INSTITUTO POLITCNICO NACIONAL

UNIDAD PROFESIONAL INTERDICIPLINARIA DE

INGENIERIA Y CIENCIAS SOCIALES Y ADMINISTRATIVAS

Sistemas Basados en Conocimiento Basados en

Redes Neuronales
Alumno:
Aguilar Palma Arturo
Flores Dionisio Eduardo Daniel
Neri Jacinto Cesar Sal
Velasco Ortiz Carlos Sal

Villanueva Jimnez Rubn

Profesor
Dr. Eric M. Rosales Pea Alfaro

Materia
INGENIERA DEL CONOCIMIENTO

Secuencia:
3NM70

Fecha de entrega: 05/octubre/2016

ndice
INTRODUCCIN..................................................................................................................3
Objetivo...................................................................................................................... 3
Justificacin .............................................................................................................. 3
REDES NEURONALES ........................................................................................................4
Qu son las redes neuronales?...............................................................................4
Para qu sirven?......................................................................................................4
Cmo funcionan?.....................................................................................................5
Arquitecturas de Redes Neuronales...........................................................................5
Ejemplos de Sistemas Expertos y redes neuronales. ...............................................7
SISTEMAS EVOLUTIVOS......................................................................................................8
Introduccin a sistemas evolutivos.............................................................................8
Arquitectura general de un sistema evolutivo.............................................................8
Diagrama de arquitectura...........................................................................................8
Metodologa de desarrollo del sistema evolutivo........................................................9
MATRICES EVOLUTIVAS.....................................................................................................11
Antecedentes........................................................................................................... 11
Matriz evolutiva y reconocimiento de formas............................................................13
Matriz evolutiva y sistemas expertos........................................................................14
Una representacin N-dimensional..........................................................................17
Espacios n-dimensionales evolutivos.......................................................................18
CONCLUSIN...................................................................................................................20
Global...................................................................................................................... 20
Individual.................................................................................................................. 20
Aguilar Palma Arturo.............................................................................................20
Me parece que las redes neuronales es una forma importante en la inteligencia
artificial ya que sin ellas no podramos desarrollar sistemas expertos importantes y
muchos de ellos en la actualidad se han dado gracias a estas funciones, nos falta
aprender ms conocimiento acerca de ello para desarrollarlo de tal forma que sea
de forma progresiva para el ser humano..............................................................20
Flores Dionisio Eduardo Daniel............................................................................20
Neri Jacinto Cesar Sal........................................................................................20
Velasco Ortiz Carlos Sal.....................................................................................20
Villanueva Jimnez Rubn...................................................................................20
BIBLIOGRAFA..................................................................................................................21

Introduccin
Una red neuronal o red neural, puede referirse a: Red neuronal artificial, modelos
matemticos, computacionales, artificiales, ideales de una red neuronal empleados en
estadstica, psicologa cognitiva, e inteligencia artificial.
Caractersticas importantes:
1. Topologa
2. El mecanismo de aprendizaje
3. Tipo de asociacin entre la informacin de entrada y de salida
4. La forma de representacin de la informacin

Objetivo
Conocer las redes neuronales y cul es la importancia, funcionamiento y el impacto
que tienen en la creacin de sistemas artificiales y la forma en que se mesclan con la
creacin de sistemas expertos los cuales ayudan en la resolucin de problemas de
gran complejidad.
Desde hace aos y hasta nuestros das, la investigacin neurofisiolgica y el estudio
de sistemas neuronales artificiales (ANS, Artificial Neural Systems) han ido de la
mano. Sin embargo, los modelos de ANS no se centran en la investigacin
neurolgica, si no que toma conceptos e ideas del campo de las ciencias naturales
para aplicarlos a la resolucin de problemas pertenecientes a otras ramas de las
ciencias y la ingeniera.

Justificacin
Las Redes Neuronales son un campo muy importante dentro de la Inteligencia
Artificial. Inspirndose en el comportamiento conocido del cerebro humano
(principalmente el referido a las neuronas y sus conexiones), trata de crear modelos
artificiales que solucionen problemas difciles de resolver mediante tcnicas
algortmicas convencionales.

Redes Neuronales
Qu son las redes neuronales?
"Una red neuronal es un sistema compuesto de muchos elementos procesadores
simples operando en paralelo, cuya funcin es determinada por la estructura de la red,
fuerza en las conexiones y el procesamiento realizado por los elementos
computacionales en los nodos.
REDES NEURONALES BIOLOGICAS.

Son el principal elemento del Sistema Nervioso. Las redes neuronales biolgicas
estn compuestas por un gran nmero de elementos llamados neuronas. Una neurona
es una clula compuesta por cuerpo, un nmero de extensiones llamadas dendritas,
que sirven de entradas, y una larga extensin llamada axn que acta como salida. La
sinapsis conecta el axn de una neurona a las dendritas de las otras neuronas. Las
neuronas estn dispuestas en capas. En general las neuronas de una capa reciben
entradas desde otra capa y envan sus salidas a neuronas de una tercera.
Dependiendo de la aplicacin tambin es posible que las neuronas de una capa
reciban entradas y provean salidas a neuronas de la misma capa.
REDES NEURONALES ARTIFICIALES.

