INGENIERÍA INFORMÁTICA Y DE

SISTEMAS
INTELIGENCIA ARTIFICIAL
APLICACIONES DE LAS RNA
Entrenamiento es un método matemático
Comprender:
1. Estructura general de una neurona biológica
2. El funcionamiento general, como procesa
información la neurona.
• El axón: Es la vía a través de la cual se transmite la información de unas
células a otras.

• Se transmiten señales eléctricas denominadas impulsos nerviosos.

• La conexión entre una neurona y otra se denomina sinapsis.

 Datos curiosos
• Tenemos 1011 Neuronas
• 1000 – 10000 conexiones por neurona
• Tiempo de activación/desactivación 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 computación
 La señal eléctrica que viaja a través del Axón se llama
POTENCIAL DE ACCIÓN

Canales Iónicos

En equilibrio
La sinapsis es una unión intercelular entre neuronas. En estos contactos se lleva a cabo la transmisión del impulso nervioso.
Éste se inicia con una descarga química que origina una corriente eléctrica en la membrana de la célula presináptica (célula
emisora).

Potencial de acción

Dendrita Iones + potencial postsináptico exitatorio

Botón terminal

Iones - potencial postsináptico Inhibitorio

La magnitud de los potenciales postsináptico depende de la intensidad que se conecte las 2 neuronas
A esa magnitud de llama Peso Sináptico W.
Potenciales de acción

La Magnitud de los potenciales postsináptico depende del peso sináptico W

𝑾𝟐
Potencial de acción
𝑾𝟏
𝑾𝟑

𝑾𝟒 𝑾𝟓

El peso sináptico W es + exitatorio

El peso sináptico 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 Perceptrón
• Diseño de red Perceptrón para reconocimiento
• Algoritmo de aprendizaje
• Reconocimiento de numero de 7 segmentos
b=polarización
n=entrada neta

n>0

n<0
b=polarización
Considere: W1=-1, W2=-1, b=0.5
 P2 P1
𝑛 = 𝑊1 𝑃1 + 𝑊2 𝑃2 + 𝑏 -0.5 1
0 = −1𝑃1 − 1𝑃2 + 0.5 0 0.5
0.5 0
𝑃1= 0.5 − 𝑃2
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 decisión
W vector peso sináptico

W
 5

1
-5
-1

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

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

Código
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 características 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 polarización de la neurona
Pesos=red.iw{1,1};
Bias=red.b{1};

plotpc(Pesos,Bias) %Línea de separación

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 separación
title('Despues del entrenamiento');
%Grafica despues del entrenamiento
Considere: W1=1, W2=1, b=0.5