Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
[Type text]
informacin. Proveen un mtodo de representar relaciones que es muy
diferente de mquina de Turing computadoras con programa almacenado.
1.1BASES BIOLOGICAS
Una neurona biolgica tiene 3 tipos diferentes de componentes que son de
inters para entender una neurona artificial: la dendrita, soma y axn. Muchas
dendritas reciben seales desde otras neuronas. Las seales son impulsos
elctricos que son transmitidos a travs de una sinapsis por medio de un
proceso qumico. La accin del transmisor qumico modifica la seal entrante
(escalando la seal que es recibida) en una forma similar a la accin de un
peso en las redes neurales artificiales.
La soma, cuerpo dela clula, suma las seales entrantes. Cuando suficiente
entrada es recibida, la clula dispara; esto es, transmite una seal a travs de
su axn a otras clulas. Una clula dispara o no en un instante dado as que las
seales transmitidas pueden ser tratadas como binarias.
La transmisin de la seal desde una neurona particular es llevada a cabo por
la concentracin de iones en los axones de la neurona (potasio, sodio,
cloroide).
Axn de
Otra
neurona
DENDRITA
S
Dendrita
de
Otra
neurona
SOM
A
Unin
sinptica
Axn de
Otra
neurona
PROPIEDADES DE LAS NEURONAS BIOLIGICAS
1. El elemento de procesamiento recibe varias seales.
[Type text]
2. Las seales pueden ser modificadas por los pesos de las sinapsis
receptoras.
3. El elemento de procesamiento suma as entradas escaladas.
4. Bajo adecuadas circunstancias (suficiente entrada), la neurona trasmite
una sola salida.
5. La salida de una neurona particular puede ir a otras neuronas (brazos del
axn).
[Type text]
1.
2.
3.
4.
5.
ARQUITECTURAS TIPICAS
Red neural UNICAPA
[Type text]
Existen rutas de seal de lazo cerrado desde una unidad hacia s misma
[Type text]
2. Funcin binaria
[Type text]
3. Binaria sigmoide
4. Simoigde bipolar
g ( x ) =2 F ( x )1=
g' ( x ) =
2
1ex
1=
1+ ex
1+ex
[1+ g ( x ) ] [1g ( x ) ]
2
1.2HISTORIA
1.2.1 Modelo [Mc calloch&pitts,1943]
Establecieron que combinando algunas simples neuronas en un sistema neural,
es la fuente de un poder computacional incrementado. Los pesos que pusieron
en las neuronas fueron de tal forma que desarrollaron una funcin lgica
simple. El flujo de informacin a travs de la red asume que hay una unidad de
tiempo para que la seal viaje de una neurona a la siguiente.
Aprendizaje de [hebb, 1949] diseo la primera ley de entrenamiento de redes
neurales artificiales. Su premisa fue que si 2 neuronas estaban activas
simultneamente, entonces la fuerza de conexin entre ellas debera de ser
incrementada.
[Type text]
1.2.2 Percepton [block, 1962, Minsky & Ppert, 1988; Rusenbaltt, 1962]
Se prob que la regla de aprendizaje del perceptron (a diferencia de las de
hebb) converge que los pesos correctos si existen los pesos que solucionan el
problema
ADALINE [widrow & hoff,1960] desarrollaron un ERROR cuadrtico medio
menor. La regla es llamada ADAptative Linear NEuron Backpropgation. Se
estableci un mtodo general de entrenamiento de una red multicapa. El
mtodo propaga informacin de los errores en las unidades oculta.
[Type text]
4. Cada neurona tiene umbral fijo tal que si la entrada a la neurona es
ms grande que el umbral, la neurona dispara.
5. El umbral es puesto de tal manera que la inhibicin es absoluta. Estos
es, cualquier entrada inhibitoria no cero previene a la neurona a
disparar.
6. Toma una unidad de tiempo para una seal pasar a travs de una
conexin entre neuronas.
Algoritmo
Se utiliza el anlisis en vez de un algoritmo de entrenamiento para poner los
pesos y los umbrales de la funcin de activacin de las neuronas
X2
1
0
1
0
Salid
a
Y
1
0
0
0
X1
W=1
Y
2
Y
Y_
IN
2
1
1
0
= W1
X1
= 1*
1
= 1*
1
= 1*
0
= 1*
0
+ W2
X2
+ 1*1
+ 1*0
+ 1*1
+ 1*0
Salida
X2
W=1
[Type text]
X1
1
1
0
0
Y_I
N
2
1
1
0
=
=
=
=
=
X2
1
0
1
0
W1
X1
1*1
1*1
1*0
1*0
+
+
+
+
+
Y
1
1
1
0
W2
X2
1*1
1*0
1*1
1*0
W=1
X1
Y
1
Y
X2
W=1
Y_I
=
0 =
1 =
-1 =
0 =
N
W1
X1
1*1
1*1
1*0
1*0
Salida
Y
0
1
0
0
W2
+ X2
+ -1*1
+ -1*0
+ -1*1
+ -1*0
Salida
X1
W=1
Y
1
Y
X2
W=1
[Type text]
X1
1
1
0
0
Y_I
=
0 =
1 =
-1 =
0 =
N
X2
1
0
1
0
W1
X1
*1
*1
*0
*0
+
+
+
+
+
Y
0
1
1
0
W2
X2
*1
*0
*1
*0
X1
X2
Reporte de practica
W=
portada
ndice
ndice de figuras
ndice de tablas
1. introduccin
2. marco teorico
3. planteamiento del problema
4. material utilizado
5. metodologa
6. desarrollo
7. resultados
8. conclusiones
Bibliografia
apendices
W=