Aplicaciones de las redes neuronales artificiales

  Introducción

  Procesamiento de lenguaje natural

     Conversión texto escrito -> lenguaje hablado
    Aprendizaje de gramáticas

Compresión de imágenes

Reconocimiento de caractéres

   Reconocimiento de escritura manual

Reconociento de patrones en imágenes

Clasificación de objetivos
    Visión artificial en robots industriales

Proceso de seņales

   Predicción
    Modelado de sistemas
    Filtro de ruido

Problemas de combinatoria

Otras aplicaciones

Modelado y predicción de indicadores económicos
   Servocontrol
   Síntesis funcional

Introducción

Desde el punto de vista de las aplicaciones prácticas de las RNA, su principal ventaja frente a otras técnicas reside en el procesado paralelo, adaptativo y no lineal. Se han desarrollado aplicaciones de RNA para fines tan variados como visión artificial, procesado de seņales e imágenes, reconocimiento del habla y de caracteres, sistemas expertos, análisis de imágenes médicas, control remoto, control de robots, inspección industrial y exploración científica. Podríamos clasificar todas estas aplicaciones en varios dominios o tipos de aplicaciones, indicando además el tipo de redes más utilizados para cada tarea:

La mayoría de las aplicaciones comentadas aquí se han desarrollado mediante asociadores de patrones y algoritmo de retropropagación. Otras, como el problema del viajante de comercio, el control adaptativo y la compresión de imágenes, mediante redes de satisfacción de demanda (redes de Hopfield), y en algunas tareas de clasificación se han usado redes competitivas.

Procesamiento de lenguaje natural

Conversión de texto escrito a lenguaje hablado

NETtalk (Sejnowski T. & Rosemberg.) toma como entradas textos escritos y como salidas deseadas los códigos elegidos para representar los fonemas correspondientes. Mediante la ayuda de un sintetizador (DECtalk) se transforman los códigos en fonemas. Durante el proceso de aprendizaje se observó como iba mejorando su habilidad desde un nivel de bebé hasta el nivel de un niņo de 6 aņos, aprendiendo a hacer distinciones difíciles como pronunciar una c suave o fuerte según el contexto. Si bien esto se había conseguido antes, la novedad más importante reside en que mediante la red neuronal no es necesario definir y programar un montón de complejas reglas, pues la red extrae automáticamente el conocimiento necesario.

Aprendizaje de gramáticas

 (Rumelhart,D. & McClelland, J.) estudiaron la forma en que construimos las reglas sobre el lenguaje, y trataron de enseņar a una red neuronal el pasado de los verbos ingleses. El sistema fue mejorando y al final era capaz de generalizar y conjugar verbos desconocidos.

Compresión de imágenes

(Cottrell, G.W. y otros) han conseguido codificar imágenes con una relación de compresión de hasta 8:1 sin tener que idear ninguna regla y alta fidelidad en la reconstrucción.

Reconocimiento de caracteres

Reconocimiento de escritura manual

Nestor, Inc => leen lo escrito mediante una tarjeta digitalizadora. Tras aprender, son capaces de reconocer escrituras que nunca habían visto antes. Se ha empleado por ejemplo para reconocer kanji (escritura japonesa), eliminando la gran dificultad que presenta este lenguaje para introducirlo en el computador.

El Neocognitrón (Kunihiko Fukishima): simula la forma en que la información visual avanza en la corteza cerebral. Consigue un reconocimiento muy avanzado de patrones con gran capacidad de abstracción y generalización, que lo hacen capaz de reconocer patrones con distinta orientación y altos niveles de distorsión.

Reconocimiento de patrones en imágenes

Clasificación de objetivos:

En este campo se han desarrollado numerosas aplicaciones como la clasificación de imágenes de sonar y radar, la detección de células cancerosas, lesiones neurológicas y cardíacas, prospecciones geológicas, etc.. Son muy útiles para procesar imágenes de las que no se sabe bien cuales son las características esenciales o diferenciales, ya que las redes no necesitan disponer de reglas explícitas previas para realizar la clasificación, sino que extraen el conocimiento necesario.

Visión artificial en robots industriales

Pe. para inspección de etiquetas, clasificación de componentes, etc. Supera a otros sistemas de visión , además minimiza los requerimientos de operadores y facilita el mantenimiento.

Proceso de seņales

Predicción

Se han obtenido mejores resultados a la hora de predecir series "caóticas" usando retropropagación (Lapedes & Farber) que mediante métodos lineales y polinomiales.

Pe., la serie x(t+1)=4*x(t)*(1-x(t)) El entrenamiento de la red consiste en usar como entradas varias muestras equi-espaciadas de la serie: x(t), x(t-d), x(t-2d)…x(t-nd) y como salida la salida cierto tiempo después x(t +p)

Modelado de sistemas

Permite modelar funciones de transferencia (Lapedes & Farmer).

Pe., la función x(t) – (dx/dt)2 

Podemos usar como entradas x(t) y x(t-0.001) y como salida dx/dt. Entrenamos a la red con muestras de una seņal de banda limitada (pe una suma de 20 sinusoides), y después se puede usar para formas de onda arbitrarias.

Filtro de ruido

Las redes neuronales artificiales son mejores preservando la estructura profunda y el detalle que los filtros tradicionales cuando eliminan el ruido. La primera aplicación profesional de las redes neuronales consistió en un filtro para eliminar ruido en las líneas telefónicas (Widrow, 1959)

Problemas de combinatoria

Las redes neuronales artificiales están ofreciendo ciertas esperanzas en el área de problemas algorítmicamente tan complejos como los NP-completos; pe el problema del viajante de comercio (Hopfield, J. & Tank, D.)

Otras aplicaciones

Modelado y predicción de indicadores económicos

Se obtienen mejores resultados que con cualquier otro método conocido (como los programas de media móvil). Se ha aplicado por ejemplo a la predicción de tasas de interés, déficits comerciales, precios de stock, etc.

Servocontrol

Compensación adaptativa de variaciones físicas en servomecanismos complicados como el control de ángulos y posiciones de los brazos de un robot.

Síntesis funcional

Gracias a la naturaleza interpolativa de las redes neuronales son aptas para la síntesis de funciones multidimensionales a partir de unos pocos ejemplos de entrenamiento.

Por ejemplo, para estimar el alcance de un caņón en función de la inclinación del caņón, la velocidad del viento y la cantidad de explosivo.