Las redes neuronales artificiales (ANN) imitan su funcionamiento a aquellas que se

encuentran en el mbito biolgico. Son aptas para resolver problemas que no poseen
un algoritmo claramente definido para transformar una entrada en una salida;
aprenden, reconocen y aplican relaciones entre objetos.

Para qu sirven?

Cmo funcionan?

La idea bsica es podar o recortar esos caminos del haz y la forma ms sencilla de
hacerlo es aplicar un umbral de poda o recorte a esos caminos. El umbral es un
umbral de distancias, y los caminos que superen el umbral, sern recortados.

Viga de bsqueda utiliza de forma similar la bsqueda en amplitud (anchura) para

construir su rbol de bsqueda. En cada nivel del rbol, genera todos los sucesores
de los estados en el nivel actual, la clasificacin por orden de coste en la heurstica
aumenta.

Sin embargo, solo se almacena un nmero predeterminado de mejores estados en

cada nivel (llamado el ancho del haz). Solo esos estados se expanden. Cuanto mayor
sea el ancho de haz, menor el nmero de estados que se podan. Viga de bsqueda no
es ptima (es decir, no hay garanta de que va a encontrar la mejor solucin).
Devuelve la primera solucin encontrada.

Es la ms utilizada para mantener la trazabilidad en grandes sistemas con insuficiente

cantidad de memoria para almacenar todo el rbol de bsqueda. Por ejemplo, se
utiliza en muchos de traduccin automtica de sistemas.
Para Seleccionar la mejor traduccin, cada parte se procesa, y aparecen muchos
aspectos diferentes de la traduccin de las palabras. Las principales mejores
traducciones en funcin de sus estructuras de oraciones se mantienen, y el resto se
descartan. El traductor entonces evala las traducciones de acuerdo con un criterio
dado, la eleccin de la mejor traduccin es la que mantiene los objetivos.

Arquitecturas de BEAM-SEARCH" por nodos y estados

En el "beam-search" por nodos se pretende reducir los espacio de caminos de

bsqueda cortando aquellos nodos que en la trama anterior han presentado una
probabilidad baja de ser el estado de emisin de la observacin correspondiente. De
esta forma, el nmero de nodos recorridos se reduce y por tanto, tambin el nmero
de operaciones.

En principio, se puede suponer una reduccin de operaciones mucho ms drstica que

en el caso anterior, puesto que se eliminan nodos enteros de los clculos y no solo
estados. Sin embargo, por esta misma razn no se puede imponer un umbral muy
estrecho para el "beam-search" por nodos, puesto que se podra dar el caso de que el
algoritmo eliminara todos los caminos posibles y no llegara a ningn nodo final.

Con la combinacin de ambos tipos de "beam-search" se pretenden establecer dos

niveles distintos de decisin: el "beam-search" por estados selecciona los caminos m s
probables a un nivel m s interno y por tanto m s "fino", mientras que el "beam search"
por nodos establece restricciones de tipo m s global.

Ejemplos de Sistemas de beam search

Es importante tener en cuenta que ambos tipos de "beam-search" no funcionan de

modo independiente, sino que esta n ntimamente ligados. De hecho, el umbral para
los estados debe ser mayor que el obtenido.
Para mantener la misma tasa de reconocimiento. Esto es debido, lgicamente a que
en este nuevo sistema si el "beam-search" por estados elimina de los clculos un
estado, inmediatamente el "beam-search" por nodos, puede llegar a eliminar el nodo
completo sin comprobar el resto de sus estados internos.
La reduccin de clculo no es lineal con respecto a las tramas: las operaciones se
reducen de modo considerable en los nodos finales, cuando el algoritmo ya ha tomado
una decisin con respecto a que caminos ptimos hay que seguir, mientras que en las
tramas centrales el sistema no como si no hubiera "beam-search".

Sistemas Evolutivos
Introduccin a sistemas evolutivos
Uno de los problemas ms graves de la Informtica actual se presenta por su poca
capacidad para modelar en tiempo real los fenmenos que ocurren en la realidad, ya
que es comn que cuando un Sistema de Informacin: Nmina, Compilador,
Reconocedor de Imgenes, Sistema de Inventarios, Sistema Experto de Diagnstico
Mdico, etc., se libera ya prcticamente es obsoleto, ya sea porque:
1) El problema modelado se modific.
2) Porque el modelo no cubri los aspectos esenciales.
3) O simplemente la informacin y el conocimiento que se tiene sobre el tema ha
quedado rebasado por algn nuevo dato o hecho conocido previamente.

