RNA: Surgen como evolucin de software despus de la 2da guerra mundial gracias a la aparicin

de dispositivos automatizados semi_mecanicos. Las RNA emulan caractersticas de seres

humanos (capacidad de Memorizar y asociar hechos). Por tanto las RN: - Consisten en unidades de
procesamiento que intercambian informacin. Se utilian para reconocer patrones (imgenes,
manuscritos y secuencias de tiempo). Tienen capacidad de aprender y mejorar su funcionamiento.
Definiciones de una RNA: -Una nueva forma de Computacin inspirada en modelos biolgicos.Un modelo matemtico compuesto por un gran nmero de elementos organizados en niveles.
Ventajas: -Aprendizaje Adaptivo.-Capacidad de aprender a realizar tareas basados en una
experiencia inicial.-Fcil insercin dentro de la tecnologa existente.-Tolerancia a fallos.-Autoorganizacin .-Operacin en tiempo real.
Warren McCulloch( Neuro-fisiologico) y Walter Pitts(Matemtico) lanzaron una teora de cmo
trabajar con neuronas en 1943. Frank Rosenblatt comenz el desarrollo del perceptrn en
1957. Bernard Widroff y Marcian Hoff desarrollaron el modelo Adaline en 1960.
NEURONA ARTIFICIAL: Consiste en aplicar un conjunto de entradas cada una representando la
salida de otro neurn o una entrada del medio externo, se realiza una suma ponderada con estos
valores y filtra el valor con una funcin.

Funcin de Activacin: La Seal NET se procesa por medio de una funcin de activacin F, la
cual producir una seal que ser la salida del neurn (OUT): OUT =F(NET)
RN DE UN NIVEL(Monocapa): El poder de las RNA se obtiene de las conexiones entre neuronas.

Sea N el vector de todos los valores NET N=XW & Y=F(N) Donde Y= vector de salida de la red.
Ej: SI : N=3 & M= 3 Entonces Calcular: Y1=F(W11X1+W12X1+W13X1)
Y2=F(W21X2+W22X2+W23X2) Y3=F(W31X3+W32X3+W33X3)
RN DE VARIOS NIVELES O CAPAS : Aqu la funcin de activacin debe ser no lineal de lo
contrario ser una red con un solo neurn.
Una red es entrenada de manera que un conjunto de valores de entrada produce la salida deseada.
Durante el entrenamiento los pesos W se ajustan gradualmente, hasta encontrar los que generan
las salidas deseadas.
TIPOS DE ENTRENAMIENTO:
Supervisada: Aqu cada vector de entrada est relacionado con una salida deseada. Al par de
vectores representando los valores de entrada y de salida deseada, se les llama el par de
entrenamiento.
No Supervisada: Aqu no se requiere de un vector de salida. Los pesos de la RNA se modifican de
manera que produzcan vectores de salida que sean consistentes, se espera que entradas similares
produzcan las mismas salidas.
EL PERCEPTRN: Propuesto por McCulloch y Pitts. Aqu la neurona calcula la suma de pesos y los
sustrae de un valor umbral ().

ROBOT: Mquina capaz de realizar una accin de forma automtica, pudiendo adaptar su actividad
en funcin de la informacin que percibe de su entorno. Utiliza un sistema de control de lazo
cerrado.
SISTEMA DE CONTROL: Capta informacin de su entorno (luz, temperatura, presencia) y realiza
una accin en funcin de los datos recibidos. Componentes: -Sensor: Transforma en una seal
elctrica alguna actitud captada del entorno. -Referencia: Valor fijado para ser comparado con la
seal de entrada.
ELEMENTOS DE CONTROL:-Comparador: compara la seal de entrada con la referencia.Controlador: Controla la activacin o desactivacin del actuador. Actuador: Elemento que realiza

la accin.
TIPOS DE SISTEMA DE CONTROL:-En lazo Abierto: Cuando existe algn tipo de switch que lo
controle. No evala el valor de una variable controlada, ej: sist de calefaccin con temporizador,
puerta de garaje que se abre con mano o a distancia.
En lazo Cerrado: Evalan y motorizan el valor de una variable controlada. Ej, Calefaccion por
Termostato, Barrera de Parking cuando detecta un coche.

