Metodología de la investigación

1. REPORTE DE INVESTIGACIÓN
 APRENDIZAJE EN SISTEMAS BIOLÓGICOS
 OTROS PROYECTOS REALIZADOS CON RNA
 MODELO DE UNA NEURONA ARTIFICIAL (FORMA MATEMÁTICA)
EQUIPO: APPLE GIRLS + 1
INTEGRANTES:
BECERRIL GARCÍA DIANA CELINA
DE LA CRUZ PORFIRIO PATRICIA
LOVERA SALAZAR JORGE
MENDOZA CRUZ JAZMÍN
SANABRIA PÉREZ MARIELA
SEGUNDO GALINDO JANETH
FECHA DE ENTREGA: 20 DE AGOSTO DE 2014
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO
CENTRO UNIVERSITARIO UAEM ATLACOMULCO
INGENIERÍA EN COMPUTACIÓN

2. P á g i n a 2 | 23
ÍNDICE
Resumen…………………………………………………………………………….
Abstract……………………………………………………………………….......
Introducción………………………………………………………………………....
Tema 1: Aprendizaje en sistemas biológicos……………………………………
Tema 2: Proyectos realizados con RNA………………………………………....
Predicción del tipo de cambio peso-dólar…………………………….....
Recuperación de la información…………………………………………
Bibliometría…………………………………………………………………
Tema 3: Modelo de una neurona artificial………………………………………..
Tema 4: Modelo matemático………………………………………………………
Estructura de un sistema neuronal……………………………………….
Tema 5: Modelo neuronal artificial………………………………………………..
Conclusión…………………………………………………………………………...
Anexos……………………………………………………………………………….
Referencias………………………………………………………………………….
3
3
4
5
8
8
10
11
13
14
15
16
21
22
23

3. P á g i n a 3 | 23
RESÚMEN
En la actualidad el desarrollo de la información es muy importante ya que ha
tomado un gran papel dentro la tecnología, razón por la cual es necesario innovar
nuevos prototipos para satisfacer las necesidades del ser humano.
Por ello el siguiente trabajo aborda temas acerca de la Red Neuronal Artificial,
teniendo como objetivo investigar y analizar la información presentada para dar a
conocer su funcionalidad, en las diferentes aplicaciones que se describen, así
mismo, se explica de forma matemática el modelo de una Neurona Artificial y el
aprendizaje en sistemas biológicos, que en su totalidad ayudan a una mejor toma
de decisiones dentro del ámbito financieros.
ABSTRACT
Currently the development of the information is very important since it has taken a
major role in technology, reason why it is necessary to innovate new prototypes to
meet the needs of the human being.
Therefore the following work deals with themes about Artificial Neural network,
having as objective to investigate and analyze the information presented to
publicize its functionality in different applications described, likewise, described
mathematically model of an Artificial neuron and learning in biological systems,
which all help to a better decision making within the scope financial.

4. P á g i n a 4 | 23
INTRODUCCIÓN
Las Redes Neuronales Artificiales, son modelos que intentan reproducir el
comportamiento del cerebro, siendo un sistema de procesamiento de información
compuesto por un gran número de elementos de procesamiento (neuronas),
conectadas entre sí a través de canales de comunicación. Estas conexiones
establecen una estructura jerárquica y permiten la interacción con los objetos del
mundo real tratando de emular al sistema nervioso biológico. La computación
neuronal permite desarrollar sistemas que resuelvan problemas complejos cuya
formalización matemática es sumamente difícil.
Para el desarrollo de esta investigación se consultaron autores como Edgar
Nelson.(2002), que explican el funcionamiento teórico de las Redes Neuronales
Artificiales, así mismo se consultaron artículos de la Red de Revistas Científicas
de América Latina (2008), donde los autores explican el funcionamiento de una
Red Neuronal Artificial en la aplicación de predicciones del cambio peso-dólar,
entre otras aplicaciones que hoy en día, van desde la industria de los juegos hasta
las cadenas de producción de varias empresas.
Actualmente las Redes Neuronales Artificiales se emplean en diferentes campos
como:
 Modelación financiera y económica.
 Perfiles de mercado y clientes.
 Aplicaciones médicas.
 Gerencia del conocimiento y “descubrimiento de datos”.
 Optimización de procesos industriales y control de calidad.
 Investigación científica.

