentes situaciones que
pueden aparecer nos permite crear mapas de prediccin automtica.
Reconocimiento de caracteres escritos a mano o a mquina: es una de las utilidades ms
populares de los sistemas de reconocimiento de patrones ya que los smbolos de escritura
son fcilmente identificables.
Reconocimiento de voz: el anlisis de la seal de voz se utiliza actualmente en muchas
aplicaciones, un ejemplo claro son los teleoperadores informticos.
Aplicaciones en medicina: anlisis de biorritmos, deteccin de irregularidades en imgenes
de rayos-x, deteccin de clulas infectadas, marcas en la piel...
APLICACIONES
Reconocimiento de huellas dactilares: utilizado y conocido por la gran mayora,
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 manifestacin o
simplemente para detectar una sonrisa, ya hay diferentes cmaras en el mercado con
esta opcin disponible.
Interpretacin de fotografas areas y de satlite: gran utilidad para propuestas
militares o civiles, como la agricultura, geologa, geografa, planificacin urbana...
Prediccin de magnitudes mximas de terremotos.
Reconocimiento de objetos: con importantes aplicaciones para personas con
discapacidad visual.
Reconocimiento de msica: identificar el tipo de msica o la cancin concreta que
suena.

IDENTIFICACIN DE PATRONES A TRAVS DE RNA
Los datos de entrada sern recibidas(o ledas) por las neuronas de entrada, las mismas
que sern procesadas por la RNA y los resultados sern entregados a los Datos de salida a
travs de las neuronas de Salida.
Por lo tanto los datos de entrada estarn en relacin biunvoca 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 corresponder
como datos de entrada un vector X de tamao n [X1, X2, X3, Xn] y como datos de
salida un vector Y de tamao m [ Y1,Y2,,Ym], establecindose 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 IDENTIFICACIN DE
PATRONES.
Arquitectura sin retroalimentacin.
Arquitectura con retroalimentacin.

ARQUITECTURA CON RETROALIMENTACIN
Las redes neuronales con retroalimentacin corresponde a la clase de RNA
ms estudiada por el mbito cientfico y la ms utilizada en los diversos
campos de aplicacin.
Las diferentes clases de RNA se distinguen entre s por los siguientes
elementos:
Las neuronas o nodos que constituye el elementos bsico de
procesamiento.
La arquitectura de la red descrita por las conexiones ponderadas entre
los nodos.
El algoritmo de entrenamiento, usado para encontrar los parmetros de
la red.
Un reciente estudio ha demostrado que aproximadamente el 95% de las
aplicaciones reportadas de redes neuronales en los negocios utilizan redes
neuronales sin retroalimentacin multicapas con algoritmo de aprendizaje de
retro-propagacin.
La retro-propagacin es una red sin retroalimentacin 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 patrn de entrada
y, gracias a enlaces que realimentan a la red, va actualizan-do su estado.
Las redes neuronales artificiales analgicas son usadas en la resolucin de
problemas de optimizacin.

ALGORITMO DE RETRO-PROPAGACIN
CONSIDERACIONES PARA RESOLVER
PROBLEMAS BASADOS EN EL
CONOCIMIENTO A TRAVS DE RNA
Se debe tener presente las caractersticas de las que son, como apreciaremos muy
semejantes a las de las Redes Neuronales Biolgicas, entre las principales
podemos mencionar las siguientes:
Aprenden a travs de ejemplos.
Inferencia estadstica.
Adaptabilidad.
Dilema plasticidades y estabilidad.
Capacidades de generalizacin.
Tolerante a fallas.
Rpida implantacin.