UNIVERSIDAD DE LAS FUERZAS ARMADAS – ESPE

INGENIERÍA EN ELECTRÓNICA, AUTOMATIZACIÓN Y CONTROL

PAC IELA 4 – CONTROL INTELIGENTE
GALO ANDRÉS CRUZ JÁCOME
CORRECCIÓN DEL EXÁMEN

1. Dibuje el modelo matemático de una neurona y describa sus elementos.

Modelo genérico de neurona artificial.

Como hemos comentado, una neurona es un procesador elemental tal que a

partir de un vector de entrada procedente del exterior o de otras neuronas,
proporciona una única respuesta o salida (Fig. 4).

Figura 1. Modelo genérico de una neurona artificial.

Los elementos que constituyen dicha neurona son:

 Entradas: x (t). Las variables de entrada y salida pueden ser binarias (digitales)
o continuas (analógicas) dependiendo del modelo de aplicación.

 Pesos sinápticos: w . Representan la intensidad de interacción entre cada

neurona presináptica j y la neurona postsináptica i.

 Regla de propagación: σ(w , x (t)). Proporciona el valor del potencial

postsináptico, h (t), de la neurona i en función de sus pesos y entradas. Es
decir

h (t) = σ(w , x (t)) (1)

La función más habitual es de tipo lineal, y se basa en una suma ponderada de

las entradas con los pesos sinápticos
 h (t) = =w (2)

El peso sináptico w define en este caso la intensidad de interacción entre la

neurona presináptica j y la postsináptica i. Dada una entrada positiva, si el peso es
positivo tenderá a excitar a la neurona postsináptica, si el peso es negativo tenderá a
inhibirla. Así, se habla de sinapsis excitadoras (peso positivo) e inhibidoras
(peso negativo).

àFunción de activación o de transferencia: f . Proporciona el

estado de activación actual, a , de la neurona i en función de su estado anterior, a
, y de su potencial postsináptico actual. Es decir

a (3)

En muchos modelos de ANS se considera que el estado actual de la neurona no

depende de su estado anterior, sino únicamente del actual

a (4)

La función de activación se suele considerar determinista, y en la mayor

parte de los modelos es monótona creciente y continua. La forma de las
funciones de activación más empleadas en los ANS se muestra en la siguiente tabla,
donde representa el potencial postsináptico e el estado de activación.

àFunción de salida: . Proporciona la salida actual, , de la neurona

i en función de su estado de activación actual, . Muy frecuentemente la función
de salida es simplemente la identidad , de modo que el estado de activación
de la neurona se considera como la propia salida. Es decir

(5)

Por tanto, la operación de la neurona i puede expresarse de la siguiente forma:

 2. Dibuje la forma de una función de activación. Indique los valores de la función en eje y.

Figura 2. Funciones de activación habituales.

3. Describa el compromiso entre generalización y aprendizaje en las redes neuronales.

El objetivo de una RNA es generalizar para clasificar las nuevas entradas de forma
apropiada, si se conoce que los datos de entrenamiento contienen ruido, no se
requiere necesariamente que los datos de entrenamiento sean totalmente precisos
provocando una reducción de la capacidad de generalizar, Es más fácil despreciar un
valor de entrenamiento para mejorar la generalización

Figura 3. Generalización y aprendizaje

 4. Demuestre gráficamente la separabilidad lineal de los patrones que describen una
compuerta NOR.
In1 In2 Out
0 0 1
0 1 0
1 0 0
1 1 0

𝐼𝑛1 ∗ 𝑊1 + 𝐼𝑛2 ∗ 𝑊2 − 𝜃 = 0 (6)

Al reemplazar cada valor de salida y entrada en la ecuación 1 se obtienen las siguientes

inecuaciones

0 ∗ 𝑊1 + 0 ∗ 𝑊2 − 𝜃 ≥ 0 (7)

0 ∗ 𝑊1 + 1 ∗ 𝑊2 − 𝜃 < 0 (8)

1 ∗ 𝑊1 + 0 ∗ 𝑊2 − 𝜃 < 0 (9)

1 ∗ 𝑊1 + 1 ∗ 𝑊2 − 𝜃 < 0 (10)

De donde se obtiene

𝜃≤0

𝑊2 < 𝜃

𝑊1 < 𝜃

𝑊1 + 𝑊2 < 𝜃

Asumiendo los valores de 𝜃 = −1, 𝑊1 = −3 y 𝑊2 = −2 , se obtiene la ecuación de la

recta

𝑊1 𝜃
𝐼𝑛2 = − ∗ 𝐼𝑛1 + (11)
𝑊2 𝑊2

𝐼𝑛2 = −1,5 ∗ 𝐼𝑛1 + 0,5 (12)

Al demostrar gráficamente que la función si es linealmente separable

 Figura 4. Separabilidad lineal NOR

5. Escriba la fórmula de cálculo de la salida y = f(x 1 ,x 2 ) de una red neuronal, donde x x ,

x 2 corresponden a los valores de las entradas. La red neuronal tiene dos capas con
neuronas en la primera capa y una neurona en la capa de salida.

