UNIVERSIDAD NACIONAL PEDRO RUIZ GALLO

Facultad de Ingeniería Civil, Sistemas y

Arquitectura

CONTROL-Y-AUTOMATIZACION-DE-PROCESOS
REDES-NEURONLES

INTEGRANTES:
PRAVIA PURIHUAMAN MANUEL
TEJADA SENMACHE JEFFERSON
PERALES ROJAS MANUEL
VELASQUEZ FLORES ALEJANDRO
VILLALOBOS VARGAS RICARDO
DELGADO FLORES ARLINTON
 REDES NEURONALES
• Las redes neuronales artificiales son un modelo
computacional vagamente inspirado en el comportamiento observado
en su homólogo biológico.

• Cada neurona está conectada con otras a través de unos enlaces.

• Estos sistemas aprenden y se forman a sí mismos, en lugar de ser
programados de forma explícita, y sobresalen en áreas donde la
detección de soluciones o características es difícil de expresar con la
programación convencional.

• El objetivo de la red neuronal es resolver los problemas de la misma

manera que el cerebro humano, aunque las redes neuronales son más
abstractas.
•
SISTEMA NEURONAL ARTIFICIAL

• En1888 Ramon y Cajal demuestra que el sistema nervioso esta compuesto por una red de celulas individuales,
las neuronas, ampliamente interconectadas entre sı.

• El cerebro se modela durante el desarrollo de un ser vivo. Algunas cualidades del ser humano no son innatas,
sino adquiridas por la influencia de la informacion que del medio externo se proporciona a sus sensores.

• Sistemas artificiales que van a copiar la estructura de las redes neuronales biologicas con el fin de alcanzar una
funcionalidad similar.
Tres conceptos clave a emular:
-procesamiento paralelo,
-memoria distribuida
-adaptabilidad al entorno

• El elemento basico de un sistema neuronal biologico es la neurona.

CARACTERISTICAS DE REDES
NEURONALES
• Están inspiradas en las redes neuronales biológicas del cerebro humano.
• Están constituidas por elementos que se comportan de forma similar a la neurona biológica en
sus funciones
más comunes.
• Estos elementos están organizados de una forma parecida a la que
presenta el cerebro humano.
TAMBIEN

• Existen cuatro aspectos que caracterizan una red neuronal: su topología, el mecanismo de
aprendizaje, tipo de asociación realizada entre la información de entrada y salida, y la forma de
representación de estas informaciones.
TOPOLOGÍA DE LAS REDES NEURONALES.
REDES MONOCAPA:

• Se establecen conexiones laterales, cruzadas o autor recurrentes entre las neuronas que
pertenecen a la única capa que constituye la red.
• Se utilizan en tareas relacionadas con lo que se conoce como auto asociación(por ejemplo,
para generar informaciones de entrada que se presentan a la red incompleta o distorsionada.)
REDES MULTICAPA:

• Son aquellas que disponen de conjuntos de neuronas agrupadas en varios niveles o capas.
• Una forma de distinguir la capa a la cual pertenece la neurona, consiste en fijarse en el origen
de las señales que recibe a la entrada y el destino de la señal de salida.
• Según el tipo de conexión, como se vio previamente, se distinguen las redes feedforward, y las
redes feedforward/feedback.
MECANISMO DE APRENDIZAJE
REDES CON APRENDIZAJE
SUPERVISADO
• Se caracteriza porque el proceso de aprendizaje se realiza mediante un entrenamiento
controlado por un agente externo (supervisor, maestro) que determina la respuesta que
debería generar la red a partir de una entrada determinada. En este tipo de aprendizaje se
suelen distinguir a su vez tres formas de llevarlo a cabo:
• Aprendizaje por corrección de error
• Aprendizaje por refuerzo
• Aprendizaje estocástico
REDES CON APRENDIZAJE NO
SUPERVISADO
• No requieren de influencia externa para ajustar los pesos de las conexiones entre sus
neuronas. La red no recibe ninguna información por parte del entorno que le indique si la
salida generada en respuesta a una determinada entrada es o no correcta; son capaces de auto
organizarse. Los algoritmos de aprendizaje no supervisado suelen ser de dos tipos:
• Aprendizaje hebbiano
• Aprendizaje competitivo y cooperativo
TIPO DE ASOCIACIÓN ENTRE LAS
INFORMACIONES DE ENTRADA Y SALIDA
REDES HETERO ASOCIATIVAS :

