DISEÑO, DESARROLLO E IMPLEMENTACIÓN, DE UN ENTRENADOR DE ... · tipos de redes de acuerdo a la...

DISEÑO, DESARROLLO E IMPLEMENTACIÓN, DE UN ENTRENADOR DE REDES

NEURONALES; PARA LA SALA DE INTELIGENCIA ARTIFICIAL Y ROBÓTICA DE LA

UNIVERSIDAD AUTÓNOMA DEL CARIBE

ANTONIO JOSE BARROS MOLINARES

JOSE LUIS LOBO VASQUEZ

LAURA MILENA ZARACHE VARGAS


FACULTAD DE INGENIERÍA

PROGRAMA DE INGENIERIA DE SISTEMAS

BARRANQUILLA

2007

DISEÑO, DESARROLLO E IMPLEMENTACIÓN, DE UN ENTRENADOR DE REDES

NEURONALES; PARA LA SALA DE INTELIGENCIA ARTIFICIAL Y ROBÓTICA DE LA


ANTONIO JOSE BARROS MOLINARES

JOSE LUIS LOBO VASQUEZ

LAURA MILENA ZARACHE VARGAS

Investigación formativa con fines de graduación:

Asesor Metodológico: MsC. CLAUDIA ZAPATA

Asesor Técnico: ING. RICHARD AROCA


FACULTAD DE INGENIERÍA

PROGRAMA DE INGENIERIA DE SISTEMAS

BARRANQUILLA

2007

NOTA DE ACEPTACION

__________________________

__________________________

__________________________

_________________________

Presidente del jurado

_________________________

Jurado

_________________________

Jurado

Barranquilla, 10 de Noviembre del 2007

Dedicatoria

Al Dios de amor que me eximió - su sangre fue el precio -. Asiduo

y paciente escultor, que con martillo y cincel perfecciona su obra.

A mis padres, protectores escogidos. Las líneas de sus vidas,

están llenas de triunfos logrados con esfuerzo. A mi hermana,

cómplice y abogada. Ha hecho tantas cosas buenas por mí, que

sí me ha herido, no lo recuerdo.

A aquellos que mi corazón llama amigos. Artesanos de sonrisas y

buenos momentos.

Antonio José Barros Molinares

Dedicatoria

A mi madre quien es recuerdo y vida a mi presente.

A Dios quien es luz y sombra a mí caminar.

José Luís Lobo Vásquez

Dedicatoria

A mi hermanita Sigy quien en ocasiones se esmeró por esto

mucho más que yo misma y sin saberlo me impulso a luchar por

esto.

A mi mami, quien ha permanecido fiel y me ha apoyado aun

cuando no lo merezca.

A mi papi quien no miró las circunstancias, solo pensó en los

resultados, decidió creer que era posible y se esforzó hasta él

último momento para que yo pudiera alcanzar este triunfo. En tu

memoria Papi. No estas conmigo en mi graduación pero siempre

estarás en mi corazón. Te amo papito.

Por supuesto a Dios porque siempre busca la manera de guiarme

hacia sus propósitos. Gracias Señor.

Laura Zarache Vargas

Agradecimientos

A quienes compartieron con nosotros a lo largo de estos 5 años,

que ayudaron a lograr este sueño.

A nuestros padres por su dedicación y entrega en la formación e

instrucción de nuestras vidas.

A profesores como Ilma. Bonilla, Richard Aroca y Claudia Zapata,

quienes no dudaron en ningún momento, y entregaron sus

conocimientos para la realización de este proyecto.

Y principalmente a Dios por permitirnos rebasar la meta y

compartir con nosotros la verdad de su amor.

Los Autores

TABLA DE CONTENIDO

INTRODUCCION...................................................................................................................... 15

1. PLANTEAMIENTO DEL PROBLEMA ................................................................................... 18

1.1. DESCRIPCIÓN DEL PROBLEMA..................................................................................... 18

1.2. FORMULACIÓN DEL PROBLEMA................................................................................... 19

1.3. SISTEMATIZACIÓN DEL PROBLEMA.............................................................................. 19

1.4 OBJETIVOS DE LA SOLUCION......................................................................................... 20

1.4.1. OBJETIVO GENERAL .................................................................................................... 20

1.4.2 OBJETIVOS ESPECÍFICOS............................................................................................ 20

1.5. JUSTIFICACIÓN................................................................................................................ 21

2. MARCOS DE REFERENCIA .............................................................................................. 23

2.1. ANTECEDENTES CIENTÍFICOS DEL PROYECTO.......................................................... 23

2.2. MARCO TEÓRICO ............................................................................................................ 26

2.2.1. INTRODUCCIÓN A LAS REDES NEURONALES........................................................... 26

2.2.2. REDES NEURONALES BIOLÓGICAS .......................................................................... 27

2.2.2.1. COMPOSICIÓN DE LAS REDES NEURONALES BIOLÓGICAS ............................... 27

2.2.2.2. DESCRIPCIÓN DEL PROCESO SINÁPTICO............................................................. 30

2.2.2.3. TIPOS DE NEURONAS .............................................................................................. 32

2.2.2.3.1. LAS NEURONAS SENSORIALES ............................................................................ 32

2.2.2.3.2. LAS NEURONAS MOTORAS ................................................................................... 32

2.2.2.3.3. LAS INTERNEURONAS ........................................................................................... 33

2.2.3. REDES NEURONALES ARTIFICIALES (RNA).............................................................. 33

2.2.3.1. HISTORIA DE LAS REDES NEURONALES ARTIFICIALES ...................................... 33

2.2.3.1.1. INICIOS CON REDES NEURONALES .................................................................... 34

2.2.3.1.2. ACOGIDA Y CRECIENTE INVESTIGACIÓN ........................................................... 35

2.2.3.1.3. EL DESPRESTIGIO Y ESTANCAMIENTO .............................................................. 36

2.2.3.1.4. NUEVOS HORIZONTES........................................................................................... 36

2.2.3.1.5. EL DESPERTAR Y LA SITUACIÓN ACTUAL........................................................... 37

2.2.3.1.6. ESTADO ACTUAL DE LAS REDES NEURONALES ARTIFICIALES....................... 38

2.2.3.2. ELEMENTOS DE UNA RED NEURONAL ARTIFICIAL .............................................. 38

2.2.3.2.1. CARACTERÍSTICAS PRINCIPALES DE LAS NEURONAS ARTIFICIALES............. 39

2.2.3.2.2. LA NEURONA ARTIFICIAL...................................................................................... 40