Es por lo anterior que es necesario replantear el enfoque utilizado para resolver

problemas en Informtica (representado por reas como el Desarrollo de Sistemas, la
Ingeniera de Software y la Ingeniera de Conocimiento) en el cual la tendencia es a la
construccin de sistemas estticos e Incapaces de auto mantenerse y buscar mtodos
y herramientas incapaces de recrear en forma continua su imagen de la realidad o del
problema
a
resolver.
Es dentro de este contexto donde surge el concepto de Sistema Evolutivo como un
sistema capaz de crear su propia imagen de la realidad y utilizarla para resolver
problemas y en su momento mantener actualizada esta imagen mediante un proceso
continuo de actualizacin.

Arquitectura general de un sistema evolutivo

Si se construye el sistema de informacin de tal forma que los componentes sean
independientes en forma relativa entre s y se da una interrelacin entre el constructor
y el sistema de tal forma que cualquier cambio en la descripcin del sistema se refleje
en tiempo real en el sistema de informacin, entonces se puede considerar que la
imagen de la realidad que tiene el sistema de informacin es bastante cercana a la
que
se
quiere
reflejar.
Ahora bien cuando un programa sigue un conjunto de reglas o instrucciones para
resolver un problema se dice que es un Programa Deductivo, y a los mtodos que
construyen programas deductivos se les conoce como mtodos de programacin
deductiva.
Con el fin de resolver problemas el sistema evolutivo construye una imagen de la
realidad, por lo que en este punto se describir en forma general los principales
mtodos y algoritmos utilizados por los Sistemas Evolutivos; para lo cual se partir de
que el lenguaje de comunicacin con el exterior (o sea el lenguaje con el que se
plantean los problemas al Sistema Evolutivo y con el cual ste responde a los
requerimientos) y el lenguaje con el que el Sistema Evolutivo construye su imagen de
la realidad son el mismo.
En la actualidad ya existen una gran cantidad de herramientas orientadas al manejo
lingstico de los Sistemas Evolutivos y se basan en que es relativamente fcil
encontrar los elementos de un Sistema dentro de las oraciones.

10

Diagrama de arquitectura

Un Sistema Evolutivo debe tener la capacidad de encontrar los componentes del

sistema de informacin a partir del lenguaje utilizado en el rea problema y para
lograrlo muchos sistemas evolutivos tienen la arquitectura siguiente

11

Metodologa de desarrollo del sistema evolutivo

Constructor Analizador Lxico.
El Constructor/Analizador Lxico es el encargado de encontrar cada una de las
unidades lxicas que componen una oracin, de que tipo es cada unidad (por ejemplo
dato u oracin) y la estructura general de la oracin conocida como oracin cannica
(formada por la concatenacin de los tipos de las unidades lxicas).
A partir de ah el Constructor/Analizador Sintctico aplicando mtodos de inferencia
gramatical (mtodos orientados a encontrar la gramtica de un lenguaje a partir de
ejemplos de oraciones del lenguaje) encuentra la estructura del sistema y finalmente el
Constructor/Analizador Semntico, encuentra significado de la oracin utilizando
mecanismos de dialogo para encontrar el significado de los elementos desconocidos.
A continuacin, se describen algunos de los principales mtodos utilizados por cada
uno de los constructores/analizadores.
Constructor/Analizador Lxico
El Constructor/Analizador Lxico es un programa que recibe como entrada una oracin
en algn lenguaje y obtiene las unidades lxicas presentes en la oracin, el tipo de
cada unidad lxica y la estructura general u oracin cannica.
Originalmente el Constructor/Analizador Lxico no tiene ningn conocimiento acerca
del lenguaje a utilizar y solamente cuenta con la capacidad para encontrar los
diferentes tipos de unidades lxicas de un lenguaje para lo cual utiliza entre otros los
siguientes mtodos "triviales":
1) Unidades predefinidas: Es el mtodo ms usado y el ms antiguo, consiste
bsicamente en almacenar previamente la tabla de unidades lxicas con las palabras
que se utilizan en el sistema indicando de que tipo son. Con la caracterstica de que en
un sistema evolutivo esta tabla es creciente (o sea que originalmente la tabla tiene las
unidades lxicas ms usadas en el sistema y se cuenta con la capacidad de
almacenar nuevas unidades conforme se van detectando).
2) Caracteres especiales: El mecanismo anterior tiene la limitante de que si se
requiere utilizar una palabra no catalogada el sistema tiene que preguntar y esto al
principio puede ser tedioso, por lo que, cuando se construyeron los primeros
ensambladores y compiladores se utiliz el truco de manejar ciertos caracteres o
posiciones especficas dentro del programa para que el sistema asignara las unidades
lxicas.
Sistemas Evolutivos
4) Mecanismo de Dialogo: En un Sistema Evolutivo muchas veces se
desconoce hasta el tipo de unidades lxicas que conforman el lenguaje, por lo
que, se ha visto que un mecanismo muy general es aquel que permite
catalogar en tiempo real las nuevas unidades Lxicas. para lo cual se maneja
el esquema de la figura siguiente:

