ESCUELA SUPERIOR POLITÉCNICA AGROPECUARIA DE MANABÍ

MANUEL FÉLIX LÓPEZ

CARRERA DE COMPUTACIÓN

SEMESTRE SEXTO PERÍODO SEP. - 2017/MAR. - 2018

INTELIGENCA ARTIFICIAL

TEMA:
REDES NEURONALES

AUTORES:
DENNY M. COBEÑA BRAVO
JUAN P. GUTIERRES SÁNCHEZ
MARÍA D. PÁRRAGA RÍOS

FACILITADORA:
ING. LIGIA E. ZAMBRANO SOLORZANO

CALCETA, FEBRERO 2018

 CONTENIDO

I. INTRODUCCIÓN...........................................................................................3
II. MARCO TEÓRICO........................................................................................4
2.1. REDES NEURONALES ARTIFICIALES.................................................4
2.2. ARQUITECTURA DE LAS RNA..............................................................5
2.3. TIPOS DE REDES NEURONALES........................................................5
2.3.1. SEGÚN SU ARQUITECTURA..........................................................6
2.3.2. SEGÚN EL APRENDIZAJE..............................................................7
2.4. APLICACIONES DE LAS REDES NEURONALES..........................8
2.5. CARACTERÍSTICAS DE LAS REDES NEURONALES..................9
2.6. VENTAJAS DE LAS RNA........................................................................9
III. DESARROLLO DE EJERCICIOS.............................................................11
3.1. EJERCICIO DE LA HORMIGA ROBÓTICA..........................................11
3.1.1. ANÁLISIS........................................................................................11
3.1.2. ACCIONES.....................................................................................11
3.1.3. CARACTERÍSTICAS......................................................................12
3.1.4. SIMPLIFICACIÓN...........................................................................12
3.1.5. REGLAS DE PRODUCCIÓN.........................................................12
3.1.6. RED NEURONAL ARTIFICIAL.......................................................13
3.2. EJERCICIO DE UNA RED NEURONAL PARA PUERTAS AUTÓMATAS
EN EL EDIFICIO DE LA CARRERA DE COMPUTACIÓN DE LA ESPAM MFL.
.........................................................................................................................14
3.2.1. ANÁLISIS........................................................................................14
3.2.2. ACCIONES.....................................................................................14
3.2.3. CARACTERÍSTICAS......................................................................15
3.2.4. SIMPLIFICACIÓN...........................................................................15
3.2.5. REGLAS DE PRODUCCIÓN.........................................................15
3.2.6. RED NEURONAL ARTIFICIAL.......................................................16
IV. CONCLUSIONES.....................................................................................17
V. BIBLIOGRAFÍA............................................................................................18
 I. INTRODUCCIÓN

Las redes neuronales no son más que otra forma de emular ciertas
características propias de los humanos, como la capacidad de memorizar y de
asociar hechos. Si se examinan con atención aquellos problemas que no
pueden expresarse a través de un algoritmo, se observará que todos ellos
tienen una característica en común: la experiencia. El ser humano es capaz de
resolver estas situaciones acudiendo a la experiencia acumulada. Así, parece
claro que una forma de aproximarse al problema consista en la construcción de
sistemas que sean capaces de reproducir esta característica humana. En
definitiva, las redes neuronales no son más que un modelo artificial y
simplificado del cerebro humano, que es el ejemplo más perfecto del que
disponemos para un sistema que es capaz de adquirir conocimiento a través de
la experiencia. Una red neuronal es “un nuevo sistema para el tratamiento de la
información, cuya unidad básica de procesamiento está inspirada en la célula
fundamental del sistema nervioso humano que es la neurona.
 II. MARCO TEÓRICO

II.1. REDES NEURONALES ARTIFICIALES

Son un paradigma de aprendizaje y procesamiento automático inspirado en la
forma en que funciona el sistema nervioso de los animales. Se trata de un
sistema de interconexión de neuronas que colaboran entre sí para producir un
estímulo de salida. En inteligencia artificial es frecuente referirse a ellas
como redes de neuronas o redes neuronales. Forman parte de los
denominados “Sistemas Inteligentes“, dentro de la rama de la Inteligencia
Artificial(Yepes, 2017).

Al igual que con la inteligencia artificial, existen multitud de definiciones para las
redes neuronales. Algunas de ellas son: Una nueva forma de computación,
inspirada en modelos biológicos. Un modelo matemático compuesto por un
gran número de elementos procesales organizados en niveles. Redes
interconectadas masivamente en paralelo de elementos simples (usualmente
adaptativos) y con organización jerárquica, las cuales intentan interactuar con
los objetos del mundo real del mismo modo que lo hace el sistema nervioso
biológico (Galán & Martínez, 2010).

