1. 1
SÍLABO WOIA SISTEMAS INTELIGENTES Y REDES NEURONALES
2015-1
1. DATOS GENERALES
Facultad: Ingeniería de Sistemas y Electrónica
Carrera: Ingeniería Electrónica
Número de créditos: 06
Coordinador: Alberto Alvarado Rivera
Requisitos: WEE0 Procesamiento digital de señales
2. FUNDAMENTACIÓN
La presente asignatura permitirá al estudiante desarrollar nuevos algoritmos para el
reconocimiento de patrones, basado en la teoría de las redes neuronales artificiales.
Asimismo, aprenderá el uso de una teoría alternativa de control de procesos a través de
los conceptos de lógica difusa. De esta manera, podrá entender los principios básicos de la
inteligencia artificial, así como le permitirá plantear temas de investigación aplicados en
diferentes campos de la ingeniería.
3. SUMILLA
El presente curso es teórico y práctico. Inicia con una introducción a la inteligencia
artificial, los fundamentos de las redes neuronales artificiales, redes neuronales
supervisadas y no supervisadas, redes auto- organizativas y recurrentes. Asimismo los
fundamentos de la lógica difusa, la fuzificación y defuzificación para los modelos Mandani.
La aplicación de las reglas difusas y diseño de sistemas de control difuso asi como
simulaciones en el software Matlab utilizando los toolbox Neural Networks y Fuzzy Logic.
4. LOGROS DE APRENDIZAJE
a) El alumno está en la capacidad de brindar soluciones en base a redes neuronales
artificiales, utilizando aplicaciones de reconocimiento de patrones.
b) El alumno implementará algoritmos de un controlador difuso para un sistema de
control de procesos.
5. CONTENIDOS
Introducción a la inteligencia artificial. Semana 01
Conceptos de redes neuronales artificiales. Semana 02
Redes neuronales artificiales. Tipos de entrenamientos y algoritmos
de aprendizaje
Semana 03
Red Neuronal Perceptron. Semana 04
Algoritmos de aprendizaje y limitaciones de la red Perceptron. Semana 05
Red neuronal Perceptron multicapa MLP. Semana 06
Red neuronal competitiva. Semana 07
Red neuronal Recurrente. Semana 08

2. 2
Conceptos de lógica difusa. Semana 09
Tipos de conjuntos difusos o funciones memberships. Semana 10
Operaciones entre grados de pertenencia: unión, intersección y
complemento.
Semana 11
Métodos de fusificación y desfusificación. Método de correlación
mínima y agregación máxima.
Semana 12
Aplicaciones de los controladores difusos. Sistemas de control a lazo
abierto.
Semana 13
Aplicaciones de los controladores difusos. Sistemas de control a lazo
cerrado.
Semana 14
6. METODOLOGÍA
El curso se realiza desde el enfoque teórico y práctico. El enfoque teórico comprende
actividades individuales (exposición, explicación y solución de problemas), promoviendo la
participación activa de los estudiantes a través del diálogo permanente, a fin de consolidar
el aprendizaje de los temas.
El enfoque práctico se desarrolla por medio de experiencias en el laboratorio de cómputo,
con la ayuda de un software de simulación que permiten realizar la demostración de los
temas tratados.
7. SISTEMA DE EVALUACIÓN
El promedio final del curso será
Nota:
Sólo se podrá rezagar el Examen Final.
El examen rezagado incluye los contenidos de todo el curso.
No se elimina ninguna práctica calificada.
La nota mínima aprobatoria es 12 (doce).
8. FUENTES DE INFORMACIÓN
Bibliografía Base:
BONIFACIO, MARTÍN DEL BRIO. “Redes Neuronales y Sistemas Borrosos”.
Edición 2011
DEMUTH, HOWARD; HAGAN MARTIN AND BEALE “Neural Network TOOLBOX”.
Edición 2010
Bibliografía Complementaria:
PASSINO KEVIN M. YURKOVICH STEPHEN. “Fuzzy Control”. Edición 2012
HAYKIN, SIMON. “Neural Networks. A Comprehensive Foundation”. 2010
9. CRONOGRAMA DE ACTIVIDADES
0.1PC1 + 0.1PC2 + 0.2PC3 + 0.2PL +
0.4EF
PC1, PC2 y PC3 son Prácticas Calificadas
Individuales
PL es Promedio de Laboratorios Calificados ([LC1 +
LC2 + LC3] / 3)
EF es Examen Final