12

4) Manejo de Contexto: Los anteriores mtodos tienen el inconveniente de que todo

se le tiene que dar al sistema y no utilizan mucha de la informacin ya obtenida. En el
momento que ya se han manejado varias oraciones se pueden empezar a detectar
algunos patrones que se pueden utilizar para encontrar el tipo de nuevas unidades
lxicas.
Los anteriores mtodos "triviales" al combinarse son extremadamente poderosos y en
su momento con una cantidad relativamente pequea de ejemplos son capaces de
encontrar el conjunto base de palabras manejadas por un rea problema.
Existen otros mtodos ms poderosos pero normalmente requieren del apoyo de los
mecanismos Sintctico y Semntico, estos ltimos normalmente no se utilizan en los
prototipos de Sistemas Evolutivos.
Constructor/Analizador Sintctico
A partir de los resultados del Constructor/Analizador Lxico el Constructor/Analizador
Sintctico encuentra la estructura del sistema para lo cual, toma como entrada el
conjunto de oraciones cannicas y genera la Estructura.
Este mecanismo es tal vez el componente ms importante de un Sistema Evolutivo ya
que es el responsable de encontrar las reglas generales o patrones de estructura del
sistema y para lograrlo utiliza normalmente mtodos de la inferencia gramatical.
La Inferencia Gramatical es una herramienta de la lingstica Matemtica utilizada
originalmente en el rea de reconocimiento de Patrones y que posteriormente se ha
extendido y usado masivamente en la construccin de Sistemas Evolutivos.
El problema que ataca la Inferencia Gramatical consiste bsicamente en encontrar la
Gramtica (Estructura) que describe a un lenguaje dado a partir de ejemplos de
oraciones del Lenguaje, representado en el diagrama siguiente:
En sus inicios se desarrollaron un conjunto de algoritmos orientados a resolver
problemas especficos y en la mayora de los casos eran mtodos difciles de entender
y ms difciles de programar, pero conforme se empez a atacar el problema para
construir Sistemas Evolutivos se fueron encontrando nuevos mtodos y generalizando
el problema, por lo que. En la actualidad se ha encontrado que prcticamente los
mtodos de inferencia gramatical se basan en las operaciones bsicas de:
Factorizacin, Distribucin y Recursividad.

Matrices evolutivas
Antecedentes
A mediados de los 70's en un seminario de Inteligencia Artificial organizado en el
Centro Nacional de Clculo (CENAC) del IPN de la Cd. de Mxico en colaboracin con
la Escuela Superior de Fsica y Matemticas (ESFM) del mismo instituto, trabajando
junto con Gustavo Nuez Esquer llegamos a una representacin de red neuronal.
Donde, a partir del modelo de neurona desarrollado por Mc Cullot y Pitts, generamos
nuestra propia propuesta, basada en una representacin matricial de la red neuronal,
en la cual cada una de las seales de entrada a las neuronas se representa como una
columna de la matriz y cada una de las neuronas equivale a un rengln, de tal forma
que, en la interseccin de cada rengln y columna se almacena el valor que toma la
dendrita en caso de que reciba una seal de entrada, como se puede ver en el
siguiente ejemplo, donde la red neuronal de la siguiente figura:

13

Se presenta como:

Donde

La matriz representa a la red neuronal, el vector a las seales de entrada / salida a la

red (si), los renglones representan a las neuronas (nj) y las columnas corresponden a
la seales de entrada a la neurona (ak).
La matriz se multiplica por el vector de seales de entrada al sistema y si el valor
resultante es mayor o igual a cero entonces se considera que la neurona es excitada
por lo que se genera un valor de salida de la neurona igual a uno.

14

Matriz evolutiva y reconocimiento de formas

El anterior es un modelo simple de red neuronal representada mediante una matriz y
actualmente es comn encontrar representaciones matriciales de redes neuronales,
por lo que el modelo desarrollado en 1976 se podra ver como antecedente y como un
resultado independiente.
Sin embargo, desde el principio se present el problema de obtener los valores de las
neuronas y es ah donde a mediados de los 80's, Cuitlhuac Cant, al estar trabajando
sobre reconocimiento de imgenes lleg en forma independiente a una representacin
matricial prcticamente equivalente a la encontrada para las redes neuronales, pero
con capacidades evolutivas.
En esta idea se parte de que originalmente la matriz est vaca y lo que hace el
sistema es llegar y buscar una imagen, como no encuentra nada la coloca en el primer
rengln, ms adelante cuando llega la segunda imagen, si son similares la reconoce y
la acumula con la primera si no son similares entonces la coloca en el siguiente
rengln y as sucesivamente.
Para lo cual cada imagen se representa como un vector, de tal forma que, por ejemplo,
si se tiene un gato, un perro y un ratn, cada uno de ellos se almacena como un vector
y entre los tres forman una matriz como la siguiente:

