Redes

Neuronales Y
Sistemas
Difusos
Carlos Espinosa Herrera
INGENIERIA MECATRONICA

Resumen- Capitulo 1

Introduccion
Los mtodos matemticos de las neuronas difusas emplean relaciones difusas
adaptativas y operadores en la sinapsis, esto para convertir las entradas externas
en salidas sinpticas.
Si remontamos a pocas histricas, donde los intentos resultaban prematuros en
relacin a la tecnologa disponible, podemos considerar que el camino hacia la
construccin de maquinas inteligentes comienza en la segunda guerra mundial,
con el diseo de ordenadores analgicos ideados para controlar caones
antiareos o para navegacin. De este modo, combinando las nuevas teoras
sobre la realimentacin, los avances de la electrnica de la posguerra y los
conocimientos disponibles sobre los sistemas nerviosos de los seres vivos, se
contruyeron maquinas capaces de responder y de aparender como los animales.
Norbert Wiener acuo el termino ciberntica para designar este estudio unificado
de control y de la comunicacin en los animales y las maquinas.
A la par de los ordenadores analgicos y la ciberntica se inicia el desarrollo de los
ordenadores digitales tal y como conocemos hy en dia, basados en la separacin
de estructura y funcin, corriente que en adelante denominaremos Computacion
Algoritmica.
La computacin algortmica se basa por lo tanto, en resolver cada problema
mediante un algoritmo, que se codifica en forma de programa y se almacena en
memoria; el programa secuencial es ejecutado en una maquina secuecial.
Los sistemas borrosos pueden describirse como un tipo de lgica multivaluada
que permite manejar estos conceptos borrosos o difusos tipics del mundo real y
que emula el tipo de razonamiento que los seres humanos realizamos con ellos
haciendo uso de sentencias como SI habitacin esta muy fra Entonces pon la
calefaccin al mximo. Podemos decir que mientras las redes neuroales emulan el
hardware del cerebro, los sistemas borrosos se ocupan del lado mas software.
En definitiva, hoy en dia vuelven a coexistir dos corrientes importantes dentro de la
bsqueda de la inteligentia que son, mas que alternativas, complementarias. Por
una parte la IA convencional, basada en algoritmos manipuladores de informacin
simbolica, que se ejecutan sobre los ordenadores Von Neumann, que operan
sobre la base de la lgica digital. Por otra parte, suelen agruparse las redes
neuronales, los sitemas borrosos y otras tcnicas, que se incluyen en lo que se ha
dado en denominar Inteligencia Computacional o Soft Computing, que en cierta
medida imitan las construcciones desarrolladas por la naturaleza. Asi como el
termino ABC de la inteligencia pueden contemplarse sus tres facetas: artificial,
biolgica
y
computacional.

MICROPROCESADORES,
CEREBRO.

COMPUTADORES

Los actuales computadores son maquinas de Von Neumann, en esencia una

maquina de procesamientos que actua ejecutando en serie una secuencia de
1

instrucciones o programa, que almacena en su memoria. La maquina esta

compuesta por cuatro unidades bsicas: unidad de entrada de informacin, unidad
de
salida,
unidad
de
procesamiento,
y
memoria.
La mayor parte de los ordenadores disponibles en la actualidad son maquinas
manipuladoras de smbolos que se basan en este esquema. La unidad de entrada
de datos es el teclado o las unidades de disco;la unidad de salida es muy a
menudi la pantalla o la impresora; la unidad de procesamiento o CPU es el
microprocesador ; la memoria puede estar distribuida entre el disco duro, cintas,
CD-ROM
o
la
memoria
central
de
semiconductor.
El verdadero corazn del computador es el microprocesador, potente y
complejsimo circuito electrnica, que en la actualidad puede integrar varios
millones de componentes electrnicos en un espacio de alrededor de un
centmetro cuadrado. El microprocesador es considerado en muchas ocasiones
como la cumbre de la tecnologa humana, tanto por el nivel de desarrollo
tecnolgico necesario para poder incluir millones de dispositivos electrnicos en
tan reducido espacio, como por la
potencia de calculo que pueden
desarrollar

