Introduccion.
Existen problemas del mundo real: reconocimiento de formas, toma de
decisiones, que no pueden ser descritos fcilmente mediante un "enfoque algortmico
tradicional"; para lograrlo se ha establecido "un nuevo campo de la computacin que
tiene su origen en la emulacin de sistemas biolgicos". La metodologa que nos
ayuda en este desarrollo son las redes neuronales, que buscan la resolucin de
problemas complejos a travs de sistemas de computacin inspirados en el cerebro
humano [1].
Siempre se ha buscado disear y construir mquinas que tengan la capacidad de
realizar procesos con "cierta inteligencia"; y a pesar de que existen las herramientas
y lenguajes de programacin necesarios; no se ha logrado dicho objetivo, pues hay
un problema de fondo: "estas mquinas se apoyan en una descripcin secuencial del
proceso de tratamiento de la informacin" [1].
Las redes neuronales artificiales estn inspiradas en la estructura y funcionamiento
de los sistemas nerviosos, donde la neurona es el elemento principal.
Se dar una explicacin del modelo biolgico, pues es la base de todo el estudio de
las redes neuronales artificiales.
Modelo Biolgico.
Como se menciona en [2], una neurona tiene tres partes principales:
Ramas de Extensin o Dendritas: Reciben estmulos de entrada.
Cuerpo de la Neurona: Procesa estmulos de entrada.
Axn: Emite estmulos de salida a las dendritas de otras
neuronas
HISTORIA DE LAS REDES NEURONALES
A lo largo de la historia se ha tratado de construir mquinas que puedan
realizar tareas con cierta inteligencia; su funcionamiento se ha basado en distintos
procesos que realiza el ser humano, por ejemplo las redes neuronales artificiales
tratan de emular a la neurona biolgica.
El primero en estudiar el cerebro como una forma de ver el mundo de la computacin
fue Alan Turing en el ao 1936 [20].
En 1943, Warren McCulloch, un neurofisilogo, y Walter Pitts, un matemtico,
dieron los primeros fundamentos de la computacin neuronal, explicaron la posible
forma de trabajar de las neuronas y modelaron una red neuronal simple mediante
circuitos elctricos [20].
Donal Hebb en 1949 fue el primero en explicar los procesos del aprendizaje, desde
un punto de vista psicolgico, desarrollando una regla de como el aprendizaje
ocurra. Estos trabajos formaron las bases de la teora de redes neuronales artificiales
[20].
Entre los aos 1950 y 1956, karl Lashley la informacin no era almacenada en
forma centralizada en el cerebro, sino que era distribuida encima de l. El
Congreso de Dartmouth se conoce como el inicio de la inteligencia artificial [20].
Frank Rosenblatt en 1957, comenz el desarrollo del Perceptrn, la red neuronal ms
antigua que se conoce, es usado actualmente en el reconocimiento de patrones [20].
En 1960, Bernard Widrow y Marcial Hoff, desarrollaron la red neuronal ADALINE,
(Adaptative Linear Elements), el primer modelo que fue utilizado para resolver un
problema real: filtros adaptativos para eliminar ecos en las lneas telefnicas [20].
Stephen Grossberg, en 1967, desarroll la red neuronal Avalancha, que se utiliz
para actividades como reconocimiento continuo del habla [20].
Marvin Minsky y Seymour Papert en 1967, demostraron que el Perceptrn era una
red muy dbil pues no poda resolver problemas sencillos como el aprendizaje de una
funcin no-lineal. Sin embargo los estudios sobre redes neuronales artificiales
continuaron, como es el caso de James Anderson que desarroll un modelo lineal
llamado Asociador Lineal [20].
En 1974 Paul Werbos, desarroll la idea bsica del algoritmo Backpropagation; sin
embargo su estudio qued totalmente claro en 1985 [20].
Stephen Grossberg en 1977, desarroll la teora de resonancia adaptada, es
una arquitectura diferente que simula otras habilidades del cerebro como memoria a
largo y corto plazo. En este mismo ao Teuvo Kohonen desarroll un modelo similar
al de Anderson, pero de manera independiente [20].
En 1980 Kunihiko Fukushima, desarroll un modelo neuronal para el reconocimiento
de patrones visuales.
Desde 1985, el panorama mejor en cuanto a la investigacin y desarrollo de una
red; John Hopfield con su libro "Computacin neuronal de decisiones en problemas
de optimizacin", dio paso al renacimiento de las redes neuronales. Un ao ms
tarde, 1986; David Rumelhart, G. Hinton redescubrieron el algoritmo de aprendizaje
backpropagation [20].
Las investigaciones y el desarrollo de redes neuronales artificiales son muy amplios,
cada vez se obtienen nuevos trabajos y se publican numerosos estudios acerca de las
redes.
Algunos de los cientficos que iniciaron con el estudio de una RNA, continan an,
como es el caso de Grossberg que trabaja en compaa de Carpenter en la
Universidad de Boston; de igual forma Teuvo Kohonen en la Universidad de
Helsinki [21].
