En Inteligencia Artificial son dispositivos o software programado de manera tal que funcionen como las neuronas biológicas de los seres vivos.

Conjunto de neuronas adaptativas interconectadas masivamente en paralelo y con una organización jerárquica que les permite interactuar con algún sistema del mismo modo que lo hace el sistema nervioso biológico.

Elemento que recibe

información, la integra, la

computa, y emite una única

salida para transmitir a otras

neuronas mediante conexiones.

Valor que define el nuevo estado de

activación y respuesta de una

neurona.

Acotados: el valor de activación

puede ser cualquiera dentro de un

rango

No Acotados: no existen limites de

valores de activación.

Lineales.- su salida es proporcional a

la entrada.

No Lineales.- la función de activación

es no lineal, por tanto no es función

lineal de sus entradas, produce

respuestas acotadas.

Redes alimentadas hacia adelante.

La información se mueve de entrada a

salida, organización en capas que agrupa a

neuronas que reciben información de la capa

anterior y emiten

salidas a neuronas

de la capa siguiente.

Redes con retroalimentación total o parcial.

Las neuronas pueden enviar estímulos a neuronas

de capas anteriores y estar conectadas con todas

las demás, al recibir información cada neurona

debe calcular su estado varias veces hasta que

todas alcancen un estado estable.

*Diseño de la Arquitectura

*Entrenamiento de la red

*Validación de la red

Se determina el numero de

neuronas que tendrá la red,

disposición en capas y conectividad

entre las mismas, determinar

funciones de activación y

transferencia que se usará.

Entrenar a la red para que aprenda a dar

la respuesta adecuada a la configuración

de estímulos o patrones de entrada que

se le presenten. Esto se realiza

mediante el método de aprendizaje, que

puede ser de dos tipos; aprendizaje

supervisado y no supervisado.

Se da a la red entrada y salida correctas, para que ajuste sus pesos tratando de minimizar el error de la salida calculada. (ej. Reconocimiento de patrones)

A la red sólo se le da estímulos, y ajusta

sus interconecciones basándose únicamente

en sus estímulos y su salida. Las leyes de

aprendizaje determinan como la red

ajustará sus pesos utilizando una función

de error o algún otro criterio.

Se solicita a la red que responda

a estímulos diferentes, tomando

en cuenta lo aprendido en el

entrenamiento; ésta debe ser

capaz de generar respuestas

correctas ante patrones de

estímulos nuevos.

*Reconocimiento de caracteres escritos.

*Exploración de bases de datos.

*Síntesis de voz desde texto.

*Previsión de evolución de precios de finanzas.

*Robots automatizados y sistema de control (visión

artificial y sensores de presión, temperatura, gas et.)

*Diagnóstico y tratamiento a partir de síntomas en

medicina.

*Predicción de reacciones adversas a medicamentos.

*Clasificación de señales de radar.

En base a la investigación que se realizo sobre

las redes neuronales y sus diferentes

aplicaciones, se dedujo que era buena idea

aplicarlas en nuestro proyecto ya que en este se

utilizarán sensores artificiales.

El proyecto trata sobre un edificio inteligente,

que ahorra luz, activa la alarma contra fuego,

activa equilibrio en climas, cuenta con cámaras

de seguridad etc.

Crear una neurona no

lineal por cada sensor

que se vaya a utilizar

con retroalimentación

total, siendo entrenadas

con aprendizaje

supervisado, esperando

terminar con los

sensores funcionando

correctamente.

http://electronica.com.mx/neural/informacion/introduccion.html

http://sabia.tic.udc.es/mgestal/cv/RNAtutorial/TutorialRNA.pdf

http://www.statsoft.com/textbook/neural-networks/

http://personal5.iddeo.es/wintrmute/ia/neuronal.htm

http://www.gc.ssr.upm.es/inves/neural/ann2/anntutorial.html

http://wwwdsa.uqac.uquebec.ca/~jmtorres/investigacion/index.htm