Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Resumen-. Este artículo presenta el análisis y la implementación de un Ahora bien, ¿cuál es la metodología que siguen las neuronas para generar
sistema artificial de aprendizaje que basa su funcionamiento en el proceso un proceso de aprendizaje? Para comenzar, el aprendizaje es un proceso que
cognitivo del cerebro humano. El sistema propuesto es capaz de aprender y requiere la interconexión de una red de neuronas ya que es imposible que
memorizar, mediante un entrenamiento, algún patrón y posteriormente le es éste sea generado en una sola.
posible reconocerlo aun cuando existan algunas variantes en lo que pretende
usar para el reconocimiento. Para el diseño del sistema se utilizó la teoría
computacional de redes neuronales artificiales, además de la plataforma
multitarea MATLAB©.
I. Introducción
Cuerpo celular: Es capaz de producir movimiento, sin embargo, El proceso comienza cuando algún tipo de estímulo aparece en el cerebro.
por lo general permanecen estables y estimulan a los axones para Dicho estímulo puede ser interno mediante una lluvia de ideas producida
que sean extendidos hacia afuera y formen otras conexiones con por una lectura o quizás por la interpretación de la solución de un problema
sus símiles. matemático, también puede ser con base en una vivencia nueva como puede
Dendritas: Son las encargadas de establecer contacto sináptico ser aprender a andar en bicicleta. El cerebro humano es capaz de detectar
(unión con firmeza) con las terminales de otra neurona y así cuando estamos haciendo algo nuevo o algo que ya sabemos hacer, si esto
enviar impulsos nerviosos (órdenes del cerebro) a través de los último ocurre se genera un reforzamiento en las vías neuronales. El proceso
denominados neurotransmisores. es el siguiente[3]:
Axón: Es quien permite la transmisión de la información en
forma de estimulación eléctrica y además sirve como transporte
1. La información es captada por nuestros sentidos o, quizás, puede
de sustancias químicas involucradas.
ser activada por el pensamiento o la memoria (si partimos de
algún conocimiento previamente adquirido).
1
2. La información es orientada al tálamo (filtro que permite delinear cumpla, podemos concluir que el aprendizaje de la red neuronal sí resultó
el camino que deben seguir las entradas sensoriales). significativo, en caso contrario no existe tal aprendizaje.
3. Si la información es de emergencia, será enviada a la amígdala y
ésta responderá de manera inmediata. El diagrama de la figura 1 muestra una neurona artificial que simula las
4. Después de haber sido procesada, la información es enviada al partes constitutivas de una neurona humana. A la entrada podemos ver las
hipocampo donde será retenida en el tiempo (memoria) señales que emulan a las dendritas (sensores que se activan cada vez que
5. El hipocampo se encargará de asociar lo retenido, a través de existe un estímulo), posteriormente vienen las conexiones que sirven para
recuerdos, con otras áreas de la corteza cerebral para así generar asignar un peso a cada señal de entrada con la finalidad de darles una
un almacenamiento longevo. prioridad; después son unidas para construir el cuerpo de la neurona y
posteriormente pasan a una etapa de decisión en la que una función de
Análogamente, podemos considerar a las redes neuronales como sistemas activación será la encargada de validar lo que la neurona ha aprendido
probabilísticos adaptables, que al igual que el cerebro humano, son respecto a lo que se pretende evaluar.
clasificadas como memorias auto asociativas. El término anterior es referido
a la acción de aprendizaje que tiene el humano para entender alguna El algoritmo implementado cumple con las características antes
situación o aprender de ella. El proceso natural de cognición le permite al mencionadas y con un criterio de estabilidad considerable debido a que el
humano percibir y memorizar patrones para posteriormente reconstruirlos
entrenamiento permite un reconocimiento exitoso a la salida.
generando una auto asociación entre lo ya memorizado y lo que se le
presenta. Las redes neuronales son herramientas que nos permiten recrear
dicho proceso de cognición para así poder implementar inteligencia en El algoritmo se rige bajo un principio de la memoria humana, con el paso
máquinas. de los años la memoria sufre un deterioro, pero, aun así, los conocimientos
bien aprendidos permanecen intactos. Análogamente con el
comportamiento humano, así existan factores externos que intenten
Las redes neuronales tienen básicamente dos componentes[4]:
deteriorar el funcionamiento óptimo, el algoritmo es capaz de adaptarse y
seguir mostrando un aprendizaje significativo.
Neurona artificial
Interconexiones La teoría de la red neuronal de Hopfield es recurrente y completamente
conectada. Funciona como una memoria asociativa no lineal que puede
Una neurona artificial es un procesador elemental ya que se encarga de almacenar internamente patrones presentados de forma incompleta o con
manipular la información de entrada para posteriormente producir una ruido (señales de interferencia). De esta forma puede ser usada como una
salida. Una interconexión es el espacio físico que permite la sinapsis (unión) herramienta de optimización. El estado de cada neurona puede ser
entre una neurona y otra con la finalidad de intercambiar información. actualizado un número indefinido de veces, independientemente del resto
de las neuronas de la red.
Una red neuronal artificial tiene tres etapas de procesamiento:
La red de Hopfield consiste en un conjunto de N elementos de procesado
interconectadas que actualizan sus valores de activación de forma asíncrona
Capa de Entrada (Sensor de recepción)
Capa Oculta (De procesamiento) e independiente del resto de los elementos de procesado. Todos los
elementos son a la vez de entrada y salida. Los valores de activación son
Capa de salida (Ejecución)
binarios.