Se han creado grupos de investigacin de las redes neuronales artificiales, entre los
ms grandes estn: PDP (Parallel Distibuted Processing), formado por Rumelhart,
McClelland y Hinton. Rumelhart de la Universidad de Stanford es uno de los
principales impulsores de la famosa red neuronal Backpropagation; McClelland con
su grupo de investigacin en la Universidad de Carnegie-Mellon destacan por el
estudio de las posibles aplicaciones de la red Backpropagation; Hinton y Sejnowski
en la Universidad de Toronto han desarrollado la mquina Boltzmann que se basa en
la red de Hopfield. Otros de los grupos de mayor investigacin son: California
Institute of Technology, Massachussets Institute of Technology, University of
California Berkeley y University of California San Diego [21].
2.3 TIPOS DE REDES NEURONALES
Existen diferentes tipos de redes neuronales, a continuacin se describen las
principales:
Perceptrn.- Es la red ms antigua que se conoce, fue desarrollada en 1943. Este
tipo de red consiste en sumar las seales de entrada y multiplicar por los valores de
pesos escogidos aleatoriamente; este valor es comparado con un patrn para
determinar si la neurona es activada o no, si el valor comparado es mayor, la salida
es 1, caso contrario es O.
Adaline
Este tipo de red neuronal es muy parecida al Perceptrn, pero utiliza otra funcin de
transferencia, una de tipo lineal. El gran aporte de esta red es que sirvi de base para
el desarrollo de nuevos algoritmos.
Esta red es uno de los principales elementos en el procesado digital de seales. Su
estructura es muy parecida a la del Perceptrn, como se observa en la ilustracin.
Perceptrn Multicapa
Es una red muy antigua que utiliza aprendizaje supervisado y la que en mayor
aplicaciones se ha utilizado; el MultiLayer Perceptrn MLP, est formado por una
capa de entrada, al menos una capa oculta y una capa de salida. Este tipo de redes
usan para su entrenamiento propagacin hacia atrs, conocido tambin como
retropropagacin del error o regla delta generalizada.
Como se menciona en [21], las principales caractersticas de esta red son:
Se trata de una estructura altamente no lineal.
Presenta tolerancia a fallos.
Es capaz de establecer una relacin entre dos conjuntos de datos.
Mquina de Boltzmann
Son capaces de representar y resolver complicados problemas de
combinatoria y muy tiles para el reconocimiento de patrones, pues tratan de
completar partes que no se conocen [46].
Su aprendizaje y funcionamiento se basa en una tcnica conocida como el
enfriamiento simulado (simulated annealing). Las neuronas de este tipo de red se
conectan entre s mediante conexiones bidireccionales simtricas: con pesos iguales
entre ellas, y tienen salidas binarias; adems se distinguen dos grupos, como se
menciona en [46][64]:
Neuronas visibles.- Que constituyen la interfaz entre la red y el entorno en el que
operan, es decir recogen la informacin suministrada. Durante el entrenamiento, los
estados de estas neuronas ya sean de salida o entrada se ajustan a estados especficos
establecidos por los patrones de entrenamiento.
No visibles u ocultas.- Sirven principalmente para mejorar el desempeo de la red y
siempre operan libremente.
Como se menciona en [46], existen dos arquitecturas principales para la mquina de
Boltzmann, y la diferencia radica en la capa visible:
Completacin de Boltzmann: En esta arquitectura existe nicamente un tipo de
neuronas visibles y todas estn conectadas de forma bidireccional con los pesos
simtricos, incluso con las no visibles.
Red de Boltzmann de entrada-salida: En esta arquitectura, las neuronas visibles se
dividen en las de entrada y en las de salida; dnde las de entrada se conectan
unidireccionalmente con la capa no visible y las neuronas de salida, y las de salida se
conectan con todas las dems excepto con las de entrada de forma bidireccional.
Mquina de Cauchy
La mquina de Cauchy es una versin mejorada de la mquina de Boltzmann, pues
considera funciones alternativas de probabilidad y ajuste de temperatura; aunque las
dos presentan una arquitectura y funcionamiento idnticos. La principal ventaja de la
mquina de Cauchy radica en su rapidez de convergencia, se ha demostrado adems
que combinando las funciones de probabilidad y ajuste de temperaturas previas,
alcanza siempre el mnimo global de energa [54].
La mquina de Cauchy se utiliza en diferentes aplicaciones, como se menciona en
[54], tenemos:
Reconocimiento de patrones.
Procesamiento de voz y de imgenes.
Procesamiento de conocimiento
Resolucin de problemas de optimizacin.
Reconocimiento de dgitos manuscritos
Optimizacin de rutas de transporte
Optimizacin presupuestaria
Sin embargo su uso no es tan requerido, debido a que durante la etapa de aprendizaje
y funcionamiento necesitan demasiado tiempo, adems su funcionamiento es muy
complejo y mucho menos intuitivo que el de otras redes.
Red de Aprendizaje Asociativo.- Estas redes con aprendizaje no supervisado,
conocido tambin como auto-supervisado no necesitan ninguna influencia del
exterior para ajustar los pesos de sus conexiones. Se dice que estas redes son auto
organizado, debido a que la red no recibe ninguna informacin que le indique si la
respuesta generada en relacin a la entrada de la red, es o no correcta.
Mapas auto organizados 'Redes de Kohonen' (redes competitivas).- Fueron
inventados por Teuvo Kohonen en 1984, estos mapas poseen aprendizaje
competitivo no supervisado.
La arquitectura de las redes de Kohonen es simple, posee dos capas:
Capa de entrada.- Conocida tambin como sensorial, tiene n neuronas, una por cada
variable de entrada.
