Download Inteligencia artificial: todo comienza con una neurona.

Inteligencia Artificial:
Todo comienza con una Neurona.
Autores: SANDRA BELÉN BEJARANO JIMÉNEZ, SOFÍA MONTSERRAT PÉREZ PÉREZ,
MARÍA FERNANDA SILVA HERNÁNDEZ, ESTEPHANIA VILLAVICENCIO RÍOS
Contacto: [email protected]
Introducción
El control del cuerpo lo regula el sistema nervioso, conformado
por neuronas que transmiten estímulos hacia todo el cuerpo en
un proceso denominado sinopsis.
En la inteligencia artificial, la neurona simula el
comportamiento de su homóloga biológica, disponiendo de
entradas, salidas y valores denominados pesos que definen el
estado de activación de la célula. Para definir dichos estados de
activación, se implementaron las compuertas lógicas AND, OR
y XOR.
Resultados Obtenidos
Alpha y epsilon son usados en la etapa de aprendizaje del
algoritmo en Matlab. “Dual” es el voltaje de alimentación de
op-amps, “a” y “b“ tienen los valores que corresponden a
lógico 1 y cero respectivamente.
Las resistencias a implementar se calculan a partir de los pesos
iniciales, finales y del valor de Rf.
El voltaje a la salida del inversor se le representa como s’s y
son obtenidas a partir del algoritmo en Matlab.
En las siguientes 4 subtablas, podemos ver los voltajes
obtenidos en el circuito real, los calculados y los dos
simuladores diferentes usados.
Como podemos ver, los voltajes obtenidos son muy
aproximados entre sí, por lo tanto podemos concluir en lo
acertado de los mismos.
Metodología Propuesta
Se implementó el modelo de red neuronal Adaline.
A partir de un algoritmo en Matlab se obtienen los pesos para
las funciones de activación de AND, OR y XOR, permitiendo
entrenar la red neuronal, es decir; configurarla a través de una
computadora. El aprendizaje de AND y OR se realiza
simultáneamente para que sus ganancias sean las entradas
iniciales de XOR, y al modificar las condiciones en las que su
ganancia pueda o no activar la neurona.
El circuito se simuló, previamente a ser armado, en Proteus y
Multisim para comparar los resultados matemáticos y del
simulador para asegurar los datos antes de implementar el
circuito en físico.
La implementación se realizó luego de obtener los voltajes de
salida, adecuando los valores de las resistencias y colocando
LEDs para obtener una respuesta visual, el cual se activara con
el valor lógico de uno.
Conclusiones
A pesar de que Adaline es un modelo simple de neurona,
permite el reconocimiento de patrones y la solución a
problemas linealmente separables, con la ventaja de tener un
error mínimo
Los temas desarrollados a lo largo de este proyecto, forman
parte de Redes Neuronales, un tema relevante en el campo de
Ingeniería Biomédica.
Referencias
1. A Guyton, J. Hall. “Tratado de Fisiología Médica”. Elsevier Saunders. 2011.
2. Pedro Ponce Cruz, “Inteligencia Artificial con Aplicaciones a la Ingeniería”, Alfaomega, 2010.
3. G. Ruiz “Electrónica Básica para Ingenieros” Universidad de Cantabria. 2009.
4. P. Viñuela, I. Galván "Redes de Neuronas Artificiales. Un enfoque Práctico". Pearson Prentice Hall.2003
5. J. Hilera, V. Martínez. "Redes Neuronales Artificiales. Fundamentos, modelos y aplicaciones". ALFAOMEGA.
2000