Resumen




descargar 99.34 Kb.
títuloResumen
página1/3
fecha de publicación05.01.2016
tamaño99.34 Kb.
tipoResumen
b.se-todo.com > Derecho > Resumen
  1   2   3
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MEXICOhttp://conateci.acatlan.unam.mx/images/uaem.png

CENTRO UNIVERSITARIO UAEM “ATLACOMULCO”


REPORTE DE INVESTIGACIÓN 1


Nombre del equipo:
The Súper Stars

Integrantes:
Jesús Barrios Crescencio

Iván Gallegos Miranda

Karina González González

Berenice Martínez Juárez

Oscar Mondragón Alcántara

Diego Nicolás Martínez

20 de Agosto del 2014
Índice
Resumen……………………..………………………………………… 3
Introducción……………………………………………………………. 4
Desarrollo

    1. Aprendizajes en sistemas biológicos………………………. 6




    1. Proyectos realizados con una RNA…………………………… 9




    1. Proyectos recientes aplicando RNA…………………………..11


1.4 Modelo de una neurona artificial ………………………………..13
1.5 Redes neuronales artificiales…………………………………... 23
Conclusiones…………………………………………………………… 25
Anexos…………………………………………………………………… 26
Referencias……………………………………………………………… 28

RESUMEN
Como resultado de estas innovaciones una nueva tecnología, denominada "Objetos de Aprendizaje" , entendiendo por éstos como cualquier entidad informativa digital desarrollada para la generación de conocimientos, habilidades y actitudes que tienen sentido en función de las necesidades del alumno y que corresponde a una realidad concreta, la cual se perfila como innovación tecnológica en la próxima generación del diseño instruccional, debido principalmente a su potencial generativo, adaptativo y escalable.

Las redes neuronales presentan una de las aportaciones más importantes que las ciencias biológicas han realizado al campo de la inteligencia artificial. Su característica más importante es la capacidad de aprender a partir de ejemplos, lo que evita tener que formalizar el conocimiento, así como el estudio detallado de sus modelos más conocidos. La descripción del funcionamiento y mecanismo de aprendizaje de estos modelos como permitir realizar su emulación mediante la codificación, utilizando cualquier lenguaje de programación de los algoritmos.

En los últimos tiempos se ha venido definiendo 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 del mundo real, dispone de un conjunto variado de metodologías de trabajo, tales como: las Redes Neuronales Artificiales (RNA).

En esta investigación se busca obtener un método para predecir la resistencia a la compresión mediante las redes neuronales artificiales (RNA) son aplicadas en diversos ámbitos de la actividad humana. Una de sus aplicaciones es como herramienta de análisis de información. En este trabajo se hace una introducción sobre las particularidades de las RNA, específicamente las basadas en el modelo Kohonen (Mapas auto-organizativos). Se ejemplifica la utilidad de las RNA, a través de casos prácticos. El objetivo del presente trabajo es introducir a la problemática de estas últimas: definiciones, principios y tipología, así como también las aplicaciones concretas en el campo de la recuperación de la información.

INTRODUCCION / ESTADO DEL ARTE:

El cerebro humano es el sistema de cálculo más complejo que conoce el hombre. El ordenador y el hombre realizan diferentes clases de tareas, es por ello que al ordenador le es más difícil reconocer patrones que identifiquen características faciales ya que la capacidad de memoria en el cerebro humano es más amplia que la de una máquina.

La capacidad del cerebro humano de pensar, recordar y resolver problemas ha inspirado a muchos científicos intentar o procurar modelar en el ordenador el funcionamiento del cerebro humano.

El sistema nervioso humano constituido por células llamadas neuronas presenta una estructura muy compleja. El número estimado de neuronas es de 1011 y las interconexiones entre ellas son del orden de 1015.

Cada neurona comparte muchas características con otras células del cuerpo humano pero tiene propiedades particulares y especiales para recibir, procesar y transmitir señales electroquímicas a través de todas las interconexiones del sistema de comunicación del cerebro.