Capa de competicin.- Formada por m neuronas, en esta capa se realiza el
procesamiento y es donde se forma el mapa de rasgos de dos dimensiones. Estas
neuronas no estn conectadas, sin embargo se puede decir que existen conexiones
laterales de excitacin e inhibicin pues cada una tiene cierta influencia sobre sus
vecinas.
Las conexiones entre las neuronas de la red son hacia adelante, desde la capa de
entrada hacia la capa de salida, cada conexin posee un peso; y es as como las
neuronas de salida tienen asociado un vector de pesos conocido como vector de
referencia, pues constituye el vector prototipo de la clase representada por la neurona
de salida [79].
Redes recurrentes
Este tipo de redes posee diferentes conexiones, como se menciona en [68]:
Entre neuronas de una misma capa.
Entre neuronas de una capa a una capa anterior.
A este tipo de redes neuronales las podemos definir como sistemas que tienen
conexiones que van desde los nodos de salida hacia los nodos de entrada, adems de
conexiones arbitrarias entre cualquiera de sus nodos; "de esta forma el estado interno
de la red se modificar a medida que se le presenten datos, simulando una
memoria"[25].
"El entrenamiento en este tipo de redes se realiza conectando su salida a
la entrada, y procesando los datos hasta llegar a un estado de equilibrio,
en el que las salidas mantienen su valor" [24].
Las redes recurrentes ms importantes son: la red de Elman y la red de Hopfield que
se describe a continuacin.
Redes de Elman.-
Este tipo de redes est formada por algunas capas: una capa de entrada, dos capas
intermedias (una de neuronas oculta y otra de unidades de contexto) y una
capa de salida. Las neuronas de las capas de entrada y salida recogen informacin del
entorno; las unidades de salida reciben las salidas de las neuronas de la capa oculta
ponderadas por los correspondientes pesos sinpticos [60].
La caracterstica que diferencia este modelo, son las unidades de la capa de contexto,
como se menciona en [60], se utilizan para memorizar las salidas de las unidades
ocultas en la etapa anterior, de manera que cada unidad de contexto tiene como
salida, la salida de la unidad oculta correspondiente en la etapa anterior. Las
neuronas ocultas reciben como entrada las salidas de las unidades de contexto y de
las de entrada ponderada por sus pesos sinpticos. Por lo que la salida de la red
depende de algunos patrones: de los patrones de entrada actual y de los anteriores a
travs de las unidades de contexto.
Redes de Hopfield
Fue propuesta en 1982 por el fsico John Hopfield. Se basa fundamentalmente
en estos aspectos novedosos, que se mencionan en [21]:
Planteamiento de una memoria asociativa?, es decir permite recuperar
patrones a partir de informacin incompleta.
Todas las neuronas estn conectadas con todas las dems.
La red de Hopfield basa su funcionamiento en almacenar informacin a manera de
memoria asociativa. Como se describe en [21], la memoria asociativa parte de un
estado inicial llamado informacin de partida, despus se deja evolucionar al sistema
hasta que llegue a un estado estable, siendo este estado estable el patrn que ms se
parece a la informacin inicial. Se debe mencionar que el patrn inicial puede ser una
versin deteriorada o incompleta del patrn que se desea obtener.
De los patrones almacenados inicialmente, la red encontrar aquel que ms se
parezca al presentado en la entrada planteada.
2.4 APLICACIONES DE UNA RED NEURONAL
La computacin neuronal tiene ciertas ventajas con respecto a los mtodos
tradicionales, por ejemplo pueden funcionar razonablemente incluso cuando se tiene
entradas incompletas o con ruido. Por tal motivo se puede aplicar en una extensa
variedad de aplicaciones, como las siguientes:
Conversin texto a voz: La iniciativa principal dentro de esta rea es de Terrence
Sejnowsk, junto con Rosemberg presentaron un sistema llamado NetTalk, el cual
convierte un texto en fonemas y con la ayuda de un sintetizador de voz, Dectalk
genera voz a partir de un texto escrito. Dentro de esta rea conversin texto-voz, las
tecnologas neuronales tiene gran ventaja con respecto a la computacin tradicional,
debido a que se elimina la necesidad de programar un complejo conjunto de reglas de
pronunciacin en el ordenador [21].
Procesado natural del lenguaje: Los cientficos Rumelhart y McClelland han
desarrollado una red neuronal de proceso natural del lenguaje, esta aplicacin ha
aprendido el tiempo verbal past tense de los verbos en ingls; como indica [21], su
funcionamiento consiste en:
"Las caractersticas propias de la computacin neuronal como la
capacidad de generalizar a partir de datos incompletos y la capacidad
de abstraer, permiten al sistema generar buenos pronsticos para verbos
nuevos o verbos desconocidos".
Compresin de imgenes: Los cientficos Cottrel, Munro y Zisper de la
Universidad de San Diego y Pisttburgh, han desarrollado un sistema para la
compresin de imgenes que utiliza una red neuronal, la compresin es de 8 a 1
[21].
Reconocimiento de caracteres: Los investigadores de Nestor Inc., han desarrollado
un sistema que es capaz de reconocer caracteres que no ha visto antes, despus de un
entrenamiento con un conjunto de tipos de caracteres de letras [21].
Problemas de combinatoria: Para resolver estos problemas, la programacin
tradicional requiere "un tiempo de proceso que es exponencial con el nmero de
entradas"; estos inconvenientes de combinatoria han sido resueltos con xito por
Hopfield, desarrollando una red neuronal artificial que ofrece excelentes resultados
[21].