2.2.3.2.3. FUNCIONES EN EL MODELO DE NEURONA ARTIFICIAL..................................... 42

2.2.3.3. ESTRUCTURA DE LAS REDES NEURONALES ARTIFICIALES.............................. 44

2.2.3.4. CLASIFICACIÓN DE LAS REDES NEURONALES ARTIFICIALES............................. 47

2.2.3.4.1. TIPOS DE REDES DE ACUERDO CON LAS SEÑALES QUE RECIBE ................... 47

2.2.3.4.2. TIPOS DE REDES DE ACUERDO A LA TOPOLOGÍA ............................................. 47

2.2.3.4.3. TIPOS DE REDES DE ACUERDO AL MECANISMO DE APRENDIZAJE ................ 48

2.2.3.5. EJEMPLOS DE REDES NEURONALES ARTIFICIALES............................................. 49

2.2.3.5.1. EL PERCEPTRON................................................................................................... 50

2.2.3.5.1.1. ARQUITECTURA DEL PERCEPTRON.................................................................. 51

2.2.3.5.1.2. APRENDIZAJE DEL PERCEPTRON..................................................................... 52

2.2.3.5.1.3. LIMITANTES DEL PERCEPTRON......................................................................... 52

2.2.3.5.2. LA BACKPROPAGATION......................................................................................... 52

2.2.3.5.3. EL MODELO HOPFIELD .......................................................................................... 54

2.2.3.5.3.1. CARACTERISTICAS DE HOPFIELD ..................................................................... 54

2.2.3.5.3.1.2. FUNCIONAMIENTO DE LAS REDES HOPFIELD .............................................. 55

2.2.4. CIRCUITOS ENTRENADORES...................................................................................... 56

2.2.5. MICROCONTROLADORES............................................................................................ 57

2.2.5.1. TIPOS DE MICROCONTROLADORES ....................................................................... 58

2.2.5.1.1 PIC 16F84................................................................................................................ 58

2.2.5.1.2. COMPOSICIÓN DEL PIC 16F84 .............................................................................. 59

2.2.5.1.3. PROGRAMACIÓN DEL PIC 16F84........................................................................... 61

2.2.5.1.3.1. SET DE INSTRUCCIONES DEL PIC 16F84 .......................................................... 61

2.2.5.1.3.1.1. INSTRUCCIONES ORIENTADAS A REGISTROS.............................................. 61

2.2.5.1.3.1.2. INSTRUCCIONES ORIENTADAS A BITS .......................................................... 63

2.2.5.1.3.1.3. INSTRUCCIONES ORIENTADAS A CONSTANTES Y DE CONTROL............... 63

2.2.6. LENGUAJES DE BAJO NIVEL ....................................................................................... 64

2.2.6.1. ASSEMBLER............................................................................................................... 65

2.2.6.1.1. INSTRUCCIONES ASSEMBLER PARA PIC 16F84 ................................................. 65

2.2.7. TÉCNICAS PEDAGÓGICAS DE APRENDIZAJE ........................................................... 66

2.2.7.1. EL APRENDIZAJE...................................................................................................... 67

2.2.7.1.1. CONCEPTOS DE APRENDIZAJE ............................................................................ 67

2.2.7.1.2. TIPOS DE APRENDIZAJE........................................................................................ 69

2.2.7.1.2.1. CONDICIONAMIENTO CLÁSICO.......................................................................... 69

2.2.7.1.2.2. CONDICIONAMIENTO OPERANTE...................................................................... 70

2.2.7.1.2.3. APRENDIZAJE SOCIAL ........................................................................................ 71

2.2.7.2. CONCEPCIÓN PEDAGÓGICA DE UN PROCESO DE ENSEÑANZA – APRENDIZAJE

................................................................................................................................................. 71

2.2.7.2.1 LEYES PEDAGÓGICAS........................................................................................ 72

2.2.7.2.2. CONCEPTUALIZACIÓN DEL APRENDIZAJE COMO PROCESO COGNITIVO

AFECTIVO................................................................................................................................ 73

2.2.7.2.3 LAS TAREAS DEL PROCESO DE ENSEÑANZA – APRENDIZAJE.......................... 74

2.2.7.2.4. ETAPAS METODOLÓGICAS DE UN PROCESO DE ENSEÑANZA –APRENDIZAJE

................................................................................................................................................. 75

2.3. MARCO CONCEPTUAL .................................................................................................... 77

3. DELIMITACIÓN .................................................................................................................... 84

3.1. DELIMITACIÓN FINANCIERA........................................................................................ 84

3.2. DELIMITACIÓN TÉCNICA................................................................................................ 84

4. DISEÑO METODOLÓGICO.................................................................................................. 87

4.1. TIPO DE INVESTIGACIÓN............................................................................................... 87

4.2. TIPOS DE ESTUDIO. ...................................................................................................... 88

4.3. MÉTODO........................................................................................................................ 88

4.4. TÉCNICAS DE RECOLECCIÓN DE LA INFORMACIÓN.................................................. 89

4.4.1. TÉCNICAS DE RECOLECCIÓN PRIMARIAS................................................................. 89

4.4.1.1. OBSERVACIÓN DIRECTA ......................................................................................... 90

4.4.1.2. ENCUESTAS.............................................................................................................. 90

4.4.1.3. ENTREVISTAS........................................................................................................... 90

4.4.2. TÉCNICAS DE RECOLECCIÓN SECUNDARIAS........................................................ 91

4.4.2.1. FICHAS BIBLIOGRÁFICAS ....................................................................................... 91

4.4.2.2. INTERNET................................................................................................................. 91

4.5. INSTRUMENTOS UTILIZADOS ..................................................................................... 91

4.5.1. CRONOGRAMA DE ACTIVIDADES............................................................................... 92

4.5.2. PRESUPUESTO............................................................................................................. 92

4.6. POBLACIÓN OBJETIVO ................................................................................................... 92

4.6.1. JUSTIFICACIÓN ESTADÍSTICA DE LA MUESTRA ....................................................... 92

4.6.2. TAMAÑO DE LA MUESTRA. .......................................................................................... 93

