Redes neuronales

INTRODUCCIÓN El concepto de redes neuronales artificiales (RNA) ha sido desarrollado desde inicios del S. XX (Mehra & Wah, 1992), pero es en las últimas décadas que se han realizado investigaciones importantes sobre éstas y sus aplicaciones.
La base de las redes neuronales artificiales es el funcionamiento del cerebro humano y la forma en la que aprende y procesa información. Es así que seintenta obtener sistemas que puedan responder como lo hace una persona; es decir, una red neuronal tiene capacidad de “aprender” de los outputs que ella misma genera, así como también de identificar la información relevante de un conjunto de datos.
Por otro lado, existen algoritmos desarrollados para la solución de problemas de ruteo de vehículos, que buscan encontrar el camino más corto entrelugares, para así minimizar costos, tiempos y obtener mayor satisfacción del cliente. Estos problemas son de tipo NP- hard, pues sus posibles soluciones son n!, siendo n el numero de lugares a visitar en una ruta. Por tanto, a mayor número de ciudades las posibilidades de solución aumentan considerablemente.
Es así que el uso de redes neuronales para la solución de este tipo de problemas sepresenta como una alternativa más eficiente que otros métodos existentes por presentar las características descritas anteriormente.
CONTENIDO La neurona artificial es un elemento que recibe una serie de entradas, cada una con un peso respectivo de acuerdo a su relevancia. Estas son sumadas y comparadas a un valor llamado Bias Term o umbral (Θ), y si la sumatoria es mayor a este valor seproduce una señal. Una función de transferencia actúa sobre la señal y produce una salida (), la cual será entrada en otras neuronas
La Figura 1 nos ilustra una RNA:
{draw:frame}
Figura 1. Red Neuronal artificial
El aprendizaje en una RNA, consiste, básicamente, en el proceso por el cual éstas ajustan por su cuenta los pesos de cada entrada. Existen cuatro reglas básicas en el proceso yaprendizaje y tres paradigmas.
Hay cuatro reglas básicas:
El proceso error-corrección o delta
Aprendizaje Hebbiano
Aprendizaje competitivo
Aprendizaje de Boltzman
En el aprendizaje competitivo, las neuronas de salida “compiten entre ellas” por ser activadas, es decir, solo una de ellas puede estar activa (o enviar una señal) a la vez.
Adicionalmente, elaprendizaje no supervisado, se caracteriza por no tener un “supervisor”. Por tanto la red descubre por si misma características, correlaciones o categorías de las entradas. Lo que sugiere que tienen cierto grado de auto organización. Para que la red pueda encontrar estas similitudes, es necesario que exista algún grado redundancia entre los datos de entrada.
Redes de Kohonen:
Es un algoritmode agrupación o clustering, que como agrupa los datos recibidos creando un mapa de las relaciones existentes entre ellos. Estas relaciones no son conocidas inicialmente, sino que la red de Kohonen las identifica al analizar los datos.
Consta de 2 capas: de entrada, que recibe la señal de entrada de la red y de competición. En la figura 2 podemos observar la arquitectura del mapa de Kohonen:{draw:frame}
Figura 2. Arquitectura del mapa de Kohonen
Donde:
{draw:frame} {draw:frame} : Valores de entrada;
{draw:frame} {draw:frame} : Peso entre la neurona n-ésima de entrada y la neurona j-ésima de competencia.
El algoritmo es el que sigue:
Inicialización: se eligen valores al azar para los pesos , done n es el número de neuronas en la capa de entrada. Estos valores debenser muy pequeños.
Muestreo: Presentar un nuevo vector de entrada.
Similaridad: encontrar la neurona que más se asemeje, es decir a la ganadora, usando el criterio de la distancia euclidiana mínima:
{draw:frame} {draw:frame}
Actualizar: Ajustar el peso sináptico de todas las neuronas, con la siguiente fórmula:
Continuación: continuar con el paso 2 hasta que no...