3. 3
Semana Contenidos o temas Actividad
Semana 1
Introducción a la inteligencia artificial.
Aplicaciones y ejemplos en diferentes sectores.
El alumno entiende la
importancia de la
inteligencia artificial.
Semana 2
Conceptos de redes neuronales artificiales.
Matriz de pesos sinápticos. Funciones de
transferencia.
El alumno entiende de
las redes neuronales
artificiales
Semana 3
Redes neuronales artificiales. Tipos de
entrenamientos y algoritmos de aprendizaje
El alumno analiza los
tipos de
entrenamientos para las
redes neuronales
artificiales.
Semana 4
Red Neuronal Perceptron. Definiciones. Tipo de
entrenamiento. Clasificación de padrones con
redes de 1 y 2 neuronas.
El alumno entiende de
la red neuronal
Perceptron.
Práctica Calificada 1.
Semana 5
Algoritmos de aprendizaje y limitaciones de la
Red Perceptron. Ejemplo de la función XOR.
Aplicaciones de reconocimiento de patrones
El alumno aprende
los algoritmos de
aprendizaje. Práctica de
laboratorio No1. Grupo
A. El grupo B realiza
tarea domiciliaria
Semana 6
Red neuronal Perceptron multicapa MLP.
Definiciones. Algoritmo de aprendizaje.
Aplicaciones de reconocimiento de patrones.
El alumno entiende de
la red neuronal
Perceptron multicapa.
Práctica Laboratorio
No1. Grupo B. El grupo
A realiza tarea
domiciliaria
Semana 7
Red neuronal competitiva. Definiciones.
Algoritmo de aprendizaje. Aplicaciones de
compresión de señales.
El alumno entiende de
la red neuronal
competitiva.
Semana 8
Red neuronal recurrente. Definiciones. Cálculo
de la matriz de pesos sinápticos. Aplicaciones
de reconocimiento de patrones.
El alumno entiende de
la red neuronal
recurrente
Práctica Calificada 2.
Semana 9
Conceptos de lógica difusa. Características y
Aplicaciones en el área de control de procesos.
EL alumno conoce la
importancia de la lógica
difusa. Práctica de
Laboratorio No2. Grupo
A. El grupo B realiza
tarea domiciliaria
Semana 10
Tipos de conjuntos difusos o funciones
memberships. Representación gráfica y
simulación con Matlab.
El alumno desarrolla
tipos de conjuntos
difusos. Práctica de
Laboratorio No2.

4. 4
Grupo B. El grupo A
realiza tarea
domiciliaria
Semana 11
Operaciones entre grados de pertenencia:
unión, intersección y complemento. Ejemplos
de aplicación.
El alumno aplica los
métodos de fusificación
y desfusificación.
Práctica Calificada 3.
Semana 12
Métodos de fusificación y desfusificación.
Método de correlación mínima y agregación
máxima. Método del centroide.
El alumno entiende de
las aplicaciones de los
controladores difusos
en lazo abierto. Práctica
de Laboratorio No3.
Grupo A. El grupo B
realiza tarea
domiciliaria
Semana 13
Aplicaciones de los controladores difusos.
Sistemas de control a lazo abierto.
El alumno entiende de
las aplicaciones de los
controladores difusos
en lazo cerrado.
Práctica de Laboratorio
No3. Grupo B. El grupo
A realiza tarea
domiciliaria
Semana 14
Aplicaciones de los controladores difusos.
Sistemas de control a lazo cerrado
El alumno desarrolla
aplicaciones de
controles difusos.
Semana 15 Examen Final
FECHA DE ACTUALIZACIÓN: 18/11/2014.