5. ANÁLISIS E INTERPRETACIÓN DE RESULTADOS. .......................................................... 95

5.1. TABULACIÓN DE LAS ENCUESTAS............................................................................... 96

5.1.1. NOVENO SEMESTRE DE INGENIERÍA DE SISTEMAS............................................... 96

5.1.2. DÉCIMO SEMESTRE DE INGENIERÍA DE SISTEMAS .............................................. 102

5.1.3. INGENIERÍA DE SISTEMAS NOVENO Y DÉCIMO SEMESTRE ................................ 108

5.1.4. NOVENO SEMESTRE INGENIERÍA ELECTRÓNICA ................................................. 114

5.1.5. DÉCIMO SEMESTRE INGENIERÍA ELECTRÓNICA................................................... 120

5.1.6. INGENIERÍA ELECTRÓNICA NOVENO Y DÉCIMO SEMESTRE............................... 126

5.1.7. INGENIERÍA DE SISTEMAS E INGENIERÍA ELECTRÓNICA..................................... 132

6. PROPUESTA...................................................................................................................... 142

6.1. SOLUCIÓN...................................................................................................................... 142

6.1.2.1. TABLA DE COMPARACIÓN ENTRE LAS DOS SOLUCIONES................................. 144

6.1.3. DESCRIPCIÓN DE LA SOLUCIÓN ............................................................................. 145

6.2. REQUERIMIENTOS DEL SISTEMA................................................................................ 149

6.2.1. DEFINICIÓN DE REQUERIMIENTOS .......................................................................... 149

6.2.2. REQUERIMIENTOS FUNCIONALES ........................................................................... 151

6.2.3. REQUERIMIENTOS NO FUNCIONALES.................................................................... 151

6.2.4. ESPECIFICACIÓN DE REQUERIMIENTOS................................................................ 153

6.2.4.1. REQUERIMIENTOS FUNCIONALES ....................................................................... 153

6.2.4.2. REQUERIMIENTOS NO FUNCIONALES ................................................................. 155

6.2.5. NEGOCIACION DE REQUISITOS................................................................................ 160

6.2.6. EVOLUCIÓN DEL SISTEMA ........................................................................................ 162

6.2.7. MODELOS DEL SISTEMA............................................................................................ 163

6.2.7.1 ESQUEMA ELECTRÓNICO DEL CIRCUITO ENTRENADOR................................... 163

6.2.7.2. CONEXIONES ENTRE MICROCONTROLADORES ................................................ 165

6.2.7.3. ESQUEMA DE INTERACCIÓN HOMBRE-CIRCUITO ENTRENADOR .................... 166

6.2.7.4. ESQUEMA DE INTERACCIÓN HOMBRE-QUEMADOR DE PIC............................... 167

6.2.7.5. DIAGRAMAS DE CASOS DE USO............................................................................ 168

6.2.7.5.1. CASOS DE USO ESENCIALES............................................................................. 170

6.2.7.6. MODELO CONCEPTUAL .......................................................................................... 171

6.2.7.7. DIAGRAMA DE SECUENCIA DEL SISTEMA............................................................ 172

6.2.7.7.1. ENTRENADOR DE RNA........................................................................................ 172

6.2.7.7.2. QUEMADO DE PIC................................................................................................ 172

6.2.7.7.3. MODO ENTRENAMIENTO RNA............................................................................. 173

6.2.7.7.4. MODO EJECUCIÓN RNA....................................................................................... 173

6.2.7.8. DIAGRAMAS DE ESTADOS...................................................................................... 174

6.2.7.8.1. ENTRENADOR RNA .............................................................................................. 174

6.2.7.8.2. QUEMADOR........................................................................................................... 175

6.2.7.8.3. MODO DE EJECUCIÓN NEURONAL.................................................................... 175

6.2.7.8.4. MODO DE ENTRENAMIENTO NO SUPERVISADO NEURONAL.......................... 176

6.2.7.8.5. MODO DE ENTRENAMIENTO SUPERVISADO NEURONAL ................................ 176

6.2.7.9. GLOSARIO ................................................................................................................ 177

6.3. DISEÑO.......................................................................................................................... 179

6.4. IMPLEMENTACIÓN......................................................................................................... 182

6.4.1 CÓDIGO PERCEPTRÓN............................................................................................... 183

6.5 PRUEBAS......................................................................................................................... 202

7. CONCLUSIONES ............................................................................................................... 203

8. BIBLIOGRAFÍA................................................................................................................... 205

ANEXOS....................................................................................................................................211

INTRODUCCION

Desde sus inicios el hombre ha intentado comprender el entorno en el que esta

inmerso, lo cual ha causado la eterna investigación y postulación de hipótesis acerca

del origen y funcionamiento del universo; Desde la simple observación de las estrellas,

hasta el descubrimiento del complejo código genético de la vida sobre la tierra.

A pesar de la gran vastedad de temas a los cuales el hombre podría dedicarse, ningún

otro tópico lo ha cautivado tanto como la manera en que el pensamiento humano

funciona. Luego de arduas investigaciones ha conseguido entender y descomponer

este sistema en todas sus partes.

No obstante, no se ha conformado solo con esto, actualmente ha iniciado una

apresurada carrera para imitar este funcionamiento e incluso mejorarlo. Explotando así,

un viejo concepto que era solo posible en libros de ficción, la renombrada inteligencia

artificial.

Tecnologías basadas en temas como los sistemas expertos y las redes neuronales

artificiales, se están convertido en algo cotidiano en nuestras vidas. Ya no solo en las

películas existen, reconocedores de huellas o de retinas y hasta los videojuegos se

valen de RNA para sus complicados roles y premisas.

Todo lo anterior ha inspirado la investigación y desarrollo de una herramienta que

facilite la asimilación de conceptos, tales como el de “neurona artificial”, “topología

neuronal” o “el aprendizaje neuronal artificial”. Esenciales para el desarrollo de nuevos

proyectos basados en RNA.

Este proyecto se basó, en la necesidad hallada en la Universidad Autónoma del Caribe,

de crear un Entrenador de Redes Neuronales Artificiales, para la reproducción física de

R.N.A. Fue así como se indago sobre las causas y efectos de esta carencia y se

estableció el alcance del proyecto, por medio del objetivo general y los objetivos

específicos (Capitulo 1).

Al tener claro la solución y el alcance, se procedió a recolectar toda la información

necesaria para el desarrollo de este proyecto (Capitulo 2).

