Instituto Tecnolgico Superior De Rioverde

.:TRABAJO DE INVESTIGACIN:. TEMA: Perceptrn de Rosenblatt

MATERIA: Inteligencia Artificial

ALUMNOS: Cabrera Alvarado Jos Ricardo De la Torre Daz Refugio Inocencio Hernndez Loredo Ana Berenice Rocha Camarillo Dulce Abigail

CARRERA: Ing. Sistemas Computacionales 8 Semestre turno matutino

DOCENTE: I.S.C. Juan Carlos Aguilar Salazar

Rioverde, S.L.P. 22 de Febrero de 2012

Perceptrn de RosenblattTabla de contenidoIntroduccin ........................................................................................................................................ 3 Antecedentes ...................................................................................................................................... 3 Qu es el perceptrn de Rosenblatt?................................................................................................ 4 Desarrollo del perceptrn de Rosenblatt............................................................................................ 5 Redes neuronales artificiales .............................................................................................................. 6 Aplicaciones al control automtico ..................................................................................................... 7 El futuro de las redes neuronales........................................................................................................ 7 Conclusiones personales: .................................................................................................................... 8 Fuentes de informacin ...................................................................................................................... 9

2

Perceptrn de RosenblattIntroduccinEn este trabajo de investigacin se encuentran los puntos que consideramos ms relevantes en cuanto al tema Perceptrn de Rosenblatt. Iniciando con una breve historia de su surgimiento y desglosando de manera general su funcionamiento y para que servira, adems de la manera como se demostrara ms tarde las limitaciones con las que contaba. Las redes neuronales artificiales son un tema bsico dentro de nuestra investigacin pues son la base del perceptrn sencillo (el cual es la representacin de una sola neurona). Comenzando desde una neurona hasta formar una red capaz de procesar informacin para convertirla en aprendizaje. En cuanto al aprendizaje se mencionan los tipos de este en una red. Aunque los campos en los que se est aplicando actualmente dicho proceso de aprendizaje son amplios, abarcamos solo unos cuantos en diferentes reas, los que a nuestro criterio tienen mayor propagacin. En lo que corresponde al futuro de las redes neuronales nos abstuvimos de hacer mayores comentarios, porque cremos que cualquier comentario podra restringir la transcendencia que tendrn a futuro estas tecnologas, las cuales son ahora algo fundamental en nuestra sociedad actual.

AntecedentesDurante la primera mitad de los aos 50 y principios de los 60, las denominadas mquinas de aprendizaje propuestas por el psiclogo Frank Rosenblatt (1942) supusieron una revolucin entre los investigadores en la teora de reconocimiento de patrones. La razn del gran inters de dichas mquinas llamadas perceptrones fue el desarrollo de las correspondientes denominaciones matemticas llegando a la conclusin de que los perceptrones, cuando son entrenados con conjuntos de entrenamientos linealmente separables, convergen a una solucin en un nmero finito de iteraciones. La solucin tom forma de coeficientes de hiperplanos

3

Perceptrn de Rosenblattcapaces de separar correctamente las clases representadas por patrones del conjunto de entrenamiento. [1] El perceptrn es un tipo de red neuronal sencillo, formado por una sola neurona. Se utiliza para problemas de clasificacin lineal. [2] El perceptrn de Rosenblatt era un sistema visual de reconocimiento de patrones en el cual se aunaron esfuerzos para que se pudieran resolver una gama amplia de problemas. Este ha quedado como una aportacin relevante, fundamento de las redes neuronales. [3] Uno de los primeros modelos matemticos de una neurona fue el propuesto por McCulloch y Pitts en 1943 y es en el que se basan las redes neuronales actuales. Rosenblatt crea que la conectividad existente en las redes biolgicas tiene un elevado porcentaje de aleatoriedad, por lo que se opona al anlisis de McCulloch Pitts en el cual se empleaba lgica simblica para analizar estructuras bastante idealizadas. Rosenblatt opinaba que la herramienta de anlisis ms apropiada era la teora de probabilidades, y esto lo llev a una teora de separabilidad estadstica que utilizaba para caracterizar las propiedades ms visibles de estas redes de interconexin ligeramente aleatorias.