Parece obvio que para abordar esta

clase de tareas debe recurrirse al
procesamiento en paralelo. Una
solucin puede ser el empleo de
varias CPU operando a la vez, pero
el
esfuerzo necesaruon
para
construir un programa orientado a
una maquina de este tipo es
tremendo, muy dependiente de la
estructura concreta de la maquina con la que se trabaje. Adems, aparecen
importantes cuestiones adicionales, como el espacio que ocupa una maquina de
estas caractersticas, la energa que consume, y sobre todo, su elevado coste
econmico, circunstancias que hacen inviable su aplicacin ala construccin de,
por
ejemplo,
un
pequeo
robot
inteligente.
Por el contrario, el cerebro, cuyas capacidades queremos emular, no opera de
acuerdo al marco descrito. El cerebro no es una arquitectura Von Neumann, pues
no esta formado por un mocroprocesador, ni siquiera esta constituido por unas
cuantas CPU, sino que lo componen millones de procesadores elementales o
neuronas, ampliamente interconectadas conformando redes de neuronas. La
neurona es en realidad un pequeo procesador, sencillo, lento y poco fiable, sin
embargo, en nuestro cerebro cohabitan unos cientos mil millones de neuronas
operando en paralelo. Es aqu donde reside el origen de su poder de computo.
Aunque individualmente las neuronas sean capaces de realizar procesamientos
2

muy simples, ampliamente interconectadas a travez de sinapsis y trabajando en

paralelo pueden desarrollar una actividad global de procesamiento enorme
Velocidad de proceso
Estilo de procesamiento
Numero de procesadores
Conexiones
Almacenamiento
del
conocimiento
Tolerancia a fallos
Tipo de control del
proceso

Cerebro
10^-2seg(100hz)
paralelo
10^11-10^14
10.000 por procesador
distribuido

Computador
10^-9seg (1000Mhz)
Secuencial
pocos
Pocas
Direcciones fijas

amplia
Auto-organizado

nula
Centralizado

Redes Neuronales Artificiales

Las redes neuronales o sistemas neuronales artificiales constituyen en la
actualidad un activo de campo multidisciplinar, en el que confluyen investigadores
procedentes de muy diferentes reas, como la electrnica, fsica, matemticas,
ingeniera, biologa o psicologa. No obstante, hay que tener muy presente que en
las redes neuronales artificiales no se persigue ningn tipo de ambicion
prometeica, como las de la IA en sus inicios, sino que se utilizan en el control de
procesos industriales, reconocimiento de vehculos en los peajes de las autopistas
o la previsin del consumo elctrico, objetivos desde un punto de vista
tecnolgico. Es en este tipo de problemas practicos en los que los sistemas
neuronales estn alcanzando excelentes resultados.
Inteligencia Artificial
Enfoque descendente
Basado en la psicologia
Que hace el cerebro
Reglas SI/ENTONCES
Sistemas programados
Logica, conceptos, reglas
Arquitectura von Neumann
Separacion hardware/software

Redes Neuronales
Enfoque ascendente
Basado en la biologia
Como lo hace el cerebro
Generalizacion a partir de ejemplos
Sistemas entrenados
Reconocimiento de patrones, gestalt
Arquitecturas paralelas, distribuidas,
adaptivas. Autoorganizacion

Sistemas Borrosos
Sistema inteligente que, a partir de un conjunto de funciones de pertenencia
definidas en determinado universo de discurso y determinadas reglas definidas por
un experto realiza una inferencia a partir de valores de las variables de entrada Si
A
es
BAJA
y
B
es
ALTA
Entonces
C(A,B)
es
MEDIO.
En definitiva, la lgica borrosa razona a partir de estos trminos lingsticos
borrosos, haciendo uso de sentencas del tipo SI/ENTONCES, como por ejemplo,
3

SI temperatura=fra ENTONCES enciende calefaccin o SI presin=muy alta

ENTONCES abrir la valvula. Estas tendencias borrosas son en realidad
representaciones naturales y compactas del conocimiento humano disponible
sobre una materia.