Redes Neuronales Artificiales (RNA) se definen como sistemas de

procesamiento de la información cuya estructura y funcionamiento están
inspirados en las redes neuronales biológicas. La RNA es una herramienta muy
usada para predicciones en tiempos reales durante los procesos de secado y
en el control de procesos en línea (Naccha & Vásquez, 2012.).

Rodríguez y colaboradores (2003), conceptualiza una red neuronal artificial

como una unidad de proceso masivo distribuido en paralelo que tiene una
propensión natural para almacenar conocimiento y lo usa en una situación
similar. Esto se asemeja al cerebro humano en dos aspectos: primero, el
conocimiento es adquirido por la red a través de un proceso de aprendizaje, y
segundo, la conexión entre neuronas (conocida como conexiones sinápticas),
se usan para almacenar el conocimiento.

II.2. ARQUITECTURA DE LAS RNA

La topología o arquitectura de las RNAs hace referencia a la organización y
disposición de las neuronas en la red formando capas de procesadores
interconectados entre si a través de sinapsis unidireccionales. La arquitectura
de una RNA depende de cuatro factores principales: el primero el numero de
capas del sistema, segundo el número de neuronas por capas, tercero el grado
de conectividad entre las neuronas y la cuarta el tipo de conexión neuronal.
(Flórez & Fernández, 2008).

II.3. TIPOS DE REDES NEURONALES

Las redes neuronales artificiales de clasifican en dos tipos según su aplicación:
Según su arquitectura y según el aprendizaje.

Monocapa
según su
arquitectua
Multicapas

Redes
Neuronales Aprendizaje
supervisado

segun su Aprendizaje No
aprendizaje supervisado

Aprendizaje
Híbrido

Figura. 1. Tipo de Redes Neuronales

II.3.1. SEGÚN SU ARQUITECTURA

La arquitectura de una red consiste en la disposición y conexionado de las

neuronas. Podemos distinguir en una red, el número de capas, el tipo de las
capas, que pueden ser ocultas o visibles, de entrada, o de salida y la
direccionalidad de las conexiones de las neuronas.

Tabla 1. Redes Neuronales: Según Su arquitectura

Neuronas

Capa de
Neuronas

Red Neuronal

1. REDES MONOCAPA

Cuentan con una capa de neuronas, que intercambia señales con el exterior y
que constituyen a un tiempo la entrada y la salida del sistema. Una de las redes
más representativas de este modelo es la red de Hopfield, que ha tenido una
gran influencia en el desarrollo posterior de redes neuronales (Galán &
Martínez, 2010).

Figura. 2. Redes Monocapa

2. REDES MULTICAPAS

Están formadas por dos o más capas de neuronas conectadas entre ellas.

Figura. 3. Redes Multicapas

Dependiendo de cómo sean estas conexiones es posible hacer otra

subdivisión:

REDES CON CONEXIONES HACIA DELANTE

Este tipo de redes contienen solo conexiones entre capas hacia delante. Esto
implica que una capa no puede tener conexiones a una que reciba la señal
antes que ella en la dinámica de la computación.

REDES CON CONEXIONES HACIA ATRÁS

En este tipo de redes pueden existir conexiones de capas hacia atrás y por
tanto la información puede regresar a capas anteriores en la dinámica de la red
(Galán & Martínez, 2010).

II.3.2. SEGÚN EL APRENDIZAJE

El aprendizaje se basa en el entrenamiento de la red con patrones. El proceso

de aprendizaje se basa en que la red ejecute los patrones de forma iterativa
hasta que se muestren respuestas satisfactorias. Es decir, los pesos sinápticos
se ajustan para dar respuestas óptimas para el conjunto de patrones de
entrenamiento. Es posible distinguir 3 tipos de aprendizaje:
II.3.2.1. APRENDIZAJE SUPERVISADO

La red dispone de los patrones de entrada y de salida que queremos obtener

para esa entrada, y en función de ellos se modifican los pesos de las sinopsis
para ajustar la entrada a la salida.

II.3.2.2. APRENDIZAJE NO SUPERVISADO

Consiste en no proporcionar a la red los patrones de salida, sino sólo los de

entrada y dejar que la red los clasifique en función de características comunes
que encuentre entre ellos.

