UNIVERSIDAD TECNOLÓGICA BOLIVIANA

INGENIERÍA DE SISTEMAS

Universitarios: Miguel Angel Borja Mamani

Semestre: Séptimo

Materia: Redes Neuronales

LA PAZ – 2018
REGLA DE INSTAR EN LOS SISTEMAS EXPERTOS DE LA ACTUALIDAD
BOLIVIANA

1. Resumen
La red neuronal de instar es una red neuronal para el reconocimiento de
frutas, patrones, etc. por su auto aprendizaje sin supervisión teniendo q la
red neuronal aprende solo sin intervención externa la base de conocimiento
no requiere de un individuo para su cargado de hechos

2. Abstract
La Red is a red figure of neuronal neuronal para el reconocimiento de Frutos,
patrons, etc. by his self aprendizaje if supervisión teniendo q la red neuronal
Aprende intervención if the soil requires no external la base de conocimiento
from a given individual

3. Palabras claves
AI, Red neuronal, rata de olvido, perceptron, hebb, outstar, instar, umbral.

4. Key – words
AI Red neuronal assured of Olvido, Perceptron, Hebb, outstare, like umbral.

5. Introducción
Las redes neuronales son un elemento importante de las denominadas
tecnologías de inteligencia artificial (IA) que está compuesta de reglas
matemáticas y métodos para aplicarlos para que puedan realizar su
razonamiento entre los que mencionamos el perceptron, hebb, outstar, instar
entre otras muchas más.
Como en los seres humanos tienen neuronas naturales que nos permiten
resolver y realizar diferentes actividades cotidianas como complejas de la
misma manera las redes neuronales artificiales pueden realizar ese
razonamiento humano de forma matemática y aprender de los errores y
almacenándolo en una base de datos llamada data warehouse y de esta
manera poder consultar estos datos como si fuera un cerebro humano, pero
de manera artificial.
Una de estas redes es la denominada red de instar también conocida como
regla de instar que es parecida a la red perceptron pero con un margen de
olvido mínimo y es una de las redes neuronales artificiales de aprendizaje
autónomo también llamada rede asociativa que tienen un aprendizaje no
supervisado también conocido como auto-supervisado esto significa que no
requieren influencia externa para ajustar sus pesos de las conexiones entre
sus neuronas.
6. Antecedentes.
SISTEMA EXPERTO PARA EL DIAGNOSTICO Y TRATAMIENTO DE LA
HERNIA DISCAL LUMBAR BASADO EN LOGICA DIFUSA
Autor: Willber Rolando Apaza Suntura
Los sistemas expertos son un área de la informática que es parte de la
inteligencia artificial, en el campo de la medicina se están implementando
para ayudar al médico en el diagnóstico clínico. La patología de la hernia de
disco lumbar es una enfermedad que está presente de manera mayoritaria
en los jóvenes, como también de una manera mínima en las personas
mayores de edad. Esta enfermedad afecta de gran manera al desempeño
cotidiano de las personas, así también generan un impacto importante en la
calidad de vida del paciente originando un costo económico y social
importante.
En este presente trabajo se plantea un sistema experto que se encarga de
diagnosticar mediante la lógica difusa la patología de la hernia de disco
lumbar que puede o no presentar el paciente.
Se pretende implementar un prototipo para el diagnóstico a pacientes
hombres y mujeres entre 15 y 60 años y brindar un tratamiento mínimo
aceptable. El sistema sirve de apoyo en la toma de decisiones, tanto a
médicos especialistas como también a médicos no especialistas. El prototipo
cuenta con una base de
Conocimiento fundamentado en los conocimientos del experto y los
conocimientos obtenidos por el ingeniero de conocimiento, la representación
del conocimiento permite describir los hechos que ocurren y las reglas
utilizadas en el proceso de diagnóstico, además las incertidumbres
representadas en las variables de clasificación que surgen necesariamente
y son representadas a través de la lógica difusa. Las salidas son el
diagnóstico y tratamiento que resulta; su implementación se realiza en el
lenguaje de programación JAVA utilizando la librería RULE, que trabaja en
base a reglas.
Por último, la validación de los resultados de la aplicación terminada
corresponde a la realidad, se evalúa el Sistema Experto llegándose a la
conclusión de que los diagnósticos obtenidos tienen un grado de
confiabilidad que es aceptado por el experto humano.

