Redes Neuronales , Reconocimiento de Patrones Geométricos.

link de archivos: http://adf.ly/r8gYd

Redes Neuronales - Reconocimiento de Patrones Geométricos.

Introducción.

Warren McCulloch, Walter Pitts y Frank Rosenblatt, neurólogo, matemático y psicólogo respectivamente fueron los pilares fundamentales en la construcción de un modelo capaz de utilizar los recursos de un computador para hacer que estos aprendieran tal cual lo hacen los humanos. El resultado: las redes neuronales artificiales, un paradigma dentro de la inteligencia artificial que emula el comportamiento de las redes neuronales biológicas.

Estas redes, capaces de procesar información compleja, ofrecen una alternativa en aplicaciones donde resultaba muy arduo el modelado matemático. El desarrollo de neuro-controladores, sistemas autoguiados, reconocimiento de rostros, identificación del cáncer en sus primeros estados,

estudios económicos y financieros son solo alguna de las tantas aplicaciones de esta herramienta.

.

Redes Neuronales Artificiales(RNA). Fundamentos.

En 1943, Warren McCulloch y Walter Pitts, neurólogo y matemático respectivamente, unieron

sus esfuerzos para dar a conocer un artículo titulado "Un Cálculo Lógico de las Ideas Inmanentes en la Actividad Nerviosa". Este artículo propone por vez primera un modelo matemático de una red neuronal artificial. La unidad de este modelo, una simple neurona artificial, es todavía usada como estándar referencial en el campo de las redes neuronales artificiales.

En este modelo se observa la posibilidad de n entradas (inputs), cada una relacionada con pesos

sinápticos (weights), que en conjunto con una función de activación generan una salida (outputs).

Entradas: Señales a ser procesadas por la red neuronal.

Pesos Sinápticos: Valores numéricos constantes que ponderan los valores de entrada de una neurona artificial. Representa la intensidad de la sinapsis entre las neuronas.

Salidas: Resultado del procesamiento de los datos introducidos a la red neuronal. Esta salida es posteriormente comparada con unos “objetivos”.

Función de Activación: Función matemática que transforma la entrada total en la respuesta de una

neurona artificial.

Debido a su constitución, las RNA exponen características semejantes al cerebro humano:

Aprendizaje adaptativo: son capaces de aprender en base a un entrenamiento o experiencia inicial.

Generalización: una vez entrenada, a la red se le pueden presentar datos distintos a los usados

durante el aprendizaje. La respuesta obtenida dependerá del parecido de los datos con los ejemplos de entrenamiento.

Abstracción o tolerancia al ruido: son capaces de extraer o abstraer las características esenciales de las entradas aprendidas, de esta manera pueden procesar correctamente datos incompletos o distorsionados.

Procesamiento paralelo: la información es procesada por las neuronas artificiales en forma paralela.

Memoria distribuida: el conocimiento acumulado por la red se halla distribuido en numerosas conexiones.

Tolerancia a fallos: una red neuronal es capaz de seguir funcionando adecuadamente a pesar de sufrir lesiones como la destrucción de neuronas o sus conexiones, ya que la información se halla distribuida por toda la red.

Arquitectura de Redes.

En 1957, Frank Rosenblatt completa la teoría del Perceptrón, tecnología usada en la Universidad de Cornell con la que un computador podía aprender nuevas habilidades por ensayo y error, usando un tipo de red neuronal que simulaba el pensamiento humano. Este modelo era capaz de generalizar, sin embargo tenia una limitante, era incapaz de clasificar clases no linealmente separables. En 1974 Paul Werbos desarrolló la idea básica del algoritmo de aprendizaje de propagación hacia atrás. No fue sino hasta 1986 cuando David Rumelhart y Geoffrey Hinton redescubrieron el algoritmo de aprendizaje de propagación hacia atrás y a partir de ese momento el desarrollo en el área de las redes neuronales artificiales ha sido significativo, sin llegar todavía a ser explotado su potencial al máximo.

