UNIVERSIDAD CESAR VALLEJO

FACULTAD DE INGENIERA
ESCUELA DE INGENIRA DE SISTEMAS

Session 11

Tema:

Redes Neuronales Artificiales

Docente:
Mg. Ing. Huarote Zegarra Raul
raulhuarote@yahoo.es

UNIVERSIDAD CESAR VALLEJO

FACULTAD DE INGENIERA
ESCUELA DE INGENIRA DE SISTEMAS

Prerrequisito
Identificacin de caractersticas comunes de un
determinado objeto.
Ejemplo:
-Silla: tiene espaldar, tiene patas,etc.
-Huella dactilar: lneas rugosas (crestas) ,
valles, terminaciones, bifurcaciones,core, delta,
etc.

UNIVERSIDAD CESAR VALLEJO

Temas:

FACULTAD DE INGENIERA
ESCUELA DE INGENIRA DE SISTEMAS

Prembulo
Concepto.
Objetivos de la red.
Funciones de propagacin .
Modelo biolgico de la neurona.
Usos de redes neuronales.
Trabajo Grupal.
Trabajo de investigacin.

UNIVERSIDAD CESAR VALLEJO

Prembulo

FACULTAD DE INGENIERA
ESCUELA DE INGENIRA DE SISTEMAS

Un nio en clase le decimos que

vea varias veces las diferentes
sillas y le decimos que eso es una
silla, como ya identific sus
caractersticas
del
objeto
entonces cuando llegue a su casa y
vea algo similar dir: ese es una
silla.
ENTONCES APRENDI

UNIVERSIDAD CESAR VALLEJO

Concepto

FACULTAD DE INGENIERA
ESCUELA DE INGENIRA DE SISTEMAS

Las redes neuronales consisten en una

simulacin
de
las
propiedades
observadas en los sistemas neuronales
biolgicos a travs de modelos
recreados
matemticos
mediante
mecanismos artificiales (como un
circuito integrado, un ordenador o un
conjunto de vlvulas).
Inicios en el siglo XIX con SANTIAGO
RAMN Y CAJAL.

UNIVERSIDAD CESAR VALLEJO

Objetivos

FACULTAD DE INGENIERA
ESCUELA DE INGENIRA DE SISTEMAS

Conseguir que las mquinas den

respuestas similares a las que es
capaz de dar el cerebro que se
caracterizan por su generalizacin y
su robustez, en el proceso de
aprendizaje.

UNIVERSIDAD CESAR VALLEJO

FACULTAD DE INGENIERA
ESCUELA DE INGENIRA DE SISTEMAS

Modelo biolgico de neurona

El ser humano posee

aproximadamente
cien mil millones de
neuronas.

UNIVERSIDAD CESAR VALLEJO

FACULTAD DE INGENIERA
ESCUELA DE INGENIRA DE SISTEMAS

Comparativa del modelo biolgico con el

matemtico
Ncleo

Proceso de sumatoria

Dendritas (conexin
con otras neuronas Receptoras)

Recibe los nuevos

pesos sinpticos

Axn

Funcin de
transferencia

Sinapsis (conexin con

otras neuronas
Emisora)

Sinapsis (conexin
con otras neuronas)

UNIVERSIDAD CESAR VALLEJO

FACULTAD DE INGENIERA
ESCUELA DE INGENIRA DE SISTEMAS

Modelo artificial de la neurona

=

=1

Funcin de activacin:

1
1

+ 22
+ 22

11
11

<

Reajuste de pesos:
wij (t) = wij(t-1)+2 e (Ti) xj ;
donde:
wij (t) = peso nuevo
wij (t-1) = peso actual
e = factor de aprendizaje
Ti = salida deseada.
xj = entrada actual.

UNIVERSIDAD CESAR VALLEJO

FACULTAD DE INGENIERA
ESCUELA DE INGENIRA DE SISTEMAS

Definicin de funciones
Funcin de propagacin.
Ex citatoria: El valor nuevo a procesar es
positivo.
Inhibitoria: El valor nuevo a procesar es negativo.

Funcin de activacin: Modifica el anterior,

tenemos: Escalonada, gaussiana, sigmoidea,
tangente hiperblica , etc.
Funcin de transferencia: De acuerdo a la
funcin que valor te va a dar, tal como
sigmoidea te da [0,1] o la tangente hiperblica
te da [-1,1].

UNIVERSIDAD CESAR VALLEJO

FACULTAD DE INGENIERA
ESCUELA DE INGENIRA DE SISTEMAS

Propagacin de una red neuronal

La manera de propagacin de una red neuronal es:
1) Recibe los patrones de entrada a la neurona.
2) Inicialmente se genera los pesos de manera aleatoria [1,1] para cada una de las dendritas.
3)
Se suman
de manera
= Xi*Wi
4) Este valor Y se evala con la Y
funcin
de transferencia
; i=1.. n o inhibitoria con
y respecto a ello se ve si es excitatoria
dendritas.
respecto al factor de aprendizaje.
5) El valor de salida de esta funcin viene a ser entrada
para otra neurona de la red y as sucesivamente.