Figura 5. Perceptrón multicapa

𝑛

𝑦1 = 𝑓(𝑡) ∑ ∆𝑊𝑖𝑗 𝑋𝑖 − 𝜃 (13)

𝑖=1

𝑦2 = 𝑓(𝑡) ∑ ∆𝑊𝑖𝑗 𝑋𝑖 − 𝜃 (14)

𝑖=1

𝑜𝑢𝑡 = 𝑓(𝑡) ∑ 𝑊𝑖𝑗 𝑦1 − 𝜃 (15)

𝑖=1

𝑜𝑢𝑡 = 𝑓(𝑡)[𝑤5 ∗ (𝑓(𝑡)[𝑤1 ∗ 𝑥1 + 𝑤3 ∗ 𝑥2 − 𝜃]) + 𝑤6 ∗ (𝑓(𝑡)[𝑤2 ∗ 𝑥1 + 𝑤4 ∗ 𝑥2 − 𝜃]) − 𝜃] (16)

 6. Describa el método de aprendizaje por descenso de gradiente

El propósito del aprendizaje es minimizar el error de salida en un conjunto particular

ajustando los pesos de la red,

 Se define una función de error que determina hasta qué punto será entrenada
la red
 Las derivadas parciales del error nos muestran en qué dirección necesitamos
mover el espacio de pesos para reducir el error
 La tasa de aprendizaje especifica el tamaño de paso en cada espacio de peso
para cada iteración de la ecuación de actualización de pesos
 Se sigue paso a paso el espacio de pesos hasta obtener errores más cercanos al
deseado

7. Escriba un ejemplo de conjunto difuso y dibuje la función de pertenencia asociada.

Los hombres altos

Grado de pertenencia: usualmente se normaliza entre 0 y 1, es decir o al 100%.

La altura viene dada en cm

Figura 6. Ejemplo conjunto difuso

Un hombre que mide 175cm pertenece 33% al conjunto de “los hombres altos”
 8. Dibuje el esquema de un controlador difuso e identifique sus componentes.

Figura 7. Esquema controlador difuso

La lógica difusa se compone de los procedimientos de fuzzificación, inferencia,

defuzzificación y base de reglas los cuales son descritos a continuación.

 Fuzzificación

El proceso de la fuzzificación consiste en una transformación de un dato o de una

variable con algún valor dentro de su dominio, a su correspondiente conjunto difuso.

 Inferencia

El mecanismo de inferencia consiste en un conjunto de reglas escritas en la forma si-

entonces para relacionar los conjuntos de entrada con los conjuntos de salida. La
variable o variables de entrada se mapean en un conjunto dependiendo de su valor y
la definición de los intervalos de los conjuntos. El valor obtenido y la variable
lingüística que identifica al conjunto o conjuntos a los que pertenece se pasan al
motor de inferencia, para obtener una pertenencia a algún conjunto de salida y
posteriormente computar su valor de salida en la defuzzificación.

 Defuzzificación

La defuzzificación es definida como un mapeo de un conjunto difuso.

Conceptualmente, la tarea de defuzzificar es especificar un punto que refleje la mejor
representación del conjunto difuso. Sin embargo, algunos métodos de defuzzificación
son prácticos. Como es común, a continuación detallaremos dos de las técnicas más
utilizadas para la defuzzificación.
  Base de reglas

Contiene Todas la reglas linguisticas que se utilizan para relacionar los conceptos
imprecisos con el comportamiento del sistema a controlar, esta etapa se encarga de la
toma de decisiones que gobernara la forma en que debe actuar el sistema.

9. Describa en detalle el formato de la regla que se usa en control difuso.

10. Escriba la fórmula de cálculo para obtener el grado de activación de una regla con dos
proposiciones en la premisa
El grado de certeza se calcula a partir de sus premisas y de sus funciones de
pertenencia establecidas, para lo cual se utiliza la siguiente fórmula

∑𝑖 𝑏𝑖 ∫ 𝑢(𝑖)
𝜇 𝐶𝑅𝐼𝑆𝑃 = (17)
∑𝑖 ∫ 𝑢(𝑖)
 Figura 8. Proposiciones de dos premisas

Como se puede ver en la figura 8, se tienen dos proposiciones que tienen su

intersección para el control de difuso de un sistema, para lo cual se utiliza la ecuación
17, que necesita las áreas de las secciones de cada una de las premisas y el peso de
cada premisa.