RNA: Surgen como evolucin de software despus de la 2da guerra mundial gracias a la aparicin
de dispositivos automatizados semi_mecanicos. Las RNA emulan caractersticas de seres
humanos (capacidad de Memorizar y asociar hechos). Por tanto las RN: - Consisten en unidades de
procesamiento que intercambian informacin. Se utilian para reconocer patrones (imgenes,
manuscritos y secuencias de tiempo). Tienen capacidad de aprender y mejorar su funcionamiento.
Definiciones de una RNA: -Una nueva forma de Computacin inspirada en modelos biolgicos.Un modelo matemtico compuesto por un gran nmero de elementos organizados en niveles.
Ventajas: -Aprendizaje Adaptivo.-Capacidad de aprender a realizar tareas basados en una
experiencia inicial.-Fcil insercin dentro de la tecnologa existente.-Tolerancia a fallos.-Autoorganizacin .-Operacin en tiempo real.
Warren McCulloch( Neuro-fisiologico) y Walter Pitts(Matemtico) lanzaron una teora de cmo
trabajar con neuronas en 1943. Frank Rosenblatt comenz el desarrollo del perceptrn en
1957. Bernard Widroff y Marcian Hoff desarrollaron el modelo Adaline en 1960.
NEURONA ARTIFICIAL: Consiste en aplicar un conjunto de entradas cada una representando la
salida de otro neurn o una entrada del medio externo, se realiza una suma ponderada con estos
valores y filtra el valor con una funcin.

Funcin de Activacin: La Seal NET se procesa por medio de una funcin de activacin F, la
cual producir una seal que ser la salida del neurn (OUT): OUT =F(NET)
RN DE UN NIVEL(Monocapa): El poder de las RNA se obtiene de las conexiones entre neuronas.

Sea N el vector de todos los valores NET N=XW & Y=F(N) Donde Y= vector de salida de la red.
Ej: SI : N=3 & M= 3 Entonces Calcular: Y1=F(W11X1+W12X1+W13X1)
Y2=F(W21X2+W22X2+W23X2) Y3=F(W31X3+W32X3+W33X3)
RN DE VARIOS NIVELES O CAPAS : Aqu la funcin de activacin debe ser no lineal de lo
contrario ser una red con un solo neurn.
Una red es entrenada de manera que un conjunto de valores de entrada produce la salida deseada.
Durante el entrenamiento los pesos W se ajustan gradualmente, hasta encontrar los que generan
las salidas deseadas.
TIPOS DE ENTRENAMIENTO:
Supervisada: Aqu cada vector de entrada est relacionado con una salida deseada. Al par de
vectores representando los valores de entrada y de salida deseada, se les llama el par de
entrenamiento.
No Supervisada: Aqu no se requiere de un vector de salida. Los pesos de la RNA se modifican de
manera que produzcan vectores de salida que sean consistentes, se espera que entradas similares
produzcan las mismas salidas.
EL PERCEPTRN: Propuesto por McCulloch y Pitts. Aqu la neurona calcula la suma de pesos y los
sustrae de un valor umbral ().

ROBOT: Mquina capaz de realizar una accin de forma automtica, pudiendo adaptar su actividad
en funcin de la informacin que percibe de su entorno. Utiliza un sistema de control de lazo
cerrado.
SISTEMA DE CONTROL: Capta informacin de su entorno (luz, temperatura, presencia) y realiza
una accin en funcin de los datos recibidos. Componentes: -Sensor: Transforma en una seal
elctrica alguna actitud captada del entorno. -Referencia: Valor fijado para ser comparado con la
seal de entrada.
ELEMENTOS DE CONTROL:-Comparador: compara la seal de entrada con la referencia.Controlador: Controla la activacin o desactivacin del actuador. Actuador: Elemento que realiza
la accin.
TIPOS DE SISTEMA DE CONTROL:-En lazo Abierto: Cuando existe algn tipo de switch que lo
controle. No evala el valor de una variable controlada, ej: sist de calefaccin con temporizador,
puerta de garaje que se abre con mano o a distancia.
En lazo Cerrado: Evalan y motorizan el valor de una variable controlada. Ej, Calefaccion por
Termostato, Barrera de Parking cuando detecta un coche.