REDES NEURONALES

Nombre: Jose Luis Silva Poblete

Juan Mondaca
Carrera: Ingeniería Eléctrica y Electrónica Industrial
Asignatura: Control de Procesos EEI-026
Fecha: 22/05/2023

1
Índice
Introducción.....................................................................................................................................3
Redes Neuronales............................................................................................................................4
Introducción Biológica................................................................................................................4
Transmisión de señales...........................................................................................................4
Estructura de una neurona artificial.........................................................................................5
Perceptrón................................................................................................................................5
Elementos de una red neuronal.............................................................................................5
Funciones de Activación.........................................................................................................6
Tipos de redes neuronales..........................................................................................................7
Mecanismos de aprendizaje...........................................................................................................7
Aprendizaje Supervisado............................................................................................................7
Aprendizaje No Supervisado......................................................................................................8
Aplicabilidad....................................................................................................................................8
Conclusión........................................................................................................................................9
Bibliografía.....................................................................................................................................10

2
Introducción
Los sistemas de control de proceso han sufrido innumerables avances tanto el la
practica como en la teoría, empezando por el surgimiento del controlador PID para
mejorar el sistemas de navegación en embarcaciones y su posterior utilización en el
área industrial, el desarrollo de Lógica Difusa para aquellos controles que busca
asimilar o expresar de mejor forma la experiencia de un operador sin un control
tan exacto, Algoritmos genéticos o las Redes Neuronales que sin darnos cuenta son
el centro del mundo moderno.
Las redes neuronales surgen como respuesta para emular el funcionamiento del
cerebro humano, desencadenando una serie de investigaciones, avances y
aplicaciones en diversos ámbitos de nuestra vida cotidiana. Encontramos el
perceptrón como base de la estructura, combinando varios de ellos (cientos o
miles) se conforma una red neuronal.
En un comienzo la capacidad de computar redes neuronales solo se limitaba a unos
cuentos perceptrones, hoy en día, con el avance exponencial que ha presentado la
creación de hardware y software, la complejidad de las redes neuronales artificiales
es inclusive tan grande que ni los propios desarrolladores de una red en particular
saben con exactitud cual es el comportamiento de la red.

3
Redes Neuronales
Introducción Biológica
El cerebro humano funciona por medio de las neuronas, todos nuestros
pensamientos, emociones, decisiones o nuestra memoria son gracias a ellas. Se
estima que el sistema nervioso contiene cien mil millones de neuronas. Su
estructura [Figura 1] presenta un cuerpo o soma, en el que surge un árbol denso de
ramificaciones compuesto por dendritas, donde parten una fibra tubular llamada
axón, el cual también se ramifica para conectar a otras neuronas.
Las neuronas se pueden ver como procesadores de información sencillos. Cuentan
con un canal de entrada de información, dendrita, un órgano de cómputo, el soma,
y una canal de salida, el axón. Esta es una visión sencilla del funcionamiento de las
neuronas, de igual forma encontramos otros tipos de neuronas como los son las
interneuronas o las neuronas receptoras. Conociendo el funcionamiento de una
neurona biológica, se puede comprender el paralelismo con una neurona artificial.

Figura 1. Estructura de una neurona biológica

Transmisión de señales
La sinapsis es la unión entre dos neuronas, comúnmente no presenta un contacto
físico entre las neuronas, si no que permanecen separadas por un vacío de 0.2
micras. Las sinapsis son direccionales, es decir, la información fluye en un solo
sentido. Las señales nerviosas se pueden producir eléctrica o químicamente. La
generación de señal nerviosa esta determinado por la membrana neuronal y los
iones presentes en ambos lados de ella.
La comunicación se realiza comúnmente de forma química. La neurona
presináptica libera neurotransmisores (glutamato o adrenalina) que atraviesan el
vacío sináptico, si la neurona posee dendritas o en el soma canales sensible a estas
sustancias liberadas, los fijaran y permitirán el paso de ciertos iones a través de la
membrana, las corrientes generadas provocan pequeños potenciales excitadores

4
(positivo) o inhibidores (negativo) que se integraran al soma de forma temporal o
espacial.

5
Estructura de una neurona artificial

Perceptrón
El perceptrón es la forma más sencilla de representar una neurona artificial, al
igual que una neurona biológica, encontramos entradas, computación y salidas. Se
representa matemáticamente como una matriz para discriminar las entradas
(representadas por un vector) y con ello tener una única salida. Se representa por

medio de la siguiente expresión:

Donde:
f(x) es la función de salida,
w, es un vector de peso sináptico,
u, es el umbral o bias (valor constante que no depende de la entrada).
Cada señal de entrada-n se multiplica por el peso-n de la entrada-n, luego se realiza
una suma ponderada de los resultados para luego ser evaluado por la función de
activación de dicho perceptrón, en caso de que el resultado sobrepase el umbral de
la función de activación, el valor de la salida de dicho perceptrón será “1”, en caso
contrario el valor será “0”.