Al ampliar el cuerpo de conocimientos sobre R.N.A y las arquitecturas utilizadas en esta

investigación (PIC 16F84A, Circuito Quemador, etc.). Se obtuvo la autoridad necesaria

para delimitar el ámbito económico, técnico y geográfico donde estará inmerso este

proyecto (Capitulo 3).

Luego, para garantizar una satisfactoria investigación, se desarrollaron las herramientas

metodologías tales como el tipo de investigación y las técnicas de recolección de la

información (Capitulo 4).

Además, se tomaron la opinión de los principales actores del sistema (Capitulo 5).

Al terminar, lo anterior descrito se diseño e implemento la propuesta, base de esta

investigación (Capitulo 6).

1. PLANTEAMIENTO DEL PROBLEMA

Para alcanzar un mejor entendimiento de las variables que participan de este problema,

así como también de las motivaciones que inspiraron la realización de este proyecto se

describe a continuación el problema identificado.

1.1. DESCRIPCIÓN DEL PROBLEMA

Pese a las herramientas y al personal calificado con el que cuenta la universidad los

estudiantes de ingeniería de sistemas y electrónica no asimilan de manera eficiente los

conceptos vistos en áreas como “inteligencia artificial y robótica”.

Con el objetivo de precisar las metas que se quieren alcanzar con la realización de este

proyecto se describen a continuación las causas que llevaron al grupo investigador a

proponer y desarrollar este proyecto.

La Universidad Autónoma del Caribe cuenta con un laboratorio de inteligencia artificial y

robótica, diseñado con el fin de que el estudiante realice prácticas en el y desarrolle

propuestas investigativos. Sin embargo, se ha notado que el laboratorio no posee

ningún instrumento físico en el cual hacer prácticas en el área de redes neuronales, lo

cual se refleja en la deficiente asimilación de conceptos tales como, métodos de

aprendizaje y topologías de estas redes, vistos teóricamente en las aulas de clases.

Lo anterior ha generado poco interés investigativo acerca de las redes neuronales y una

evidente idealización de esta materia, lo que se evidencia en la escasa realización de

proyectos de esta área en específico. De hecho en el último año se han realizado solo

unos pocos proyectos concernientes a estos temas.

Siendo evidente la problemática nuestro proyecto consiste en la creación de una

herramienta que facilite la asimilación de los conceptos vistos acerca de redes

neuronales.

1.2. FORMULACIÓN DEL PROBLEMA

De acuerdo con la descripción del problema de investigación que se ha realizado, surge

la necesidad de responder un interrogante clave:

¿Qué herramienta se puede construir para afianzar los conocimientos adquiridos de

redes neuronales en el área de inteligencia artificial, de manera que se contribuya a la

dinamización de los procesos teórico-prácticos en el área de inteligencia artificial y

robótica?

1.3. SISTEMATIZACIÓN DEL PROBLEMA

¿Cuáles serían los beneficios obtenidos con el desarrollo de hardware que permita la

realización de prácticas en redes neuronales?

¿Qué grupos u organizaciones contribuyen a la investigación científica en el área de

inteligencia artificial en la Universidad Autónoma del Caribe?

¿Esta la universidad vinculada con alguna entidad dedicada a la investigación y

financiación de proyectos basados IA?

1.4 OBJETIVOS DE LA SOLUCION

1.4.1. OBJETIVO GENERAL

Construir un entrenador de redes neuronales para el desarrollo de prácticas, que

fortalezcan los conocimientos teóricos en el área de inteligencia artificial, de los

estudiantes de la Universidad Autónoma del Caribe.

1.4.2 OBJETIVOS ESPECÍFICOS

♦ Simular de manera eficiente, mediante la programación de microcontroladores el

comportamiento de las neuronas para posteriormente establecer una red de las

mismas con el fin de que el estudiante pueda practicar los conceptos acerca de

red neuronales .

♦ Construir el medio apropiado en el que se acoplaran las neuronas, con el fin

de intercomunicarlas.

♦ Fomentar la formación de grupos de investigación que aborden temas como la

inteligencia artificial a través de la construcción de un prototipo que facilite la

comprensión de todos los conceptos relacionados.

1.5. JUSTIFICACIÓN

La Universidad Autónoma del Caribe ha puesto a disposición del estudiantado;

Docentes, libros y las herramientas necesarias para el estudio, entendimiento, análisis y

desarrollo de redes neuronales.

Sin embargo, todavía se carece de algunos instrumentos, que faciliten la materialización

de los conocimientos teóricos adquiridos en áreas como las Redes Neuronales.

Además, si se observa detenidamente la temática desarrollada en los proyectos de

grado, se nota el escaso interés que se tiene por la utilización de los recursos

propuestos por la universidad en el área de robótica e inteligencia artificial; Hasta el

punto que nuestro programa, se ha visto en la necesidad de aumentar

considerablemente los requerimientos necesarios para aprobar los proyectos de grado

cuyo producto final sea un sistema de información, pues la mayoría de los

estudiantes se inclinan por esta vía.

Debido a esto hemos querido enfocar nuestro proyecto de grado, al área de inteligencia

artificial, para aumentar la gama de equipos con los que cuenta el laboratorio de

robótica, y permitir así a los estudiantes un contacto real con circuitos inteligentes, al

tiempo que se motiva a las futuras generaciones de ingenieros de sistemas a que se

animen a utilizar al máximo todos los recursos que la universidad ha colocado a su

disposición.

Es nuestro deseo servir de ejemplo a otros para que se decidan por la inteligencia

artificial como opción de grado.

2. MARCOS DE REFERENCIA

Para la realización de este proyecto se hace necesario recopilar distintas clases de

información que permitan hallar cuales son las mejores opciones y los conceptos

vinculados tanto a la creación como al funcionamiento del un entrenador de redes

neuronales.

2.1. ANTECEDENTES CIENTÍFICOS DEL PROYECTO

Las redes neuronales en Colombia, están en etapa de investigación; Sin embargo, el

interés en estas, ha aumentado considerablemente en los últimos años.

