Redes Neuronales 1.3

1.3 Aplicaciones de las RNA

a) Aproximación de señales:

Dada una serie de tiempo que representa una señal o sistema y es posible usar una RNA para aproximar su comportamiento.

A partir de la señal P, se obtiene a _target  y se construye un conjunto de datos (Pi, a _target , i).
La regla de aprendizaje determina la manera como de forma automática cambian los valores de los parámetros de la RNA.

Este esquema de aprendizaje se lleva a cabo hasta que se cumpla un criterio  de finalización como: número máximo de iteraciones (itmax) o que el error de aprendizaje sea igual a cero o a un valor ε pequeño.

Para que la RNA realice una adecuada aproximación de las señales requiere tener un número suficientemente grande de neuronas.

La calidad y cantidad de los datos disponibles para realizar el entrenamiento de la RNA afectara significativamente su desempeño.

Se pueden usare diverso algoritmos para implementar la regla del aprendizaje, por lo que es un factor de diseño muy importante.

a.1) Pronóstico de valores:

Dado que la RNA es un aproximador universal, se puede modificar su estructura para realizar extrapolación. El tipo RNA que se usa para estas tareas son las Redes Neuronales Recurrentes.

A partir de la estructura básica de un Perceptrón multicpa, en la cual las señales de entrada solo se propagan hacia adelante hasta llegar a la salida de la RNA, Una Red neuronal recurrente tiene señales que van en diferentes sentidos, por ejemplo: La salida de la RNA puede ser también una señal de entrada.

a.2) Control de sistemas:
En este caso existen sistemas no lineales que requieren de leyes de control complejas para su correcto funcionamiento.

Existen casos donde la señal u es muy difícil de obtener porque parte de esta señal puede ser una señal de  tipo no lineal. En este caso, se puede usar una RNA para aproximar esta señal y completar la señal de entrada.

u=lineal + RNA (no lineal)

b) Clasificación de objetos:
Dado un conjunto de datos a ser separados en clases de acuerdo a un criterio dado, una RNA es capaz de llevar a cabo esta tarea de forma supervisada o no supervisada.

En el esquema supervisado lo más común es usar un Perceptrón Multicapa en el cual cada salida de la RNA representa una clase diferente.

Debido a que esta RNA es completamente conectada, si el valor si el valor de una clase es muy grande, realizar el aprendizaje computacionalmente sería muy costoso haciéndolo inviable.

En el caso del esquema no supervisado, dado un conjunto de datos y el número de clases en los que se desea separar una RNA como el mapa auto-organizado de Kohonen es capaz de realizar esta tarea.