En la capa de entrada se reciben los datos que serán procesados, son los
parámetros iniciales a considerar. La capa media es denominada oculta
debido a que es dónde los cálculos de procesamiento son realizados y no es
vista por los usuarios. La capa de salida es la que genera una respuesta
dependiente de las órdenes de entrada, es decir, es donde los estímulos de
entrada repercuten en una determinada acción.
Fig. 1 Diagrama genérico de una neurona artificial La figura 2 nos muestra las diferentes formas de expresar a la letra “a”
minúscula pero que, sin embargo, la interpretación es la misma no
importando cómo sea escrita. Lo anterior, el cerebro lo procesa y compara
Matemáticamente son consideradas como una estructura interconectada que hacia un patrón universal mediante un proceso cognitivo, ya que desde
son capaces de cumplir una función de control mediante una función de siempre ha visto diferentes formas de expresar la misma letra en los medios
activación. Como resultado de dicha función de activación, podemos medir impresos. El algoritmo que fue implementado en este artículo permite lo
el aprendizaje significativo a la primera iteración o a las “n” veces haciendo anterior, reconocer mediante aprendizaje artificial sin importar las posibles
uso de un criterio de convergencia. Cuando el criterio de convergencia se
2
variantes que puedan aparecer. A continuación, se muestra un ejemplo en el que se pide diseñar una red de
aprendizaje artificial que permita memorizar dos patrones (haciendo una
A continuación, son detallados los pasos a seguir para la implementación analogía al aprendizaje significativo) para que, posteriormente, se haga una
del algoritmo en la plataforma MATLAB©. prueba con patrones “contaminados” pero que el sistema sea capaz de
reconocer lo que se está probando. Los patrones a entrenar son los
siguientes:
II. Desarrollo
Y = es la salida a evaluar 1 1
𝑤21 = ((−1)(−1) + (1)(1)) =
fn = función no lineal a utilizar (decisión) 4 2
Wij = Matriz de pesos de conexión
XT = Vector de entrada a evaluar 1 1
𝑤23 = ((−1)(1) + (1)(−1)) = −
4 2
4. Se observa si existe una convergencia cuando la condición es:
1 1
𝑤24 = ((−1)(1) + (1)(−1)) = −
𝑦(𝑛 − 1) = 𝑦(𝑛)………………………………………………………. (3) 4 2
3
1 1 Evaluando la matriz resultante tenemos:
𝑤41 = ((1)(−1) + (−1)(1)) = −
4 2
1 3 1 1
1 1 𝑦 = 𝑓𝑛 ([− − ])
𝑤42 = ((1)(−1) + (−1)(1)) = − 2 2 2 2
4 2
𝑦 = [−1 −1 1 1]
1 1
𝑤43 = ((1)(1) + (−1)(−1)) =
4 2 Que como vemos corresponde al estado inicial que pertenece al valor “A”.
Es decir, el patrón que introdujimos como prueba lo reconoció como una
La matriz de pesos resultante será: “A”. Ahora es viable que implementemos el algoritmo en la plataforma
MATLAB©.
1 1 1
0 − −
2 2 2
1 1 1
0 − −
𝑊𝑖𝑗 = 2 2 2
1 1 1
− − 0
2 2 2
1 1 1
−
[ 2 − 0 ]
2 2
Prueba = [-1 1 1 1]
1 1 1
0 − −
2 2 2
1 1 1
0 − −
2 2 2
[-1 1 1 1] * 1 1 1 =
− − 0
2 2 2
1 1 1
[− 2 −
2 2
0 ]
1 1 1 1 1 1 1 1 1 1 1 1
= [0 + − − − +0− − − +0+ − + + 0] =
2 2 2 2 2 2 2 2 2 2 2 2
1 3 1 1
= [− − ]
2 2 2 2
4
La figura 7 muestra un ejemplo del uso de la interfaz. Usaremos el ejemplo
que fue desarrollado anteriormente.
5
(−1) + (−1) + (1) + (1) [2] Miguel M. M., La mirada creativa y el aprendizaje significativo, Mc.
𝐴̅ = =0 Graw Hill, México, 2013.
4
(−1) + (1) + (1) + (1) 1 [3] Jensen Eric, Cerebro y aprendizaje, competencias e implicaciones
̅ =
𝐴′ = = 0.5
4 2 educativas, Narcea Ediciones, Madrid, España 2004.
2. El siguiente paso es calcular la covarianza de los datos. [4] James A. A., Redes Neurales, Alfaomega, 2007.
∑ 𝐴𝐴′
𝜎𝐴𝐴′ = − (𝐴̅𝐴̅′) ………………………………………. (4) [5] Hilera J., et. al., Redes Neuronales Artificiales, Alfaomega, México,
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝐷𝑎𝑡𝑜𝑠 2010.
[(−1)(−1) + (−1)(1) + (1)(1) + (1)(1)]
𝜎𝐴𝐴′ = − (0)(0.5)
4
𝜎𝐴𝐴′ = 0.5
(∑ 𝐴)2
𝜎𝐴 = √ − (𝐴̅)2 ……………………………………… (5)
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑑𝑎𝑡𝑜𝑠
(∑ 𝐴′)2
𝜎𝐴′ = √ ̅ )2 ……………………………………… (6)
− (𝐴′
𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑑𝑎𝑡𝑜𝑠
0.5
𝑟= = 0.57
(1)(0.8660)
III. Conclusiones
IV. Referencias
[1] Ormrod J. E., Aprendizaje Humano, Pearson Prentice Hall 4ta. edición,
Madrid, España, 2005.