INTELIGENCIA ARTIFICIAL:

Unidad 2
Fundamentos biolgicos de la
neurona y principios de las Redes
Neuronales Artificiales
Universidad Tecnolgica del Per
2015-3. Septiembre de 2015

Inteligencia Artificial. Unidad 2

NEURONAS BIOLGICAS
El sistema nervioso tiene 1011 Neuronas:
Entrada de informacin: dentritas
rgano de cmputo: soma
Canal de salida: axn

Estructura de una neurona biolgica tpica

Inteligencia Artificial. Unidad 2

Tres tipos de Neuronas: transmisoras, motoras y sensitvas (como los
conos y bastoncillos de la retina)
Una neurona del Cortex cerebral recibe informacin de unas 10000
neuronas (convergencia) y enva impulsos a varios cientos
(divergencia)
El cerebro humano se organiza en capas horizontales (seis capas),
existiendo tambin una organizacin vertical (columnas de neuronas).
Hay grupos neuronales que realizan funciones especficas (por
ejemplo: visual, auditiva, senso-motor,)
La unin entre do neuronas se llama Sinapsis (0,2 micras). En ellas
la informacin ve en un nico sentido entre la neurona Presinptica y
la postsinptica

Inteligencia Artificial. Unidad 2

Dos formas de transmisin:
1. Elctrica: dentro de la neurona
2. Qumica: fuera de la neurona por los Neurotransmisores
Seal nerviosa: se genera en la membrana neuronal, por la presencia
de iones en ambos lados
Principalmente K+, Na+, Ca+ .
Adems los iones de proteinas P2que se originan por prdida de ede los anteriores. Estas ltimas
son grandes y no pueden
atravesar los poros de la
membrana

Distribucin de iones dentro y

fuera de la membrana

Inteligencia Artificial. Unidad 2

Potencial de reposo de la neurona: -60mV, se mantiene por la
diferencia de iones + y -. El mecanismo es la bomba de Na-K, que
por cada dos iones K+ que entran, se extraen tres Na+. Los canales o
poros del K+ son permeables, mientras los de Na+ son selectivos (en
reposo son cerrados)
Excitacin de la neurona: los neurotransmisores (glutamato,
adrenalina) llegan a la neurona postsinptica. Esta tiene canales
sensibles a los neurotransmisores, y de esta forma provocan pequeos
potenciales postsinpticos positivos o negativos, que se sumarn en el
Soma.
Si la excitacin es suficientemente intensa, se puede elevar el
potencial por encima de -45mV (potencial de activacin). En este
momento se abren los canales de Na+, entrando estos iones y
elevando el potencial hasta +50mV

Inteligencia Artificial. Unidad 2

A continuacin el potencial vuelve a -60mV, producindose un pulso
que se propaga por el axn.
Tren de pulsos: ante una estimulacin ms intensa, disminuye la
distancia entre pulsos (mayor frecuencia). La excitacin queda
codificada en la frecuencia (frecuencia mxima 100 Hz)

Forma de un pulso nervioso

Inteligencia Artificial. Unidad 2

La respuesta de una neurona
tiene un nivel de saturacin en la
frecuencia mxima

La frecuencia no es constante ni todas las neuronas reaccionan igual,

por la presencia en nuestro organismo de diferentes iones

Tren de pulsos regular (izquierda), de neurona piramidal del cortex (centro) y de una clula
de Purkinje del cerebelo (derecha)

Inteligencia Artificial. Unidad 2

El pulso se propaga por el axn hasta el extremo, donde Vesculas
liberan neurotransmisores por medio de iones Ca2+. El nmero de
pulsos y su frecuencia determina la cantidad de neurotransmisores
Neuronas largas: el estmulo se codifica en pulsos digitales
Neuronas cortas: no es necesario pulsos digitales, se propaga una
seal analgica ya que la informacin no se degrada
Aprendizaje: nuestro aprendizaje se codifica en las sinapsis que se
modelan en el tiempo (plasticidad). Hay diferentes formas de modelar
el sistema nervioso, como nuevas conexiones, ruptura de conexiones,
plasticidad (principal) o muerte neuronal.
Complejidad: existen muchas ms especies inicas, neuropptidos,
la membrana tienen otros tipos de canales, existen sinapsis elctricas.
Clulas no neuronales (glia) en proporcin de 10 por cada neurona

Inteligencia Artificial. Unidad 2

SISTEMAS NEURONALES ARTIFICIALES

Inspiracin de las Neuronas Artificiales:
La ANN imitan la estructura Hardware del sistema nervioso, para
construir sistemas de procesamiento paralelos, distribuidos a
adaptativos.
Se pretende tener la misma eficacia que el cerebro humano para
tareas de bajo nivel

Las neuronas imitan al cerebro en dos aspectos:

La red adquiera conocimiento del entorno usando un algoritmo de
aprendizaje
Para almacenar la informacin se usan los pesos sinpticos, que
representa la fuerza/debilidad de una conexin

Inteligencia Artificial. Unidad 2

Estructura bsica de las RNA:

El elemento bsico es la Neurona Artificial.

