1.3.- Estado del Arte

AVANCES DE LAS REDES NEURONALES

Las Redes Neuronales Artificiales y el Perceptrón

• Dado que se sabe que el comportamiento inteligente es posible, desde hace alrededor de 70 años ha existido un especial interés por simular el funcionamiento del cerebro para poder reproducir su inteligencia. En este sentido, McCulloch y Pitts (1943) proponen el primer modelo matemático de una neurona, y Rosenblatt (1958) implementa el modelo de perceptrón. El modelo de Rosenblatt (imagen 1), provee una salida ejecutando tres operaciones simples sobre los datos de entrada:

1. Multiplica las entradas por los pesos correspondientes.
2. Suma el resultado de todos los productos anteriores.
3. Compara la suma obtenida con el umbral provisto por la función de activación.

Imagen 1.  Modelo de Perceptrón

Redes Neuronales Convolucionales (CNN)

• Las redes neuronales convolucionales o de convolución (imagen 2), son un tipo de red bio-inspirado que simula la forma en que funciona la visión del ser humano, es una modificación del perceptrón multicapa. El nombre de “Red Neuronal de Convolución” indica que la red emplea una operación matemática llamada convolución. La convolución es un tipo especializado de operación lineal. Las redes convolucionales son simplemente las redes neuronales que utilizan convolución en lugar de la multiplicación general de matrices en al menos una de sus capas. Las CNN explotan la correlación espacial local mediante la aplicación de un patrón de conectividad local entre las neuronas de las capas adyacentes. Cada unidad es insensible a variaciones fuera de su campo receptivo con respecto a la retina. Así pues, la arquitectura garantiza que los filtros aprendidos producen la respuesta más fuerte a un patrón de entrada en el espacio local.

Imagen 2. Capa Convolucional

Redes Neuronales Recurrentes (RNN)

• Las redes neuronales recurrentes son redes que son capaces de influir en sí mismas por medio de recurrencias, por ejemplo, mediante la inclusión de la salida de la red en los siguientes pasos de cálculo. Para una red neuronal recurrente, normalmente hay tres conjuntos de parámetros: la entrada a los pesos ocultos (W), los pesos ocultos (U), y los pesos ocultos a etiquetar (V). Observe que todos los W son compartidos, toda la U son compartidos y todo los V son compartidos (imagen 3). La propiedad de compartir el peso hace que la red sea adecuada para entradas de tamaño variable.

Imagen 3. Red Neuronal Recurrente

• La RNN más usada en la actualidad es la de Long-Short Term Memory, la cual a diferencia de las RNN tradicionales incluye bloques LSTM, que se encargan de recordar un valor y determinar la duración en el tiempo del mismo. Además, estas unidades deciden qué entradas debe almacenar y si debe recordarlas, borrarlas o enviarlas como salidas de la red.

Máquinas de Boltzmann Restringida (RBM)

• Las máquinas de Boltzmann se introdujeron generalmente como un enfoque conexionista, para aprender distribuciones de probabilidad arbitraria sobre vectores de distribución. Las máquinas de Boltzmann, poseen unidades con una energía definida para la red. También dispone de unidades binarias, pero dichas unidades son estocásticas. Ésta se vuelve más poderosa cuando no se observan todas las variables. Una máquina de Boltzmann con unidades ocultas no se limita a modelar relaciones lineales entre las variables. En cambio, la máquina se convierte en un aproximador universal de la función de probabilidad sobre las variables discretas. En la práctica, el tipo de máquina de Boltzmann más empleada es la de tipo restringido, en la cual las capas visibles no están conectadas entre sí (imagen 4).

Imagen 4. Máquina de Boltzmann Restringida

Redes Neuronales con Intuición

• Las redes neuronales encuentran desde sus inicios un sinfín de aplicaciones donde han tenido bastante éxito al ser eficientes y flexibles. Sin embargo, la mayoría de los algoritmos y arquitectura de inteligencia artificial, han demostrado ser poco eficientes en lo que respecta al manejo de la intuición. El relativo éxito logrado por Deep Blue en 1997 fue tempranamente opacado por la realidad de otros problemas que no podían ser abordados explotando el espacio de búsquedas. El tradicional juego Go por mucho tiempo se ha considerado como el más difícil de los juegos clásicos para la inteligencia artificial, debido a su enorme espacio de búsqueda y la dificultad de evaluar las posiciones del tablero y los movimientos. Un nuevo enfoque de Computer Go que usa redes de valores, para evaluar las posiciones del tablero y las redes de políticas para seleccionar los movimientos.