Procesado de la seal: Esta aplicacin se divide en tres procesos distintos que
utilizan una red neuronal artificial para cada proceso:
Prediccin: Para poder predecir algn fenmeno, en muchos casos, nos basamos en
una serie temporal de datos, los cuales nos permiten conocer su comportamiento.
"Lapedes y Farber del Laboratorio de Investigacin de los lamos, han demostrado
que la red backpropagation supera en un orden de magnitud a los mtodos de
prediccin convencionales" [21].
Modelado de Sistemas: Una red neuronal es capaz de aprender una funcin de
transferencia y comportarse de manera correcta como el sistema lineal que se puede
estar modelando.
Filtro de ruido: Las redes neuronales son capaces de "mantener en un alto grado las
estructuras y valores de los filtros tradicionales," se utilizan para eliminar el ruido de
una seal [21].
Servo Control: Una RNA es capaz de predecir el error que se produce en la posicin
final de un robot; muchas redes han sido entrenadas para lograr este objetivo.
Cuando se conoce el error, ste es combinado con la posicin deseada, y as es
posible indicar una correccin para mejorar la exactitud de la posicin final [21].
Reconocimiento de voz: Una red neuronal artificial presenta un alto grado de
aprendizaje en las seales de entrada, logrando de esta manera niveles altos de
adaptabilidad en las variantes que presenta la voz. El tipo de red que presenta los
mejores resultados en este reconocimiento es la red hbrida, que posee dos
componentes: uno de aprendizaje supervisado y otro auto organizado, el sistema
toma como entrada un espectrograma9; la fase de entrenamiento puede ser costosa
en tiempo de CPU, sin embargo una vez ajustados todos los pesos, el sistema ofrece
una salida en tiempo real [30] [35].
Entre otras aplicaciones de una red neuronal, en diversas reas; como seala [26], se
puede mencionar:
"Biologa:
Aprender ms acerca del cerebro y otros sistemas.
Obtencin de modelos de la retina.
Empresa:
Evaluacin de probabilidad de formaciones geolgicas y petrolferas.
Identificacin de candidatos para posiciones especficas.
Explotacin de bases de datos.
Optimizacin de plazas y horarios en lneas de vuelo.
Optimizacin del flujo del trnsito controlando convenientemente la temporizacin
de los semforos.
Reconocimiento de caracteres escritos.
Modelado de sistemas para automatizacin y control.
Medicina:
Analizadores del habla para ayudar en la audicin de sordos profundos.
Diagnstico y tratamiento a partir de sntomas y/o de datos analticos
(electrocardiograma, encefalogramas, anlisis sanguneo, etc.).
Informacin de la evolucin del contenido frecuencial de la seal a lo largo del tiempo que dura la
9
pronunciacin [35].
Monitorizacin en cirugas.
Prediccin de reacciones adversas en los medicamentos.
Entendimiento de la causa de los ataques cardacos.
Campo militar
Clasificacin de las seales de radar.
Creacin de armas inteligentes.
Optimizacin del uso de recursos escasos.
Reconocimiento y seguimiento en el tiro al blanco".
Todas estas aplicaciones basan su funcionamiento en el reconocimiento de patrones,
como seala [26]:
Buscan un patrn en una serie de ejemplos, clasifican patrones, completan una seal
a partir de valores parciales o reconstruir el patrn correcto partiendo de uno
distorsionado.
Hoy en da las aplicaciones de una red neuronal artificial han crecido
considerablemente; como se mencion, acta en campos como la medicina,
ayudando a descubrir y a tratar enfermedades.
Brittany Wegner desarroll un sistema de red neuronal llamado Fine Needle Aspirate
con la capacidad de diagnosticar el cncer de mama. Como se explica en [27], el
funcionamiento consiste en:
"Utiliza programas de computacin que trabajan como si fuera
neuronas en un cerebro a travs de un servicio de nube. Gracias a estos
mecanismos, el 'cerebro artificial' es capaz de detectar patrones
complejos que se van desarrollando".
Se ha probado el sistema obteniendo como resultado una tasa de xito del 99.1%; el
proyecto an sigue en construccin y se podra implementar en hospitales y hacerlo
extensivo a otros tipos de cncer.
Google mantiene una divisin llamada Google X, que ltimamente ha presentado
una red neuronal capaz de distinguir imgenes, "ha sido capaz de distinguir imgenes
de gatos sin necesidad de haberle enseado a distinguirlos", para lograrlo los
ingenieros del proyecto unieron 1000 computadores para tener un conjunto de
16.000
procesadores con los que formaron una gran red neuronal en la que se establecieron
ms de mil millones de conexiones entre neuronas [29].
Esta red neuronal, pretenda reconocer patrones e imgenes, se le present videos de
Youtube con el objetivo de identificar rasgos de gatos en las ms de 10 millones
de imgenes que se le pasaban. La idea era que fuese una red totalmente autnoma,
que el aprendizaje no fuese guiado por ningn humano, y los resultados han
sido sorprendentes, pues es la primera vez que un sistema es capaz de distinguir
imgenes sin haber recibido un feedback externo, es decir no recibi ayuda, y
obtuvo un acierto del 15.8% en una muestra de 20000 imgenes aleatorias [28].