5. P á g i n a 5 | 23
APRENDIZAJE EN SISTEMAS BIOLÓGICOS
El aprendizaje es un proceso biológico que tiene origen en la evolución, la
capacidad de aprender se desarrolló a través de la evolución de las especies
animales como una ventaja de adaptación de la conducta de organismos, ya que
existen relaciones fundamentales e íntimas entre el proceso de aprender y la
evolución de las especies.
El aprendizaje es una forma que adoptó la conducta de los organismos para
resolver los problemas de supervivencia frente a los ambientes complejos y
cambiantes, este se puede ver como aprendizaje adaptivo en las redes neuronales
las cuales aprenden a realizar tareas mediante entrenamientos de imágenes.
Las redes neuronales pueden aprender a diferenciar patrones mediante ejemplos
y entrenamiento de imágenes debido a que son sistemas dinámicos auto
adaptativos pues son capaces de estar en constante cambio para adaptarse a las
nuevas condiciones.[1]
El proceso de aprendizaje de los enlaces de las neuronas se ajusta de manera
que los resultados que se obtengan sean específicos. Una red neuronal no
necesariamente necesita de un algoritmo para simplificar un problema ya que ella
misma puede realizar su propia distribución de los pesos en los enlaces mediante
el aprendizaje, existen neuronas que continúan aprendiendo a lo largo de su vida.
La clave de la plasticidad de una neuro red esencialmente es el proceso en el que
se adoptan las sinapsis para que la red responda de modo distinto a los estímulos
del medio, toda la información adquirida se guarda en el valor de cada peso
sináptico la división del aprendizaje es el aprendizaje supervisado y no
supervisado. [1,2].
En el aprendizaje supervisado hay un supervisor que controla el proceso de
aprendizaje de la red, este comprueba la salida de la red en respuesta a una
determinada entrada.

6. P á g i n a 6 | 23
Si la salida no es la deseada se procede a modificar los pasos de conexiones con
el fin de conseguir que la salida obtenida se aproxime a la deseada, es utilizado
para la aproximación de funciones y clasificación de patrones.
En este tipo de aprendizaje se suelen considerar, a su vez, tres formas de llevarlo
a cabo:
1) Aprendizaje por corrección de error.
2) Aprendizaje por refuerzo.
3) Aprendizaje estocástico.
En el aprendizaje no supervisado (auto organizado) la red no requiere un
supervisor para ajustar los pesos de las conexiones entre las neuronas. La red no
recibe ninguna información que le indique si la salida generada en respuesta a una
determina entrada es correcta o no. [3].
Su función consiste en encontrar las características regularidades o categorías
que se establecen entre los datos de entrada. Este tipo de aprendizaje se puede
utilizar en las tareas auto asociativas y en la agrupación de datos semejantes o
que tiene algo en común.
Una vez que se obtiene los datos óptimos en la fase de entrenamiento se debe
medir la eficacia de la red de forma objetiva por medio de la presentación de
nuevos casos que estos deben ser diferentes a los casos de entrenamiento ya
que después de esta fase sigue la fase test que en ella no se modifican los pesos,
si se prueba que se siguen teniendo resultados dentro del margen de error
deseado, se procede a emplear la RED NEURONAL ARTIFICIAL dentro de su
entorno real.
Las neuronas biológicas se caracterizan por su capacidad de comunicarse, el
conocimiento de una Red Neuronal Artificial se encuentra distribuido en los pesos
de las conexiones entre las neuronas que forman la red. Todo proceso de
aprendizaje implica cierto número de cambios en las conexiones. [4]

