APLICACIONES DE LAS RNA

Entrenamiento es un mtodo matemtico

Comprender:
1. Estructura general de una neurona biolgica
2. El funcionamiento general, como procesa
informacin la neurona.
 El axn: Es la va a travs de la cual se transmite la informacin de unas
clulas a otras.

Se transmiten seales elctricas denominadas impulsos nerviosos.

La conexin entre una neurona y otra se denomina sinapsis.

 Datos curiosos
Tenemos 1011 Neuronas
1000 10000 conexiones por neurona
Tiempo de activacin/desactivacin 0.001 seg.
Tiempo en reconocer una cara 0.1 seg

Alan Turing, en 1936, fue el primero en

estudiar el cerebro como una forma de ver el
mundo de la computacin
 La seal elctrica que viaja a travs del Axn se llama
POTENCIAL DE ACCIN

Canales Inicos

En equilibrio
La sinapsis es una unin intercelular entre neuronas. En estos contactos se lleva a cabo la transmisin del impulso nervioso.
ste se inicia con una descarga qumica que origina una corriente elctrica en la membrana de la clula presinptica (clula
emisora).

Potencial de accin

Dendrita Iones + potencial postsinptico exitatorio

Botn terminal

Iones - potencial postsinptico Inhibitorio

La magnitud de los potenciales postsinptico depende de la intensidad que se conecte las 2 neuronas
A esa magnitud de llama Peso Sinptico W.
Potenciales de accin

La Magnitud de los potenciales postsinptico depende del peso sinptico W

Potencial de accin

El peso sinptico W es + exitatorio

El peso sinptico W es - Inhibitorio

 REDES NEURONALES
ARTIFICIALES

Las Redes Neuronales Artificiales (las cuales

llamaremos RNA) son dispositivos o software
programado de manera tal que tratan de
representar el cerebro humano, simulando su
proceso de aprendizaje
n=entrada neta
 capa1
Capa 2
Capa 3

Funciones anidadas
 Red Perceptrn
Diseo de red Perceptrn para reconocimiento
Algoritmo de aprendizaje
Reconocimiento de numero de 7 segmentos
b=polarizacin
n=entrada neta

n>0

n<0
b=polarizacin
Considere: W1=-1, W2=-1, b=0.5
 P2 P1
= 1 1 + 2 2 + -0.5 1
0 = 11 12 + 0.5 0 0.5
0.5 0
1= 0.5 2
1 -0.5
1.5 -1
 N<0
P2 P1
-0.5 1
0 0.5
0.5 0
1 -0.5
1.5 -1
W
n>0
2 fronteras de decisin
W vector peso sinptico

W
 5

1
-5
-1

2
-10
Inteligencia Artificial con matlab
 Disee una red neuronal Perceptrn para que realice la
funcin: a)AND, b)OR, c)NAND, d)NOR

En Matlab ingresar a la ventana de editor Desktop / Editor /New M-file

Cdigo
P=[0 0 1 1; 0 1 0 1 ];%Valores de entrada
T=[0 0 0 1];%Valores de salida
plotpv(P,T)%Patrones de P/T
red=newp([0 1;0 1],1);
%Se crea un perceptron cuyas caractersticas son:
%Rango de las dos entradas 0<=P<=1
%Numero de neuronas 1
red.iw{1,1}=[1 1]; %Se asignan valores a los pesos de las entradas
red.b{1}=0.5; %Se asigna valor al bias o polarizacin de la neurona
Pesos=red.iw{1,1};
Bias=red.b{1};

plotpc(Pesos,Bias) %Lnea de separacin

title('Antes del entrenamiento');
%Grafica antes del entrenamiento
red=train(red,P,T);
%Se entrena la red para las entradas P y salidas T
figure;
Pesos=red.iw{1,1};
Bias=red.b{1};
plotpv(P,T) %Patrones de P/T
hold on;
plotpc(Pesos,Bias) %Linea de separacin
title('Despues del entrenamiento');
%Grafica despues del entrenamiento
Considere: W1=1, W2=1, b=0.5