Introduccin a las Redes Neuronales

con Aplicaciones al Control

Instructor: D. en C. Alejandro Medina Santiago

Instituto Tecnolgico de Tuxtla Gutirrez
amedina@ittg.edu.mx
 Introduccin
Las redes de neuronas artificiales (denominadas
habitualmente como RNA o en ingls como:
"ANN"1) son
un paradigma de aprendizaje y procesamiento
automtico inspirado en la forma en que
funciona el sistema nervioso de los animales. Se
trata de un sistema de interconexin
de neuronas en una red que colabora para
producir un estmulo de salida. En inteligencia
artificial es frecuente referirse a ellas como redes
de neuronas o redes neuronales.
Redes Neuronales
Dendritas

Axn=Salida

Sinpsis
 Perceptrn

MLP- Multilayer Perceptrn

 Tipologa de las RNA
Modelos
Existe una serie de modelos que aparecen en la mayora de estudios acadmicos y la bibliografa
especializada.
Perceptrn
Adaline
Perceptrn multicapa
Memorias asociativas
Mquina de Boltzmann
Mquina de Cauchy
Propagacin hacia atrs (backpropagation)
Redes de Elman
Redes de Hopfield
Red de contrapropagacin
Redes de neuronas de base radial
Redes de neuronas de aprendizaje competitivo
Mapas Autoorganizados (RNA) (Redes de Kohonen)
Crecimiento dinmico de clulas
Gas Neuronal Creciente
Redes ART (Adaptative Resonance Theory)
 Perceptrn
El Perceptrn es un tipo de red neuronal
artificial desarrollado por Frank Rosenblatt,
tambin puede entenderse como perceptrn
la neurona artificial y unidad bsica de
inferencia en forma de discriminador lineal,
que constituye este modelo de red neuronal
artificial, esto debido a que el perceptrn
puede usarse como neurona dentro de un
perceptrn ms grande u otro tipo de red
neuronal artificial.
 La funcin XOR no puede ser
aprendida por un nico
Considere las perceptrn puesto que requiere al
funciones AND y OR, estas menos de dos lneas para separar
funciones son linealmente las clases (0 y 1). Debe utilizarse
separables y por lo tanto al menos una capa adicional de
pueden ser aprendidas por perceptrones para permitir su
un perceptrn. aprendizaje.
 Perceptrn
- Ejemplos
 Ejemplo 1: 1 entrada 1 salida (Inversor)
- Arduino - Modelo Matemtico

P f
b
 Ejemplo 2: 2 entradas 1 salida (compuerta AND)
- Arduino - Modelo Matemtico

W1,1
P f
P b
W1,2
 Ejemplo 3: 5 entradas 1 salida (alarma)
- Arduino - Modelo Matemtico

W1,1
P f
P b
W1,5
 Ejemplo 4: 2 entradas 2 salidas (AND - OR)
- Arduino - Modelo Matemtico
W1,1
P f
W1,2
b
W2,1

P f
W2,2
b
 Ejemplo 5: 3 entradas 3 salidas (AND-OR-NAND)
- Arduino - Modelo Matemtico
 Ejemplo 6: 2 entradas 1 salida (compuerta XOR)
- Arduino - Modelo Matemtico
 Ejemplo 7: 3 entradas 2 salidas (estatura)
- Arduino - Modelo Matemtico
 Ejercicios
Perceptrn
 Ejercicio 1: 6 entradas 1 salida

o Disee una red neuronal que cumpla con las siguientes condiciones:

- Que disponga de una sola neurona, con 6 elementos de

entrada, y una nica salida, su salida debe corresponder a la
salida de una compuerta NAND.

entradas out

x1 x2 x3 x4 x5 x6 s1

0 0 0 0 0 0 1
 Ejercicio 2: 5 entradas 4 salidas

- Disee una red neuronal de tipo Perceptrn multicapa, que tenga 5 entradas y
4 salidas. La salida 1 corresponder a una salida de la compuerta OR, la salida 2
a una compuerta AND, la salida 3 a una compuerta NOR, y la salida 4 a una
compuerta NAND.
Backpropagation
- Ejemplos -
 Ejemplo 1: 2 entradas 1 salida (compuerta xnor)
 Ejemplo 2: 3 entradas 2 salidas (sensores T y L)
 Ejemplo 3: 3 entradas 1 salidas (alarma)
 Ejemplo 4: 3 entradas 2 salidas (control clima y luz)
Backpropagation
- Ejercicios -
 Ejercicio 1: 5 entradas 1 salida
- Disee una red neuronal que sea capaz de seleccionar 3 distintos frutos (sanda, pia
o papaya), teniendo como entradas los siguientes datos:

entradas sandia papaya pia 1=rugosa

0.6=media lisa
textura 0.3 0.6 1 0.3=lisa

peso 2 1.5 1

forma 1 1 1 1=ovalada

color 1 0.5 0.5 1=verde 0.5=amarilla

0.5= medio
madurez 0.5-1 0.5-1 0.5-1 1=maduro maduro

salida 1 0.6 0.3

Proyecto final