Qu es el perceptrn de Rosenblatt?En 1957, Frank Rosenblatt present el perceptrn, una red neuronal con aprendizaje supervisado. El perceptrn trabaja con patrones de entrada binarios, y su funcionamiento, por tratarse de una red supervisada, se realiza en dos fases: una primera en la que se presentan las entradas y la salidas deseadas; en esta fase la red aprende la salida que debe dar para cada entrada. En la fase siguiente, de operacin, la red es capaz de responder adecuadamente cuando se le vuelven a presentar los patrones de entrada. Consista bsicamente en una suma de las seales de entrada, multiplicadas por unos valores de pesos escogidos aleatoriamente. La entrada es comparada con un patrn preestablecido para determinar la salida de la red. Si en la comparacin, la suma de las entradas multiplicadas por los pesos es mayor o igual que el patrn preestablecido la salida de la red es uno (1), en caso contrario la salida es cero (0).

4

Perceptrn de RosenblattMediante investigaciones se pudo demostrar que el Perceptrn era capaz de clasificar patrones correctamente, en lo que Rosenblatt denominaba un entorno diferenciado, en el cual cada clase estaba formada por patrones similares. El Perceptrn tambin era capaz de responder de manera congruente frente a patrones aleatorios, pero su precisin iba disminuyendo a medida que aumentaba el nmero de patrones que intentaba aprender.

Desarrollo del perceptrn de RosenblattAl inicio del desarrollo de los sistemas de inteligencia artificial, se encontr gran similitud entre su comportamiento y el de los sistemas biolgicos y en principio se crey que este modelo poda computar cualquier funcin aritmtica o lgica. As el primer modelo de Perceptrn fue desarrollado en un ambiente biolgico imitando el funcionamiento del ojo humano, el fotoperceptrn como se le llam era un dispositivo que responda a seales pticas. Rosenblatt demostr el teorema del perceptrn, con lo qu mostr que su algoritmo de aprendizaje podra ajustar las necesidades de las conexiones de un perceptrn para que se adaptaran a los datos de entrada, siempre y cuando existiera una correspondencia. [4] De esta manera se crearon grandes expectativas sobre sus aplicaciones, que posteriormente se tornaron en gran decepcin cuando en 1969 Minsky y Papert demostraron sus grandes limitaciones. En 1969 Marvin Minsky y Seymour Papert publicaron su libro: "Perceptrons: An introduction to Computational Geometry", el cual para muchos signific el final de las redes neuronales. En l se presentaba un anlisis detallado del perceptrn, en trminos de sus capacidades y limitaciones, en especial en cuanto a las restricciones que existen para los problemas que una red tipo Perceptrn poda resolver; la mayor desventaja de este tipo de redes es su incapacidad para solucionar problemas que no sean linealmente separables. El perceptrn simple slo serva para clasificar problemas linealmente separables, cosa que ya se podan hacer mediante mtodos estadsticos, y de una forma mucho ms eficiente.

5

Perceptrn de RosenblattRedes neuronales artificialesLa neurona es una clula especializada y caracterizada por poseer una cantidad indefinida de canales de entrada llamados dendritas y un canal de salida llamado axn. Las dendritas operan como sensores que recogen informacin de la regin donde se hallan y la derivan hacia el cuerpo de la neurona que reacciona de alguna manera y produce una respuesta entregada por su axn. Una neurona sola y aislada carece de razn de ser. Su labor especializada se torna valiosa en la medida en que se asocia a otras neuronas, formando una red. El perceptrn puede usarse como neurona dentro de un perceptrn ms grande u otro tipo de red neuronal artificial. En la prctica, los pesos de las neuronas se modifican sometiendo a la red a un entrenamiento, permitiendo que la red realice una funcin determinada. Esta es la caracterstica que diferencia a una red neuronal de una mquina algortmica clsica: una red neuronal no se programa, se educa. La red es capaz de retener y asociar el conocimiento a travs de la adaptacin de los pesos de las neuronas siguiendo una regla de aprendizaje. Estas reglas son ecuaciones expresadas en funcin de las entradas y salidas de las neuronas y describen la forma de variacin de los pesos. En definitiva, son el instrumento empleado por las neuronas para adaptarse a la informacin que se le presenta. El aprendizaje de una red se puede producir de tres formas: Aprendizaje supervisado: consiste en introducir una serie de patrones de entrada a la red y a su vez mostrar la salida que se quiere tener. La red es capaz de ajustar los pesos de las neuronas de forma que a la presentacin posterior de esos patrones de entrada la red responde con salida memorizada. Aprendizaje no supervisado: se presentan los patrones de entrada a la red y sta los clasifica en categoras segn sus rasgos ms sobresalientes. Aprendizaje autosupervisado: la propia red corrige los errores en la interpretacin empleando una realimentacin.