Por medio, de un sondeo a través de la Web, se han encontrado proyectos de

universidades colombianas referentes a inteligencia artificial. En los cuales, se utilizan

conceptos de RNA. Entre estos cabe mencionar “Utilizando Inteligencia Artificial Para

La Detección De Escaneo De Puertos” 1

También se hallaron investigaciones de tipo exploratorio basadas en RNA:

• “Definiciones de redes neuronales y aprendizaje supervisado (usando temple

simulado).2

• “Comparación de la aplicación de métodos de primer y segundo orden para el

aprendizaje de redes neuronales”3

1 AMADOR, Soler. ARBOLEDA, Andrés. BEDON, Charles. Universidad del Cauca. 2006 2 PAZMIÑO, Catherine. HEREDIA, Lorena. RAMOS, Rosalyn. 2005. 3 Ph. Dr. RIBEIRO, Ricardo Gudwin, Ing. LINERO, Suárez, Lic. SÁNCHEZ, José Antonio Guerrero.

No obstante, el proyecto más cercano al que se quiere desarrollar se titula

“Entrenamiento de una red neuronal utilizando algoritmos genéticos”4

En el caso de la Universidad Autónoma del Caribe los proyectos desarrollados en el

área de inteligencia artificial que están registrados en la base de datos, en su mayoría

son sistemas expertos basados en conocimiento. Proyectos cuyo objetivo sea la

implementación de algún tipo de red neuronal, no se encontraron.

Luego de analizar los distintos proyectos hallados; Se notó, que la implementación de

las Redes Neuronales Artificiales es lógica (software). Este proyecto además del

software propone la construcción física (circuito entrenador) de una red neuronal

artificial.

Debido a esto se quiso indagar acerca de circuitos entrenadores existentes y se han

encontrado proyectos que contemplen la elaboración de circuitos entrenadores en

entornos PIC’S. Pero, nadan tienen que ver con las RNA:

• “Equipamiento Experimental: Entrenador Para Circuitos Controladores

Programables” 5

• “Entrenador para Circuitos Lógicos y de Control con Aplicaciones” 6

4 MÉNDEZ, Ricardo Rodríguez. Universitario Autónomo del Sur. Montevideo. Argentina. 2004. Este proyecto fue aplicado a un proyecto específico, cuya realización tuvo lugar en ese mismo lugar. 5 ZARECHT, Julio Ortega. CLERICUS, Pedro Rey. MUÑOZ, Luis Jaramillo. Universidad Austral de Chile. 6 Hamilton Institute.

• Finalmente en esta categoría de proyectos, se descubrió un entrenador que consta

de una interfaz grafica titulado: “Interfaz gráfica para el circuito entrenador de

microelectrónica” 7

Así mismo, en el área de la enseñanza, se consiguieron entrenadores destinados a la

práctica de diferentes conceptos electrónicos (Ninguno basado en RNA):

• Entrenador Con 300 Practicas Electrónica Cebekit.8

• Entrenador Con 150 Practicas Electrónica Cebekit.9

• Entrenador 75 Prácticas Electrónica Estudio Grabación Digital. 10

• “Entrenador 10 Prácticas Electrónica Elemental Cebek”. 1112

Por ultimo; Se podría decir, que todos los circuitos artificialmente inteligentes, deben ser

entrenados. Pero este entrenamiento es específico. Este depende de la finalidad de

cada proyecto. Este proyecto tiene como una de sus metas sentar las bases para

entrenamiento y ejecución de redes neuronales, por medio de un circuito entrenador.

7 RAMÍREZ, Tomas. Escuela Técnica Superior de Ingenieros Industriales. 1998. 8 Uno de los más completos laboratorios de prácticas de electrónica del mercado, que ofrece la posibilidad de realizar 300 prácticas de un nivel medio/alto. 9 130 experimentos de electrónica de nivel medio para empezar a familiarizarse con los montajes y desarrollos TTL, con las puertas NOR, AND, OR y NAND. 10 Consta de 75 prácticas muy didácticas para experimentar desde la tecnología electrónica más básica hasta voz digital y grabación de sonidos. 11 Mini laboratorio para realizar 10 experimentos de nivel muy elemental con un auricular y una lámpara de fijación. 12 Tomados de: http://www.electan.com/catalog/kits-educativos-cebek-entrenadores-electronica-c-320_315.html. 8 de octubre de 2007.

2.2. MARCO TEÓRICO

El hombre ha conseguido descifrar muchas de las leyes que rigen el universo, de igual

manera ha logrado reproducir algunos de los modelos biológicos encontrados dentro

del, ejemplo de esto es el radar que tuvo su origen en el sonar, pieza clave en el

sistema de navegación de los murciélagos o el helicóptero inspirado en el vuelo del

colibrí.

En este afán de clonar las funciones biológicas se han dedicado a imitar el

funcionamiento de los diferentes órganos de cuerpo, de hecho existen riñones

artificiales y válvulas especializadas para mejorar el funcionamiento de un corazón en

mal estado. El próximo paso que el hombre decidió dar es la reproducción del

pensamiento humano lo que hasta hace muchos años, representaba un gran obstáculo

para la ciencia.

Sin embargo hace unas décadas, el hombre ha logrado entender las bases del

funcionamiento del cerebro humano, generando teorías y formulas que le han permitido

simular rústicamente el funcionamiento neuronal.

Es así como tienen origen las redes neuronales pieza clave para el desarrollo de esta

investigación.

2.2.1. INTRODUCCIÓN A LAS REDES NEURONALES

Las redes neuronales artificiales RNA surgen en el intento de reproducir la forma de

procesamiento de información en el Sistema Nervioso Humano y algunas

funcionalidades de este. En especial se busca imitar el hecho de que el cerebro

humano puede realizar muchas operaciones simultáneamente (paralelismo) lo que es

una gran ventaja frente a la secuencialidad de los computadores convencionales13.

Se hace necesario para entender mejor los lineamentos que rigen una RNA y los

elementos que la conforman estudiar aunque, de manera muy somera, estos mismos

aspectos del sistema nervioso humano al cual en este documento se denominará Red

Neuronal Biológica (RNB).

2.2.2. REDES NEURONALES BIOLÓGICAS

Si se quiere conceptuar este termino, podría decirse que una RNB es el conjunto de

los elementos que en los organismos animales se relacionan con la recepción de los

estímulos y la transmisión de los impulsos nerviosos”14.

2.2.2.1. COMPOSICIÓN DE LAS REDES NEURONALES BIOLÓGICAS

Las RNB tienen como elemento principal las células nerviosas, las cuales son

conocidas también como neuronas; De hecho se estima que en cada milímetro del

cerebro hay cerca de 50.0000 neuronas15.