7. P á g i n a 7 | 23
Las Redes Neuronales artificiales tratan de emular el comportamiento del cerebro
humano, caracterizado por el aprendizaje a través de experiencias y la extracción
de conocimientos genéricos a partir de un conjunto de datos. Estos sistemas
imitan esquemáticamente la estructura neuronal del cerebro, mediante una
simulación.
Son sistemas de procesamiento de la información cuya estructura y
funcionamiento están inspirados en las redes neuronales biológicas. Existen
diferencias significativas entre el celebro biológico y las computadoras
convencionales en los que suelen implementar las redes neuronales artificiales.
En las RNA el tipo de procesamiento de la información es en paralelo, en el
sentido de que muchas neuronas pueden estar funcionando al mismo tiempo.
Las neuronas biológicas se caracterizan por su capacidad de comunicarse. Las
dendritas y el cuerpo celular de la neurona reciben señales de entrada ex
citatorias e inhibitorias de las neuronas vecinas.
El procesamiento de información ocurre en muchos elementos simples llamados
neuronas.
 Las señales son transferidas entre neuronas a través de enlaces de
conexión, cada conexión tiene un peso asociado en cual típicamente,
multiplica la señal transmitida.
 Cada neurona aplica una función de activación (usualmente no lineal) a su
entrada de red para determinar su salida.[5]

8. P á g i n a 8 | 23
PROYECTOS REALIZADOS CON RNA
Dentro de las diversas aplicaciones en las que se realizan proyectos con Redes
Neuronales Artificiales, se encuentran algunos muy interesantes los cuales han
sido de gran ayuda para la sociedad en la que nos encontramos, ya que la
tecnología ha avanzado a grandes pasos, estos proyectos nos permiten estudiar y
analizar la funcionalidad de una RNA.
Predicción del tipo de cambio peso-dólar.
En este proyecto se realizó una investigación que se basó en determinar la
relación existente entre los resultados obtenidos y los tipos de cambio vigentes en
las fechas de estudio, determinar el tipo de red neuronal que más se adapta a la
predicción de tipos de cambio y analizar el comportamiento de las variables de la
RNA en el proceso de predicción de los tipos de cambio del peso-dólar.[7]
Según Daniels y Radebaugh (2000), es posible realizar predicciones de los tipos
de cambio siempre y cuando se haga seguimiento a los mismos factores que el
gobierno tiene en cuenta con la intención de predecir ese valor; tales factores son:
 Controles de capital
 Diferenciales de los tipos de cambio
 Estadísticas de la balanza de pagos
 Reservas de divisas
 Crecimiento del Producto Interno Bruto
 Gasto gubernamental
 Tasas de inflación relativas
 Crecimiento de la oferta de dinero
 Diferenciales de las tasas de interés
 Tendencias en los movimientos de los tipos de cambio
Para la construcción de las Redes Neuronales se utilizó el software Easy- NN-Plus
V.8 (Easy Neural Network - Plus, Versión 8), desarrollado por la firma Neural
Planner Software.