Ilustracin 2. 13: Imagen obtenida, sin recibir un feedback externo, y despus de mostrarle 20000
imgenes aleatorias. [28]
2.5 VENTAJAS Y DESVENTAJAS DE LAS REDESNEURONALES
Ventajas de una RNA
Las redes neuronales artificiales poseen caractersticas similares a las del
cerebro, pueden realizar por lo tanto algunas actividades propias del hombre: logran
aprender de la experiencia, son capaces de generalizar de casos anteriores a nuevos
casos, abstraen caractersticas esenciales a partir de entradas con informacin
irrelevante [25].
Dentro de las ventajas, se menciona en [25] las ms importantes:
Aprendizaje: Una red neuronal artificial es capaz de aprender, esto se da a partir de
un conjunto de datos de entrada que se presenta a la red; mediante un entrenamiento
o una experiencia inicial.
Auto organizacin: Una red neuronal puede tener su propia representacin de la
informacin en su interior.
Tolerancia a fallos: Una RNA es muy robusta, pues a pesar de estar daada
parcialmente puede seguir respondiendo de forma aceptable, esto se debe a que
almacena la informacin de forma redundante.
Flexibilidad: Cuando los datos de entrada en una red presentan cambios no muy
significativos como ruido, la RNA puede manejar estos cambios adecuadamente.
Tiempo real: La respuesta de una red puede darse en tiempo real, debido a que la
estructura de una RNA es en paralelo. Cuando se implementa en dispositivos
electrnicos como en una computadora las respuestas pueden ser inmediatas.
Desventajas de una RNA
A pesar de las tiles y variadas aplicaciones de una red neuronal, tambin
tienen ciertas desventajas en su mayora superables; como seala [29], estas son:
Complejidad de aprendizaje para grandes tareas: Cuando una red neuronal tiene
que realizar muchas tareas, tambin tiene que aprender a realizarlas, entonces
ensearle a la red es un trabajo ms complicado.
Tiempo de aprendizaje elevado: Cuando una RNA tiene que reconocer o clasificar
mayor cantidad de patrones, o si existe patrones muy similares que la red debe
identificar, se tiene que invertir ms tiempo en lograr unos pesos adecuados que
representen lo que se quiere ensear a la red neuronal.
No permite interpretaciones: La salida de la red es nicamente un nmero que no
puede ser interpretado por ella misma; depende de la aplicacin y del programador
darle un significado a dicho valor.
Elevada cantidad de datos para el entrenamiento: Cuando se desea que una red
aprenda de forma correcta a identificar patrones, se debe ensear mayor cantidad de
informacin; esto implica varias horas de consumo de CPU, adems que un
entrenamiento es para un solo problema.
CONCLUSIONES
De acuerdo al estudio realizado, se puede decir, que en un futuro las redes neuronales
artificiales no superarn la funcionalidad del cerebro humano, ni tan siquiera lo
igualarn por la complejidad que stos presentan.
Muchos autores sealan que las mquinas pueden evolucionar hasta convertirse en
mquinas inteligentes que acten por si mismas sin la participacin del hombre;
considero segn lo investigado, que no es posible debido a que las mquinas no son
independientes, actan dentro de lmites impuestos por una persona.
En lo que se refiere a la simulacin de redes; para seleccionar la funcin de
transferencia se debe tener en cuenta la salida que se espera, si son binarias o
analgicas.
Para el diseo de una red neuronal, es muy importante determinar que el nmero de
neuronas de entrada y de salida depende del problema que se vaya a resolver, y el
nmero de capas ocultas y de neuronas en cada capa oculta se basan en la
experiencia del programador y en ir probando la red a manera de ensayo - error.
La red Perceptrn simple es til nicamente cuando se tiene patrones linealmente
separables, es decir cuando las clases que se desean clasificar estn claramente
separadas unas de otras, por lo que para emplearlo en un problema real no resulta tan
eficiente y eficaz como se esperara, sin embargo es la red mas antigua y con la que se
empez todo el desarrollo de una red neuronal artificial.
En la red Perceptrn multicapa el nmero de capas ocultas y de neuronas por capa no
puede ser demasiado elevado, pues causa inconvenientes de tiempo, la red tarda
demasiado en su etapa de entrenamiento.
De acuerdo al experimento realizado, una red Perceptrn se puede manejar con xito
utilizando dos capas ocultas y 150 neuronas en cada una de sus capas.
En cuanto al reconocimiento de rostros con la red de Hopfield ha sido necesario
binarizar las imgenes a 1 y O, debido a que esta red utiliza como funcin
de transferencia una de tipo escaln.
No es aconsejable usar mas de dos capas ocultas en una red, pues aumenta de manera
considerable el tiempo de entrenamiento, se ha optado por aumentar el nmero de
neuronas en las capas, obteniendo buenos resultados.
Como se presenten los datos a la red, stos influirn en su respuesta; por lo que la
tcnica de normalizacin de entradas se utilizar en todos los casos.
Existen las herramientas necesarias como FANN para la red Perceptrn; la librera
Neurolab de Python que trabaja con la red de Hopfield; estas herramientas presentan
un alto rendimiento y buen desempeo adems de su libre acceso, por lo que han
sido muy tiles y de gran ayuda para el desarrollo del experimento.
En cuanto a la efectividad de la red de Hopfield en el reconocimiento de rostros, se
puede decir que los resultados varan de acuerdo a la binarizacin y posterior
dilatacin realizada a la imagen de prueba, la imagen dilatada tiene las reas negras
engrosadas lo que dificulta el reconocimento.
