Una aproximación práctica a las Redes Neuronales Artificiales

El propósito general de este libro es ser una guía para que el lector interesado en trabajar con Redes Neuronales Artificiales, (RNA) esté en capacidad de solucionar problemas propios de su disciplina usando esta técnica de la Inteligencia Computacional. La estructura del libro se concibe desde los tipos de aprendizaje, ya que es la característica más importante que poseen las redes neuronales artificiales y en ella radica su principal fortaleza para solucionar y adaptarse a diversos problemas. En este libro se encuentran contenidos teóricos básicos que lo dejarán preparado para afrontar el estudio de libros y artículos de carácter avanzado, acompañado de problemas resueltos que afianzan el saber y el saber hacer.

El primer capítulo presenta una breve revisión histórica de la evolución de las RNA con el fin de mostrar los principales desarrollos científicos que han enriquecido este apasionante campo del saber. Se introduce el modelo artificial de una neurona inspirado en el funcionamiento de la neurona biológica y a partir de este modelo artificial, se hace una revisión de las arquitecturas monocapa, multicapa y recurrente de las redes neuronales artificiales, así como de los procesos de aprendizaje supervisado y no supervisado.

En el capítulo dos, se estudian las redes neuronales tipo Perceptron y Adaline, las arquitecturas, los principales algoritmos de aprendizaje y su aplicabilidad. Es importante detenerse en las limitaciones inherentes al Perceptron con el fin de visualizar la introducción de estructuras de red más complejas y que las superen. Como en todos los capítulos siguientes, el libro propone una aproximación práctica para solucionar problemas usando MATLAB y UV-SRNA, siendo esta última una herramienta desarrollada en la Universidad del Valle.

De las limitaciones observadas en el Perceptron, relacionadas fundamentalmente con su imposibilidad para solucionar problemas no lineales, surgen el Perceptron Multicapa (MlP) y el algoritmo de Backpropagation, temas que son ampliamente discutidos en el capítulo tres. El modelo de Hopfield es un buen ejemplo de red neuronal dinámica, cuyo estudio se plantea en el capítulo cuatro, a partir de las memorias asociativas y autoasociativas, para luego proponer el Modelo Discreto de Hopfield, a través de su procedimiento de aprendizaje y principio de funcionamiento, se continua con el Modelo Continuo de Hopfield para finalizar con la aproximación practica donde veremos paso a paso como se construye y simula en MATLAB este tipo de red.  

En el capítulo cinco se presentan los Mapas Auto-organizados de Kohonen como un ejemplo representativo del aprendizaje no supervisado de las redes neuronales artificiales. En las aplicaciones prácticas se enfatiza en la capacidad que tiene esta red para auto-organizarse dependiendo de la estructura de los datos que se utilicen para su entrenamiento, con el fin de mostrar su aplicabilidad en el campo del reconocimiento y clasificación de patrones.

CONTENIDO

Introducción

Capítulo 1

Generalidades sobre redes neuronales artificiales

1. Introducción
2. Breve reseña histórica

• De la neurona biológica a la neurona artificial
• La neurona biológica
• La neurona artificial
• Procesamiento matemático en la neurona artificial

3. Red neuronal artificial
4. Arquitecturas de redes neuronales artificiales

• Redes monocapa
• Redes multicapa
• Redes feedforward
• Redes recurrentes

5. El aprendizaje en las redes neuronales artificiales

• Aprendizaje supervisado
• Aprendizaje nosupervisado

6. Ejemplo de procesamiento de la información en una red neuronal
7. Nivel de aplicación

Capítulo 2

Redes neuronales perceptron y adaline
 

1. Introducción
2. Red neuronal perceptron

• Arquitectura de un perceptron
• Algoritmo de aprendizaje

3. Red neuronal adaline

• Arquitectura
• Algoritmo de aprendizaje

4. Limitaciones del perceptron
5. Aproximación práctica

• Construcción de un perceptron usando MATLAB®
• Solución de la función lógica AND con un perceptron
• Exportando la red neuronal a simulink
• Solución de la función lógica AND con UVSRNA
• Clasificador lineal con UVSRNA
• Reconocimiento de caracteres usando el Perceptron
• Reconocimiento de caracteres con UVSRNA
• Filtro adaptativo usando una red adaline
• Filtrado de señales biomédicas
• Filtrado de señales de voz

6. Proyectos propuestos

Capítulo 3

Perceptron multicapa y algoritmo backpropagation
 

1. Introducción
2. Arquitectura general de un perceptron multicapa
3. Entrenamiento de un MLP

• Nomenclatura del algoritmo backpropagation
• Algoritmo backpropagation: regla delta generalizada
• Pasos del algoritmo backpropagation
• Algoritmo gradiente descendente con alfa variable
• Pasos del algoritmo gradiente descendente con alfa variable

4. Algoritmos de alto desempeño para redes neuronales MLP

• Algoritmo de aprendizaje del gradiente conjugado
• Algoritmo de aprendizaje levenberg marquardt

5. Consideraciones de diseño

• Conjuntos de aprendizaje y de validación 
• Dimensión de la red neuronal

6. Velocidad de convergencia del algoritmo

• Funciones de activación
• Pre y posprocesamiento de datos
• Regularización

7. Aproximación práctica

• Solución del problema de la función XOR con MATLAB®
• Aprendizaje de una función seno con MATLAB®
• Aprendizaje de la función silla de montar con MATLAB®
• Solución del problema de la XOR con UVSRNA
• Identificación de sistemas usando redes neuronales MLP
• Pronóstico de consumo de energía (demanda)
• Aplicación a la clasificación de patrones (el problema de IRIS)

8. Proyectos propuestos

Capítulo 4

Red neuronal de hopfield
 

1. Introducción
2. Memoria autoasociativa bidireccional (BAM)

• Arquitectura de la BAM
• Memoria autoasociativa
• Procesamiento de información en la BAM

3. Modelo discreto de hopfield

• Procesamiento de aprendizaje
• Principio de funcionamiento
• Concepto de energía en el modelo discreto de hopfield
• Ejemplo de procesamiento

4. Modelo continuo de hopfield

• Modelo continuo de hopfield de una neurona
• Función de energía para el modelo continuo de hopfield

5. Aproximación práctica

• Red tipo hopfield con MATLAB®

6. Proyectos propuestos

Capítulo 5

Mapas auto-organizados de kohonen
 

1. Introducción
2. El modelo bioinspirado de kohonen
3. Arquitectura de la red
4. Algoritmo de aprendizaje

• Consideraciones iniciales
• Modelo matemático
• Ejemplo

5. Principio de funcionamiento
6. Aproximación práctica

• Capacidad para reconocer grupos de patrones de un mapa de kohonen
• Capacidad de autoorganización de los mapas de kohonen usando MATLAB®
• Capacidad de autoorganización de los mapas de kohonen usando UVSRNA
• Clasificación de patrones usando mapas de kohonen

7. Proyectos propuestos

Capítulo 6

Red neuronal de base radial (RBF)
 

1. Introducción
2. El problema de interpolación
3. Redes de base radial

• Arquitectura de una red de base radial
• Entrenamiento de la red RBF
   

4. Diferencias entre las redes MLP y RBF
5. Aproximación práctica

• Ejemplo de interpolación exacta con MATLAB®
• Aprendizaje de la función XOR
• Aprendizaje de una función de una variable
• Identificación de la dinámica de un sistema con una red RBF

Proyectos propuestos

Bibliografía