9. P á g i n a 9 | 23
A través de este software se construyeron diferentes Redes Neuronales de prueba
utilizando como entradas las variables que se usan para predecir el valor del tipo
de cambio, con el fin de encontrar la Red Neuronal Artificial que prediga de mejor
manera los tipos de cambio futuros.
La información utilizada corresponde a 2005, y se realizó la predicción de los
primeros treinta días de 2006.
Para hallar la predicción en cada fecha se introducen los valores de las variables
de entrada vigentes durante los primeros treinta días de 2006, lo cual arroja de
manera automática la predicción como salida de la red. [7]
La finalidad de construir las Redes Neuronales Artificiales de prueba es identificar
las variables que sirven para realizar una mejor predicción de los tipos de cambio.
El software determina la importancia que tiene cada variable de entrada en la Red
Neuronal Artificial, representada como la suma de los valores absolutos de los
pesos de cada neurona de entrada hacia cada una de las neuronas de la capa
intermedia.
El resultado de este proyecto, comprobó que es posible realizar predicciones del
tipo de cambio peso-dólar utilizando Redes Neuronales Artificiales. Se pudo
determinar un modelo que muestra la mejor relación existente entre los resultados
obtenidos y los tipos de cambio vigentes en las fechas de estudio, el cual está
conformado por una Red Neuronal Artificial con una topología de red multicapa,
feedforward o alimentada hacia delante; con un mecanismo de aprendizaje
supervisado por corrección de errores. De igual forma, el modelo mostró un
margen de error promedio de 0.0614%.

10. P á g i n a 10 | 23
Recuperación de la información.
La clasificación automática de la información es el campo donde más se han
aplicado las RNA, particularmente en la generación de mapas bidimensionales de
conceptos.
Se denomina data mining al estudio de la recuperación de la información en
condiciones adversas (mucho ruido, búsquedas incompletas), y con diversos tipos
de datos (números, texto libre, registros estructurados, etc.). En este aspecto las
RNA son sumamente útiles para el procesamiento y búsqueda de información
heterogénea, incompleta y con altos niveles de ruido; por lo que estas encontraran
en el data mining un área de aplicación muy importante. Las RNA se utilizan en las
siguientes funciones:
 Acceso de datos: el sistema puede acceder directamente el contenido de
diversas bases de datos comerciales, tales como: Oracle, Ingres, Sybase e
Informix. Puede importar datos de dichas bases y combinarlos con otros
procedentes de otras aplicaciones, por ejemplo, hojas de cálculo.
 Manipulación de datos: es posible seleccionar registros mediante un criterio
de búsqueda, y con ellos crear series de datos que puedan ser
manipulados, exportados y procesados.
 Visualización de datos: la información puede ser vista de distintas formas,
tales como, histogramas, nubes de puntos, tablas de distribución, redes de
relaciones, etc. Todas las presentaciones son interactivas, pudiéndose
ampliar y reducir por zonas.
 Aprendizaje: mediante las redes neuronales y la inducción de reglas es
posible que el sistema “aprenda” a tomar ciertas decisiones sin supervisión
humana.
 Programación visual: este es un programa complejo, no obstante, puede
manejar con relativa facilidad debido a que cualquier tarea se reduce a
arrastrar iconos y establecer relaciones visuales.

11. P á g i n a 11 | 23
El principal problema consiste en el volumen de procesamiento de información
necesario. Aquí que las RNA son un modelo del procesamiento de la información,
y los sistemas que las emulan son solo eso: emuladores de un modelo ideal.[7]
Bibliometría.
Es una disciplina que estudia los aspectos cuantitativos de la información
registrada, para ello se han creado una serie de modelos estadísticos que aportan
datos numéricos sobre el comportamiento de la actividad científica. [7]
La biométrica utiliza como herramienta a los mapas auto-organizados (SOM) o
modelo de Kohonen (basado en las RNA), para presentar la característica de
organizar la información de entrada, de entre un gran volumen de datos,
clasificándola automáticamente, esto permitirá visualizar relaciones importantes
entre datos. [8].
Los SOM facilitan que el conocimiento tácito se haga explícito, a partir de la
extracción no-trivial (a partir de los datos) de conocimientos implícitos
potencialmente útiles desconocidos previamente. Se podrán encontrar patrones o
estructuras en el conocimiento tácito.
En los estudios métricos la aplicación de las redes neuronales, y específicamente
los SOM, están asociados en lo fundamental con la clasificación de información, o
sea, la formación de cluster y su representación en mapas bidimensionales de
conceptos y más específicamente con el descubrimiento de información (data
mining). Este último vinculado con la recuperación de la información con "ruido" e
incompleta o con el tratamiento de información que incluye diferentes tipos de
datos (números, texto, registros estructurados, etc.).
Las investigaciones bibliométricas, a través de la utilización de las redes
neuronales, incursionan en:
• La selección de variables.
• Clasificación de información o formación de cluster.
• Regresión.