Si se perciben varios gatos, en lugar de almacenar cada gato en un vector

independiente se suman los vectores que representan cada uno de los gatos y el
resultado se toma como la representacin de la estructura general del gato y se
almacena en la matriz.
(5 1 4 0 0 5 0 4 1 20) Gato
Por otro lado,
gatos, perros y
seria de la

si se tienen varios
ratones, la matriz
forma:

15

Donde cada rengln representa un tipo de objeto y h es un valor donde se acumula el

nmero de puntos en el vector (En este caso se puso h como la suma de los valores
del vector por facilidad del ejemplo, sin embargo, existen otros mtodos para asignar
este valor).
Lo anterior es equivalente a que cada gato se dibujara en un acetato y posteriormente
se sobrepusieran los acetatos, con lo que las caractersticas repetitivas del gato
quedan ms recalcadas y equivale a nmeros mayores en el vector que lo representa.
Si se desea reconocer un nuevo objeto, se representa tambin como un vector, se
multiplica por la matriz, se ve en que rengln se obtuvo el mximo valor y se le asocia
a ese rengln el objeto. Por ejemplo, si tomamos la matriz anterior y llega el objeto 1 0
1 0 0 1 0 1 0, se multiplica por la matriz y les restamos el valor de h quedando: -2 para
el gato, -10 para el perro y -3 para el ratn. De donde se propone que el objeto
reconocido es un gato.
Como siguiente punto el sistema acumula el nuevo vector en la matriz, con lo que, en
el ejemplo anterior el nuevo vector se suma al rengln del gato y la matriz queda:

Con lo que, el sistema evolutivo est transformando permanentemente su imagen de

la realidad.
Como se puede observar este mtodo rene la caracterstica de que est
evolucionando en forma natural y encontrando la imagen acumulada (y por tal, la
imagen promedio), con lo que no existe un proceso previo de aprendizaje y otro de
aplicacin, sino que por el proceso natural de conocer y reconocer las imgenes va
evolucionando.
Es importante observar que, la matriz obtenida es prcticamente igual a la de la red
neuronal de 1976, con lo que se plantea como un mecanismo para la representacin
de sistemas evolutivos y en particular de redes neuronales evolutivas, ya que, los
valores de la matriz estn cambiando en tiempo real y esto es equivalente a modificar
las interrelaciones entre las neuronas (ya que en el modelo original cada entrada de la
matriz representa una conexin entre neuronas y estas conexiones se estn
modificando en tiempo real). Lo anterior es la base de un proyecto desarrollado por
Alejandrina Salazar Torres sobre redes neuronales evolutivas en 1993.
Este mecanismo de matriz que se est transformando permanentemente se conoce
como matriz evolutiva y tiene la ventaja de que siempre se est actualizando para
reflejar una imagen de la realidad. Las matrices evolutivas constituyen por si solas una
herramienta con mltiples aplicaciones.

16

Matriz evolutiva y sistemas expertos.

Otro campo donde se pueden aplicar las matrices evolutivas es en el rea de los
sistemas expertos, por ejemplo, si partimos de un sistema experto de diagnstico
formado por reglas de la forma
S1 S2 S3 Sn => Di : Ti
Donde Sj son los sntomas, Di los diagnsticos y Ti los tratamientos (o sea que un
conjunto de sntomas genera un diagnstico y un tratamiento).
El sistema experto puede representarse como una matriz, donde cada columna
corresponde a un sntoma y cada rengln a una regla del experto

De tal manera que, si aparece un 1 en el rengln i y la columna j, quiere decir que la

regla i necesita el sntoma j para cumplirse.
Aqu es importante comentar que, una de las caractersticas que permite la
representacin de las reglas de inferencia mediante una matriz es que no importa el
orden en el que se presenten los sntomas, o sea que, la cadena lingstica es
conmutativa bajo la concatenacin lo cual no ocurre por ejemplo con las oraciones del
espaol las cuales no se pueden representar en general mediante la matriz, porque no
se permite la conmutabilidad.
Ahora bien, los valores de la matriz pueden ser cualesquiera, por lo que a cada
sntoma se le puede dar un valor diferente dependiendo del grado de importancia, o de
la probabilidad o de la frecuencia de ese sntoma en particular, con lo que se tiene una
matriz borrosa de la forma:

Donde aij es el peso que tiene el sntoma j en la regla i. Entonces si llega un problema
que tiene por ejemplo los sntomas 1, 3, 7,..., n, con pesos 0.5, 1.3, 0.7,..., 2.5, solo se
requiere representar el problema como el vector: (0.5 0 1.3 0 0 0 0.7.... 2.5) y operar el
vector con la matriz.
La forma ms fcil de operar el vector con la matriz consiste en tomar el vector y
multiplicarlo por la matriz con lo que se tiene un vector resultante y solo se requiere
buscar el elemento i mximo para detectar a que regla corresponde el conjunto de
sntomas.
17

Por ejemplo, si se tiene la siguiente matriz:

Y llega un problema con los sntomas (1.0 0 1.5 0 0 0.7), entonces se multiplica la
matriz por el vector quedando el resultado:

De donde se propone la r1 como el resultado del sistema.