SISTEMA EXPERTO PARA EL DIAGNÓSTICO DE ENFERMEDADES

RESPIRATORIAS EN EL HOSPITAL CENTRAL DE LA POLICÍA
NACIONAL DEL PERÚ LUIS N. SÁENZ
Autor: Harold Anderson Chacaltana La Rosa
El objetivo principal del presente trabajo es crear un sistema experto para el
diagnóstico de enfermedades respiratorias, el cual será utilizado inicialmente
en el Área de Neumología del Hospital Central PNP Luis N. Sáenz;
permitiendo con ello atender de manera inmediata las inquietudes de los
pacientes.
El principal problema que afronta la institución es la carencia de personal
médico especializado en el rubro de neumología, para atender a más de 500
 pacientes al día, tal situación se complica aún más por la carencia de un
sistema informático para el apoyo del diagnóstico.
El presente trabajo de investigación se realiza con la finalidad de aminorar
los tiempos de respuesta del diagnóstico de las enfermedades respiratorias;
debido a la afluencia de pacientes los médicos no se dan abasto en la
atención, demorando en analizar los síntomas, por lo tanto, el tiempo de
consulta es mayor; como consecuencia la atención es más prolongada de lo
esperado, generando la reducción de pacientes a atender.
En el área de neumología debido al clima, la cantidad de incidentes va en
aumento, a ello se suma la contaminación ambiental, y el poco personal
especializado para la atención.
Al implementar un sistema experto, para la toma de decisiones en el
diagnostico respiratorio, facilita a la institución a atender más pacientes.
Registrando de manera sistemática y ordena la información e historial del
atendido; el cual será útil para el siguiente chequeo.
Este sistema ayudara a descongestionar, la el evada concurrencia de
pacientes; a su vez controlar los procesos de los servicios de dicha área y
aumentar la calidad de pacientes atendidos.

7. Planteamiento del problema

7.1. Árbol de problemas

LA REGLA DE INSTAR EN
LOS SISTEMAS EXPERTOS
DE LA ACTUALIZADA
BOLIVIANA.

Cargar de hechos en toma de deciciones

Sistemas sin aprendizaje
sistemas expertos por limitadas por la base de
autonomo
informaticos hechos precargadas

8. Formulación del problema

¿Cómo puedo tener un sistema experto que aprenda por si solo?

9. Objetivo general.
Contribuir con el conocimiento de las redes neuronales artificiales estudiando
la red de instar para la mejor aplicación en los sistemas expertos que se
desarrollan en Bolivia.
10. Objetivo especifico
 Estudiar la red de instar para su mejor aplicación en los sistemas
expertos a desarrollar en un futuro.
 Aplicar la regla de instar de manera óptima en los sistemas expertos.
 Desarrollar el conocimiento sobre la regla de instar en los universitarios
de la universidad UTB.
 Contribuir al conocimiento de la red neuronal instar.

11. Justificación
11.1. Técnica
Justifica porque las redes neuronales artificiales asociativas aprenderán
de manera autónoma y facilitarán las preguntas de las distintas áreas
donde se desarrolle el sistema.
11.2. Económica
El desarrollo de un sistema experto con la regla de instar es costoso pero
viable ya que podrá facilitar la toma de decisiones de los interesados y
aprenderá automáticamente de esta manera no requiere de un
programados que pueda aumentar la base de hechos de forma manual.
11.3. Social
Se beneficiarán las empresas, el área de salud, el área educativa, etc.
dando información y decisiones precisas basado en estudios que el
sistema ya tiene almacenado en su base de conocimientos en tiempo
record.

12. Alcances
 Estudiar la red de instar.
 Aplicar la fórmula de la regla de instar

13. Limites
 No se aplicarán otras redes neuronales artificiales.
 No se desarrollará un sistema experto con la regla de instar.