12. P á g i n a 12 | 23
• Relaciones entre variables.
• Cambios y desviaciones.
• Representación de las variables.
Una aplicación de la bibliometria se presenta en un campo diferente del
conocimiento: la agricultura. En este ejemplo no solo se tomó como elemento de
entrada la producción documental de determinados países, también se
consideraron otros tipos de variables como "gastos en I+D" en cada uno de los
países analizados, "personal dedicado a actividades de I+D", etc.
Figura1.Mapa de América Latina y el Caribe (países seleccionados) de acuerdo
con la actividad en ciencia agrícola.
En la figura 1 se presenta un mapa auto-organizado sobre la actividad en ciencia
agrícola en América Latina y el Caribe (se seleccionaron algunos países según los
datos disponibles). Con ello se pretende lograr una representación de la región,
teniendo en cuenta los indicadores de insumo y de resultados más significativos.
En la figura aparecen, en dos dimensiones, 22 países. La semejanza de los
países, considerando de forma simultánea los 20 indicadores, se expresa
mediante la cercanía de estos en el mapa.

13. P á g i n a 13 | 23
Los 22 países se agrupan (autorganizan) en 3 clusters o grupos: El cluster C1, que
aparece en la esquina inferior izquierda, es seguido por una banda de 4 países
correspondientes al cluster C2 (Cuba, Colombia, Chile y Venezuela) y otro cluster
(C3) con el resto de los países.
En el ámbito regional e internacional hay un grupo de países formado por Brasil,
México y Argentina que tienen una investigación en la temática con mayor solidez
y con parecidos niveles de desarrollo. Esto coincide con los países que presentan
mayor nivel regional en el desarrollo agrícola. [7,8].
Modelo de una neurona artificial
La neurona es una unidad de proceso de información fundamental en una red
neuronal (Haykin, 1999). En la Figura 1.2 se muestra el modelo de una neurona;
este es el elemento básico de una red neuronal artificial.
Figura 1.2 Modelo de una neuronal artificial.
En el modelo de la neurona artificial presentado en la Figura 1.2 se pueden
identificar cuatro elementos, los cuales son:
Enlaces de conexión: Parame trizados por los pesos sinápticos wnj. Es importante
notar que el primer subíndice corresponde a la neurona receptora, mientras que el
segundo subíndice corresponde a la neurona emisora. Si wnj > 0, entonces la
conexión es excitadora; así mismo, si wnj<0, la conexión es inhibidora.

14. P á g i n a 14 | 23
Sumador (Σ): Suma los componentes de las señales de entrada multiplicadas por
wnj.
Función de activación (ϕ): Transformación no lineal.
Umbral: Desplaza la entrada.
MODELO MATEMÁTICO
En términos matemáticos, es posible describir la neurona n por el siguiente par de
ecuaciones.
𝑢 𝑛 = ∑ 𝑤 𝑛𝑗 𝑥𝑗 … . (1.1)
𝑚
𝑗=1
Y 𝑦𝑛 = φ(𝑢 𝑛 + 𝑏 𝑛) …. (1.2)
Donde
x1, x2, … , xm : son las señales de entrada.
wn1, wn2, … , wnm : son los pesos sinápticos de la neurona n.
un : es la combinación lineal de las entradas ponderadas por los pesos
sinápticos.
bn : es la paralización o umbral.
φ (●): es la función de activación.
yn : es la señal de salida de la neurona.
La polarización es un parámetro externo de la neurona n, pero es posible
considerarla como parte de las señales de entrada, de tal forma que si se
combinan las ecuaciones anteriores se tiene:
𝑣 𝑛 = ∑ 𝑤 𝑛𝑗 𝑥𝑗
𝑚
𝑗=0
… . (1.3) Y 𝑦𝑛 = φ(𝑣 𝑛 ) …. (1.4)
A 𝑣 𝑛 se le denomina potencial de activación, la cual se le ha agregado una nueva
sinapsis. S u entrada es: x0 = +1
Y el peso correspondiente es: wn0 = bn