REDES NEURONALES Y SISTEMAS DIFUSOS

Tratando de resumir lo expuesto hasta el momento, podemos permitirnos una
cierta licencia afirmando que
a) Las redes neuronales emulan el hardware del cerebro
b) Los sistemas borrosos emulan el hardware del cerebro
Ambos temas los desarrollaremos con cierta extensin en las dos partes en las
que dividimos el texto. Comenzaremos la exposicin con las redes neuronales
artificiales, realizando una introduccin el tema, exponiendo los modelos de mayor
inters desde un punto de vista practico, y mostrando como se construye un ANS
y
como
se
desarrollan
aplicaciones
basadas
en
ellos.
Las redes neuronales artificiales son capaces de descubrir automticamente
relaciones entrada-salida en funcin de datos empricos, mercen a su capacidad
de aprendizaje a partir de ejemplos; Los sistemas borrosos permiten emplear el
conocimiento disponible por los expertos para el desarrollo de sistemas
inteligentes.

MARCO TEORICO.
(un poco de historia)

La historia de las redes neuronales artificiales comenzara con el cierfitico

aragones Santiago Ramon y Cajal, descubridor de la estructura neuronal del
sistema nervioso, en 1888 Ramon y Cajal demostr que el sistema nervioso en
realidad estaba compuesto por una red de clulas individuales, las neuronas,
ampliamente interconectadas entre si.
Desde un punto de vista funcional, las neuronas constituyen procesadores de
informacin sencillos. Como todo sistema de este tipo, poseen un canal de
entrada de informacin, las dentritas, un rgano de computo, el soma, y un canal
de salida, el axn. En las interneuronas el axn enva la informacin a otras
neuronas, mientras que en las neuronas motoras lo hace directamente al musculo.
Existe un tercer tipo neuronas, las receptoras o sensoras, que en vez de recibir la
informacin de otras neuronas, las reciben directamente del exterior. Se calcula
que una neurona del cortex cerebral recibe informacin, por termino medio, de
unas 10000 neuronas, y enva impulsos a varios cientos de ellas.

GENERACION Y TRANSMISION DE LA SEAL

NERVIOSA
La unin que existe entre dos neuronas se denomia sinapsis. En el tipo de
sinapsis mas comn no existe un contacto fsico entre las neuronas, sino que
estas permanecen separadas por un pequeo vacio de unas 0.2 micras. En la
relacin a la sinapsis, se habla de neuronas presinapticas (la que enva seales) y
postsinapticas (la que las recibe). Las sinapsis son direccionales, es decir, la
informacin
fluye
siempre
en
un
nico
sentido
Las seales nerviosas se pueden transmitir elctrica o qumicamente. La
transmisin qumica prevalece fuera de la neurona, mientras que la elctrica lo
5

hace en el interior. La transimision qumica se basa en el intercambio de

neurotransmisores, mientras que la elctrica hace sos de descargas que se
producen en el cuerpo celular, y que se propagan por el axn.
La forma de comunicacin mas habitual entre dos neuronas es de tipo quimico. La
neurona presinaptica libera unas sustancias complejas denominadas
neurotransmisores, que atraviesan el vacio sinptico. Si la neurona postsinaptica
posee en las dentriras o en el soma canales sensibles a los neurotransmisores
liberados, los fijaran, y como consecuencia permitirn el paso de determinados
iones atraveez de la membrana. Las corrientes ionicas que de esta manera se
crean provocan pequeos potenciales postsinapticos, excitadores o inhibidores,
que se integraran en el soma, tanto espacial como temporalmente: este es el
origen de la existencia de sinapsis excitadoras y de sinapsis inhibidoras.
Gerenando un pulso elctrico por el soma, el transporte activo que se produce a lo
largo del axn permite que pueda transmitirse a grandes distancias sin
degradarse.

