REDES

NEURONALES
ARTIFICIALES
MONTOYA, MATTA, POLO, MENDIZ, RAMOS, FLORES, VASQUEZ

Red neuronal Biolgica (RNB)

Conjunto deconexiones sinpticasordenadas que se produce

como resultado de la unin de las neuronas a otras en sus
regiones correspondientes

Existen:

Capa de entrada (redes sensoriales)

Capa oculta (redes calculadoras)

Capa de salida (neuronas de control)

ellas forman la red neuronal biolgica.

Red Neuronal Artificial (RNA)

Rama de la IA, encargada de emular el comportamiento del

cerebro humano y adquiriendo el conocimiento por medio de
conexiones que tienen entre si.

Creado por Warren McCulloch y Walter Pitts basado en un modelo

matemtico en la cual representaba las neuronas biolgicas
mediante formulas en la cual representaban su comportamiento

Funciones
-------------------------------------

F. Propagacin
Transformar las diferentes entradas que provienen de la sinapsis en
el potencial de la neurona.

F. Activacin

La funcin de activacin combina el potencial postsinaptico, que nos

proporciona la funcin de propagacin, con el estado actual de la
neurona para conseguir el estado futuro de activacin de la neurona.

F. Transformacin
Convierte el estado de la neurona en la salida hacia la siguiente neurona que
se transmite por las sinapsis.

NEURONAS BIOLGICAS

NEURONAS ARTIFICIALES

Conexiones sinpticas. (sinapsis:

conexin dendrita y axn de una
neurona y otra)

Conexiones ponderadas.
(pesos+entradas)

Efectividad de la sinapsis.
Mecanismos que transmiten seal
(conexin con otra neurona)

Peso de las conexiones. (Wi)

Efecto excitador o inhibidor de una

Conexin. (estimula la neurona para
que se relacione con las dems)

Signo del peso de una excitacin.

Peso-entrada (+) = sinapsis
excitadora
Peso-entrada (-) = sinapsis
inhibidora

Efecto combinado de la sinapsis

Funcin de propagacin o de red

(ncleo) (realiza procesamiento de
pesos y entradas)

Activacin -> tasa de disparo

Funcin de activacin -> salida

(axn)

RNA en la IA

La inteligencia esta conformada por el: Razonamiento,

Conocimiento, Aprendizaje con estas 3 existir la inteligencia.

Pueden ser emulado o simulados por un computador y si estas

son emuladas pueden producirse el comportamiento de una red
neuronal.

Las neuronas trabajas por medio del Error y Ensayo la cual

obtiene aprendizaje relacionado a un resultado aproximado.

Puede ser utilizar para la Sntesis de voz en texto, interpretacin

de firmas, robots automticos, sistemas de control.

Etapas de desarrollo de RNA

Definicin: Se determina el numero de neuronas de las capas de entradas

ocultas y las capas de salidas as como tambin las diferentes formas de
activacin de las capas ocultas y de salidas.

Entrenamiento: Se define el tipo de entrenamiento que se realizara estas

son: Aprendizaje supervisado o Aprendizaje no supervisado. Se determina
los algoritmos de entrenamiento.

Utilizacin: Fase en la que propiamente la ejecucin de la estructura de la

red inicia cuando se presenta una entrada y termina generando una salida
en funcionamiento de entradas proporcionales.

Mantenimiento: La mayora de las redes se entrenan para solucionar

problemas dinmicos por lo tanto es indispensable una validacin continua
para garantizar una buena utilizacin.

Se repetir el ciclo porque se debe validar el cdigo en la cual se hace la

nuevamente la utilizacin de la definicin del nuevo cdigo.

PERCEPTRON SIMPLE

Rosenblant desarroll un modelo simple de neurona basado en el

modelo de McCulloch Pitts basada en la correccin del error
perceptrn.

Es un modelo unidireccional compuesto por dos capas de

neuronas Entrada/Salida.

La operacin en un perceptrn simple consta de N neuronas de

entrada y M neuronas de salida.

Las neuronas de entrada son discretas y la funcin de activacin

de las neuronas de salida son tipo escaln.

El perceptrn es entrenable, y determina los pesos sinpticos,

que clasifican los patrones.

CARACTERISTICAS DEL
PERCEPTRON SIMPLE

Posee aprendizaje supervisado.

Aprendizaje por correccin de error.

Reconocimiento de patrones sencillos.