Figura 2. Estructura de un perceptrón

Elementos de una red neuronal

Con la unión de varios perceptrones se puede crear una red neuronal la cual
contara con una capa de entrada, una capa oculta y una capa de salida.
En una estructura básica de una red, en la capa de entrada, el número de
perceptrones dependerá directamente del numero de señales de entradas a
procesar al igual que la capa de salida. No obstante, en la capa oculta podemos
encontrar una infinidad de capas con una infinidad de neuronas (siempre y cuando

6
la capacidad de computación lo permita). Por ejemplo, si tenemos un sistema en
donde se tiene cuatro señales de entrada y una señal de salida, tendremos en la
capa de entrada cuatro perceptrones y uno de salida, pero en la capa oculta
podemos encontrar 8, 16, 32, 64 o 256 perceptrones. La señal de salida de cada

perceptrón se conecta a cana neurona se la siguiente capa hasta llegar a la última

capa.

Existen otras variables a considerar al confeccionar redes como las épocas, que es
el número de iteraciones que tendrá la red para ajustar los pesos; el factor de
aprendizaje, que tan rápido aprende la red, la regularización y la tasa de
regularización. Cabe destacar que un número elevado de épocas no garantiza que
el sistema al final de la última iteración tenga la exactitud deseada, en ese caso se
deberá evaluar si los parámetros y el numero de capas y neuronas dentro de la capa
oculta son las apropiadas.
Figura 3. Red neuronal Artificial
Funciones de Activación
Con las funciones de activación el perceptrón puede discriminar si “deja” pasar la
señal de salida, la utilización de cada función de activación dependerá del modelo
de red y la aplicabilidad que esta vaya a tener.

7
Figura 4. Funciones de Activación
Tipos de redes neuronales
El tipo de red descrito anteriormente corresponde a perceptrón multicapa o
regresión lineal, utilizadas principalmente en visión por computadora,
procesamiento natural del lenguaje y otras redes neuronales. Es importante señalar
que la función de activación de estas redes es sigmoidea, ya que los sistemas que se
requieren generar corresponde a l mundo real el cual no es lineal.
Después encontramos a las Redes Neuronales Convolucionales (CNN), se utilizan
en el reconocimiento de imágenes, patrones y visión por computadora. En los
algoritmos se descompone la matriz de a imagen de valor nxm a un vector fila
(1xn).
Las redes neuronales recurrentes se destacan por ser retroalimentadas y son
utilizadas cuando se tiene una seria des datos de tiempo y se requiere realizar
predicciones futuras.

Mecanismos de aprendizaje

El propósito principal de las redes neuronales es dar soluciones a problemas que,

utilizado metodologías clásicas, tendrían una complejidad matemática y de
implementación que es prácticamente imposible implementar. La ventaja que
ofrecen la utilización de redes neuronales es la capacidad de ser entrenadas, se
ingresan los datos de entrada y se espera la salida deseada sin importar el valor de
los pesos sinápticos.

Dentro de los métodos de aprendizaje se destacan el Aprendizaje supervisado y el

Aprendizaje no Supervisado.

Aprendizaje Supervisado

Se realiza por entrenamiento controlador en el cual un agente externo verifica si la

salida es la deseada, en caso que la salida no sea la deseada, se modifican los pesos
de las conexiones con el fin de obtener el valor de salía esperado. Este tipo de
aprendizaje se puede efectuar de tres formas:

 Aprendizaje por corrección de error

 Aprendizaje por refuerzo
 Aprendizaje estocástico

8
Aprendizaje No Supervisado

Este tipo de redes no requiere de un ente externo para el ajuste de los pesos
sinápticos, no recibe información del entorno que le indique si la salida es la
deseada. La salida se representa con grado de familiaridad o similitud entre la
información de entrada y las informaciones que se le han mostrado hasta entonces.

Podemos encontrar dos tipos de aprendizajes no supervisados:

 Aprendizaje hebbiano,
 Aprendizaje competitivo y comparativo.

Aplicabilidad
Las redes neuronales en el mundo moderno las podemos encontrar en sistemas de
vigilancia, reconocimiento de rostros o de patentes, generadores de texto, celulares
modernos (aplicaciones) y en sistemas informáticos para la optimización de
recursos. Las empresas están apuntando a la Industria 4.0 en donde los datos
procesados por redes neuronales van a permitir mejorar las respuestas de un
sistema.
Un ejemplo al área de Electrónica/Electricidad Industrial es la utilización de datos
de una planta fotovoltaica para el diagnóstico de fallas de los paneles o inversores,
además de estimar la probabilidad que una celda falle. Otro ejemplo es la
clasificación de objetos, con una sola cámara se puede discriminar varios objetos lo
que permite tener disponibilidad de expansión de clasificación sin añadir otro
sensor, lo cual ahorra costo de mano de obra, material y tiempo.

9
Conclusión
El auge de los sistemas computacionales, su capacidad de computo, el aumento de
velocidad en realizar operaciones aritméticas ha permitido desarrollar cálculos
cada vez más complejos, precisamente el aprovechamiento de estas capacidades en
donde las redes neuronales se ven beneficiadas permitiendo el desarrollo de
conceptos como el Machine Learning o el Deap Learning. El concepto de
Inteligencia Artificial es cada vez más común entre las personas, si bien la mayoría
no es consiente que la utiliza, la IA se encuentra en la mayoría de las aplicaciones
móviles, utilizan los datos (visualizaciones, tiempo de exposición, comentarios, etc)
para ofrecer un mejor servicio al usuario.

10
Bibliografía

Damián Jorge Matich (2001), Redes neuronales: Conceptos Básico y Aplicaciones

Del Rio, Sanz (2017), Redes Neuronales y Sistemas Borrosos

11