14. Desarrollo
Las redes con aprendizaje no supervisado no requieren de influencia externa
para ajustar sus pesos algunas redes con aprendizaje no supervisado
generan un mapeo de características, obteniéndose en las neuronas de
salida una disposición geométrica que representa un mapa fotográfico de las
características de los datos de entrada, de tal manera que si se presenta a la
red informaciones similares siempre sean afectadas neuronas de salida
próximas entre si en la misma zona del mapa.
Si examinamos la figura de la red de instar
Se nota como esta neurona está enfrentada a un problema de
reconocimiento de patrones cuya entrada es de tipo vectorial; esta neurona
es el tipo de red más simple capaz de resolver esta clase de problemas y es
llamada red de instar.
La ecuación para determinar la entrada/salida de la Instar es:

𝑎 = (𝑤𝑝 + 𝑏) = (𝑤 𝑇 𝑝 + 𝑏)

La red Instar se activa cuando

𝑤 𝑇 𝑝 ≥ −𝑏
Para vectores normalizados, el producto punto mayor ocurre cuando el
angulo entre el vector de pesos y el vector de entrada es cero. El vector de
entrada es igual al vector de pesos.
Si el umbral es 𝑏 = −‖𝑤1 ‖‖𝑝‖ el instar solo será activado cuando 𝜃 = 0
Si el umbral es 𝑏 > −‖𝑤1 ‖‖𝑝‖ el instar estará activo para un determinado
rango de ángulos.

𝑤1
𝑤1

Si 𝑏 se incrementa, habrá más patrones (sobre un amplio rango de 𝜃) los

cuales activaran la instar.
Una característica útil de la regla de instar es que si los vectores de entrada
son normalizados, entonces 𝑤 será también normalizado una vez la red haya
aprendido un vector particular 𝑝, esta regla no solamente minimiza la rata de
olvido, también normaliza los vectores de peso si el vector se entra es
normalizado.
Se aplica la regla de instar para solucionar el problema asociador para frutas;
este nuevo caso cuenta con dos entradas, una indicando si la fruta ha sido
visualizada o no (estimulo no condicionado) y otra consistente en un vector
de tres medidas pertenecientes a la fruta (estimulo condicionado).

La salida de la rede está determinada por:

𝑎 = (𝑤 0 𝑝0 + 𝑤𝑝 + 𝑏)
Los elementos de entrada a la red será valores de 1 o -1, las tres propiedades
que se medirán de la fruta son: forma, textura y peso, de esta manera la
salida del sensor de forma será 1 si la fruta es aproximadamente redonda o
-1 si la fruta es elíptica, la salida del sensor de textura será 1 si la superficie
de la fruta es suave y será -1 si es rugosa y la salida del sensor de peso será
1 si la fruta pesa más de una libra 0 -1 si el peso de la fruta es menor de esta
medida.
En este caso la elección del estímulo condicionado y el no condicionado ya
no es aleatorio, pues como se dijo en análisis no condicionado se convierte
la mayoría de las veces en la salida deseada de la red que es de tipo escalar
para una red instar, por lo tanto, el sensor que representa la visualización de
la red será el estímulo no condicionado y el vector de medidas de la fruta
será el estímulo condicionado.
𝑓𝑜𝑟𝑚𝑎
0 1 𝑓𝑟𝑢𝑡𝑎 𝑑𝑒𝑡𝑒𝑐𝑡𝑎𝑑𝑎 𝑣𝑖𝑠𝑢𝑎𝑙𝑚𝑒𝑛𝑡𝑒
𝑝 ={ }; 𝑝𝑛 = {𝑡𝑒𝑥𝑡𝑢𝑟𝑎}
0 𝑓𝑟𝑢𝑡𝑎 𝑛𝑜 𝑑𝑒𝑡𝑒𝑐𝑡𝑎𝑑𝑎
𝑝𝑒𝑠𝑜
El valor de la ganancia se asumirá como 𝑏 = −2, un valor ligeramente más
positivo. Lo ideal es que la red tenga una asociación constante, entre la
visualización de la fruta y su respuesta, para que 𝑤 0 sea mayor que –b.
Inicialmente la red no responderá a ninguna combinación de medidas de la
fruta, puesto que la fruta no ha sido detectada visualmente, así que los pesos
iniciales serán 0.
𝑤 0 = 3; 𝑤0 = 𝑤0𝑇 = [0 0 0]
Usando la regla de instar con una rata de aprendizaje 𝛼 = 1, los pesos
actualizados se encontraran de la siguiente forma:
𝑤𝑞 = 𝑤(𝑞−1) + 𝑎𝑞 (𝑝𝑞 − 𝑤(𝑞−1) )