Redes Monocapa: Es aquella arquitectura de red en la que no existen capas ocultas; solo está presente la capa de entrada y la de salida, considerando una capa como una agrupación de neuronas.

Redes Múlticapa: Compuesta por una o varias capas ocultas, son capaces de resolver clases no separables linealmente, expandiendo así el campo de desarrollo de las RNA y su aplicabilidad. Un ejemplo de este tipo de redes: el perceptrón multicapa:

Perceptrón Múlticapa.

La red perceptrón múlticapa es entrenada de forma supervisada mediante el algoritmo backpropagation. Al hablar de red backpropagation se hace referencia al algoritmo de aprendizaje y no a la propagación de las señales durante el funcionamiento de la red. Backpropagation consiste en propagar el error hacia atrás durante el entrenamiento, es decir, de la capa de salida hacia la capa de entrada, pasando por las capas ocultas.

Por sus características, esta red puede aprovechar al máximo las funcionalidades de los sistemas de cómputos basados en múltiples procesadores.

Desarrollo de una RNA para el Reconocimiento de Patrones Geométricos.

Se desea desarrollar una RNA capaz de reconocer patrones geométricos, para lo que se utilizará MatLab y sus potentes librerías. El objetivo es probar qué tan asertiva es una RNA reconociendo figuras geométricas. Como ya se describió anteriormente, las redes perceptrón múlticapa, por su arquitectura, son ideales para este tipo de tarea.

Debido a que los ejemplos ha utilizar para el entrenamiento del perceptrón múlticapa deben

seleccionarse adecuadamente con el fin de que esta adquiera la capacidad de generalización, se estudió previamente las posibles distorsiones de un objeto que puedan dificultar la tarea de reconocimiento.

Las limitaciones para el reconocimiento de objetos son extensas. Las imágenes pueden lucir diferentes por varias razones. La razón más importante es la perspectiva desde la cual se pueden observar. Las imágenes pueden ser observadas desde diferentes ángulos y posiciones. En ocasiones, se tiene que lidiar con imágenes que, aunque luzcan diferentes son en esencia lo mismo, como por ejemplo los árboles. Dos árboles nunca se verán idénticos, mas sin embargo en el proceso de reconocimiento es deseable clasificarlos bajo la misma categoría.

Un inconveniente para el reconocimiento de imágenes es causado por el hecho de que estas pueden estar en cualquier posición. Pueden estar rotadas, reflejadas, escaladas, trasladadas, sesgadas.

Recomendaciones.

• Las redes neuronales artificiales deben considerarse como una alternativa en la solución de aquellos problemas en los cuales no se han obtenido buenos resultados utilizando los métodos tradicionales.

• Los ejemplos utilizados para el entrenamiento del perceptrón multicapa deben seleccionarse adecuadamente para que la red adquiera la capacidad de generalización.

• Para el reconocimiento de objetos se debe considerar ciertas dificultades inherentes al observador: rotación, traslación, reflexión, escalamiento, sesgado, oclusión, iluminación y la presencia de múltiples objetos en una misma imagen. Dependiendo de la aplicación para la que se desee desarrollar un sistema de reconocimiento de imágenes estas dificultades resultan de mayor o menor relevancia.

• La adquisición y el pre-procesamiento de las imágenes resulta una etapa que define la manera en la que la red neuronal interactúa con el escenario bajo estudio. Es de vital importancia la adecuación de dichos datos como entradas al sistema. Procesos como la binarización de imágenes (“im2bw”),

adecuación de número de píxeles que componen una imagen (“imresize”) y el tipo

de estructuras de datos (lógicas, dobles,enteros, ente otros) a utilizar como argumentos para los métodos (“newff”,“train”, ente otros) deben ser previamente considerados.

Reconocimientos a:

Cristian Concha, departamento de Electricidad de la Universidad de Oriente-Nucleo Anzoategui- Venezuela   cristianconchaflores@gmail.com