Redes Neuronales Artificiales
Páginas: 19 (4623 palabras)
Publicado: 12 de octubre de 2015
REDES NEURONALES ARTIFICIALES
AURA CRISTINA CARVAJAL MARTÍNEZ
DANIELA NEVADO VIVAS
KAREN OSORIO SIERRA
Jorge Odilio Hincapié Cardona
Sistemas de Información
UNIVERSIDAD NACIONAL DE COLOMBIA - SEDE MEDELLIN
FACULTAD DE MINAS
ESCUELA DE SISTEMAS
SISTEMAS DE INFORMACIÓN
2014
Tabla de contenido
INTRODUCCIÓN 3
1.1. Historia [1]. 4
1.2 Definición 5
1.3Características de una RNA [2] 5
1.4 Estructura básica de una RNA [1] 6
1.5 Tipos de RNA [1] 7
1.6 Tipos de aprendizaje de las RNA [1] 8
2. Modelos más importantes de RNA [2] [1] 9
3. Usos y Aplicaciones de RNA [3] 11
4. Diferencias entre RNA y la computación tradicional 12
5. Trabajo de Campo [4] 13
CONCLUSIONES 16
BIBLIOGRAFÍA 17
INTRODUCCIÓN
En los últimos tiempos se ha venidodefiniendo un nuevo campo de las ciencias de la computación, comprendido por aquellos métodos y técnicas de resolución de problemas que no pueden ser fácilmente descritos por algoritmos tradicionales. Este campo, denominado «computación cognitiva» o «computación del mundo real», dispone de un conjunto variado de metodologías de trabajo, tales como: la lógica difusa, el razonamiento aproximado, losalgoritmos genéticos, la teoría del caos y las Redes Neuronales Artificiales (RNA). El objetivo de este trabajo es introducir a la problemática de estas últimas: definiciones, principios y tipología, así como algunas de sus aplicaciones.
1. Redes Neuronales Artificiales
1.1. Historia [1].
En 1943, el neurobiólogo Warren McCulloch, y el estadístico Walter Pitss,publicaron el artículo "A logical calculus of Ideas Imminent in Nervous Activity". Este artículo constituyó la base y el inicio del desarrollo en diferentes campos como son los Ordenadores Digitales y la Inteligencia Artificial.
Nathaural Rochester del equipo de investigación de IBM presentó el modelo de una red neuronal que él mismo realizó y puede considerarse como el primer software desimulación de redes neuronales artificiales.
En 1957, Frank Rosenblatt publicó el mayor trabajo de investigación en computación neuronal realizado hasta esas fechas. Su trabajo consistía en el desarrollo de un elemento llamado "Perceptron". El perceptron es un sistema clasificador de patrones que puede identificar patrones geométricos y abstractos, capaz de aprender algo, era flexible y robusto, deforma que su comportamiento variaba sólo si resultaban dañados los componentes del sistema.
En 1959, Bernard Widrow en Stanford desarrolló un elemento adaptativo lineal llamado "Adaline". La Adaline y una versión de dos capas, llamada "Madaline", fueron utilizadas en distintas aplicaciones como reconocimiento de voz y caracteres, predicción del tiempo, control adaptativo y sobre todo en eldesarrollo de filtros adaptativos que eliminen los ecos de las líneas telefónicas.
A mediados de los años 60, Minsky y Papert pertenecientes al Laboratorio de Investigación de Electrónica del MIT (Massachussets Institute Technology) comenzaron un trabajo profundo de crítica al perceptron. La conclusión de este trabajo fue que el Perceptron y la Computación Neuronal no eran temas interesantes queestudiar y desarrollar. A partir de este momento descendieron drásticamente las inversiones en la investigación de la computación neuronal.
Uno de los pocos investigadores que continuaron con su trabajo en la computación neuronal fue James Anderson. Su trabajo se basó en el desarrollo de un modelo lineal que consiste en un modelo asociativo distribuido basado en el principio de Hebb (las conexiones sonreforzadas cada vez que son activadas las neuronas).
Teuvo Kohonen, de la Universidad de Helsinki, es uno de los mayores impulsores de la computación neuronal de la década de los 70. De su trabajo de investigación se destacan dos aportes importantes: el primero es la descripción y análisis de una clase grande de reglas adaptativas, reglas en las que las conexiones ponderadas se modifican de...