Una de las ventajas de representar al sistema experto mediante una matriz es que
ahora se puede ver y atacar con mltiples herramientas incluyendo entre otras la
lgica difusa, redes neurales, teora de la medida y sistemas evolutivos. En particular
podemos aplicar las tcnicas de matrices evolutivas y partir de que la matriz est
originalmente vaca y llena de ceros, cuando llegan los primeros sntomas y no
encuentra nada almacena el vector en el primer rengln y asigna el diagnostico (le
puede pedir el diagnostico al experto humano).
Por ejemplo, si llegan los sntomas (1.2 0 0 2.3 0 0.7) el sistema busca en la matriz el
diagnostico, pero como est vaca no los encuentra, entonces pregunta por el
diagnstico y genera una matriz con un rengln.

Si llegan ahora los sntomas (0.7 0 0 0 3.2 0), como la colisin con el vector
almacenado es baja, pregunta por el diagnostico, si el nuevo diagnstico es diferente
crea un nuevo rengln, quedando la matriz:
Si llega una cadena de sntomas con alta colisin, como por ejemplo:(1.0 0 0 0.8 0 1.2)
El sistema emite el diagnostico D1 y acumula el nuevo sntoma sobre la matriz anterior
en el rengln 1:

18

Al tener el vector acumulado se estn reforzando los sntomas y en forma natural

aumentan los pesos.
El sistema siempre suma. Si llega una cadena de sntomas con alta colisin los suma
al rengln diagnosticado. Si llega una nueva cadena crea un nuevo rengln. Si llega
una cadena y el experto indica que corresponde a un diagnostico presente, la nueva
cadena se acumula a este diagnstico.
Si se toma el vector acumulado y cada sntoma lo dividimos entre el nmero de
acumulados tenemos una regla promedio, por lo que, lo que estamos encontrando es
la regla promedio asociada a un diagnstico y mediante el mecanismo evolutivo esta
regla se est depurando y afinando cotidianamente, o sea que, en forma natural y
permanente se estn encontrando y afinando las reglas del sistema.

Una representacin N-dimensional

Si analizamos un poco ms a las matrices evolutivas vemos que cada imagen, regla o
cadena de sntomas promedio se representa mediante un conjunto de n sntomas o
variables, si estas variables son independientes entre s entonces cada objeto
(imagen, regla o cadena de sntomas promedio) representado por las n variables se
puede visualizar como un punto en un espacio de n dimensiones.
O sea que cada vector de la matriz evolutiva representa un punto en un espacio
multidimensional y todas las reglas forman una nube de puntos. De donde, por
ejemplo, el proceso de encontrar el diagnostico asociado a un vector de sntomas
equivale a encontrar el punto que tiene distancia mnima con este vector.
Ahora bien, conforme aumenta la cantidad de variables que representan a los objetos
la posibilidad de que colisionen (asocien el mismo punto a objetos diferentes)
disminuye.
Para mostrar lo anterior supondremos que se tienen varios objetos y cada objeto se
representa con un valor de una variable o como un punto en una dimensin, en su
momento varios objetos podran tomar el mismo valor y caer en el mismo lugar.
Por ejemplo, si se quiere representar a los alumnos de un grupo por sus calificaciones
y stas toman puros valores enteros y tienen una distribucin uniforme entre 0 y 10
entonces la calificacin puede tomar 11 posibles valores.
Si |[a, b]| es el nmero de valores posibles entonces la distancia entre a y b se denota
como y nos indica el rango de valores, o sea que = (b - a) + 1. En el ejemplo anterior =
(10 - 0) + 1 = 11.
A la relacin entre el nmero de valores posibles |[0, 10]| y el nmero de objetos
(alumnos), se le conoce como densidad o y en genera se define como = / (donde el
nmero de objetos se denota por).
La densidad entre otras cosas indica que tan factible es que dos objetos colisionen o
sea que tomen el mismo valor. Por ejemplo, si =11 y se tiene 1 persona entonces = 1 /
11, pero si se tienen 2 personas = 2 / 11. Si se tienen 10 personas entonces = 10 / 11 y
es muy posible que dos personas tomen el mismo valor, en fin, si se tienen 20
personas, es seguro que varias personas tomen el mismo valor.