13 Adaptado de http://www.uta.cl/revistas/charlas/volumen16/Indice/Ch-csaavedra.pdf pagina Web vigente al 11-05-07 14 Adaptado de Biblioteca de Consulta Microsoft ® Encarta ® 2005. © 15 http://www.ilustrados.com/publicaciones/EpylElpAZuyzPaNKYx.php, página Web vigente al 23 de marzo 2007.

El tamaño y la forma de una neurona es variable; las hay bipolares y multipolares, en

forma de T, entre otras (Figura 1); pero independiente de esto, todas se subdividen en

un cuerpo celular, dentritas y un axón.

FIGURA 1: FORMA DE UNA NEURONA BIOLÓGICA16

El cuerpo celular o soma, contiene dentro de sí el núcleo y los demás orgánulos

habituales de las células; se encarga de las actividades metabólicas y de recibir la

información procedente de otras neuronas a través de las sinapsis. 17

16 http://www.iibce.edu.uy/uas/neuronas/#y, página Web vigente al 12 de marzo de 2007. 17 Dr. Blowin Claude-B., La salud, enciclopedia medica familiar, Circulo de lectores, Barcelona, 1982, Pág. 89.

FIGURA 2: COMPONENTES DE UNA NEURONA BIOLÓGICA18

Las dentritas comienzan en el soma y son prolongaciones o ramificaciones cortas y

muy finas. Ellas, reciben las señales de las otras neuronas a través de las

terminaciones sinápticas o botones sinápticos de los axones. De lo anterior, podría

decirse que las dentritas son las conexiones de entrada de las neuronas.

El axón por su parte es una ramificación mucho más gruesa que las dentritas y también

mas larga, de hecho existen axones que pueden medir varios metros19. El axón tiene la

función de transmitir señales electroquímicas hacia otras neuronas. Los axones más

largos están a menudo recubiertos con una capa de mielina, la cual sirve para algo

similar al aislamiento de los cables eléctricos.

18 Tomado de Biblioteca de Consulta Microsoft ® Encarta ® 2005. © 19 Dr. Blowin Claude-B., La salud, enciclopedia medica familiar, Circulo de lectores, Barcelona, 1982, Pág. 89.

2.2.2.2. DESCRIPCIÓN DEL PROCESO SINÁPTICO

La sinapsis es el proceso mediante el cual las neuronas se interconectan para transmitir

señales. Estas señales se codifican como una serie de breves pulsos periódicos o

potenciales de acción, que tienen su origen en el soma y se propagan a través del axón

con destino a otra neurona.20

Durante la sinapsis, entre la terminación del axón y la dendrita de la siguiente neurona

hay un pequeño espacio llamado salto sináptico.

Cuando el axón de la célula pre-sináptica (quien genera el impulso), se encuentra cerca

de la célula destino (post-sináptica), este se ramifica en fibras conocidas como botones

sinápticos. Es en este punto donde la señal electroquímica que ha recorrido la longitud

del axón se convierte en un mensaje químico que viaja hasta la siguiente neurona. De

esta forma; “Los potenciales de acción producidos por el soma de la neurona pre-

sináptica, llegan a los botones sinápticos (figura 3). Allí, estos hacen que las vesículas

sinápticas (en azul) se rompan, liberándose así una sustancia llamada neurotransmisor.

La cual, se difunde a través del salto sináptico. Siendo captada por las dentritas de la

neurona pre-sináptica” 21

20 http://www.uta.cl/revistas/charlas/volumen16/Indice/Ch-csaavedra.pdf página Web vigente al 11 de mayo de 2007. 21 Adaptado de http://www.uta.cl/revistas/charlas/volumen16/Indice/Ch-csaavedra.pdf, pagina web vigente al 6 de agosto de 2007.

FIGURA 3: DESCRIPCIÓN DEL PROCESO SINÁPTICO22

Las dentritas pasan las señales captadas al soma donde de acuerdo a la cantidad de

neurotransmisor absorbido, se eleva o disminuye el potencial eléctrico de este. Esto se

define mediante la sumatoria de las señales captadas por las dentritas si estas alcanzan

un cierto umbral se disparan uno o más impulsos que se propagaran a lo largo del axón.

Si los neurotransmisores elevan el potencial de la neurona se dice que la célula se

excito y si lo disminuyen se dice que se inhibió. Para cada neurona, hay entre 1000 y

10.000 sinapsis. 23

Es de la manera anteriormente descrita como se va transmitiendo la información y es

procesada a través de las conexiones sinápticas. El aprendizaje se produce entonces

mediante la variación de la efectividad de la sinapsis, esto es la facultad de las sinapsis

de inhibir o excitar a una neurona, cambiando así la influencia que tienen unas

neuronas sobre otras. El aprendizaje es definido entonces como la generación o

anulación de conexiones entre neuronas.

“La sinapsis se clasifica según el área de contacto de la neurona receptora en tres tipos:

• axo-somática; unión entre el axón y el soma.

22 http://www.uta.cl/revistas/charlas/volumen16/Indice/Ch-csaavedra.pdf pagina web vigente al 6 de agosto de 2007. 23 http://www.iibce.edu.uy/uas/neuronas/#y, página Web vigente al 12 de marzo de 2007.

• axo-dendrítica; unión entre el axón y las dentritas.

• axo-axónica; unión entre los axones.”24

2.2.2.3. TIPOS DE NEURONAS

Se dijo que las neuronas pueden ser físicamente de varios tipos pero adicionalmente se

pueden clasificar en tres grupos de acuerdo con su función:

2.2.2.3.1. LAS NEURONAS SENSORIALES

Estas son sensibles a estímulos no neuronales. Se encuentran localizadas en la piel,

los músculos, articulaciones, y órganos internos e indican presión, temperatura y dolor.

También hay neuronas sensoriales en la nariz y la lengua, estas son más

especializadas y sensibles a las formas moleculares como sabores y olores. Este tipo

de neuronas está ubicadas también en el oído interno y la retina; nos informan acerca

del sonido y nos permiten ver respectivamente. 25

2.2.2.3.2. LAS NEURONAS MOTORAS

Son las que producen estímulos en las células musculares de todos los órganos del

cuerpo, por ejemplo los músculos del corazón, intestinos, vejiga, y glándulas. 26

24 http://ohm.utp.edu.co/paginas/docencia/neuronales/Capitulo1/RNBiologica.htm, página Web vigente al 11de mayo de 2007. 25 http://www.iibce.edu.uy/uas/neuronas/#y, página Web vigente al 12 de marzo de 2007. 26 http://www.iibce.edu.uy/uas/neuronas/#y, página Web vigente al 12 de marzo de 2007.