APLICACIONES DE LAS REDES NEURONALES

• Las redes neuronales tienen un gran número de aplicaciones reales en la industria. De hecho, ya han sido aplicadas en muchos dispositivos electrónicos comerciales, debido a que estas, muestran mejores resultados en el reconocimiento de patrones o tendencia de los datos que están bien adaptados para la previsión de las necesidades. Según el artículo titulado “Artificial Neural Networks” De esta amplia gama de aplicaciones nos dedicaremos a algunas:
• Reconocimiento de Caracteres: Se emplea en algunos teléfonos celulares táctiles. De hecho, el reconocimiento de caracteres, permite reconocer texto escrito manualmente.
• Compresión de Imágenes: Las redes neuronales pueden recibir y procesar grandes cantidades de información a la vez, siendo esto útil en la compresión de imágenes, solo basta hacer una observación con el crecimiento del internet y del diseño de imágenes y de animaciones, cada vez más pesadas, pero en los navegadores de internet, son muy livianas.
• Mercado de Valores: El negocio del día a día de la bolsa bursátil es muy complicado, muchos factores pesan en si una acción propuesta subirá o bajará. Desde las RNA se puede examinar una gran cantidad de información en forma rápida y organizar todo de manera que se pueda hacer un adecuado estudio de proyección y predecir el valor de las acciones.
• Procesamiento de Alimentos: En este caso se ha implementado el uso de una nariz electrónica que reemplaza a los seres humanos y llevar un adecuado control en la inspección, clasificación de los productos, por ejemplo, en las pescaderías industriales, en el control del nivel de acidez de la mayonesa, el seguimiento de la maduración del queso, control de sabores, filtrado de señales etc.
• Medicina: Una de las áreas que más ha ganado la atención es en la detección de afecciones cardiopulmonares, es decir compara muchos modelos distintos para identificar similitud en patrones y síntomas de la enfermedad. Estos sistemas ayudan a los médicos con el diagnóstico por el análisis de los síntomas reportados y las resonancias magnéticas y rayos x. También se han usado para dispositivos analizadores de habla para ayudar a personas con sordera profunda, monitorización de cirugías, predicción de reacciones adversas a un medicamento, entendimiento de causas de ataques epilépticos.
• Milicia: Las redes neuronales juegan un papel importante en el campo de batalla, especialmente en aviones de combate y tanques que son equipados con cámaras digitales de alta resolución que funciona conectado a un computador que continuamente explora el exterior de posibles amenazas. De igual manera se pueden emplear para clasificar señales de radar, creación de armas inteligentes.
• Diagnóstico de Maquinas: A nivel industrial cuando una de estas máquinas presenta fallos automáticamente las apaga cuando esto ocurre.
• Análisis de Firmas: Las redes neuronales pueden ser empleadas para la comparación de firmas generadas, (Por ejemplo, en los bancos) Esta ha sido una de las primeras aplicaciones implementada a gran escala en USA y también han sido los primeros en usar un chip neuronal.
• Monitoreo de Aviones: Controlan el estado de los motores de las aeronaves. Revisan los niveles de vibración de sonido y alertas tempranas de problemas en el motor.
• Biología: Mayor entendimiento del funcionamiento del cerebro, obtención de modelos de la retina.
• A nivel Administrativo: Identificaciones de candidatos para posiciones específicas, optimización de plazas y horarios en líneas de vuelo, minería de datos
• Reconocimiento de Patrones: En este sentido cabe mencionar hay que mencionar a Roberto Brunelli y Tomaso Poggio, en su artículo “Face Recognition through Geometrical Features” los cuales comparan dos estrategias utilizando una base de datos común sobre imágenes ubicadas de manera frontal de rostros de personas tanto masculinas como femeninas, cada una con 2 pares de imágenes. A ellos se les debe el desarrollo e implementación de dos algoritmos. El primero consiste en el área del cálculo de un conjunto de características geométricas acerca de la fisonomía de la barbilla, además de tener en cuenta el ancho y alto de la nariz y boca; y en segundo lugar el otro aporte está basado en el igualamiento de plantillas en niveles de grises. Según Ellos reportaron haber obtenido un 90% de reconocimiento usando características geométricas y un reconocimiento perfecto usando igualamiento de plantillas.