• La red aprende parejas de datos [(A1,B1), (A2,B2),....(An,Bn)], de tal forma que cuando se le
presente determinada información de entrada Ai responda con la salida correspondiente Bi. Al
asociar informaciones de entrada con diferentes informaciones de salida, precisan al menos de
2 capas, una para captar y retener la información de entrada y otra para mantener la salida con
la información asociada.
REDES AUTO ASOCIATIVAS

• La red aprende ciertas informaciones A1, A2, .., An de forma que cuando se le presenta una
información de entrada realizará una autocorrelación, respondiendo con uno de los datos
almacenados, el más parecido al de entrada. Este tipo de redes pueden implementarse con una
sola capa de neuronas.
REPRESENTACIÓN DE LA INFORMACIÓN DE
ENTRADA Y SALIDA
REDES CONTÍNUAS

• En un gran número de redes, tanto los datos de entrada como de salida son de naturaleza
analógica (valores reales contínuos y normalmente normalizados, por lo que su valor absoluto
será menor que la unidad). En este caso las funciones de activación de las neuronas serán
también contínuas, del tipo lineal o sigmoidal.
REDES DISCRETAS

• Por el contrario, otras redes sólo admiten valores discretos [0,1] a la entrada, generando
también en la salida respuestas de tipo binario. La función de activación en este caso es del tipo
escalón.
REDES HÍBRIDAS

• La información de entrada es contínua pero a la salida ofrecen información binaria.

VENTA JAS
APRENDER:

• Adquirir el conocimiento de una cosa por medio del estudio, ejercicio

o experiencia. Las RNA pueden cambiar su comportamiento en función del entorno
• Auto organización: Una RNA crea su propia representación de la información en su
interior.
GENERALIZAR:

• Una red puede crear su propia organización o representación de la información que recibe
mediante una etapa de aprendizaje.
ABSTRAER:

• Aislar mentalmente o considerar por separado las cualidades de un

objeto.
• Algunas ANN son capaces de abstraer la esencia de un conjunto de entradas que
aparentemente no presentan aspectos comunes o relativos.
TOLERANCIA A FALLOS

• Debido a que una RNA almacena la información de forma redundante, ésta puede seguir
respondiendo de manera aceptable aun si se daña parcialmente.
FLEXIBILIDAD

• Una RNA puede manejar cambios no importantes en la información de entrada, como señales
con ruido u otros cambios en la entrada.
TIEMPO REAL

• La estructura de una RNA es paralela, por lo cual si esto es implementado con computadoras
o en dispositivos electrónicos especiales, se pueden obtener respuestas en tiempo real.
DESVENTAJAS DE LAS REDES NEURONALES
• Complejidad de aprendizaje para grandes tareas, cuanto más cosas se necesiten que aprenda
una red, mas complicado será enseñarle.
• Tiempo de aprendizaje elevado.
• No permite interpretar lo que se ha aprendido, la red por si sola proporciona una salida, un
número, que no puede ser interpretado por ella misma.
• Elevada cantidad de datos para el entrenamiento, cuanto mas flexible se requiera que sea la red
neuronal, mas información tendrá que enseñarle para que realice de forma adecuada la
identificación.
ESTRUCTURA
 ESTRUCTURA BASICA DE UNA RED
NEURONAL
Según (Olabe & Basigain, 2001, pág. 2), la neurona se constituye como la unidad fundamental dentro
del sistema nervioso, cada una de estas es una unidad procesadora que puede recibir y enviar señales
a otras unidades, y así, si un sistema de entradas es fuerte se activa una salida especifica.
 REDES NEURONALES
ARTIFICIALES
Según (Olabe & Basigain, 2001, pág. 5), dentro de las redes neuronales un elemento procesador o PE
(Process Element) es el equivalente de una neurona, estas unidades procesadoras pueden poseer
varias entradas mismas que son combinadas, luego de ser combinadas se cambian los valores acorde
a una función en la transferencia y este se envía a la salida del elemento procesador.