2.2.2.3.3. LAS INTERNEURONAS

Interconectan las neuronas sensoriales, las motoras e inclusive a ellas mismas. Las

neuronas del sistema nervioso central, incluyendo el cerebro (neuronas), son todas

interneuronas. 27

2.2.3. REDES NEURONALES ARTIFICIALES (RNA)

Las redes neuronales artificiales son estructuras de hardware y software programados

para que simulen el comportamiento normal de las neuronas biológicas presentes en

los seres vivos. Estas estructuras basan su diseño y comportamiento en dos principios

de las neuronas biológicas:

• “El impulso que entra a una neurona por medio de la sinapsis no es el mismo que

sale. El tipo depende de la efectividad de la sinapsis, la cual es modificada mediante el

aprendizaje, reforzando o debilitando el impulso.

• En el soma se suman las entradas de todas las dentritas. Si estas sobrepasan un

umbral se transmite un impulso sino, no se transmite nada. Después de transmitir un

impuso la neurona no puede transmitir durante un tiempo de 0,5ms a 2ms, lo que se

conoce como periodo refractario.” 28

2.2.3.1. HISTORIA DE LAS REDES NEURONALES ARTIFICIALES

Contrario a lo que podría pensarse las simulaciones e investigaciones en redes

neuronales no son temas recientes. Por el contrario, su desarrollo se ha dado a la par

27 http://www.iibce.edu.uy/uas/neuronas/#y, página Web vigente al 12 de marzo de 2007. 28 Adaptado de http://www.uta.cl/revistas/charlas/volumen16/Indice/Ch-csaavedra.pdf, pagina web vigente al 6 de agosto de 2007.

con la evolución de los sistemas de cómputo, siendo el clímax el periodo en el que las

simulaciones por computador fueron factibles por capacidad de procesamiento y bajo

costo.

En sus inicios las redes neuronales provocaron gran entusiasmo en los investigadores,

algún tiempo después muchos se desanimaron gracias a las teorías de Marvin Minsky y

Seymour Papert, quienes eran considerados autoridades en el tema de redes

neuronales, publicadas en “Perceptrons”, libro en el cual descalificaban altamente a

este tipo de redes, aun así, aunque muy pocos, los investigadores siguieron su camino

y lograron hacer grandes avances, sobrepasando las limitaciones postuladas.

Actualmente, ha resurgido el interés y la financiación de las investigaciones ha

aumentado. Si se quisiera hacer un recuento de la historia de las redes neuronales

podría dividirse de la siguiente forma:

2.2.3.1.1. INICIOS CON REDES NEURONALES

En este periodo se realizaron algunas simulaciones usando lógica formal. McCulloch y

Pitts en 1943, hicieron uso de su conocimiento en neurología para desarrollar modelos

de redes neuronales. Sus redes se componían de neuronas simples; dispositivos

binarios con umbrales fijos. Los resultados de sus modelos fueron funciones lógicas

elementales. 29

“En 1949, el fisiólogo Donald Hebb, dio conocer la conocida regla de aprendizaje en la

que aseguro que la activación repetida de una neurona por otra a través de la sinapsis

29 Adaptado de http://members.tripod.com/jesus_alfonso_lopez/RnaIntro.html, Pagina Web vigente al 10 de junio de 2007.

aumenta su conductividad, y la hace más propensa a ser activada sucesivamente,

induciendo la formación de un circuito de neuronas estrechamente conectadas entre sí.

En 1951, Minsky y Edmons, montaron la primera maquina basada en redes neuronales

“Sharc”, Sharc constaba de 300 tubos al vació y un piloto automático de un bombardero

B-24, articulados en una red de 40 neuronas artificiales que buscaban simular el

cerebro de una rata atrapada en un laberinto, la idea era que cada neurona

representaba una posición en el laberinto y la decisión entre derecha o izquierda, es

decir la ruta a seguir, estaba dada por la fuerza de sus conexiones y era realizada por el

piloto, pronto este invento fue desechado pues se concluyo que no era inteligencia ya

que, la red no ideaba ningún plan.”30

Por su lado Farley y Clark en 1954 y Rochester, Holland, Haibit y Duda en 1956; lo

intentaron usando simulaciones computacionales.

2.2.3.1.2. ACOGIDA Y CRECIENTE INVESTIGACIÓN

Para este entonces no solo la neurología influía en el desarrollo de las redes

neuronales, ya los físicos y los ingenieros hacían sus contribuciones para el progreso

de las simulaciones de redes neuronales. En el año 1958, Frank Rosenblatt avivo el

interés y la actividad en esta área cuando diseñó y desarrollo una red neuronal a la que

llamo “Perceptron”. Esta tenia tres capas y hacia uso de la regla de aprendizaje

publicada por Hebb. Este sistema pudo aprender a conectar y asociar unas entradas

dadas a una unidad de salida aleatoria.

30 Adaptado de http://jkharlos.wordpress.com/2007/09/03/redes-neuronales-artificiales/

Widrow y Hoff desarrollaron en 1960 otro sistema basado en el perceptron de

Rosenbalt; El ADALINE (ADAptive LInear Element). El ADALINE fue un dispositivo

electrónico analógico hecho de componentes simples, en él la adaptación de los pesos

se realiza teniendo en cuenta la diferencia de la salida deseada con la dada por la red

(error), tal como en el perceptron, pero el método de aprendizaje utilizado era diferente. 31

2.2.3.1.3. EL DESPRESTIGIO Y ESTANCAMIENTO

En 1969 Minsky y Papert escribieron un libro en el cual ellos generalizaban las

limitaciones de un Perceptron monocapa a sistemas multicapa. En el libro ellos decían:

"...nuestro intuitivo juicio es que la extensión (a sistemas multicapa) es una tarea

estéril". Todo lo anterior tuvo como resultado la eliminación de la financiación para los

investigadores que trabajaban con simulaciones de redes neuronales. Perjudicando así

las investigaciones en este campo pues la mayoría de los investigadores se apartaron

del tema. 32

2.2.3.1.4. NUEVOS HORIZONTES

A pesar del oscuro panorama que enfrentaban las redes neuronales como tema de

investigación, algunos valientes investigadores continuaron trabajando en el desarrollo

de métodos computacionales basados en neuromorfología para problemas de

31 Adaptado de http://members.tripod.com/jesus_alfonso_lopez/RnaIntro.html, Pagina Web vigente al 10 de junio de 2007. 32 Adaptado de http://members.tripod.com/jesus_alfonso_lopez/RnaIntro.html, Pagina Web vigente al 10 de junio de 2007.

identificación de patrones. Durante este periodo nuevos paradigmas fueron generados,

los cuales aun continúan vigentes;

• Los desarrolladores de la ART Teoría de la resonancia adaptativa, (Adaptive

Resonance Theory); Steve Grossberg y Gail Carpenter.

