Objetivo

Para esta practica se tiene como objetivo el que se introduzca a las redes neuronales con
ayuda del Matlab, haciendo la simulación de sistemas que cuentan con esta tecnología y
observando su funcionamiento.

Marco Teórico
La consecución, el diseño y la construcción de máquinas capaces de realizar procesos con
cierta inteligencia ha sido uno de los principales objetivos de los científicos a lo largo de la
historia, ya que en un principio los esfuerzos estuvieron dirigidos a la obtención de autómatas,
cuya función era la realización de algunas funciones típicas de los seres humanos, con alta
probabilidad de éxito. De los intentos realizados en este sentido se ha llegado a definir las
líneas fundamentales para la obtención de máquinas inteligentes y es así como actualmente
los estudios siguen esta misma línea, con resultados sorprendentes, evidenciados en la
existencia de diferentes maneras de realizar procesos similares a los inteligentes y que
podemos clasificar dentro de la llamada Inteligencia Artificial (IA).

Sin embargo, existe un enorme problema que limita los resultados que se pueden obtener a
pesar de disponer de herramientas y lenguajes de programación diseñados expresamente para
el desarrollo de máquinas inteligentes, ya estas máquinas se implementan sobre
computadoras basadas en la filosofía de Von Neumann, y se apoyan en una descripción
secuencial del proceso de tratamiento de la información. Si bien el desarrollo de estas
computadoras es espectacular, no deja de seguir la línea antes expuesta como en el caso de
una máquina que es capaz de realizar tareas mecánicas de forma increíblemente rápida, como
cálculo, ordenación o control, pero a su vez es incapaz de obtener resultados aceptables
cuando se trata de tareas como reconocimiento de formas, voz, etc.

Por otra parte, otra línea de la investigación ha tratado de aplicar principios físicos que rigen
en la naturaleza para obtener máquinas que realicen trabajos complejos en nuestro lugar. De
igual manera se puede pensar respecto a la forma y capacidad de razonamiento humano; se
puede intentar obtener máquinas con esta capacidad basadas en el mismo principio de
funcionamiento.

Si miramos biológicamente una neurona Según María Villanueva en su monografía titulada:

“Las Redes Neuronales Artificiales y su importancia como herramienta para la toma de
decisiones” comenta que el sistema nervioso está conformado por una red de células
(neuronas), ampliamente interconectadas entre sí. En las neuronas, la información fluye desde
las dendritas hasta el axón, atravesando el soma. Se estima que el sistema nervioso tiene cien
mil millones de neuronas.

Procedimiento y Resultados
Escribimos el código siguiente en la ventana de comandos de MatLab:
>> net.trainParam.show=20; Nos indica el numero de muestras que tomara.

>> net.trainParam.epochs=30; Nos indica el número de épocas.

>> net.trainParam.goal=0.01; Error definido.

Resultado

Prueba 2:

Código:

>> P=[+1 +3 -.5 -2 -1.5 -2.5 +1.5 +.5;

+1 +1 +1 +1 0 0 0 0];

T=[1 1 1 1 0 0 0 0];

net=newp([-1 1;-1 1],1);

plotpv(P,T);

net.trainParam.show=20;

net.trainParam.epochs=30;
net.trainParam.goal=0.01;

net=train(net,P,T);

plotpc(net.IW{1},net.b{1});

Prueba 3

P=[+1 +3 -.5 -2 -1.5 -2.5 +1.5 +10;

+1 +1 +1 +1 0 0 0 0];

T=[1 1 1 1 0 0 0 0];

net=newp([-1 1;-1 1],1);

plotpv(P,T);

net.trainParam.show=20;

net.trainParam.epochs=30;

net.trainParam.goal=0.01;

net=train(net,P,T);

plotpc(net.IW{1},net.b{1});
NA1=[0 0 0 0 1 1 1 1];

>> B1=[1 1 0 0 1 1 0 0];

>> C1=[0 1 0 1 0 1 0 1];

>> t=[0 0 0 1 0 0 0 0];

>> T=[NA1;B1;C1];

>> web=newp([0 1;0 1;0 1],1);

>> web.trainParam.epochs=10;

>> web.trainParam.goal=0;

>> web.train(web,T,t);

Parte 2:

>> clear all

NA1=[0 0 0 0 1 1 1 1];

B1=[1 1 0 0 1 1 0 0];

C1=[0 1 0 1 0 1 0 1];

t=[0 0 0 1 0 0 0 0];

T=[NA1;B1;C1];

web=newp([0 1;0 1;0 1],1);

web.trainParam.epochs=10;

web.trainParam.goal=0;

web=train(web,T,t);

pesosf=web.IW{1,1}

umbralf=web.b{1}

pause;

plotpv(T,t)

hold on

pause;

plotpc(pesosf,umbralf)

view([2 4 10])

grid

punto1=[1;1;1]
clasificacion=sim(web,punto1)

>> clear all

NA1=[0 0 0 0 1 1 1 .5];

B1=[1 1 0 0 1 1 0 .5];

C1=[0 1 0 1 0 1 0 .5];

t=[0 0 0 1 0 0 0 0];

T=[NA1;B1;C1];

web=newp([0 1;0 1;0 1],1);

web.trainParam.epochs=10;

web.trainParam.goal=0;

web=train(web,T,t);

pesosf=web.IW{1,1}

umbralf=web.b{1}

pause;

plotpv(T,t)

hold on

pause;

plotpc(pesosf,umbralf)

view([2 4 10])

grid

punto1=[1;1;1]

clasificacion=sim(web,punto1)
>> clear all

NA1=[0 0 0 0 1 1 1 5];

B1=[1 1 0 0 1 1 0 -5];

C1=[0 1 0 1 0 1 0 5];

t=[0 0 0 1 0 0 0 1];

T=[NA1;B1;C1];

web=newp([0 1;0 1;0 1],1);

web.trainParam.epochs=10;

web.trainParam.goal=0;

web=train(web,T,t);

pesosf=web.IW{1,1}

umbralf=web.b{1}

pause;

plotpv(T,t)

hold on

pause;

plotpc(pesosf,umbralf)

view([2 4 10])

grid

punto1=[1;1;1]

clasificacion=sim(web,punto1)
Conclusiones
Después de realizar esta practica se obtiene un mayor conocimiento acerca del
funcionamiento y utilidad de las redes neuronales, ya que podemos ver los resultados de una
manera gráfica e intuitiva.

Gracias al profesor pudimos realizar la compilación de estas pruebas, debido a que, en lo

personal, no conocía lo poderosa y útil que puede llegar a ser la inteligencia neuronal.

Ademas de comprender que su principal debilidad reside en su tendencia al sobre aprendizaje,

ya que este tipo de redes aprenden a minimizar el error de predicción en los datos con los que
son instruidas, que no es lo mismo que reducir al mínimo el error de predicción en una
aplicación de negocio. Por eso mismo, al igual que con otras técnicas de modelado, los
analistas deben probar los modelos producidos con redes neuronales artificiales en una
muestra independiente y tomar las decisiones adecuadas en cuanto a la topología de red,
funciones de transferencia, funciones de activación y el algoritmo de entrenamiento.