II.3.2.3. APRENDIZAJE HÍBRIDO

No se proporcionan los patrones objetivo, sino que sólo se dice si la respuesta

acierta o falla ante un patrón de entrada.

II.4. APLICACIONES DE LAS REDES NEURONALES

El ámbito de aplicación de las Redes Neuronales Artificiales en

Telecomunicaciones puede ser muy importante, considerando por un lado el
tipo de problemas a resolver, por ejemplo, relacionados al tráfico de datos y,
por otro lado, las soluciones que pueden ser proporcionas por las redes
neuronales para este tipo de problemas.

Las RNA han demostrado su capacidad para resolver problemas donde el

cómputo tradicional ha tenido gran dificultad durante años. Algunas
aplicaciones exitosas de las redes neuronales son: procesamientos de
imágenes y voz, reconocimiento de patrones, planeamiento, predicción, control
y optimización. (Toro et al…, 2004).

Las redes neuronales son principalmente usadas en cuatro formas: modelos de

sistemas nerviosos biológicos, inteligencia artificial, adaptador en tiempo real
de procesos simples o implemento de control en hardware para aplicaciones,
tales como: robótica, análisis de datos y reconocimiento de patrones
II.5. CARACTERÍSTICAS DE LAS REDES NEURONALES

Algunas de las características, de las redes neuronales, importantes para

aplicar a esta área son: Son capaces de determinar relaciones no lineales entre
un conjunto de datos, asociando patrones de entrada o salidas
correspondientes. Los tipos de aprendizaje disponibles pueden utilizarse para
tareas de predicción y clasificación. Los modelos supervisados y no
supervisados pueden ser aplicados para extraer y cancelar ruido de las
señales. Una vez que la red ha sido entrenada y probada puede adaptarse por
sí misma a los cambios. Una aproximación basada en redes neuronales
artificiales puede aprender los modelos específicos de cada sistema de red y
proporcionar aproximaciones aceptables de los sistemas. (Galán & Martínez,
2010).

El cerebro humano tiene varias características deseadas por cualquier sistema

y esta es la razón por la que se ha incrementado el interés acerca del
funcionamiento de las redes neuronales. Las redes neuronales biológicas
“aprenden” de la información disponible en su entorno y bajo ciertas
condiciones exhiben la capacidad para generalizar más allá de la información
con que fueron entrenadas, esta es la característica más importante que se
busca implementar en las redes neuronales artificiales (RNA). Por lo tanto, las
RNA son modelos matemáticos que tratan de hacer una pequeña emulación
del funcionamiento del cerebro humano (Toro et al…, 2004).

II.6. VENTAJAS DE LAS RNA

Las ventajas incluyen:

 Aprendizaje: Las RNA tienen la habilidad de aprender mediante una etapa

de aprendizaje. Esta consiste en proporcionar a la RNA datos como entrada
a su vez que se le indica cuál es la salida esperada.
 Auto organización: Una RNA crea su propia representación de la
información en su interior.
 Tolerancia a fallos: Debido a que una RNA almacena la información de
forma redundante, ésta puede seguir respondiendo de manera aceptable
aun si se daña parcialmente.
 Flexibilidad: Una RNA puede manejar cambios no importantes en la
información de entrada, como señales con ruido u otros cambios en la
entrada.
 Tiempo real: La estructura de una RNA es paralela, por lo cual, si esto es
implementado con computadoras o en dispositivos electrónicos especiales,
se pueden obtener respuestas en tiempo real (Serrano, 2010).

Según los autores las redes neuronales ofrecen las siguientes ventajas debido
a su constitución y a sus fundamentos, las redes neuronales artificiales
presentan un gran número de características semejantes a las del cerebro. Por
ejemplo, son capaces de aprender de la experiencia, de generalizar de casos
anteriores a nuevos casos, de abstraer características esenciales a partir de
entradas que representan información irrelevante, etc. Esto hace que ofrezcan
numerosas ventajas y que este tipo de tecnología se esté aplicando en
múltiples áreas. Entre las ventajas se incluyen:

 Aprendizaje Adaptativo. Capacidad de aprender a realizar tareas basadas

en un entrenamiento o en una experiencia inicial.
 Auto-organización. Una red neuronal puede crear su propia organización o
representación de la información que recibe mediante una etapa de
aprendizaje.
 Tolerancia a fallos. La destrucción parcial de una red conduce a una
degradación de su estructura; sin embargo, algunas capacidades de la red
se pueden retener, incluso sufriendo un gran daño.
 Operación en tiempo real. Los cómputos neuronales pueden ser realizados
en paralelo; para esto se diseñan y fabrican máquinas con hardware
especial para obtener esta capacidad.
 Fácil inserción dentro de la tecnología existente. Se pueden obtener chips
especializados para redes neuronales que mejoran su capacidad en ciertas
tareas. Ello facilitará la integración modular en los sistemas existentes.
 III. DESARROLLO DE EJERCICIOS

III.1. EJERCICIO DE LA HORMIGA ROBÓTICA

Diseñe una red neuronal que presente una hormiga robótica cuya finalidad es
seguir un rastro de feromonas en un mundo matricial cuadrático. La hormiga
está prevista de un sensor que detecta si la celda frente a ella contiene
feromona y otro sensor que determine si dicha celda frente a ella ya ha sido
visitada. La hormiga es capaz de realizar las siguientes acciones:

 Girar a la izquierda o derecha.

 Avanzar una celda hacia el frente y marcar la celda como visitada. La
hormiga visitara solo aquellas celdas que obtengan feromonas y no
hayan sido visitadas.

ALGORITMIZACIÓN A SEGUIR:
 Análisis
 Acciones
 Característica
 Simplificación
 Reglas de producción
 Red neuronal artificial

III.1.1. ANÁLISIS
Tabla 2. Sensores.

SENSORES
S1: Sensor de feromonas 0 (no detecta feromonas)
1 (detecta feromonas)
S2: Sensor de celdas visitadas 0 (no ha sido visitada)
1 (ha sido visitada)

III.1.2. ACCIONES
Tabla 3.Acciones

ACCIONES
Girar a la izquierda
Girar a la derecha
Avanzar al frente y marcar como visitado
Tabla 4.Acciones

S1 S2 ACCIONES
0 0 Girar a la derecha
0 1 Girar a la derecha
1 0 Avanzar al frente y marcar como visitado
1 1 Girar a la izquierda

III.1.3. CARACTERÍSTICAS

Si (S1=0 y S2=0) entonces gira a la derecha.

Si (S1=0 y S2=1) entonces gira a la derecha.
Si (S1=1 y S2=0) avanzar al frente y marcar como visitado.
Si (S1=1 y S2=1) entonces gira a la izquierda.

III.1.4. SIMPLIFICACIÓN

Si (S1=0 y S2=0) entonces gira a la derecha.

Si (S1=1 y S2=0) avanzar al frente y marcar como visitado.
Si (S1=1 y S2=1) entonces gira a la izquierda.

III.1.5. REGLAS DE PRODUCCIÓN

S1 -> Girar a la derecha.

S1 * S2 -> Avanzar al frente y marcar como visitado.
S1 * S2 -> Girar a la izquierda.
III.1.6. RED NEURONAL ARTIFICIAL

Fig. 1. Red Neuronal Artificial

3.2. EJERCICIO DE UNA RED NEURONAL PARA PUERTAS AUTÓMATAS
EN EL EDIFICIO DE LA CARRERA DE COMPUTACIÓN DE LA ESPAM
MFL.

Diseñe una red neuronal que considere el funcionamiento de las puertas

automáticas de la carrera de computación de la ESPAM MFL. Considere que
dichas puertas están equiparadas por dos sensores uno interno y otro externo,
que detecta la proximidad de objetos y tienen las acciones de abrir y cerrar las
puertas. Considere además que las puertas se cierran cuando están abiertas y
se abren cuando están cerradas, es decir existe un sensor adicional que
determina si las puertas están cerradas o abiertas.

ALGORITMIZACIÓN A SEGUIR:
 Análisis
 Acciones
 Característica
 Simplificación
 Reglas de producción
 Red neuronal artificial

3.2.1. ANÁLISIS
Tabla 5. Sensores

SENSORES
S1: Sensor Interno 1 detecta objeto
0 no detecta objeto
S2: Sensor Externo 1 detecta objeto
0 no detecta objeto
S3. Sensor Adicional 1 detecta puerta abierta
0 detecta puerta cerrada

3.2.2. ACCIONES
Tabla 6. Acciones

ACCIONES
Abrir puerta
Cerrar puerta
Sin acción (no hace nada)
Tabla 7.Acciones

S1 S2 S3 ACCIONES
0 0 0 No hace nada
0 0 1 Cerrar Puerta
0 1 0 Abrir Puerta
0 1 1 No hace nada
1 0 0 Abrir Puerta
1 0 1 No hace nada
1 1 0 Abrir Puerta
1 1 1 No hace nada

3.2.3. CARACTERÍSTICAS

Si (S1=0 y S2=0 y S3=0) entonces no hace nada.