La salida de un PE, se puede transferir

a otros formando sinapsis entre varios
PE o “neuronas”.
 CLASIFICACIÓN

Según (Soria & Blanco, 2007, pág. 30) Indica que las redes neuronales se pueden estructurar de dos
formas: según el número de capas, el tipo de conexión y según el grado de conexión.
 SEGÚN EL NÚMERO DE
CAPAS
REDES NEURONALES MONOCAPA REDES NEURONALES MULTICAPA
Es la forma mas sencilla de red neuronal, consta “Es una generalización de la anterior existiendo un
de una sola capa cuya función es proyectar la conjunto de capas intermedias entre la entrada y la
capa de entrada a una capa de salida en la cual se salida (capas ocultas). Este tipo de red puede estar total
realizan los cálculos necesarios. Se utiliza o parcialmente conectada
generalmente para eliminar distorsiones de
señal.
 SEGÚN EL TIPO DE
CONEXIONES
REDES NEURONALES NO REDES NEURONALES RECURRENTES
RECURRENTES Las redes neuronales recurrentes permiten
En este tipo de redes no existe retroalimentación mediante el uso de lazos, los
retroalimentación de ningún tipo dado que mismos que pueden ser neuronas de capas distintas
se mueven únicamente hacia adelante. o de la misma.
 SEGÚN EL GRADO DE
CONEXIÒN
REDES NEURONALES REDES PARCIALMENTE
TOTALMENTE CONECTADAS. CONECTADAS.
En este tipo de redes se conectan todas las
Son aquellas redes donde no se llega a una conexión
neuronas con las capas anteriores o siguientes,
total, sino parcial únicamente, en paralelo o de
constituyendo de esta manera redes
manera jerárquica.
concorrentes o no concorrentes.
 SEGÚN EL GRADO DE
CONEXIÒN
REDES UNIDIRECCIONALES O DE REDES DE PROPAGACIÓN HACIA ATRÁS
PROPAGACIÓN HACIA ADELANTE (FEEDBACK)
(FEEDFORWARD) “En esta red las salidas de las neuronas pueden
“En las que ninguna salida neuronal es entrada de servir de entradas a unidades del mismo nivel
unidades de la misma capa o de capas precedentes. La (conexiones laterales) o de niveles previos. Las redes
información circula en un único sentido, desde las de propagación hacia atrás que presentan lazos
neuronas de entrada hacia las neuronas de salida de la cerrados se denominan sistemas recurrentes.”
red.”
 TIPOS DE
REDES
NEURONALES
EXISTEN DIFERENTES TIPOS DE REDES
NEURONA LE S, A CONTINUACI Ó N, SE DESCRIBEN
L A S P R I N C I PA L E S .
 PERCEPTRÓN
• Es la red más antigua que se conoce, fue desarrollada en 1943.
• Este tipo de red consiste en sumar las señales de entrada y multiplicar por los valores escogidos
aleatoriamente; este valor es comparado con un patrón para determinar si la neurona es activada
o no.
• Esta red utiliza aprendizaje supervisado, es decir necesita conocer los valores esperados para cada
entrada que se presenta a la red.
 ADALINE
• Este tipo de red neuronal es muy parecida al Perceptrón.
• Utiliza otra función de transferencia, una de tipo lineal.
• El gran aporte de esta red es que sirvió de base para el desarrollo de nuevos algoritmos.
• Esta tiene el detalle que la señal de error se calcula antes de aplicar la función signo
PERCEPTRÓN MULTICAPA

• Se trata de una estructura altamente no lineal.

• Presenta tolerancia a fallos.
• Es capaz de establecer una relación entre dos conjuntos de datos.
FORMAS DE APRENDIZAJE
APRENDIZAJE SUPERVISADO

• Se basa en descubrir la relación existente entre una variable de entrada y una variable de
salida.
• Surge de enseñarle a estos algoritmos cuál es el resultado que se desea obtener para un
determinado valor.
• Tras mostrarle muchos ejemplos si se dan las condiciones, el algoritmo será capaz de dar un
resultado correcto incluso cuando se le muestre valores que no haya visto antes.
APLICACIONES

• Clasificación (gato-perro, hombre-mujer)

• Detección de Spam
• Diagnosticar depresión con el análisis de las fotos subidas a Instagram (2016)
APRENDIZAJE NO SUPERVISADO

• Paradigma que consigue producir conocimiento, únicamente de los datos que se proporcionan
como entrada, sin necesidad en ningún momento de explicarle al sistema qué resultado
queremos obtener.
• Busca patrones de similitud de los datos de entrada.
• La comunidad científica entorno al campo del Machine Learning, reconoce que el futuro del
campo pasa por este paradigma.
APLICACIONES

• Detección de Anomalías.
• Detección de características que tienen en común la información recolectada de los usuarios
en una Web/App.
• Implementación de redes neuronales para la detección de la presencia de enfermedades en el
corazón (2012)