6

Perceptrn de Rosenblatt

Aplicaciones al control automticoPor ltimo, se muestran algunas de las mltiples aplicaciones que pueden darse a las redes neuronales en este campo. Visin artificial: Se emplean modelos de redes neuronales que son capaces de emular caractersticas del funcionamiento visual humano permitiendo, por ejemplo, el reconocimiento de imgenes texturadas en color, el aprendizaje para determinar posiciones a partir de la informacin proveniente de dos cmaras, y representacin de la visin binocular. Reconocimiento y categorizacin de patrones: Estas redes emplean las arquitecturas de la Teora de la Resonancia Adaptativa o ART. Entre otras aplicaciones se encuentran el reconocimiento de caracteres manuscritos, autorizacin de descubiertos bancarios y clasificacin de cromosomas. Procesos qumicos: Dos aplicaciones posibles son: el control de la temperatura en un reactor qumico y el control de procesos qumicoorgnicos no lineales. Control motor: Permiten resolver el problema cinemtico inverso en manipuladores y robtica mvil, consistente en determinar la secuencia de movimientos que deben realizar las distintas partes del robot para alcanzar una posicin deseada. Tambin permiten el aprendizaje de la dinmica del manipulador, es decir, de la generacin de las fuerzas y pares que hay que aplicar para producir un movimiento determinado. Otros campos, como la prediccin econmica y problemas de gestin, aprendizaje preventivo, etc...

El futuro de las redes neuronalesLas redes neuronales alcanzan cada vez mayor auge, teniendo multitud de aplicaciones en campos diversos y dando soluciones sencillas a problemas cuya resolucin resulta complicada cuando se emplean mquinas algortmicas. Aun as, el futuro de las redes neuronales no est todava claro y ser en los prximos aos cuando se determine su evolucin.7

Perceptrn de RosenblattConclusiones personales:Ricardo: El perceptrn es una forma muy directa de como representar el pensamiento humano debido a que es muy similar a una neurona, este es capaz de decidir entre posibilidades para llegar a un resultado ptimo as es como funciona, gracias a este "modelo de red neuronal" se sentaron las bases de la inteligencia artificial. Refugio: Gracias al Perceptrn de Rosenblatt se pudo proseguir el avance de la Inteligencia Artificial al permitirnos representar la seal de salida de uno o varios datos de entrada, o sea en este caso: el modelo matemtico ms simple de una neurona. Esto significo una mejora al modelo de McCulloch y Pitts y abri las puertas para el nacimiento del GPS, el sistema experto y lenguajes como LISP, PROLOG, EURISKO, y todos los dems avances en el campo de la Inteligencia Artificial. Ana: El perceptrn aun con sus limitaciones fue, a mi punto de vista, un gran logro que ayudo para el nacimiento de Inteligencia Artificial. Me parece muy interesante la forma en cmo se desarroll la neurona artificial basndose en el modelo biolgico y el modo de cmo se plante el sistema para el aprendizaje utilizando algoritmos. Si bien antes se descart el perceptrn de Rosenblatt no dudo que a corto plazo se desarrollen tecnologas en la IA que puedan innovar complejos procedimientos y dejen ver a las actuales como obsoletos, al ritmo tan acelerado como se presentan nuevos mtodos es intrigante hasta donde podr llegar la simulacin del pensamiento humano, pues no me queda duda que ahora es solo el comienzo. Dulce: El Perceptrn de Rosenblatt es un tipo de red neuronal que est formado por una sola neurona me parece que el perceptrn es de muy gran ayuda para el rea de la tecnologa ya que tiene por caracterstica que este no se programa solo se tiene que educar ya que este es capaz de retener conocimientos a travs de las neuronas.

8

Perceptrn de Rosenblatt

Fuentes de informacin [1][4]Gonzalo Pajares Martinsanz, Matilde Santos Peas Inteligencia artificial e ingeniera del conocimiento Alfaomega Ra-Ma

[2]Nicols Arrioja Landa Cossio

Inteligencia artificial manuales de USERS

[3]Stuart Russell, Peter Norving

Inteligencia artificial, un enfoque moderno Pearson Prentice Hall

Gestin de recursos Informticos del Departamento de Informtica y Automtica Perceptrn Multicapa http://avellano.usal.es/~lalonso/RNA/introMLP.htm 17/febrero/2012

Alfredo Catalina Gallego

Introduccin a las redes neuronales artificiales http://www.gui.uva.es/login/login/13/redesn.html 20/febrero/2012

9

Perceptrn de Rosenblatt

Universidad de Guadalajara

Centro universitario de ciencias exactas e ingenieras http://proton.ucting.udg.mx/posgrado/cursos/idc/neuronales2/AntecedentesP.htm 21/febrero/2012

10