Cerebro y computador
Las redes neuronales no dejan de ser computadoras, mquinas que procesan
datos. No obstante las diferencias entre una red neuronal artificial y una
computadora convencional son elevadas. Obviamente, tambin existen grandes
diferencias entre las redes neuronales artificiales y las de los humanos. A
continuacin realizaremos un anlisis comparativo, para que simplificar la
comprensin, cuando hablemos de cerebro artificial lo llamaremos computadora.
En primer lugar, el cerebro humano es capaz de tratar gran cantidad de datos en
poco tiempo pero no necesariamente con exactitud. Por su parte, la computadora
ser capaz de procesar informacin mucho ms concreta y siempre seguir unas
instrucciones dadas.
Por otro lado, si nos fijamos en los impulsos nerviosos, en el caso del humano
stos pueden variar pero, la computadora, al ser mecnica y automtica, tiene una
frecuencia inalterable de transmisin y est dirigida por el reloj interno de la
mquina.
En tercer lugar, en cuanto al almacenaje, el cerebro humano guarda la memoria
pero no se sabe dnde quedar almacenada, dado su carcter asociativo. En
cambio, en la computadora la informacin se guarda en posiciones de memoria de
acceso directo por su direccin.
Un punto a favor de las computadoras que, en eso, superan al cerebro humano,
es el de la velocidad. De este modo, en el cerebro, los impulsos fluyen a unos 30
metros por segundo frente a la computadora, donde los impulsos fluyen a la
velocidad de la luz.
Por otro lado, en el anlisis comparativo debemos destacar tambin similitudes
importantes. As hay que destacar que, tanto en cerebro como la computadora
codifican la informacin en impulsos digitales, ambos tienen compuertas lgicas,
en ambos casos existen diferentes tipos de memoria y ambos tienen
aproximadamente el mismo consumo de energa.

Los tres conceptos clave de los sistemas nerviosos, que se pretende emular en los
artificiales son: paralelismo de calculo, memoria distribuida y adaptibilidad, al
entorno. De esta manera, podemos hablar de las redes neuronales como sistemas
paralelos, distribuidos y adaptivos.
UN SISTEMAS NEURONAL O CONEXIONISTA, esta compuesto por los
siguientes elementos:
Un conjunto de procesadores elementales o neuronas artificiales
Un patrn de conectividad o arquitectura
Una dinmica de activaciones
Una regla o dinmica de aprendizaje
El entorno donde opera
Se denomira procesador elementao o neurona a un dispositivo simple de calculo
que, apartir de un vector de entrada procedente del exterior o de otras neuronas,
proporciona una nica respuesta o salida. Los elementos que constituyen a la
neurona de etiqueta i son los siguientes
Conjunto de entradas, xj(t)
Peros sinpticos de la neurona i,wij que representan la intensidad de
interaccion entre cada neurona presinaptica j y la neurona postsinaptica i
Regla de propagacin , que proporciona el valor del potencial postsinaptico
de la neurona en funcin de sus pesos y entradas
Funcion de activacin que proporciona el estado de activacin actual de la
neurona i, en funcin de su estado anterior y de su potencial postsinaptico
actual
Funcion de salida que proporciona la salida actial de la neurona i en funcin
de su estado de activacin
De este modo, la operacin de la neurona i puede expresarse como:
y i ( t )=F i (f i [ ai ( t1 ) , i ( w ij , x j ( t ) ) ] )

Este mpdep de neurona formal se inspira en la operacin de la biolgica, en el

sentido de integrar una serie de entradas y proporcionar cierta respuesta que se
propaga por el axn.
ENTRADAS Y SALIDAS
Las variables de entrada y salida pueden ser binarias (digitales) o continuas
(analgicas), dependiendo del modelo y aplicacin. Por ejemplo, un perceptron
multicapa o MLP admiten ambos tipos de seales. Asi, para tareas de clasificaicon
poseera salidas digitales {0. +1}, mientras que para un problema de ajuste
funcional de una aplicacin multivariable continua, se utilizaran salidas continuas
pertenecientes
a
cierto
intervalo.
Dependiendo del tipo de salida, las neuroas suelen recibir nombres especficos.
Asi las neuronas estndar cuya salida solo puede tomar los valores de 0 o 1 se
suelen denominar genricamente neuronas de tipo McCulloch-Pitts, mientras que
aquellas que nicamente pueden tener salidas -1 o +1 se suelen denominar
neuronas tipo Ising . Si puede adoptar diversos valores discretos en la salida, se
dice que se trata de la neurona de tipo Potts.
MODELO
ESTANDAR
DE
NEURONA
ARTIFICIAL
En la practica suele utilizarse uno mas simple , que denominaremos neurona
estndar, que constituye un caso particular del modelo del PDP, considerando que
la regla de propagacin es la suma ponderada y que la funcin de salida es la
identidad. De esta forma, la neurona estndar consiste en

Un conjunto de entradas y pesos sinpticos

Una regla de propagacin es la mas comn
Una funcin de activacin que representa simultneamente la salida de la
neurona y su estado de activacin

