UNIVERSIDAD CENTRAL DEL ECUADOR

FACULTAD DE INGENIERÍA QUÍMICA

CARRERA DE INGENIERÍA QUÍMICA
ECUACIONES DIFERENCIALES

PROYECTO DE INVESTIGACIÓN
FUNCIÓN LOGÍSTICA POBLACIONAL Y SU USO
EN REDES NEURONALES
GRUPO 19

Integrantes del Grupo:

 Santacruz Carrillo Angélica Gissela
 Sarango Hidalgo Allison Lizeth
 Sarango Maza Katia Pamela
 Subia Almagro Brithany Anahy
Profesor: Doc. Alcides Gustavo López Paredes
Ayudante: Srta. Camila Paladines
Fecha de Entrega: 12 de mayo del 2021

Quito – Ecuador
2021-2021
 UNIVERSIDAD CENTRAL DEL ECUADOR
FACULTAD DE INGENIERÍA QUÍMICA
CARRERA DE INGENIERÍA QUÍMICA
ECUACIONES DIFERENCIALES

FUNCIÓN LOGÍSTICA APLICADA A REDES NEURONALES

Tipo de red: Red Perceptrón Multicapa y de Función Base Radial

En el discño y uso de una red ncuronal hay implicados un conjunto de elementos comunes a
todas ellas y unas reglas qué determinan como la información es transformada y el
aprendizaje almacenado.

Tales redes constan de varios elementos que en conjunto ayudan a la modelación y correcto
uso de una función logística como son:

 Unidades de procesamiento
 Estado de activación
 Salida de las unidades
 Patrón de conexiones
 Regla de propagación
 Regla de activación
 Función sigmoidal o logística
 Regla de aprendizaje
 Ambiente
(Navarro, 1998, p.57-58)

Figura 1. Elementos Red Neuronal

 UNIVERSIDAD CENTRAL DEL ECUADOR
FACULTAD DE INGENIERÍA QUÍMICA
CARRERA DE INGENIERÍA QUÍMICA
ECUACIONES DIFERENCIALES

Fuente: Mantilla L. (2019). Introducción a las redes neuronales artificiales.

Obtenido de: http://rna.50webs.com/tutorial/RNA_intro.html

Aplicación de la función logística en redes MPL

Es probablemente la función de activación de redes más empleada en la actualidad.

Se trata de una función continua no lineal con bastante plausibilidad fisiológica. La función
sigmoidal posee un rango comprendido entre 0 y 1. Esto, aplicado a las unidades de
proceso de una red neuronal artificial significa que, sea cual sea la entrada, la salida estará
comprendida entre 0 y1. (Wassermann, 1989)

La capacidad de las redes MLP para aproximar cualquier función se fundamenta en la

incorporación de funciones de tipo poblacional o sigmoidal como funciones de activación
de las unidades de la capa oculta. Las funciones de tipo sigmoidal tienen determinadas
características que las hacen especialmente adecuadas. En primer lugar, una función
sigmoidal es acotada, es decir su valor nunca excede un determinado límite superior y
nunca está por debajo de un determinado límite inferior. En segundo lugar, una función
sigmoidal es monótona creciente, es decir su valor s(u) siempre aumenta (o siempre
disminuye) según aumenta u. En tercer lugar, una función sigmoidal es continua y, a
diferencia de las funciones de tipo escalón, suavizada. (Navarro, 1998, p.57)

Figura 2. Función Logística

Fuente: Navarro J. (1998). Aplicación de Redes Neuronales Artificiales al tratamiento de

datos incompletos. Recuperado de:
https://www.tdx.cat/bitstream/handle/10803/5488/TJBNP1de2.pdf?
sequence=1&isAllowed=y
 UNIVERSIDAD CENTRAL DEL ECUADOR
FACULTAD DE INGENIERÍA QUÍMICA
CARRERA DE INGENIERÍA QUÍMICA
ECUACIONES DIFERENCIALES

Modelado de la Función Logística

La no linealidad de se introduce al aplicar el valor de la activación logística, cuyo resultado
es la unidad de salida

La modificación de los valores de los pesos umbral y de conexión a 0 y a1 permiten ajustar la

forma de la función logística y, por tanto, el valor de salida de la unidad, a cualquier
necesidad, de acuerdo con los siguientes criterios (Smith, 1993)

• El signo del peso de la conexión (a1,) determina que la función logística sea creciente
(signo positivo) o decreciente (signo negativo).

• El valor absoluto del peso de la conexión (a 1,) determina que la función logística tenga
mayor (valor alto) o menor (valor bajo) pendiente.

• Los valores de los pesos umbral (a01) y de conexión (a01) determinan en qué valor de x, se
produce la inflexión de la función logística. La fijación correcta del valor de inflexión de la
función logística tiene una relevancia especial durante el proceso de entrenamiento, ya que
este valor establece un punto que divide el rango de valores del input en dos zonas: una en
que la unidad oculta da un valor de salida alto y otra en que lo da bajo. (Navarro, 1998,
p.59)

Figura 3. Recta de inflexión de la función logística con dos variables

Fuente: Navarro J. (1998). Aplicación de Redes Neuronales Artificiales al tratamiento de

datos incompletos. Recuperado de:
 UNIVERSIDAD CENTRAL DEL ECUADOR
FACULTAD DE INGENIERÍA QUÍMICA
CARRERA DE INGENIERÍA QUÍMICA
ECUACIONES DIFERENCIALES

https://www.tdx.cat/bitstream/handle/10803/5488/TJBNP1de2.pdf?
sequence=1&isAllowed=y
Bibliografía

 Navarro J. (1998). Aplicación de Redes Neuronales Artificiales al tratamiento de

datos incompletos. [Tesis Doctoral]. Barcelona. España. Publicaciones Universidad
Autónoma de Barcelona. Recuperado de:
https://www.tdx.cat/bitstream/handle/10803/5488/TJBNP1de2.pdf?
sequence=1&isAllowed=y
 Wassermann, P.D. (1989). Neural computing: Theory and Practice. New York.
Estados Unidos. VNR
 Smith T. & Ignacio R. (2009). Conversión de Texto a Voz Mediante Reglas y Redes
Neuronales: Traducción de Texto a fonemas más acentuación y puntuación. [Tesis
Pregrado]. Chile. Obtenido de: http://repositorio.uchile.cl/handle/2250/103409