• 
  
• 
  
• 
  
• Aplicaciones de las redes neuronales
  
  
  Las redes neuronales pueden utilizarse en un gran número y variedad de aplicaciones, tanto comerciales como militares. Se pueden desarrollar redes neuronales en un periodo de tiempo razonable, con la capacidad de realizar tareas concretas mejor que otras tecnologías. Cuando se implementan mediante hardware (redes neuronales en chips VLSI), presentan una alta tolerancia a fallos del sistema y proporcionan un alto grado de paralelismo en el procesamiento de datos. Esto posibilita la inserción de redes neuronales de bajo coste en sistemas existentes y recientemente desarrollados.
  Hay muchos tipos diferentes de redes neuronales; cada uno de los cuales tiene una aplicación particular más apropiada.
  
  
  
  
  
  
  
  Algunas aplicaciones comerciales son:
  
  
  Biología:
  
  
  ·         Aprender más acerca del cerebro y otros sistemas.
  
  
  ·         Obtención de modelos de la retina.
  
  
• 
  
• 
  
          
• Empresa:
  
  
  ·         Evaluación de probabilidad de formaciones geológicas y petrolíferas.
  ·         Identificación de candidatos para posiciones específicas.
  ·         Explotación de bases de datos.
  ·         Optimización de plazas y horarios en líneas de vuelo.
  ·         Optimización del flujo del tránsito controlando convenientemente la temporización de los semáforos.
  ·         Reconocimiento de caracteres escritos.
  ·         Modelado de sistemas para automatización y control.
• 
  
  

• Medio ambiente:
  
  
  ·         Analizar tendencias y patrones.
  ·         Previsión del tiempo
• 
  
  
• 
  
  
  
  
• Finanzas:
  
  
  ·         Previsión de la evolución de los precios.
  ·         Valoración del riesgo de los créditos.
  ·         Identificación de falsificaciones.
  ·         Interpretación de firmas.
  
  
  
  
  Manufacturación:
  
  
  ·    Robots automatizados y sistemas de control (visión artificial y sensores de presión, temperatura, gas, etc).
  ·         Control de producción en líneas de procesos.
  ·         Inspección de la calidad.
• 
  
  
• 

            

         Medicina:

·        Analizadores del habla para ayudar en la audición de sordos profundos.

· Diagnóstico y tratamiento a partir de síntomas y/o de datos analíticos (electrocardiograma, encefalogramas, análisis sanguíneo, etc.).

·         Monitorización en cirugías

·         Predicción de reacciones adversas en los medicamentos.

·     Entendimiento de la causa de los ataques cardíacos.

         Militares:

·         Clasificación de las señales de radar.

·         Creación de armas inteligentes.

·         Optimización del uso de recursos escasos.

·         Reconocimiento y seguimiento en el tiro al blanco.

    La mayoría de estas aplicaciones consisten en realizar un reconocimiento de patrones, como ser: buscar un patrón en una serie de ejemplos, clasificar patrones, completar una señal a partir de valores parciales o reconstruir el patrón correcto partiendo de uno distorsionado. Sin embargo, está creciendo el uso de redes neuronales en distintos tipos de sistemas de control.

    Desde el punto de vista de los casos de aplicación, la ventaja de las redes neuronales reside en el procesado paralelo, adaptativo y no lineal.

   El dominio de aplicación de las redes neuronales también se lo puede clasificar de la siguiente forma: asociación y clasificación, regeneración de patrones, regresión y generalización, y optimización.

Asociación y clasificación

   En esta aplicación, los patrones de entrada estáticos o señales temporales deben ser clasificados o reconocidos. Idealmente, un clasificador debería ser entrenado para que cuando se le presente una versión distorsionada ligeramente del patrón, pueda ser reconocida correctamente sin problemas. De la misma forma, la red debería presentar cierta inmunidad contra el ruido, esto es, debería ser capaz de recuperar una señal

"  limpia" de ambientes o canales ruidosos. Esto es fundamental en las aplicaciones holográficas, asociativas o regenerativas.

  

   Asociación: de especial interés son las dos clases de asociación: autoasociación y heteroasociación.

    El problema de la autoasociación es recuperar un patrón enteramente, dada una información parcial del patrón deseado.

   La heteroasociación es recuperar un conjunto de patrones B, dado un patrón de ese conjunto.

    Los pesos en las redes asociativas son a menudo predeterminados basados en la regla de Hebb. Normalmente, la autocorrelación del conjunto de patrones almacenado determina los pesos en las redes autoasociativas.

    Por otro lado, la correlación cruzada de muchas parejas de patrones se usa para determinar los pesos de la red de heteroasociación.