ACTUALIDAD EN LAS REDES NEURONALES

• Hablar de la actualidad de las redes neuronales nos referimos a las nuevas tendencias que poco en nuestro contexto son conocidas, en este apartado, mencionaremos algunas de ellas.
• Según el “Abstract book” del tercer congreso mundial de NeuroInformática celebrado entre los días 30 de agosto a Septiembre 1º del año 2010 en Kobe, en donde se presentaron un total de 150 ponencias y 28 demostraciones. Se pueden destacar tres investigaciones:

Modelo Multiescala de la Sinapsis

• Es una auto-modificación de la máquina de memoria, enfocada en el campo de la Neurobiología, Neurociencia computacional y Sistemas biológicos, desarrollado por Upinder Bhalla (India). El cerebro humano cuenta con aproximadamente con 20000 genes y 100 mil millones de neuronas. Basado en un comportamiento meramente numérico, es probable que las conexiones sinápticas son el sitio ideal para almacenar la gran cantidad de información que constituye nuestra memoria.
• Actualmente existe una cantidad considerable de datos experimentales para mostrar que el cambio sináptico es una experiencia de forma dependiente, y cada vez más apuntan a estas modificaciones, elemento esencial para l memoria celular. Esto resulta ser un campo fértil y un reto para la NeuroInformática. Las Sinapsis es precisamente, el cruce de la señalización eléctrica y química. Aunque hay una gran cantidad de modelos de la señalización de la memoria, son pequeñas piezas del rompecabezas multidimensional.

Descripción de Lenguaje por Capas para la Adición de Modelado de Redes Neuronales 

• Ponencia presentada por Chung-Chuan Lo del Departamento de Biología Estructural y bioinformática, de la Universidad Nacional Tsing Hua (Hsinchu, Taiwan). Este científico planteó en su exposición el diseño de una herramienta de modelación de redes neuronales basado en xml de forma que se estandarizara el lenguaje a la hora de ser replicado por la comunidad científica, este lenguaje recibe el nombre de NineML y tiene 3 ventajas importantes a destacar:

1. Es manejado por capas (del usuario y de la abstracción). Las capas de usuario basadas en XML proporcionan la sintaxis para especificar la creación de instancias y parametrización de un modelo de red en términos biológicos. La capa de abstracción proporciona explícitamente las descripciones de los conceptos básicos, las matemáticas, las variables del modelo y las normas estatales de actualización.
2. Completamente coherente: Todos los conceptos del modelado definido en la capa de usuario se expresan explícitamente en la capa de abstracción de modo que un modelo de red neuronal puede estar sin ambigüedades a la hora de su implementación por un software que es totalmente compatible con NineML.
3. Fácilmente ampliable: futuras ampliaciones se tienen en cuenta en el desarrollo de NineML. Por lo tanto, pueden agregarse modelos que antes no era posible agregarlo a la versión actual de NineML sin ningún tipo de modificación sustancial indistintamente el idioma.

Algoritmo para Encontrar los Sitios Candidatos Sinápticos en Computadoras en Redes de Neuronas Generadas con Morfología Realística

• Ponencia presentada por Jaan Van Pelt del Departamento Integrado de Neurofisiología de la Universidad VU de Amsterdam, de Amsterdam Holanda.
• En esta ponencia se habló sobre las neuronas hacen conexiones sinápticas en lugares donde los axones y dendritas están lo suficientemente cerca en el espacio. Típicamente la proximidad requerida está basada en el tamaño de las dendritas y del largo del Axón. Basado en este principio se puede realizar la búsqueda de estas posiciones dentro de la red formada por neuronas reconstruidas o neuronas reconstruidas por computador. Entonces los candidatos a la sinapsis están ubicados donde las ramas dendríticas están comprendidas en cierto criterio de distancia una de la otra. Este estudio desarrolló el algoritmo que encuentra esta distancia.
• Las redes neuronales alcanzan cada vez mayor auge, teniendo multitud de aplicaciones en campos diversos y dando soluciones sencillas a problemas cuya resolución resulta complicada cuando se emplean máquinas algorítmicas. Aun así, el futuro de las redes neuronales no está todavía claro y será en los próximos años cuando se determine su evolución. Sin embargo y aunque suena a ciencia ficción.

Las redes neuronales podrán en el futuro permitir:

• Robots que pueden ver, sentir, oler y percibir el mundo que los rodea (De hecho, ya existe algo llamado Computación afectiva).
• Predicción de valores e implementación en vehículos para la auto – conducción.
• Composición de música y documentos escritos (obras literarias).
• La comprensión de la información en el Genoma Humano.
• Autodiagnóstico medico por medio de redes neuronales.

 

1.2.- Clasificación de las Redes Neuronales                1.4.- Métodos más Usados en las Redes Neuronales

• Sin categoría