AURA CRISTINA CARVAJAL MARTÍNEZ
DANIELA NEVADO VIVAS
KAREN OSORIO SIERRA
Jorge Odilio Hincapié Cardona
Sistemas de Información
UNIVERSIDAD NACIONAL DE COLOMBIA - SEDE MEDELLIN
FACULTAD DE MINAS
ESCUELA DE SISTEMAS
SISTEMAS DE INFORMACIÓN
2014
Tabla de contenido
INTRODUCCIÓN 3
1.1. Historia [1]. 4
1.2 Definición 5
1.3Características de una RNA [2] 5
1.4 Estructura básica de una RNA [1] 6
1.5 Tipos de RNA [1] 7
1.6 Tipos de aprendizaje de las RNA [1] 8
2. Modelos más importantes de RNA [2] [1] 9
3. Usos y Aplicaciones de RNA [3] 11
4. Diferencias entre RNA y la computación tradicional 12
5. Trabajo de Campo [4] 13
CONCLUSIONES 16
BIBLIOGRAFÍA 17
INTRODUCCIÓN
En los últimos tiempos se ha venidodefiniendo un nuevo campo de las ciencias de la computación, comprendido por aquellos métodos y técnicas de resolución de problemas que no pueden ser fácilmente descritos por algoritmos tradicionales. Este campo, denominado «computación cognitiva» o «computación del mundo real», dispone de un conjunto variado de metodologías de trabajo, tales como: la lógica difusa, el razonamiento aproximado, losalgoritmos genéticos, la teoría del caos y las Redes Neuronales Artificiales (RNA). El objetivo de este trabajo es introducir a la problemática de estas últimas: definiciones, principios y tipología, así como algunas de sus aplicaciones.
1. Redes Neuronales Artificiales
1.1. Historia [1].
En 1943, el neurobiólogo Warren McCulloch, y el estadístico Walter Pitss,publicaron el artículo "A logical calculus of Ideas Imminent in Nervous Activity". Este artículo constituyó la base y el inicio del desarrollo en diferentes campos como son los Ordenadores Digitales y la Inteligencia Artificial.
Nathaural Rochester del equipo de investigación de IBM presentó el modelo de una red neuronal que él mismo realizó y puede considerarse como el primer software desimulación de redes neuronales artificiales.
En 1957, Frank Rosenblatt publicó el mayor trabajo de investigación en computación neuronal realizado hasta esas fechas. Su trabajo consistía en el desarrollo de un elemento llamado "Perceptron". El perceptron es un sistema clasificador de patrones que puede identificar patrones geométricos y abstractos, capaz de aprender algo, era flexible y robusto, deforma que su comportamiento variaba sólo si resultaban dañados los componentes del sistema.
En 1959, Bernard Widrow en Stanford desarrolló un elemento adaptativo lineal llamado "Adaline". La Adaline y una versión de dos capas, llamada "Madaline", fueron utilizadas en distintas aplicaciones como reconocimiento de voz y caracteres, predicción del tiempo, control adaptativo y sobre todo en eldesarrollo de filtros adaptativos que eliminen los ecos de las líneas telefónicas.
A mediados de los años 60, Minsky y Papert pertenecientes al Laboratorio de Investigación de Electrónica del MIT (Massachussets Institute Technology) comenzaron un trabajo profundo de crítica al perceptron. La conclusión de este trabajo fue que el Perceptron y la Computación Neuronal no eran temas interesantes queestudiar y desarrollar. A partir de este momento descendieron drásticamente las inversiones en la investigación de la computación neuronal.
Uno de los pocos investigadores que continuaron con su trabajo en la computación neuronal fue James Anderson. Su trabajo se basó en el desarrollo de un modelo lineal que consiste en un modelo asociativo distribuido basado en el principio de Hebb (las conexiones sonreforzadas cada vez que son activadas las neuronas).
Teuvo Kohonen, de la Universidad de Helsinki, es uno de los mayores impulsores de la computación neuronal de la década de los 70. De su trabajo de investigación se destacan dos aportes importantes: el primero es la descripción y análisis de una clase grande de reglas adaptativas, reglas en las que las conexiones ponderadas se modifican de...
Leer documento completo
Regístrate para leer el documento completo.