15. P á g i n a 15 | 23
De tal forma que el modelo neuronal presentado en la Figura 1.2 se puede
representar como en la Figura 1.3. Estos modelos tienen una apariencia diferente,
pero matemáticamente son iguales. Hasta este punto solo se ha nombrado a la
función de activación; sin embargo, no se han definido formalmente. [9]
A continuación se analizaran unas de las funciones de activación más utilizadas
en redes neuronales.
Figura 1.3 Otro modelo neuronal.
Estructura de un sistema neuronal
Los elementos básicos de un sistema neuronal biológico son las neuronas, que se
agrupan en conjuntos opuestos por millones de ellas organizadas en capas,
constituyendo un sistema con funcionalidad propia. Un conjunto de estos
subsistemas da lugar a un sistema global (el sistema nervioso, en el caso
biológico). El elemento esencial de partida será la neurona artificial que se
organizara en capas; varias capas constituirán una red neuronal y por último una
red neuronal (o conjunto de ellas), junto con las interfaces.
Un sistema neuronal o conexionista está compuesto por los siguientes elementos:
 Un conjunto de procesadores elementales o neuronas artificiales
 Un patrón de conectividad o arquitectura.

16. P á g i n a 16 | 23
 Una dinámica de activaciones
 Una regla o dinámica de aprendizaje
 El entorno donde opera.
MODELO DE NEURONA ARTIFICIAL:
Se expone el modelo de una neurona de las Redes Neuronales Artificales (RNA),
se describe la estructura de una neurona artificial genérica, se muestra una
versión simplificada de amplio uso en los modelos orientados a aplicaciones
prácticas, que poseen una estructura más próxima a la neurona tipo clásica [Mc.
Culloch-Pitts].
Aunque el comportamiento de algunos sistemas neuronales biológicos sea lineal,
como sucede en la retina del cangrejo Limulus, en general, la respuesta de las
neuronas biológicas es de tipo no lineal, característica que es emulada con las
RNA desde la neurona formal original de Mc Culloch-Pitts.
La formulación de la neurona artificial como dispositivo no lineal constituye una de
sus características más destacables, y una de las que proporciona un mayor
interés a los RNA, pues el tratamiento de problemas altamente no lineales no
suele ser fácil de abordar mediante técnicas convencionales. [10]
Modelo general de neurona artificial.
Se denomina procesador elemental o neurona, a un dispositivo simple de cálculo
que, a partir de un vector de entrada procedente del exterior o de otras neuronas,
proporciona una única respuesta o salida. Los elementos que constituyen la
neurona de etiqueta "i" son los siguientes (véase figura 1.4):

17. P á g i n a 17 | 23
Figura 1.4.Modelo genérico de una neurona artificial [Rumelhart 86ª].
 Conjunto de entradas,
 Pesos sinápticos de la neurona i, wij~ que representan la intensidad de
interacción entre cada neurona presináptica "j" y la neurona postsináptica
"i".
 Regla de propagación , que proporciona el valor del potencial
postsináptico ,de la neurona "i" en función de sus pesos y
entradas.
 Función de activación fi(ai(t-1), hi(t)), que proporciona el estado de
activación actual ai(t) = fi ( ai (t-1), hi (t) ) de la neurona "i", en función de su
estado anterior ai(t-1) y de su potencial postsináptico actual.
 Función de salida Fi (ai(t)), que proporciona la salida actual yi(t) = Fi (ai(t)) de
la neurona "i" en función de su estado de activación.
La operación de la neurona "i" se expresa como sigue;