BIBLIOGRAFA
[1] DAZA, Sandra, Redes Neuronales Artificiales, fundamentos, modelos
y aplicaciones, fecha de recuperacin: 18 de junio de
2012, [Link]
[2]El Prisma, Redes Neuronales, fecha de recuperacin: 18 de junio de
2012,
[Link]
p
[3] Universidad de Guadalajara, Caractersticas Principales de las Redes Neuronales,
fecha de recuperacin: 19 de junio de
2012, [Link]
[4] Wikipedia, Inteligencia Artificial, fecha de recuperacin: 20 de junio de 2012,
[Link]
[5] PINO, Ral, y otros, INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL:
Sistemas Expertos, Redes Neuronales Artificiales y Computacin Evolutiva, Servicio
de publicaciones Universidad de Oviedo, Oviedo, 2001.
[6]Universidad Politcnica de Catalua, Introduccin a la Inteligencia Artificial,
fecha de recuperacin: 21 de junio de
2012, [Link]
[?]Observatorio para la cibersociedad, La relacin hombre-mquina y la ideologa de
una posthumanidad, fecha de recuperacin: 22 de junio de
2012, [Link]
[8]International Business Times, Cientfico asegura Inteligencia Artificial alcanza
Nivel Humano, fecha de recuperacin: 25 de junio de
2012, [Link]
[Link]
[9] Holacape, Asimo el robot ms avanzado del mundo: Caractersticas, fecha de
recuperacin: 26 de junio de 2012, [Link]
el- [Link]
[10] Neoteo, el Robot Asimo, fecha de recuperacin: 27 de junio de
2012, [Link]
[11]PALACIOS, Francisco, Redes Neuronales con GNU/Linux, fecha
de recuperacin: 28 de junio de 2012,
[Link]
[12] Engadget, Honda nos presenta a Miimo, el jardinero de Asimo, fecha
de recuperacin: 25 de octubre de 2012, [Link]
[13] SAYA COMUNICACIONES S.A.C. - IDG COMUNICACIONES, Watdon: La
nueva herramienta contra el cncer, fecha de recuperacin: 25 de octubre de
2012, [Link]
cancer/
[14] [Link], Cognitivo, fecha de recuperacin: 25 de octubre de
2012,
[Link]
[15]Ecointeligencia, El sistema experto Watson de IBM suplanta a los mdicos en
hospitales top USA, fecha de recuperacin: 25 de octubre de 2012, [Link]
[Link]/noticia/2525/Dircom-2.0/sistema-experto-watson-ibm-suplanta-m%C3%A9dicos-
[Link]
[16]Total Publishing Network S.A., IBM Watson, superordenador capaz de entender
y responder preguntas, fecha de recuperacin: 25 de octubre de
2012, [Link]
capaz-de- entender-y-responder-preguntas/
[17] MASSARE, Bruno, Tal vez dejemos de preguntarnos qu es inteligencia artificial,
fecha de recuperacin: 29 de octubre de 2012,
[Link]
[18] SOMOLINOS, Jos, Avances en Robtica y Visin por computador,
Ediciones de la Universidad de Castilla-La Mancha, Cuenca-Espaa, 2002
[19] .Seguridad, Gestin de incidentes de seguridad informtica con
agentes inteligentes, fecha de recuperacin: 29 de octubre de
2012, [Link]
seguridad- inform%C3%A1tica-con-agentes-inteligentes
[20] Universidad de Windsor, Inteligencia Artificial. Redes Neuronales, fecha de
recuperacin: 24-julio 2012,
[Link]
s/tareas_alumnos/RNA/Redes%[Link]
[21] BASOGAIN OLABE, Xabier, Redes Neuronales Artificiales y
sus Aplicaciones, fecha de recuperacin: 30 de julio de
2012, [Link]
susaplicaciones/contenidos/pdf/libro-del-curso/
[22]OCHOA, Susana, Caractersticas de una Red Neuronal Artificial, fecha de
recuperacin: 30 de julio de 2012,
[Link]
hivos/[Link]
[23] Facultad de Ingeniera Elctrica UTP, Principales Tipos de Redes Neuronales,
fecha de recuperacin: 8 de agosto de 2012,
[Link]
[24] CONSTELA, Gabriel Roberto, Reconocimiento ptico de Dgitos con Redes
Neuronales, fecha de recuperacin: 8 de agosto de 2012,
[Link]
[25] EcuRed: Enciclopedia cubana, Redes Neuronales Artificiales, fecha de
recuperacin: 9 de agosto de 2012,
[Link]
[26]MATICH, Damian Jorge, Redes Neuronales: Conceptos Bsicos y Aplicaciones,
fecha de recuperacin: 21 de agosto de 2012,
[Link]
aias/[Link]
[27]Emol: Tecnologa, Joven construye red neuronal que detecta el cncer de mama,
fecha de recuperacin: 28 de agosto de 2012,
[Link]
[Link]
[28]Experiensense, Google implementa una red neuronal de 16000 procesadores
capaz de reconocer felinos, fecha de recuperacin: 28 de agosto de
2012, [Link]
000- procesadores-capaz-de-reconocer-felinos/
[29]HERNNDEZ HERNNDEZ Leticia, HERNNDEZ ESPINOZA Agustn,
Introduccin a las Redes Neuronales, fecha de recuperacin: 30 de agosto de 2012,
[Link]
ales/[Link]
[30] VARIOS AUTORES, Reconocimiento de voz con redes neuronales, DTW y
Modelos ocultos de Markov, fecha de recuperacin: 18 de octubre de
2012, [Link]
[31] Wikipedia, Proceso estocstico, fecha de recuperacin: 18 de octubre de
2012, [Link]
[32] VARIOS AUTORES, Reconocimiento de voz mediante Modelos ocultos de
Markov, fecha de recuperacin: 18 de octubre de 2012,
[Link]
[33]Wikipedia, Densidad Espectral, fecha de recuperacin: 18 de octubre de
2012, [Link]
[34] SALCEDO CAMPOS Francisco Javier, Modelos Ocultos de Markov. Del
Reconocimiento de voz a la msica, fecha de recuperacin: 19 de octubre de
2012,
[Link]
modelo+oculto+de+markov+erg%C3%B3dico&source=bl&ots=PkleiPEyPj&sig=1z
zn3vaBK8HAe67SqnzfzxQkZkg&hl=es&sa=X&ei=GpiBUNSFMYbe9ASGn4CoA
w&ved=0CB8Q6AEwAA#v=onepage&q=modelo%20oculto%20de%20markov%20
erg%C3%B3dico&f=false
[35] SANCHEZ LAZARO ngel Luis, Redes Neuronales Artificiales Aplicadas al
Reconocimiento de palabras Independiente del Locutor, Tesis Universidad de
Valladolid, Espaa 1993.