La secuencia de entrenamiento consistirá en repetidas presentaciones de la

fruta, los sensores estarán actuando todo el tiempo, sin embargo, en orden
a observar la operación de la regla instar se asumirá que el sensor que
visualiza la fruta actuará intermitentemente simulando así una falla en su
construcción.
1
𝑝10 = 0; 𝑝1 = [−1]
−1
1
𝑝20 = 1; 𝑝2 = [−1]
−1
Como la matriz 𝑤 inicialmente contiene ceros, la instar no responderá a los
sensores de la fruta en la primera iteración.
𝑎1 = (𝑤 0 𝑝10 + 𝑤𝑝1 − 2)
1
𝑎1 = {3 ∗ 0 + [0 0 0] [−1] − 2} = 0 𝑁𝑜 ℎ𝑎𝑦 𝑟𝑒𝑠𝑝𝑢𝑒𝑠𝑡𝑎
−1
Como la neurona no respondió, sus pesos no serán actualizados por la regla
de instar.
𝑤0 = 𝑤0 + 𝑎1 (𝑝1 − 𝑤0 )
0 1 0
= [0] + 0 {[−1] − [0]}
0 −1 0
En la segunda iteración, cuando la fruta haya sido detectada visualmente, la
neurona responderá.
𝑎2 = (𝑤 0 𝑝20 + 𝑤𝑝2 − 2)
1
𝑎2 = {3 ∗ 1 + [0 ]
0 0 −1] − 2} = 1 𝑓𝑟𝑢𝑡𝑎 𝑑𝑒𝑡𝑒𝑐𝑡𝑎𝑑𝑎
[
−1
El resultado es que la red aprendió a asociar el vector de medidas de la fruta
con su respuesta. El vector de pesos de la red, se convierte en una copia del
vector de medidas de la fruta.
𝑤2 = 𝑤1 + 𝑎2 (𝑝2 − 𝑤1 )
 0 1 0 1
= [0] + 1 {[−1] − [0]} = [−1]
0 −1 0 −1
La red puede ahora reconocer la fruta por sus medidas; la neurona respondió
en la tercera iteración, aun cuando el sistema de detección visual fallo, por lo
tanto, la red realizara una asociación entre la presencia de la fruta y el vector
de estímulo condicionados, sin importar si el sensor de visualización
(estimulo no condicionado) opera adecuadamente.
𝑎3 = (𝑤 0 𝑝30 + 𝑤𝑝3 − 2)
1
𝑎3 = {3 ∗ 0 + [1 −1 −1] [−1] − 2} = 1 𝑓𝑟𝑢𝑡𝑎 𝑑𝑒𝑡𝑒𝑐𝑡𝑎𝑑𝑎
−1
Cuando las medidas de la fruta han sido detectadas completamente, los
pesos dejan de cambiar y se estabilizan.
𝑤3 = 𝑤2 + 𝑎3 (𝑝3 − 𝑤2 )
1 1 1 1
= [−1] + 1 {[−1] − [−1]} = [−1]
−1 −1 −1 −1

15. Resultados
Mediante la investigación se logró confirmar que la red neuronal instar es una
red muy útil para el reconocimiento de objetos e incluso en reconocimiento
facial y detección de huellas digitales.

16. Conclusión
Se llegó a la conclusión que la red de instar puede servir de mucho para el
reconocimiento facial en el área criminalística para la detección de rostros
dibujados.

17. Tendencias futuras

Mediante la regla de instar se puede implementar en el reconocimiento de
frutas y legumbres en el área de producción para poder seleccionar las frutas
de mejor calidad y clasificarlas para su procesamiento de manera óptica.

18. Bibliografía
del Brío, B., & Molina, A. S. (2006). Redes Neuronales y Sistemas Borrosos.
Mexíco: Alfaomega.
Ponce Cruz, P. (2010). Inteligencia Artifical con aplicaciones a la ingenieria.
México: Alfaomega.