Una red neuronal consiste en un conjunto de unidades elementales PE conectadas de una forma concreta. El interés de las ANN no reside solamente en el modelo del elemento PE (process element) sino en las formas en que se conectan estos elementos procesadores.

Generalmente los elementos PE están organizados en grupos llamados niveles o capas. Una red típica consiste en una secuencia de capas con conexiones entre capas adyacentes consecutivas.

Se expone el modelo de una neurona de las Redes Neuronales Artificiales (RNA).    En primer lugar, se describe la estructura de una neurona artificial genérica, a continuación se muestra una versión simplificada de amplio uso en los modelos orientados a aplicaciones prácticas, que poseen una estructura más próxima a la neurona tipo clásica [Mc. Culloch-Pitts].

Las diferentes configuraciones y algoritmos que se diseñan para las redes neuronales artificiales están inspiradas en la organización del complejo sistema neuronal del cerebro humano. No obstante conviene aclarar que esta inspiración no supone que las ANN lleguen a emular al cerebro como algunos optimistas lo desean ya que entre otras limitaciones el conocimiento sobre el modo de funcionamiento y comportamiento del cerebro es bastante simple y reducido. De hecho los diseñadores de redes artificiales van más lejos del conocimiento biológico actual y prueban nuevas estructuras que presentan un comportamiento adecuado y útil.
Existen muchos grupos con sede en diferentes universidades de todo el mundo que están realizando trabajos de investigación en el área de las redes neuronales artificiales. Cada grupo tiene diferente énfasis y motivación con los neurólogos, psicólogos del conocimiento, físicos, programadores y matemáticos.

Uno de los mayores grupos de investigación de los últimos años ha sido el grupo PDP (Parallel Distributed Processing) formado por Rumelhart, McClelland y Hinton.

Rumelhart de la Universidad de Stanford es uno de los principales impulsores de la red más utilizada en la mayoría de las aplicaciones actuales, la famosa red neuronal Backpropagation. En la Universidad de Carnegie-Mellon, el grupo de investigación a la cabeza con McClelland destaca por el estudio de las posibles aplicaciones de la Backpropagation. Y en la Universidad de Toronto, Hinton y Sejnowski han desarrollado una máquina llamada Boltzman que consiste en la red de Hopfield con dos modificaciones significativas.


APRENDIZAJE EN SISTEMAS BIOLÓGICOS

El aprendizaje es un proceso biológico que se desarrolló a través de las especies animales como una adaptación a los diferentes organismos “el aprendizaje es entre otras, una forma que adoptó la conducta de los organismos para resolver problemas de supervivencia frente a los ambientes complejos y cambiantes” los fundamentos biológicos del aprendizaje para el diseño y aplicación de objetos de aprendizaje. El Sistema Nervioso Central está formado casi en su totalidad por neuronas, unos 100,000 millones. Una neurona puede recibir y mandar señales a sus vecinas mediante pulsos eléctricos. Tiene tres partes principales, cuerpo, dendritas y axón.

Cada neurona tiene prolongaciones delgadas o dendritas, Son cables receptores de señales. El axón o fibra nerviosa es el conducto de salida de la señal, son cables receptores de señales. El axón o fibra nerviosa es el conducto de salida de la señal. El crecimiento de las dendritas es lento y sus conexiones son pocas en los primeros tiempos de vida. En algunas etapas se forman hasta 250,000 neuronas por minuto. Después del nacimiento las neuronas no se reproducen aunque son capaces de crear nuevas conexiones entre ellas. En algunas partes del sistema nervioso adulto desaparece el 85% de las neuronas. La inteligencia viene dada fundamentalmente por estas conexiones y no por el número de neuronas vivas. La estructura de las neuronas cambia a lo largo de las diferentes etapas de la vida.