[36] [Link], Caractersticas de las redes neuronales, fecha de recuperacin: 30
de agosto de 2012, [Link]
[37] Varpa, Aprendizaje y Entrenamiento, fecha de publicacin: 30 de agosto de
2012, [Link]
[38] Monografas, Redes Neuronales, fecha de recuperacin: 30 de agosto de 2012,
[Link]
[39] LDI Universidad Carlos III de Madrid, Redes de Neuronas Artificiales, fecha de
recuperacin: 4 de septiembre de
2012, [Link]
[40] DAZ MORENO Cristina, Clasificacin no Supervisada, fecha de recuperacin:
11 de septiembre de
2012, [Link]
[41]Universidad Carlos III de Madrid, Evolutionary Algorithms and Neural
Networks and Artificial Intelligence, fecha de recuperacin: 11 de septiembre
de
2012, [Link]
[Link]
[42] Universidad de Huelva, Aprendizaje por refuerzo, fecha de recuperacin: 17
de septiembre de 2012, [Link]
[43]VILLANUEVA ESPINOZA, Mara del Rosario, Las Redes Neuronales
Artificiales y su importancia como herramienta en la toma de decisiones, fecha de
recuperacin: 17 de septiembre de 2012,
[Link]
DF
[44] VARIOS AUTORES, Aprendizaje con Redes Neuronales Artificiales, fecha de
recuperacin: 19 de septiembre de 2012,
[Link]
[45] Slide Share Inc., Simuladores de Redes Neuronales, fecha de recuperacin: 1
de noviembre de 2012, [Link]
[46] Instituto Politcnico Nacional, Simuladores de Redes Neuronales, fecha de
recuperacin: 2 de noviembre de 2012,
[Link] [Link]/RNA/Unidad%206/[Link]
[47] VARIOS EDITORES, Advances Concurrent Engineering, fecha de
recuperacin: 5 de noviembre de
2012,
[Link]
=FuNeGen&source=bl&ots=Ynxd2uWZ4t&sig=IwyVuiVFzTrq81jCjD_TIrpSKM8
&hl=es&sa=X&ei=8TFrUP-
eOYeD0QH9yYDABg&ved=0CD4Q6AEwBA#v=onepage&q=FuNeGen&f=false
[48] Wikipedia, Simulink, fecha de recuperacin: 5 de noviembre de
2012, [Link]
[49] KRIKORIAN Mauro, Reconocimiento de Dgitos Manuscritos Aplicando
Transformadas Wavelet sin Submuestreo y Mquinas de Soporte Vectorial, fecha de
recuperacin: 6 de noviembre de
2012, [Link]
[50] Linux-Magazine, Programacin de redes neuronales con Libfann, fecha de
recuperacin: 7 de noviembre de 2012, [Link]
060_RedesNeuralesLM35.[Link]
[51] AsturSolver, Simulador de redes neuronales JavaNNS, fecha de recuperacin: 7
de noviembre de 2012, [Link]
[52] Universidad Nacional de Educacin a Distancia, Sistemas Basados en el
Conocimiento II: Introduccin a la Neurocomputacin, fecha de recuperacin: 9 de
noviembre de 2012, [Link]
con- JavaNNS#page=79
[53] DUQUE, Camilo, Redes Neuronales Artificiales, fecha de recuperacin: 15 de
novimebre de 2012, [Link]
clase-3
[54] FLREZ LPEZ, Raquel, FENNDEZ, FERNNDEZ, Jos Miguel, Las
Redes Neuronales Artificiales, Fundamentos Tericos y aplicaciones prcticas, fecha
de recuperacin: 16 de noviembre de
2012,
[Link]
=
red+maquina+de+cauchy&source=bl&ots=gLMzelpr3j&sig=7bOm9fYQj6gwP6zZs
xQr6FQXaFw&hl=es&sa=X&ei=BD6lUL3IHJD68QS5lIHoDw&ved=0CB8Q6AE
wAA#v=onepage&q&f=false
[55] GONZLEZ MOLINA, F, Aplicacin de Redes Neuronales en el clculo de
sobretensiones y tasa de contorneamientos, fecha de recuperacin 20 de noviembre
de
2012,
[Link]
[56] VILLANUEVA ESPINOZA, Mara del Rosario, Las Redes Neuronales
Artificiales y su importancia como herramienta en la toma de decisiones, fecha de
recuperacin: 21 de noviembre de
2012,
[Link]
DF
[57] HERNANDEZ CARDOSA, Amateraz, Captulo 4: Algoritmos de
Aprendizaje, fecha de recuperacin: 23 de noviembre de
2012,
[Link]
[58] VARIOS AUTORES Universidad de Valencia, Redes Neuronales Artificiales,