    Clasificación no Supervisada: para esta aplicación, los pesos sinápticos de la red son entrenados por la regla de aprendizaje no supervisado, esto es, la red adapta los pesos y verifica el resultado basándose únicamente en los patrones de entrada.

  Clasificación Supervisada: esta clasificación adopta algunas formas del criterio de interpolación o aproximación. En muchas aplicaciones de clasificación, por ejemplo, reconocimiento de voz, los datos de entrenamiento consisten de pares de patrones de entrada y salida. En este caso, es conveniente adoptar las redes Supervisadas, como las bien conocidas y estudiadas redes de retropropagación. Este tipo de redes son apropiadas para las aplicaciones que tienen una gran cantidad de clases con límites de separación complejos.

Regeneración de patrones.

   En muchos problemas de clasificación, una cuestión a solucionar es la recuperación de información, esto es, recuperar el patrón original dada solamente una información parcial. Hay dos clases de problemas: temporales y estáticos. El uso apropiado de la información contextual es la llave para tener éxito en el reconocimiento.

Regeneración y generalización.

    El objetivo de la generalización es dar una respuesta correcta a la salida para un estímulo de entrada que no ha sido entrenado con anterioridad. El sistema debe inducir la característica saliente del estímulo a la entrada y detectar la regularidad. Tal habilidad para el descubrimiento de esa regularidad es crítica en muchas aplicaciones. Esto hace que el sistema funcione eficazmente en todo el espacio, incluso cuando ha sido entrenado por un conjunto limitado de ejemplos.

Optimización.

    Las Redes Neuronales son herramientas interesantes para la optimización de aplicaciones, que normalmente implican la búsqueda del mínimo absoluto de una función de energía. Para algunas aplicaciones, la función de energía es fácilmente deducible; pero en otras, sin embargo, se obtiene de ciertos criterios de coste y limitaciones especiales.

Casos concretos de aplicación.

   A continuación se detallan los siguientes casos concretos de aplicación de redes neuronales:

• ·         Planificación del staff de empleados.
• ·         Planificación de la demanda de materiales.
• ·         Puntuación para la solicitud de un crédito.

Planificación del staff (cuerpo) de empleados.

    Hoy más que nunca, las empresas están sujetas a la presión de los elevados costos. Esto puede verse en diferentes sectores corporativos, tales como la planificación del staff de empleados. Desde el punto de vista de las empresas, un empleado que falla al ejecutar la mayor parte de las tareas asignadas, evidencia una baja productividad. Por el otro lado, esta situación es frustrante para el empleado. Ambos efectos causan costos, los cuales podrían evitarse realizando antes una prueba de aptitud. Estos problemas no solamente son originados por los empleados nuevos, sino también por aquellos que son reubicados dentro de la misma empresa.

Base de datos y codificación:

    La base de datos inicial contenía información resultante de una investigación que realizaron por medio de un cuestionario. Las respuestas obtenidas a través del mismo las utilizaron para acumular información acerca de las cualidades específicas y habilidades técnicas de cada individuo del personal indagado. Para cada pregunta, les fue posible categorizar la respuesta en un intervalo que va de 1 a 5; constituyendo así la entrada que presentaron a la red neuronal. Al entrevistado, posteriormente, lo examinaron en el orden de obtener una cifra representativa de sus aptitudes. De esta manera el conjunto de datos de entrenamiento quedó formado de la siguiente forma:

·         Respuesta obtenidas a través del cuestionario = datos de entrada.

·         Cifra representativa de la aptitud de la persona encuestada = salida deseada

    El primer problema que se les presentó fue cómo codificar los datos obtenidos, decidiendo transformarlos dentro del intervalo [0.1, 1.0]. Cómo codificar la salida objetivo fue la próxima pregunta que consideraron.

     Normalmente la compañía sólo quiere conocer si una persona ejecutará bien o mal la tarea determinada, o si su desempeño será muy bueno, bueno, promedio, malo o muy malo.

     Consecuentemente,

    (a) asignaron la salida dada dentro de varias clases y

    (b) transformaron las cifras representativas dentro del intervalo [0, 1], utilizando en parte una función lineal.

Algoritmo de aprendizaje:

    Ensayaron diferentes algoritmos de aprendizaje, de los cuales dos fueron escogidos como los más apropiados: Propagación Rápida (Quickpropagation) y Propagación Elástica (Resilient Propagation).

   Quickpropagation: es una modificación del algoritmo estándar de backpropagation. A diferencia de este, la adaptación de los pesos no es solamente influenciada por la sensibilidad actual, sino también por la inclusión del error previo calculado.

  

    Resilient Propagation: es otra modificación del algoritmo estándar de backpropagation. En oposición a este, la adaptación de los pesos es influenciada por el signo de la sensibilidad actual y antecesora, y no por su cantidad.