Cada vez que aprendemos algo nuevo el cerebro crea nuevas conexiones dendríticas entre las neuronas. Aprender es cambiar el cerebro. Lo importante no es el número de neuronas sino el número de conexiones entre ellas.

Se requiere de sistemas nerviosos adecuadamente complejos, capaces de admitir y producir variación. Cuando un organismo está equipado genéticamente con estructura, fisiología y conducta y con capacidad para aprender, de forma que pueda desempeñarse eficientemente en un ambiente determinado, se dice que está biológicamente adaptado.

Después de descargarse una neurona necesita un tiempo mínimo, puede ser un segundo, para reponer su potencial eléctrico y volver al estado anterior al "disparo". Parece un tiempo muy largo si se compara con un chip de silicio de una computadora. El secreto está en que en el cerebro trabajan simultáneamente millones de neuronas, cuya potencia global es muy superior al de una computadora. Cada neurona tiene decenas de miles de conexiones con otras neuronas.

Todos nuestros conocimientos nos han llegado a través de los sentidos. Tradicionalmente, se pensaba que el hombre solo contaba con cinco de ellos; visión, audición, tacto, olfato y gusto, pero actualmente se reconocen muchas otras clases de sensaciones adicionales, tales como el dolor, la presión, la temperatura, la propiocepción, la sensación muscular y el movimiento; pero todas estas son incluidas generalmente en el sentido del "tacto". Las áreas cerebrales involucradas son llamadas áreas "somatosensoriales". El sistema nervioso humano sólo reacciona a un selectivo rango de longitud de onda, vibraciones u otras propiedades. Esto está limitado tanto por los genes como por las experiencias pasadas y por el estado de atención en el momento. Las características básicas del aprendizaje son la flexibilidad y la memoria. Las formas elementales por las que se aprende son mediante las señales ambientales que permiten observar, analizar y pronosticar, en el aprendizaje se crean expectativas respecto a los acontecimientos del ambiente. La expectativa de los eventos futuros permiten comportarse adaptativamente: prepararse, atender, prever la secuencia del evento y de su conducta y esperar las consecuencias. Este último aspecto (esperar las consecuencias) hace alusión a otro tipo fundamental de aprendizaje. Para ello es importante que se lleven a cabo los siguientes procesos:

• Atención: selecciona la información (material a aprenderse (novedoso, extraño, trazos)

• Percepción: captación de la información (estímulos para el registro sensorial).

• Memoria: codificar, almacenar y recuperar la información.

La memoria y el aprendizaje están interrelacionados. La memoria es un cambio en el comportamiento en respuesta a un estímulo. Es como si se aprendiese bajo presión emocional.

La memoria es un proceso de facilitación. La facilitación sólo implica repetición. La memoria se almacena en la superficie de la corteza. Implica toda la corteza cerebral, también el sistema límbico.

Existen diferentes tipos de aprendizaje: el aprendizaje sensomotor que se produce mediante una interacción de las áreas 3, 1, 2, 39, 40, 4 y 6 en los lóbulos frontal y parietal. El aprendizaje perceptivo visual en las áreas 17, 18, 19 del lóbulo occipital. El aprendizaje perceptivo auditivo en las áreas 21, 22, 41, 42. El aprendizaje gustativo en el área 43 en el lóbulo parietal. El aprendizaje olfativo en el área 12 del lóbulo frontal. El aprendizaje de conceptos, juicios y raciocinios en el área 4, 6, 8, 10, 44 del lóbulo frontal.

El mecanismo del aprendizaje se define como la forma en que los aprendices prestan atención a los sucesos del medio, codifican la información que deben aprender y la relacionan con los conocimientos que ya tienen, almacenan la nueva información en la memoria y la recuperan cuando la necesitan. La expresión “el aprendizaje es óptimo cuando el cuerpo y la mente están equilibrados y cuando la información se aborda teniendo en cuenta algunos principios de la anatomía y la fisiología del hombre”. El aprendizaje de nuevos conocimientos se logra cuando la persona sabe crear un estado de gran receptividad para recibir con mayor facilidad los contenidos conceptuales y así comprenderlos con profundidad, asimilarlos e integrarlos logrando una mejor retención y el dominio de dichos conocimientos en forma autónoma. El constructivismo promueve experiencias de aprendizaje más abierto, en los que los métodos y resultados del aprendizaje no son tan fácilmente medibles y podrían ser diferentes entre cada individuo.