19

Por lo que si se quiere distinguir entre varios objetos midiendo una variable con
distribucin uniforme se necesita que sea menor que uno, o sea que el nmero de
objetos sea menor que el nmero de valores posibles que toma la variable.
Para el ejemplo de las personas la calificacin no es una buena variable ya que en
general en un grupo se tienen ms de 10 alumnos y adems la distribucin no es
uniforme. Otra variable mejor podra ser la altura en centmetros (nuevamente
supondremos el caso ideal de distribucin uniforme y que la probabilidad de tomar
cualquier valor es la misma)
Si el rango de altura es [151, 170] cm. entonces = (170 - 151) + 1 = 20, si se tienen
pocos alumnos funciona, pero al final tampoco es un buen criterio para discriminar
entre alumnos.
Ahora bien, si se tienen dos variables no correlacionadas y se utilizan combinadas el
espacio se multiplica, o sea que, si se categoriza a un conjunto de objetos mediante 2
variables independientes y si 1 es el nmero de puntos en x, y 2 es el nmero de
puntos en y entonces 1* 2 es el nmero de puntos en el espacio de valores (conocido
tambin como espacio de caos).
Por ejemplo, en el caso de los alumnos, s. Calificacin = 11 y. tamao = 20 entonces.
espacio=. calificacin*. tamao=11*20=220. Con lo que el espacio crece y las
colisiones se reducen.
Si se tienen 3 o 4 o ms variables rpidamente se llega a espacios con una gran
cantidad de posibles valores, por lo que si se tienen objetos caracterizados por 1000
variables la posibilidad de que 2 objetos diferentes tomen el mismo valor es muy
pequea.
Si dejamos de suponer una distribucin uniforme y suponemos una distribucin
normal, se tiene que el comportamiento del espacio probabilstico para una variable es
de forma normal.
Si tenemos dos variables x, y se tiene un espacio donde se interceptan dos curvas
normales. El espacio con centro en (x.media, y.media) y que tiene como radios la
varianza de x y la varianza de y se conoce como elipse de Chevichev.
Conforme aumenta la cantidad de variables se termina teniendo una hiperelipse de
Chevichev de n dimensiones con la caracterstica de que todos los puntos de la
hiperelipse se pueden ver como casos particulares de un mismo objeto representado
por el punto medio (d1,d2,d3,...,dn) de la elipse. O sea que todos los puntos
"cercanos" a (d1, d2, d3,..., dn) se pueden considerar como ejemplos del mismo objeto
o como objetos similares.
De donde una tcnica para reconocer un objeto o fenmeno o patrn de algn tipo
consiste en encontrar su representacin "promedio" en un espacio de n dimensiones y
todos los objetos cercanos (que caen dentro de la elipse de Chevichev) se pueden
considerar como objetos similares.

Espacios n-dimensionales evolutivos

Este enfoque se ha aplicado desde hace muchos aos por ejemplo para el
reconocimiento de imgenes y seales, ya que al digitalizar una seal o curva cada

20

valor digitalizado corresponde a una variable, por lo que, por ejemplo, una imagen de
600 x 500 pixels o sea que est formada por 300000 puntos, corresponde a un punto
representado por 300000 (trescientos mil) variables o sea que cada imagen
corresponde a un punto en un espacio de 300000 dimensiones. Con lo que la
posibilidad de que dos objetos no similares colisionen es pequea.
Otra aplicacin de esta idea se presenta en el rea de los sistemas experto, donde en
general si se tienen n sntomas o variables e1,e2,...,en, donde ei * [ai, bi]. y las
variables son independientes o estn muy poco correlacionadas entre s, entonces la
regla e1e2...en se puede ver como un punto en un espacio n-dimensional y el nmero
de valores diferentes que puede tomar es * ((bi-ai)+1).
Para darnos cuenta de lo que esto significa supongamos que se tienen 12 sntomas
e1,e2,...,e12 y cada sntoma puede tomar 10 posibles valores, entonces se tienen
10*10*10...*10=1012 combinaciones y la probabilidad de que dos objetos diferentes
tomen los mismos valores es de 1/1012.
Como se puede ver conforme aumenta el nmero de variables o sntomas la
posibilidad de que los objetos colisionen disminuye. Lo anterior es la base de una
tcnica de reconocimiento de formas conocida como anlisis de cmulos, que
basicamente toma una muestra significativa de objetos similares, los representa como
puntos en un espacio n-dimensional, encuentra la media y la varianza de estos puntos
y cuando llega un objeto nuevo al sistema, mide la distancia entre el punto nuevo y el
punto medio, si esta es pequea lo reconoce como un objeto similar y si no lo
desecha.
Sin embargo, es comn que cuando se aplica esta tcnica, los patrones o espacios de
Chevichev ya estn prefijados, ya sea porque explcitamente fueron asignados o
porque se obtuvieron mediante un proceso de aprendizaje y quedaron fijos e
inmutables. Ahora bien, en el caso de las matrices evolutivas tambin cada imagen,
regla o cadena de sntomas promedio se representa como un punto en un espacio de
n dimensiones, o sea que, todas las reglas forman una nube de puntos, pero con la
caracterstica de que la matriz evolutiva permanentemente se est modificando.
Originalmente la matriz evolutiva est vaca y representa un espacio que tambin lo
est, ms adelante cuando llegan las primeras reglas o imgenes surgen los primeros
puntos, pero estos no estn fijos, ya que, cuando una regla de la matriz evolutiva se
modifica el punto que la representa tambin cambia de posicin, o sea que, en forma
natural y permanente el espacio n-dimensional se est afinando y evolucionando.