Las neuronas se organizan en Capas
Varias Capas forman la Red Neuronal
Una RNA junto con las interfaces de entrada y salida, y los
mdulos convencionales, forman el Sistema Neuronal

Distintos componentes jerrquicos de un Sistema Neuronal

Inteligencia Artificial. Unidad 2

Beneficios de las Neuronas Artificiales:
NO LINEALIDAD:
Permiten modelar una funcin o proceso no lineal
La No linealidad se distribuye por toda la red
Cada Neurona tiene tpicamente una funcin no lineal
Las no linealidades tambin presentan problemas: mnimos
locales, dificultad de anlisis
MAPEO DE ENTRADAS/SALIDAS:
En aprendizaje supervisado, se aprende los mapas de
entradas/salidas con los datos de entrenamiento. Ejemplo:
clasificacin de tipos
Su usan criterios estadsticos
Los pesos sinpticos (parmetro libre) se modifican en el criterio
usado

Inteligencia Artificial. Unidad 2

ADAPTABILIDAD:
Los pesos pueden ser Re-entrenados con nuevos datos
La Red puede adaptarse a un entorno cambiante
Pero los cambios son lentos
TOLERANCIA A FALLOS:
La red funciona correctamente ante una destruccin parcial de la
misma
IMPLEMENTABLE EN VLSI:
Se pueden implementar fcilmente en circuitos integrados
UNIFORMIDAD DE ANLISIS Y DISEO:
ANALOGAS CON LAS NEUROCIENCIAS:
Se usan avances de Neurociencias para la Investigacin en RNA

Inteligencia Artificial. Unidad 2

MODELO DE NEURONA ARTIFICIAL

Conjunto de entradas xj
Pesos sinpticos de la neurona i, Wij.
Regla de propagacin, (Wij, xj(t)). Proporciona el potencial
postsinptico hi(t) = (Wij, xj(t)).
Funcin de activacin ai = fi(ai(t-1) hi(t)).
Funcin de salida Fi(ai(t)). Proporciona la salida yi = Fi(ai(t))
(,

Inteligencia Artificial. Unidad 2

Entradas y salidas.
Las entradas y salidas pueden ser binarias (digitales) o continuas
(analgicas). Los valores binarios pueden ser 0 -1, -1 1 o adoptar
varios valores discretos (-2 -1 0 1 2). Los valores continuos pueden
estar en un intervalo^[-1 1] [0 1]

Regla de propagacin
La funcin mas normal es la lineal, basada en la suma ponderada de
las entradas con los pesos

Interaccin entre neurona presinptica y neurona postsinptica

Inteligencia Artificial. Unidad 2

Funcin de activacin
En muchos modelos de RNA se considera que el estado actual de la
neurona no depende del estado anterior
= (
)

Funcin de salida
Proporciona la salida en
funcin del estado de
activacin.
La funcin ms frecuente
es la identidad

Tipos de funciones de activacin

Inteligencia Artificial. Unidad 2

MODELO ESTNDAR DE NEURONA

La neurona estndar es un modelo ms simple que utiliza como regla

de propagacin, la suma ponderada y como funcin de salida, la
identidad. Se aade un Umbral (Bias) que se resta al potencial
postsinptico.

Inteligencia Artificial. Unidad 2

EJEMPLO: FUNCIN NAND

Una nica neurona con dos entradas digitales
La funcin de activacin es la escaln
Esta era la neurona original del Perceptrn (dispositivo tipo
umbral)

Neurona que funciona como puerta NAND

Inteligencia Artificial. Unidad 2

TOPOLOGAS DE REDES NEURONALES

Las neuronas se conectan mediante Sinapsis de una sola direccin
Un peso sinptico negativo es una Entrada Inhibitoria. Un peso
positivo es una Entrada Excitatoria
Las neuronas se agrupan en Capas. Dentro de una capa puede
haber grupos neuronales (Clusteres). Las neuronas de una capa o
clster son del mismo tipo.
Tres tipos de capas:
1. De entrada o sensorial: solo reciben datos del entorno
2. De salida: dan las respuesta de la RNA
3. Ocultas: no tienen una conexin directa con el entorno.
Proporciona a la Red ms grados de libertad, para poder
encontrar mejores soluciones

Inteligencia Artificial. Unidad 2

Topologa unidireccional de tres capas

Redes monocapa: una sola capa

Redes multicapa: formada por varias capas

Inteligencia Artificial. Unidad 2

Redes Unidereccionales (Feedforward): la informacin va
en un solo sentido.
Redes Recurrentes o realimentadas (Feedback): la
informacin puede circular entre las capas en cualquier
sentido.

Inteligencia Artificial. Unidad 2

APRENDIZAJE Y RECUERDO
El Aprendizaje es el algoritmo en el que se ajustan los parmetros
libres de la red (Pesos y umbral) a partir de datos del entorno
El Algoritmo de aprendizaje cambia los pesos sinpticos optimizando
una funcin Costo (que mide la eficacia de la RNA)
+1 =

Este procedimiento es iterativo, repitindose hasta que la

performance de la RNA es la esperada
Tipos de aprendizaje:
1. Aprendizaje supervisado: se presenta a la Red unos Patrones
de entradas, junto con la salida deseada (Target). El algoritmo
ajusta iterativamente los pesos

Inteligencia Artificial. Unidad 2

2. Aprendizaje no supervisado: se presentan a la Red muchos
patrones sin informacin alguna de la salida. Por medio de
reglas, se reconocen regularidades, rasgos comunes o se
agrupan patrones (clustering).
3. Aprendizaje hbrido: se tiene a la vez los dos tipos bsicos
(supervisado y no supervisado)
4. Aprendizaje reforzado: igual que en el supervisado, se da
informacin de la salida, pero en forma binaria (lo hace bien o
lo hace mal)
En la fase de Recuerdo, la Red ya ha sido entrenada y puede
funcionar procesando datos de entrada. En esta etapa la Red debe ser
estable
Adems en esta fase la Red puede Generalizar. Es decir, producir
salidas precisas ante entradas no usadas en el entrenamiento