Si (S1=0 y S2=0 y S3=1) entonces cierra puerta
Si (S1=0 y S2=1 y S3=0) entonces abre puerta
Si (S1=0 y S2=1 y S3=1) entonces no hace nada.
Si (S1=1 y S2=0 y S3=0) entonces abre puerta
Si (S1=1 y S2=0 y S3=1) entonces no hace nada
Si (S1=1 y S2=1 y S3=0) entonces abre puerta
Si (S1=1 y S2=1 y S3=1) entonces no hace nada

3.2.4. SIMPLIFICACIÓN

Si (S1=0 y S2=0 y S3=0) entonces puerta cerrada

Si ((S1=0 ó S2=1) y S3=0) entonces puerta abierta

3.2.5. REGLAS DE PRODUCCIÓN

S´1 * S´2 * S3 -> Cierra puerta

(( S´1 + S 2 )* S 3 )-> abre puerta
3.2.6. RED NEURONAL ARTIFICIAL

Fig. 2. Red Neuronal Artificiales

 IV. CONCLUSIONES

 Hay muchas definiciones referentes a las redes neuronales, pero una

que llamo la atención es la proporcionada por Rodríguez en la que
conceptualiza a las redes neuronales artificiales como una unidad de
proceso masivo distribuido en paralelo que tiene una propensión natural
para almacenar conocimiento y lo usa en una situación similar. Esto se
asemeja al cerebro humano en dos aspectos: primero, el conocimiento
es adquirido por la red a través de un proceso de aprendizaje, y
segundo, la conexión entre neuronas, usadas para almacenar el
conocimiento. Para llegar a esta red es imprescindible localizar el
problema, analizarlo, establecer las acciones, características y si existe
la posibilidad de simplificarlo, para luego esquematizar la red que
conceptualiza Rodríguez.

 Con el desarrollo las redes neuronales artificiales y la Inteligencia

Artificial se ha logrado simular de manera muy básica el aprendizaje y el
desarrollo de la inteligencia en computadoras, lo cual nos está llevando
hacia una nueva era computacional.
 V. BIBLIOGRAFÍA

Flórez R; Fernández J. 2008. Las Redes Neuronales Artificiales. 1 ed. Netbiblo.

S.L. España. P 29.

Galán H; Martínez A. 2010. Inteligencia artificial. Redes neuronales y

aplicaciones. (En línea). Consultado el 27 de Ene, de 2018. Formato pdf.
Disponible: http://www.it.uc3m.es/jvillena/irc/practicas/10-11/06mem.pdf

Matich D. 2001. Redes Neuronales: Conceptos Básicos y Aplicaciones. (En

línea). Consultado el 6 de feb, de 2018. Formato pdf. Disponible
https://www.frro.utn.edu.ar/repositorio/catedras/quimica/5_anio/orientador
a1/monograias/matich-redesneuronales.pdf

Naccha J; Vásquez V. 2012. Predicción mediante Redes Neuronales Artificiales

(RNA) de la difusividad, masa, humedad, volumen y sólidos en yacón
(Smallantus sonchifolius) deshidratado osmóticamente. Trujillo-Perú.
Revista Scientia Agropecuaria. Vo.3. P 201-214.

Rodríguez et all…, 2002. Aplicación de redes neuronales artificiales y técnicas

SIG para la predicción de coberturas forestales. Chapingo, México.
Revista Chapingo Serie Ciencias Forestales y del Ambiente. Vo. P 31-36.

Serrano A. 2010. Redes neuronales Artificiales. (En línea). Consultado el 6 de

feb, de 2018. Formato pdf. Disponible http://ocw.uv.es/ingenieria-y-
arquitectura/1-2/libro_ocw_libro_de_redes.pdf

Toro E; Mejía D; Salazar H. 2004. Pronóstico de ventas usando redes

neuronales. (En línea). Consultado el 27 de Ene, de 2018. Formato pdf.
Disponible: http://www.redalyc.org/html/849/84911640006/

Yepes Víctor. 2017. ¿Qué es y para qué sirve una red neuronal artificial? (En
línea). Consultado el 27 de Ene, de 2018. Formato pdf. Disponible:
http://victoryepes.blogs.upv.es/2017/01/07/que-es-y-para-que-sirve-una-
red-neuronal-artificial/