Universidad Autónoma Chapingo

Control Inteligente

Mecatrónica Agrícola 7°6

30-mayo-2021

Tarea 2: CONTROL NEURONAL

Alumna: María Victoria Flores Valles

Por favor, realicen una investigación sobre los siguiente.

1.- Modelo matemático de la neurona

Una red neuronal artificial es un conjunto de redes neuronales que tienen como
objetivo resolver problemas difíciles de resolver mediante algoritmos
convencionales. Dentro de dicho conjunto, en cada una de ellas podemos distinguir
una entrada de señal, un nodo y una salida o respuesta hacía otra neurona artificial.

La función de una neurona se da porque:

1. Las señales de entrada (la información que recibe la neuronal artificial), son
variables independientes. Los n-valores de entrada son multiplicados por sus
respectivos pesos, es decir el vector entrada es multiplicado por el vector
peso, dando como resultado una combinación lineal de las entradas y los
pesos, algo que denominamos función de ponderación.

2. Se aplica una función de aplicación.

3. El resultado se propaga a la salida. Dicho valor puede ser la nueva entrada

de una neurona, formando así las redes neuronales, o bien puede ser el
resultado final (respuesta).
2.- Modelo de aprendizaje de una compuerta OR y AND usando una neurona.

McCulloch & Pitts (1943) con el Primer modelo neuronal simplicado que resolvía
las operaciones lógicas AND, OR y NOT

Para entrenar una red neuronal siguiendo el modelo:

1. obtener los datos de entrada (Xi) y datos de salida (Y)

AND OR
Entradas Salidas Entradas Salidas
X1 X1 X2 Y X2 Y
0 0 0 0 0 0
0 0 1 0 1 1
1 1 0 0 0 1
1 1 1 1 1 1

2. Se ajustarán los pesos (W) y el valor aditivo (b) y se trabaja a prueba y error
para encontrar los valores deseados.
3. Encontrar el hiper plano de tal manera que la función nos determine la
ecuación. Y=X1W1+X2W2+b
3.- Crear en Matlab una red neuronal que aprenda la compuerta AND, OR y
XOR
RED para AND
net=newff([0 1;0 1], [1], {'logsig'}, 'traingdx');
X=[0 0 1 1; 0 1 0 1]; %datos de entrada
YAND=[0 0 0 1]; %datos de salida
net.trainParam.epochs=1000; %numero de interaciones
net.trainParam.goal=0.0001; %minimo de error
net=train(net,X,YAND);
RED para OR
net=newff([0 1;0 1], [1], {'logsig'}, 'traingdx');
X=[0 0 1 1; 0 1 0 1]; %datos de entrada
YOR=[0 1 1 1]; %datos de salida
net.trainParam.epochs=1000; %numero de interaciones
net.trainParam.goal=0.0001; %minimo de error
net=train(net,X,YOR);