21

Conclusin
Global
El equipo 8 concluye que los sistemas expertos o basados en redes neuronales son
dos cosas; primero un intento de imitar nuestra forma de pensar, por otro lado un
magnfico algoritmo basado en la paralizacin masiva, al contrario de los sistemas
informticos habituales que se basan en procesar las cosas en serie. Esa, es tambin
la forma que tiene el ser humano de pensar, pero a pesar de ello un sistemas neuronal
artificial se queda bastante corto en muchas situaciones como el reconocimiento de
rostros o reacciones como pueden ser los impulsos nerviosos.

Individual

Aguilar Palma Arturo

Me parece que las redes neuronales es una forma importante en la inteligencia
artificial ya que sin ellas no podramos desarrollar sistemas expertos importantes y
muchos de ellos en la actualidad se han dado gracias a estas funciones, nos falta
aprender ms conocimiento acerca de ello para desarrollarlo de tal forma que sea de
forma progresiva para el ser humano

Flores Dionisio Eduardo Daniel

Las redes neuronales se deben considerar una metodologa muy importante de
estudio en nuestros tiempos, de la misma forma se deben de considerar los sistemas
evolutivos, para adquirir conocimientos evolutivos y lograr un razonamiento para
diversas tareas y actividades humanas y sistemticas donde el hombre no pueda
laborar o resulte muy peligroso para l, la adquisicin de datos de una manera lgica y
razonal para un sistema debe ser la tecnologa que debemos de emplear ya.

Neri Jacinto Cesar Sal

El Sistema Evolutivo es una herramienta fundamental ya que es un sistema capaz de
crear su propia imagen de la realidad y utilizarla para resolver problemas y tambin
actualizar sta imagen propia para seguir tratando con dichos problemas, todo esto
gracias a su capacidad por medio de un proceso continuo de actualizacin.

Velasco Ortiz Carlos Sal

Las redes neuronales son un tema muy importante pues la inteligencia artificial se
basa en estas redes, tambin me parece muy interesante la forma en cmo funcionan
estas redes y las diversas formas en las que se puede adquirir el conocimiento, por
otra parte, la vinculacin que existe en el desarrollo de sistemas expertos que a pesar
de los avances los mltiples usos an se quedan bastante cortos en comparacin con
lo que el cerebro humano y las neuronas biolgicas pueden realizar

Villanueva Jimnez Rubn

En la actualidad las redes neuronales son muy importantes as como los sistemas
evolutivos ya que al poder adquirir conocimiento evolucionando y consiguiendo tener
un tipo de razonamiento se pueden lograr muchas cosas que con los sistemas
comunes programados en lenguajes como java el cual nos ensean en la escuela
sera muy difcil ya que estos estn pensados en otro tipo de aplicaciones y soluciones

22

mientras que por otra parte las redes neuronales se enfocan en la adquisicin del
conocimiento.

23

Bibliografa
Salvador Climent Serrano, Sistemas Expertos
URL(www.uv.es/~scliment/investigacion/1999/sistemasexpertos.PDF)
Toms Len Quintanar, Sistemas expertos y sus aplicaciones
URL(www.uaeh.edu.mx/docencia/Tesis/icbi/licenciatura/documentos/Sistemas
%20expertos%20y%20sus%20aplicaciones.pdf)
Ariel E. Chvez, Inteligencia Artificial
URL(es.slideshare.net/uni_fcys_sistemas/sistemas-expertos-14737155)
BENCHIMOL Guy, Pierre Levine y Jean Charles Promerol. Los sistemas expertos en la
empresa. Macrobit. Cuarta edicin, Mxico, 2004
CRIADO Briz Jos Mario. Introduccin a los Sistemas Expertos.
URL (www.ingenieroseninformatica.org/recursos/tutoriales/sist_exp/index.php). 2007
BRATKO Ivan. Prolog programming for Artificial Intelligence. Addison Wesley. Segunda
Edicin. New York, 1999
CRIADO Briz Jos Mario. Sistemas Expertos.
URL(http://home.worldonline.es/jmariocr/)

24