Enfoque con las tecnologías de la información y comunicación

Sus características esenciales son:

• Promueven un enfoque centrado en el que aprende.

• Estimulan un aprendizaje autónomo, entendido desde la auto planificación, auto organización y autoevaluación de los aprendizajes.

Básicamente el constructor de objetos de aprendizaje se sitúa en el nivel de una tecnología, tecnología de instrucciones, no opera como una teoría del diseño de instrucciones, sino más bien sirve para construir mensajes, espacios, artefactos que permitan dar un determinado tipo de instrucción. En este caso esta tecnología de instrucciones tiene a la base una teoría de lo que es enseñar y lo que es aprender y como se realizan ambos procesos.

Los objetos de aprendizaje son elementos de un nuevo tipo de instrucción basada en computadora originados en el paradigma de orientación a objetos. Se entienden como entidades digitales que se pueden distribuir a través de Internet, por lo cual mucha gente puede acceder a ellas simultáneamente y los diseñadores pueden utilizarlos para construir pequeñas piezas de componentes de instrucciones reutilizables en diferentes contextos.

PROYECTOS REALIZADOS CON UNA RNA.
Las características especiales de los sistemas de computación neuronal permiten que sea utilizada esta nueva técnica de cálculo en una extensa variedad de aplicaciones.

La computación neuronal provee un acercamiento mayor al reconocimiento y percepción humana que los métodos tradicionales de cálculo. Las redes neuronales artificiales presentan resultados razonables en aplicaciones donde las entradas presentan ruido o las entradas están incompletas.

Algunas de las áreas de aplicación de las RNA son las siguientes:


  • Análisis y procesado de señales.

  • Proceso de lenguaje.

  • Control de procesos.

  • Reconocimiento de imágenes.

  • Robótica.

  • Filtrado de ruido

  • Diagnósticos médicos.


Conversión Texto a Voz:

La conversión texto-voz consiste en cambiar los símbolos gráficos de un texto en lenguaje hablado. El sistema de computación neuronal presentado por Sejnowski y Rosemberg, el sistema llamado NetTalk, convierte texto en fonemas y con la ayuda de un sintetizador de voz (Dectalk) genera voz a partir de un texto escrito.

La ventaja que ofrece la computación neuronal frente a las tecnologías tradicionales en la conversión texto-voz es la propiedad de eliminar la necesidad de programar un conjunto de reglas de pronunciación en el ordenador.
Procesado Natural del Lenguaje: el estudio de cómo se construyen las reglas del lenguaje. Los científicos del conocimiento Rumelhart y McClelland han integrado una red neuronal de proceso natural del lenguaje. El sistema realizado ha aprendido el tiempo verbal pass tense de los verbos en Inglés. Las características propias de la computación neuronal como la capacidad de generalizar a partir de datos incompletos y la capacidad de abstraer, permiten al sistema generar buenos pronósticos para verbos nuevos o verbos desconocidos.
Reconocimiento de Caracteres: es el proceso de interpretación visual y de clasificación de símbolos. Los investigadores de Nestor, Inc. han desarrollado un sistema de computación neuronal que tras el entrenamiento con un conjunto de tipos de caracteres de letras, es capaz de interpretar un tipo de carácter o letra que no haya visto con anterioridad.