Con frecuencia se aade al conjunto de pesos de la neurona un parmetro

adicional i, que denominaremos umbral, que se resta del potencial postsinaptico,
por lo que el argumento de la funcin de activacin queda
8

 wijxji
j

Lo que representa aadir un grado de libertad adicional a la neurona. Veremos

que en el caso de nodos de respuesta todo-nada este parmetro representara el
umbral de disparo de la neurona, es decir, el nuvel minimo que debe alcanzar el
potencial postsinaptico para que la neurona se dispare o active.
En conlusion, el modelo de neurona que denominaremos estndar queda

ARQUITECTURA DE REDES NEURONALES

Se denomina arquitectura a la topologa, estructura o patrn de conexionado de
una red neuronal. En un ANS los nodos se conectan por medio de sinapsis, esta
estructura de conexiones sinpticas determina el comportamiento de la red. Las
conexiones sinpticas son direccionales, es decir, la informacin solamente puede
propagarse en un nico sentido. En general, las neuronas se suelen agrupar en
unidades estructurales que denominaremos capas. Las neuronas de una capa
pueden agruparse, a su vez, formando grupos neuronales. Dentro de un grupo, o
de una capa si no existe este tipo de agrupacin, las neuronas suelen ser del
mismo tipo. Finalmente, el conjunto de una o mas capas constituye la red
neuronal.
Se distinguen 3 tipos de capas: de entrada, de salida y ocultas. Una capa de
entrada
o sensorial esta compuesta por neuronas que reciben datos o seales
procedentes del entorno. Una capa de salida es aquella cuyas neuronas
proporcionan la respuesta de la red neuronal. Una capa oculta es aquella que no
tiene una conexin directa con el entorno, es decir, que no se conecta
directamente ni a rganos sensores un a efectores. Este tipo de capa proporciona
a la red neuronal grados de libertad adicionales, gracias a los cuales puede
encontrar representaciones internas correspondientes a determinados rasgos del
entorno, proporcionando una mayor riqueza computacional

Atendiendo a distintos conceptos, pueden establecerse diferentes tipos de

arquitecturas neuronales. Asi, en relacin a su estructura en capas, podemos
hablar de redes monocapa y de redes multicapa. Las redes monocapa son
aquellas compuestas por una nica capa de neuronas. Las redes multicapa son
aquellas
cuyas
neuronas
se
organizan
en
varias
capas.
Asi mismo, atendiendo al flujo de datos en la red neuronal, podemos hablar de
redes unidireccionales. En las redes unidireccionales, la informacin circula en un
nico sentido, desde las neuronas de entrada hacia las de salida. En las redes
recurrentes o realimetadas la informacin puede circular entre las capas en
cualquier sentido, incluido en de salida-entrada.
Una red neuronal es un grafo dirigido, con las siguientes propiedades:
1) A cada nodo i se asocia una variable de extado Xi
2) A cada conexin de los nodos se asocia un peso
3) A cada nodo se asocia un umbral
4) Para cada nodo se define una funcin, que depende de los pesos de sus
conexiones, del umbral y de los estados de los nodos a el conectados. Esta
funcin proporciona el nuevo estado del nodo.
En la terminologa habitual de las redes neuronales, los nodos son las neuronas y
las sinapsis las conexiones. Algunos de los conceptos ya expuestos quedaran
redefinidos en este contexto de la siguiente manera:

Se denomina neurona de entrada a las neuronas sin sinapsis entrantes

Se denomina neurona de salida a las neuronas sin sinapsis salientes
Las que no son ni de entrada un de salida se denominan neuronas ocultas
Una red es unidireccional cuando no presenta bucles cerrados de
conexiones
Una red es recurrente cuando el flujo de informacin puede encontrar un
bucle de atrs hacia adelante, es decir, una realimentacin.
10

CLASIFICACION DE LOS MODELOS NEURONALES

A partir de lo visto hasta el momento puede deducirse que dependiendo del
modelo de neurona concreto que se utilice, de la arquitectura o topologa de
conexin, y del algoritmo de aprendizaje, surgirn distintos modelos de redes
neuronales.