18. P á g i n a 18 | 23
Este modelo de neurona formal se inspira en la operación de la neurona biológica,
en el sentido de integrar una serie de entradas y proporcionar cierta respuesta,
que se propaga por el axón.
Así, para tareas de clasificación poseería salidas digitales (0,+1), mientras que
para un problema de ajuste funcional de una aplicación multivariable continua, se
utilizarían salidas continuas pertenecientes a un cierto intervalo. [9,10]
Entradas y salidas:
Dependiendo del tipo de salida, las neuronas suelen recibir nombres específicos.
Así, las neuronas estándar cuya salida sólo puede tomar los valores "0" ó "1" se
suelen denominar genéricamente neuronas de tipo Mc Culloch Pitts, mientras que
aquellas que únicamente pueden tener por salidas ( -1 ó +1 ) se suelen denominar
neuronas tipo Ising (debido al paralelismo con los modelos físicos de partículas
con espín que adoptan únicamente dos estados, hacia arriba y hacia abajo).
Si adopta diversos valores discretos en la salida ( por ejemplo, -2, -1, 0, + 1, +2 ),
se dice que se trata de una neurona de tipo Potts.
En ocasiones, el rango de los valores que una neurona de salida continua puede
proporcionar se limita a un intervalo definido, por ejemplo, ( 0,+1 ) ó ( -1,+1 ).
Regla de propagación:
La regla de propagación permite obtener, a partir de las entradas y los pesos, el
valor del potencial postsináptico hi de la neurona;
La función más habitual es de tipo lineal, y se basa en la suma ponderada de las
entradas con los pesos sinápticos

19. P á g i n a 19 | 23
El peso sináptico wij define en la intensidad de interacción entre la neurona
presináptica "j" y la postsináptica "i". Dada una entrada positiva (procedente de un
sensor o simplemente la salida de otra neurona), si el peso es positivo tenderá a
excitar a la neurona postsináptica, si el peso es negativo tenderá a inhibirla. Así se
habla de sinapsis excitadoras (de peso positivo) e inhibidoras (de peso negativo).
Una regla de tipo no lineal, de uso más limitado, es la siguiente:
Implica una interacción de tipo multiplicativo entre las entradas de la neurona
(como se observa realmente en determinadas sinápsis biológicas).
El uso de esta última regla de propagación determina que una neurona se
denomine de orden superior o neurona sigma-pi (por emplear sumas y productos),
e implica una mayor complejidad, tanto en el estudio de la dinámica de la red
neuronal, como en su realización hardware.
Función de activación ó función de transferencia:
La función de activación ó de transferencia proporciona el estado de activación
actual ai(t) a partir del potencial postsináptico hi(t) y del propio estado de activación
anterior ai(t- 1)
Sin embargo, en muchos modelos de sistemas neuronales artificiales ANS se
considera que el estado actual de la neurona no depende de su estado anterior,
sino únicamente del actual

20. P á g i n a 20 | 23
La función de activación f(.) se suele considerar determinista, y en la mayor parte
de los modelos es monótona creciente y continua, como se observa habitualmente
en las neuronas biológicas.
La forma y = f(x) de las funciones de activación más empleadas en los ANS se
muestra en la tabla 1.1. Para abreviar, en ella designamos con "x" al potencial
postsináptico, y con "y" el estado de activación. [10]
La más simple de todas es la función identidad (que se puede generalizar al caso
de una función lineal cualquiera), empleada, por ejemplo, en la Adalina.
Otro caso simple es la función escalón, empleada en el Perceptrón Simple y en la
red de Hopfield discreta, así como en la neurona clásica de Mc Culloch-Pitts. La
función lineal a tramos se puede considerar como una lineal saturada en sus
extremos, es de gran sencillez computacional y resulta más plausible desde un
punto de vista biológico pues, como se ha explicado, las neuronas se activan más
a mayor excitación, hasta saturarse a la máxima respuesta que pueden
proporcionar.
Los algoritmos de aprendizaje requieren que la función de activación cumpla la
condición de ser derivable.
Otra función clásica es la gaussiana, que se utiliza junto con reglas de
propagación que involucran el cálculo de cuadrados de distancias.[9,10]
Función de salida
Esta función proporciona la salida global de la neurona yi(t) en función de su
estado de activación actual ai(t). Muy frecuentemente la función de salida es
simplemente la identidad F(x)=x, de modo que el estado de activación de la
neurona se considera como la propia salida;