Reconocimiento de Patrones en Imágenes: una aplicación típica es la clasificación de objetivos detectados por un sonar. Existen varias RNA basadas en la popular Backpropagation cuyo comportamiento es comparable con el de los operadores humanos.
Procesado de la Señal: en este tipo de aplicación existen tres clases diferentes de procesado de la señal que han sido objeto de las ANN como son la predicción, el modelado de un sistema y el filtrado de ruido.
Predicción: en el mundo real existen muchos fenómenos de los que conocemos su comportamiento a través de una serie temporal de datos o valores. Lapedes y Farber del Laboratorio de Investigación de los Álamos, han demostrado que la red

backpropagation supera en un orden de magnitud a los métodos de predicción polinómicos y lineales convencionales para las series temporales caóticas.
Modelado de Sistemas: los sistemas lineales son caracterizados por la función de transferencia que no es más que una expresión analítica entre la variable de salida y una variable independiente y sus derivadas. Las RNA también son capaces de aprender una función de transferencia y comportarse correctamente como el sistema lineal que está modelando.

Modelos Económicos y Financieros: una de las aplicaciones más importantes del modelado y pronóstico es la creación de pronósticos económicos como por ejemplo los precios de existencias, la producción de las cosechas, el interés de las cuentas, el volumen de las ventas etc. Las redes neuronales están ofreciendo mejores resultados en los pronósticos financieros que los métodos convencionales.
PROYECTOS RECIENTES APLICANDO RNA.

  • RNA APLICADAS AL ANALISIS DE DATOS.

Autores: Pitar, Ruiz, Fuentes, Martínez.

Se caracterizaron por desarrollar una RNA del tipo MLP con el objeto de clasificar un grupo de sujetos en una de 4 categorías diagnosticas (expresivo, esquizofrénico, neurótico o mentalmente sano) a partir de un cuestionario elaborado por los autores.


  • RNA PARA EL RECONOCIMIENTO DE GESTOS.

Autor: Blanca Miriam Lee Cosío.

Se caracteriza por ofrecer un sistema de reconocimiento de gestos arbitrarios generados por el control remoto de wi, que es un control basado en acelerómetros. Se implementaron algoritmos de clasificación de patrones y por otro lado de entrenamiento y de aprendizaje de redes neuronales para compararlos y obtener un mejor resultado.


  • APLICACIÓN DE LA RNA AL CAMPO DE LAS CONDUCTAS ADICTIVAS.

Autor: Juan José Montaño Moreno.

Se crea una RNA para la clasificación de sujetos consumidores y no consumidores de éxtasis a partir de 25 items agrupados en 5 categorías temáticas siguiendo los principios de la squashing theory (Buscema, 1995). Un análisis de sensibilidad sobre un modelo de red creado, permitió identificar los factores de riesgo asociados al consumo de éxtasi.



  • PREDICCION DE LA QUIEBRA BANCARIA MEDIANTE EL EMPLEO DE REDES NEURONALES ARTIFICIALES.

Autor: Carlos Serrano Cinca.

El análisis contable es una materia en constante evolución que se sirve de diversas herramientas para cumplir el objetivo de convertir los datos en los estados económicos financieros, en este artículo se destaca la aplicación de una RNA para la predicción de crisis basando se en el Perceptron Multicapa y Mapas Autoorganizados comparando los resultados con los estudios basado en análisis estadísticos multivalente. Con el desarrollo de los modelos neuronales han obtenido mayor porcentaje de aciertos que los modelos clásicos.
  1   2   3

similar:

Resumen iconResumen resumen plan de acción encc

Resumen iconResumen?pident=13085758 >Resumen

Resumen iconResumen espacio destinado a la inclusión del resumen del contenido del trabajo

Resumen iconResumen espacio destinado a la inclusión del resumen del contenido del trabajo

Resumen iconResumen en el resumen se deben plantear brevemente los objetivos...

Resumen iconResumen

Resumen iconResumen

Resumen iconResumen : Un

Resumen iconResumen

Resumen iconResumen 1-4




Todos los derechos reservados. Copyright © 2019
contactos
b.se-todo.com