COMPUTABILIDAD NEURONAL
En abu-mostafa se discute sobre las caractersticas computacionlaes de los ANS,
demostrndose en particular que, al igual que los computadores digitales
convencionales, las redes neuronales son formalmente capaces de resolver
cualquier problema computacional. Una forma sencilla de verlo es la siguiente.
Una red neuronal es capaz de implementar cualquier funcin booleana, pues
hasta recordar la neugora realiza la funcin lgica NAND.
REALIZACION DE REDES NEURONALES
El modo mas habitual de realizar una red neuronal consiste en simularla en un
ordenador convencional, como un PC o una estacin de trabajo, haciendo uso de
programas escritos en lenguajes de alto nivel, como C o Pascal. Aunque de esta
manera se pierde su capacidad de calculo en paralelo, las presentaciones que
ofrecen los ordenadores actuales resultan suficientes para resolver numerosos
11

problemas practicos, permitiendo la simulacin de redes de tamao considerable a

una velocidad razonable.
APLICACIONES DE LAS REDES NEURONALES
Se estima que a pesar de las limitaciones tcnicas, las redes neuronales aplicadas
a la Bibliometra constituyen un campo de investigacin muy prometedor. Un
ejemplo es presentado a continuacin. La disciplina muldidisciplinar de las redes
neuronales es aplicada en esta seccin, donde se asume a la produccin de los
documentos de patentes como indicador de la capacidad de desarrollo industrial.
El objetivo es identificar posibles competidores, alianzas estratgicas,
dependencia tecnolgica, etc. Se escogi para el primer ejemplo la representacin
de la situacin tecnolgica de la Neisseria meningitidis.3 Las diferentes
instituciones en la primera hoja de sus patentes hacen referencias a otras
patentes, a partir de estos datos se puede inferir el impacto que produce una
tecnologa o institucin en otra; Se puede sealar, entre otras, las siguientes reas
de aplicaciones de los sistemas neuronales: Reconocimiento del habla,
Reconocimiento de caracteres, visin, robotica, control, procesamiento de seal,
prediccin, economa, defensa, bioingeniera, etc. Asi mismo estn incorporndose
ANS para incorporar aprendizaje en los sistemas borrosos y a la confeccion de
sistemas expertos conexionistas.
DE LA NEURONA BIOLOGICA A LA ARTIFICIAL
Un modelo clsico de la operacin de la neurona biolgica es el propuesto por
Hodgin y Huxley, que parte por considerar que la membrana celular actua como un
condensador que tiene asociada una capacidad elctrica, En este modelo a cada
una de las especies ionicas que entran y salen a travez de la membrana se asigna
cierta intensidad elctrica; por otra parte, la membrana presenta diferente
resistencia para cada tipo de ion. La capacidad elctrica CM asociada a la
membrana celular integra dichas corrientes, y la tensin asi obtenida es finalmente
convertida en trenes de pulsos de una determinada frecuencia en el soma.

Modelo elctrico de la membraba de la

neurona.
Los
subndices
hacen
referencia a los iones sodio, potasio y el
l a los iones que representan corrientes
de fuga. U es el potencial de la
membrana

12

CONCLUSION
Las Redes Neuronales Artificiales basadas en los sistemas nerviosos biolgicos
reproducen al menos el funcionamiento del cerebro humano, sea en hardware o
software, El aprendizaje de sistemas neuronales directas tiene un proceso
mediante el empleo del algoritmo de retropropagacin (backpropagation),
realizando el ajuste de pesos entre las capas de la red. La construccin de las
redes neuronales artificiales hace uso de metodologas de desarrollo de software.
Las redes neuronales artificiales tienen un amplio campo de aplicaciones donde se
requiera la solucin a problemas, desde actividades de investigacin hasta
aplicaciones comerciales e industriales.
En resumen parece see que las tareas que peor llevan a cano nuestros actuales
computadores y robots son precisamente aquellas que mas fciles resultan a los
organismos biolgicos. Asi, aunque es relativamente sencillo conseguir que los
operadores resuelvan complejos problemas aritmticos o jueguen al ajedrez,
resulta sumamente difcil dotarles de la capacidad perceptiva y movilidad de una
simple rana

BIBLIOGRAFIA
Redes Neuronales y Sistemas Borrosos
3Edicio Alfaomega
Bonifacio Martin Del Brio y Alfredo Sanz Molina

13