fecha de recuperacin: 28 de noviembre de 2012, [Link]
arquitectura/1-2/libro_ocw_libro_de_redes.pdf
[59] DIAWEB, Redes Neuronales, fecha de recuperacin: 29 de noviembre de 2012,
[Link]
[60] MUOZ, Jos, Redes Recurrentes para la Prediccin, fecha de recuperacin: 3
de diciembre de
2012,
[Link]
[Link]
[61] UNIVERSIDAD TECNOLGICA DE PEREIRA, Red de Elman, fecha de
recuperacin: 4 de diciembre de
2012,
[Link]
[62] [Link], Red de Hopfield y crecimiento de redes, fecha de recuperacin:
5 de diciembre de
2012,
[Link]
[Link]
[63][Link]; Redes de Hopfield, fecha de recuperacin: 7 de diciembre
de 2012, [Link]
[64] VARIOS AUTORES, Redes Neuronales-Mquina de Boltzmann, fecha de
recuperacin: 12 de diciembre de
2012, [Link]
[65] NISSEN STEFFEN, FANN Fast Artificial Neural Network Library, fecha de
recuperacin 14 de ener de 2013, [Link]
[66] [Link], Neuroforecaster, fecha de recuperacin: 17 de
enero de 2013, [Link]
[67]ARTIFICIAL INTELLIGENCE, nn/xnn, fecha de recuperacin: 19 de enero
de
2012,
[Link]
[68] VARIOS AUTORES, LVQ_PAK The Learning Quantization Program
Package, fecha de recuperacin: 21 de enero de
2013, [Link]
[69] NIKOS DRAKOS, Lvq_pak, fecha de recuperacin: 21 de enero de
2013, [Link]
[70] WIKIPEDIA, Mquinas de Vectores de Soporte, fecha de recuperacin: 21 de
enero de
2013, [Link]
[71] THORSTEM Joachims, Support Vector Machine, fecha de recuperacin: 21
de enero de
2013, [Link]
[72] THORSTEM Joachims, Support Vector Machine, fecha de recuperacin: 21
de enero de 2013, [Link]
[73] TANCO, Fernando, Introduccin a las Redes Neuronales Artificiales, fecha de
recuperacin: 22 de enero de 2013, [Link]
[74] GONZALEZ, F, Aplicacin de redes neuronales en el clculo de sobretensiones
y tasa de contorneamientos, fecha de recuperacin: 24 de enero de 2013,
[75] VARPA, Aprendizaje y Entrenamiento, fecha de publicacin: 29 de enero de
2013, [Link]
[76] KINDELN, Ultano, Resolucin de Sistemas lineales de ecuaciones: Mtodo
del gradiente conjugado, fecha de recuperacin: 30 de enero de 2013,
[Link]
numericos/contenidos/TEMA_7/Apuntes/[Link]
[77] WIKIPEDIA, Memoria asociativa, fecha de recuperacin: 31 de enero de
2013. [Link]
[78] VALLE, Jos Mara, Perceptrn Multicapa, fecha de recuperacin: 2 de febrero
de 2013, [Link]
[Link]
[79]W3C, Redes de Neuronas, fecha de recuperacin: 1 de febrero de
2013, [Link]
[80] Index of research/imagedatabase/groundtruth, fecha de recuperacin: 4 de
febrero de 2013, [Link]
[81] POVEDA, Javier, Esquemas de votacin borda aplicados a la clasificacin
de imgenes utilizando los histogramas de color RGB, HSV y el descriptor
de distribucin de color MPEG-7, Universidad Politcnica Salesiana, Cuenca, enero
de
2013
.
[82] Elvex, clasificadores LVQ, fecha de recuperacin: 4 de febrero de 2013,
[Link]
[83]VARIOS autores, Desarrollo de una aplicacin para trabajar con la tcnica de
"Stop Motion", fecha de recuperacin 4 de febrero de 2013,
[Link]
[84] PAGUAY, Alba, URGILS, Pedro, Recuperacin de imgenes mediante
extraccin de blobs aplicando el operador laplaciano de Gauss y el kernel
Gaussiano y desarrollo de un prototipo, Universidad Politcnica Salesiana, Cuenca,
febrero de 2012.
[85] NEUROLAB, fecha de recuperacin: 4 de febrero de
2013, [Link]
[86] SPIRALIA, Aprendiendo en red, fecha de recuperacin: 4 de febrero de 2013,
[Link]
[87] [Link], Index of, fecha de recuperacin: 4 de febrero de
2013, [Link]