Modulo III

Modulo III: Introducción
a la Computación
Neuronal
Universidad de Guadalajara
Redes Neuronales Artificiales
Dra. Alma Yolanda Alanís García

La neurona artificial
El modelo de una neurona artificial es una imitación del
proceso de una neurona biológica. Una neurona artificial es la
unidad fundamental para la operación de una red neuronal
artificial.

De la observación detallada del procesobiológico, se han
hallado las siguientes analogías con el sistema artificial.
Las entradas Xi representan las señales que provienen de
otras neuronas y que son capturadas por las dendritas. Para
las neuronas artificiales, las entradas pueden ser variables
continuas o discretas, mientras que en las neuronas
biológicas son pulsos discretos.
Los pesos Wi representan la intensidad de la sinapsis queconecta dos neuronas; tanto Xi como Wi son valores reales
 es la función umbral que la neurona debe sobrepasar
para activarse; este proceso ocurre biológicamente en el
cuerpo de la célula.

Las redes neuronales artificiales y su relación con las
biológicas
Las redes neuronales biológicas están constituidas por un gran
número de neuronas, conectadas en forma masiva. Conforman
el sistema nervioso yel cerebro. El cerebro puede contener 1011
neuronas y 1015 interconexiones. Las redes neuronales
biológicas pueden establecerse como grupos de neuronas activas
especializadas en tareas como:
Cálculos matemáticos
Posicionamiento y
Memoria

Las redes neuronales artificiales son modelos simplificados de
las redes neuronales biológicas. Tratan de extraer las excelentes
capacidades del cerebro pararesolver ciertos problemas
complejos como:
Visión
Reconocimiento de patrones
Control moto-sensorial
Una red neuronal artificial (neuro-computadora, red
conexionista, procesador paralelo distribuido, etc.) es un
procesador paralelo distribuido y masivamente interconectado
que almacena conocimiento experimental.

Las redes neuronales artificiales presentan las siguientes
características:
Elconocimiento es adquirido por aprendizaje
Los pesos (ganancias) de interconexión (sinapsis) varían

Elemento
Computacional

El uso de redes neuronales ofrece algunas ventajas como:
Nolinealidad.- El procesador neuronal es básicamente no
lineal y por consecuencia la red neuronal también
Mapeo Entrada-Salida.- El proceso de aprendizaje
consiste básicamente en presentarle a la red un ejemplo ymodificar sus pesos sinápticos de acuerdo a su respuesta.
Aprende, por lo tanto, un mapeo entrada/salida
Adaptabilidad.- La red tiene la capacidad de adaptar sus
parámetros, aún en tiempo real

 Tolerancia a fallas.- Debido a la interconexión masiva, la
falla de un procesador no altera severamente la operación
 Uniformidad en el análisis y diseño.garantizar características precisas

Esto permite

Analogía con las redes biológicas.- Lo cual permite la
utilización mutua del conocimiento de las dos áreas

Modelo de una neurona
La neurona es la unidad de proceso de información fundamental
en una red neuronal. A continuación se muestra el modelo de
una neurona; esté forma la base para el diseño de una red
neuronal artificial.
Polarización

bn
x1

Señales de
entrada

x2

wn2
•
•
•

xm

Funciónde
activación

wn1



vn

(•)

yn
Señal de
salida

wnm
Pesos
sinápticos

Punto de
suma

En el modelo de una neurona presentado en la figura se pueden
identificar cuatro elementos básicos del modelo neuronal.
Enlaces de conexión.- Parametrizados por los pesos
sinápticos wnj. Es importante notar que el primer subíndice
corresponde a la neurona receptora, mientras que el
segundo subíndicecorresponde a la neurona emisora. Si wnj
> 0 entonces la conexión es excitadora así mismo si wnj <0
la conexión es inhibidora.
Sumador (  ).- Suma los componentes de las señales de
entrada multiplicadas por wnj .
Función de activación ().- Transformación no lineal.
Umbral.- desplaza la entrada a  (xj )

En términos matemáticos, es posible describir la neurona n de la
figura anterior, por el...