21. P á g i n a 21 | 23
CONCLUSIÓN
Como resultado de esta investigación hemos podido darnos cuenta que existen
diversas aplicaciones que explotan las características de las RNA, ya que son de
gran ayuda en diversos campos de investigación, como en el campo de Finanzas
se utilizan para hacer predicciones del tipo de cambio peso-dólar, recuperación de
la información, así como el uso de la Bibliometría para el estudio de la información
en el mercado, entre otros. Dentro del campo de las empresas, las RNA´s se
utilizan para identificar a los posibles competidores, alianza estratégica,
dependencia tecnológica, etc.
Desde un principio el cerebro a aprendido a sobrevivir en el entorno y todo eso se
lleva a cabo en el proceso de las neuronas las cuales envían la información a
través de pulsos eléctricos y así mismo se va almacenado la información lo que
genera el aprendizaje. Así como el modelo matemático de la misma, consta de
señales de entrada ponderadas por pesos sinápticos, haciendo una función de
activación y finalmente es la señal de salida de la neurona, proceso que
principalmente desarrolla a la sistematización de información.

22. P á g i n a 22 | 23
ANEXOS
Figura 1.5 Funciones de activación habituales.

23. P á g i n a 23 | 23
REFERENCIAS
1. Red de Revistas Científicas de América Latina, el Caribe, España y Portugal,
Luis Alberto Zapata Garrido, Hugo Fabián Díaz Mojica, Predicción del tipo de
cambio peso-dólar utilizando Redes Neuronales Artificiales (RNA), Pensamiento &
Gestión, núm. 24, julio, 2008, pp. 29-42, Universidad del Norte Colombia.
2. Daniels, John & Radebaugh, Lee (2000). Negocios Internacionales, 8ª edición.
Pearson Educación.
3. Félix de Moya Anegón, Víctor Herrero Solana, Vicente Guerrero Bote, La
aplicación de Redes Neuronales Artificiales (RNA): a la recuperación de la
información.
4. Sotolongo, G.; Guzmán, MV. Aplicaciones de las redes neuronales. El caso de
la bibliometría. Ciencias de la Información. 2001: 8
5. Freeman, J.A.; Skapura, DM. Redes Neuronales. Algoritmos, aplicaciones y
técnicas de propagación. México: Addison-Wesley. 1993; 306 p.
6. Hilera González, J.; Martínez Hernández, V. Redes neuronales artificiales:
fundamentos, modelos y aplicaciones. Madrid, RA-MA, 1995. 389 p.
7. Las Redes Neuronales Artificiales - Raquel Flórez López, José Miguel
Fernández Fernández -Libros files
8. Las Redes Neuronales Artificiales Fundamentos teóricos y aplicaciones
prácticas- Raquel Flórez López, José Miguel Fernández Fernández
9. Revista española de Neuropsicología - Redes Neuronales Artificiales laboratorio
de Neuropsicología Universidad Sevillana.
10 .Los fundamentos biológicos del aprendizaje para el diseño y aplicación de
objetos de aprendizaje – Gabriel Cruz Pérez, Lourdes Galeana de la O, Centro
Universitario de Producción de Medios Didácticos Universidad de Colima.