UNIVERSIDAD CESAR VALLEJO

FACULTAD DE INGENIERA
ESCUELA DE INGENIRA DE SISTEMAS

Propagacin de una red neuronal

5.1.- Si es que el valor obtenido en la funcin de
transferencia no es el deseado, entonces se deben
reajustar sus pesos.
Ejemplo: En una tabla lgica AND.
X1

X2

X1 AND X2

1
-1

-1

-1

-1

-1

-1

-1

X1

X2

X1 AND X2

Obtenido

Deseada ( T )

-1

-1

-1

-1

-1

-1

-1reajustar pesos

UNIVERSIDAD CESAR VALLEJO

FACULTAD DE INGENIERA
ESCUELA DE INGENIRA DE SISTEMAS

Tipos de redes neuronales

Hay que tomar en cuenta que tiene una
caracterstica de uso para cada tipo de red
neuronal. Los que tenemos:
Perceptor: Valido para resolver problemas de tipo
lineal en coordenadas booleanas.
Kohonen: Resaltante para diferenciar formas, tal
como figura geomtrica, tipos de huellas dactilares,
etc.
Neocognitron: Resaltante para el reconocimiento de
caracteres manuscritos.

UNIVERSIDAD CESAR VALLEJO

FACULTAD DE INGENIERA
ESCUELA DE INGENIRA DE SISTEMAS

Modelos de redes neuronales

Entre otros tenemos el modelo SOM (SelfOrganizing Maps) (Mapas auto organizados):
Modelo presentado por Teuvo Kohonen, entre otras
utilidades tenemos como diferenciar figuras
geomtricas,
tipos
de
huellas
dactilares.
Caracterizndose por no tener un gua para su
proceso de aprendizaje ejecutndose de manera
autnoma.
Caso contrario para el BackPropagation que necesita
tener un gua para su proceso de aprendizaje.

UNIVERSIDAD CESAR VALLEJO

FACULTAD DE INGENIERA
ESCUELA DE INGENIRA DE SISTEMAS

Caractersticas de redes neuronales

Debemos de tener en cuanta sus capas:
Para los modelos de hoy por la complejidad de
problemas que se presenta, requieren necesariamente
ser multicapa.
Para una capa es el Perceptron simple.

UNIVERSIDAD CESAR VALLEJO

FACULTAD DE INGENIERA
ESCUELA DE INGENIRA DE SISTEMAS

Usos de una red neuronal.

Usos desde los mas simples, hasta los mas

complejos.
Para no ir tan lejos, para hacer el reconocimiento
de nuestra huella dactilar ( para marcar asistencia),
viene interiormente una huella dactilar.
Para el reconocimiento de rostros en una escena.
Para el reconocimiento de cheques, si es que es
verdadero y falso tu firma.
Para la identificacin de tipos de enfermedades

UNIVERSIDAD CESAR VALLEJO

FACULTAD DE INGENIERA
ESCUELA DE INGENIRA DE SISTEMAS

Usos de una red neuronal.

Usos desde los mas simples, hasta los mas

complejos.
Uso en el campo de la biometra.
Huellas dactilares,
Retina.
Rostro

Uso en el campo de la medicina

Aprendizaje de casos de enfermedades ( sntomas
relacionado con una enfermedad )
Reconocimiento de una anomala.
Etc.

UNIVERSIDAD CESAR VALLEJO

FACULTAD DE INGENIERA
ESCUELA DE INGENIRA DE SISTEMAS

?
preguntas

UNIVERSIDAD CESAR VALLEJO

FACULTAD DE INGENIERA
ESCUELA DE INGENIRA DE SISTEMAS

Tarea de clase ( agrupados de 5)

Realizar el proceso de aprendizaje de una red

neuronal perceptor simple para el caso del
conector booleano and, considerar verdadero =
1 y falso = -1.
Iniciar los pesos con W1 = 1.2, W2 = -1.2
y umbral = -0.4 y factor de aprendizaje =0.5
Opinar de cada uno de los casos presentados
en el proceso de aprendizaje de la red
neuronal.

UNIVERSIDAD CESAR VALLEJO

FACULTAD DE INGENIERA
ESCUELA DE INGENIRA DE SISTEMAS

Investigacin para la siguiente sesin

Realizar manualmente el proceso de

aprendizaje usando red neuronal perceptrn
simple para el conector booleano OR.
Investigar, por que no se puede realizar conla
red neuronal perceptron simple el conector
lgico XOR.

UNIVERSIDAD CESAR VALLEJO

FACULTAD DE INGENIERA
ESCUELA DE INGENIRA DE SISTEMAS

Tarea de laboratorio ( agrupados de 5)

Implementar en Python el perceptron simple

para la compuerta lgica AND, considerar
verdadero = 1 y falso = -1.
Iniciar los pesos con W1 = 1.2, W2 = -1.2
y umbral = -0.4 y factor de aprendizaje =0.5
X1

X2

X1 AND X2

-1

-1

-1

-1

-1

-1

-1