• Anderson y Kohonen quienes en 1982 desarrollaron técnicas para aprendizaje

asociativo, consistente en neuronas que sumaban sus entradas.

• John Hopfield quien en 1982, presentó ante la Academia Nacional de las

Ciencias una red descrita con Claridad y rigor matemático la cual era una variación del

Asociador Lineal. En el mismo año Paul Werbos desarrolló y usó el método de

aprendizaje conocido como Backpropagation, destacando que es actualmente la

arquitectura de red neuronal mejor conocida y más utilizada en las aplicaciones de

redes neuronales. 33

2.2.3.1.5. EL DESPERTAR Y LA SITUACIÓN ACTUAL

Durante el final de la década de los 70s y principios de los 80s, fue importante el

resurgimiento del interés en el campo de las redes neuronales. Siendo este movimiento

altamente influenciado por factores como la aparición de libros y conferencias que

dieron a conocer las ventajas de esta técnica a personas de diferentes áreas, la

introducción de cursos en los programas académicos de las principales universidades

europeas y americanas y el financiamiento a proyectos de investigación en redes

33 Adaptado de http://members.tripod.com/jesus_alfonso_lopez/RnaIntro.html, Pagina Web vigente al 10 de junio de 2007.

neuronales en Europa, EUA y Japón que han hecho que aparezcan una gran variedad

de aplicaciones comerciales e industriales.34

2.2.3.1.6. ESTADO ACTUAL DE LAS REDES NEURONALES ARTIFICIALES

La IA esta aun muy lejana a la inteligencia animal; por ejemplo la máquina más

“inteligente”, no tiene la capacidad de un niño de 3 años y mucho menos el sentido

común de un adulto. Sin embargo, se han hecho grandes avances en este campo en

menos de un siglo, o por lo menos lo suficientes como para generar las financiaciones

de investigaciones.

Se encuentran comercialmente circuitos integrados basados en RNAs y las aplicaciones

desarrolladas resuelven problemas cada vez más complejos. Sin lugar a dudas, hoy es

un periodo de transición y fuerte evolución para la tecnología en redes neuronales. 35

2.2.3.2. ELEMENTOS DE UNA RED NEURONAL ARTIFICIAL

Las redes neuronales artificiales han sido creadas para imitar o igualar el

funcionamiento del cerebro humano, en este sentido y a pesar de que las RNA no

alcanzan la complejidad del cerebro, existen ciertos aspectos similares, de hecho se

han definido términos que hacen referencia a fenómenos que ocurren en el cerebro

durante el funcionamiento normal de una RNB. Dichos términos se explican a

34 Tomado de http://members.tripod.com/jesus_alfonso_lopez/RnaIntro.html, Pagina Web vigente al 10 de junio de 2007. 35 Adaptado de http://members.tripod.com/jesus_alfonso_lopez/RnaIntro.html, Pagina Web vigente al 10 de junio de 2007.

continuación puesto que son la base de todas las teorías formuladas y adelantos

alcanzados en este campo.

2.2.3.2.1. CARACTERÍSTICAS PRINCIPALES DE LAS NEURONAS

ARTIFICIALES

Como se anuncio las características principales de las neuronas artificiales, fueron

captadas a través de los estudios realizados a las neuronas biológicas; su

comportamiento y funcionamiento fueron adaptados a las neuronas artificiales, pues el

único fin de estas ultimas es simular a las neuronas biológicas. Una vez mencionado lo

anterior se puede decir que las neuroredes tienen entre sus características:

• Adquirir conocimientos de las experiencias e irlo almacenando en el peso de las

conexiones entre neuronas.

• Tienen alta plasticidad y adaptabilidad, esto es, capacidad del sistema nervioso

de remodelar los contactos entre neuronas y la eficiencia de las sinapsis. La plasticidad

puede explicar la capacidad de aprendizaje.

• Son tolerantes ante los fallos, pueden sufrir daños considerables y continuar con

un buen desempeño.

• Son masivamente paralelas; el procesamiento de la información es realizado por

un número elevado de unidades procesadoras (neuronas), cada una de la cual realiza

un tipo de procesamiento simple.

• Son un sistema distribuido, puesto que la información no es almacenada en un

solo ente sino a través de las conexiones entre neuronas.

2.2.3.2.2. LA NEURONA ARTIFICIAL

Siendo una red de neuronas, el principal elemento de estas es precisamente la

neurona. Ahora bien en cuanto a RNA, existen varias formas de llamar a una neurona

artificial; unidad de procesamiento, neuronodo, nodo, ente otros. En este documento la

llamaremos simplemente nodo.

Un nodo no es más que un artefacto electrónico creado para emular el funcionamiento

de una neurona biológica, de manera que cada nodo (nodo) tendrá, en lo posible, las

mismas características fisiológicas y funcionales de las neuronas biológicas. (Figura 4)

FIGURA 4: COMPARACIÓN DE UNA NEURONA ARTIFICIAL Y UNA BIOLÓGICA (COMPLETAR)[36] [37]

Al igual que en el cerebro, los nodos captan señales del exterior y producen una única

salida hacia sus neuronas vecinas (una o más) luego de la realización de un calculo

interno, es decir que los neuronodos también sinaptan. En el nodo podemos identificar

los siguientes elementos; básicos en su composición. (Figura 5).

36 CIDISI. Redes Neuronales y sus aplicaciones. Facultad regional santa fe. Universidad tecnológica nacional. Argentina. 2007. 37 http://www.inf.unitru.edu.pe/~giia/trabajos/rnonline1.pdf

FIGURA 5: ELEMENTOS BÁSICOS DE UNA NEURONA BIOLÓGICA)38

• “Un conjunto de conexiones, cada una de las cuales esta caracterizada por un

coeficiente o peso. Estas conexiones, con su peso asociado, modelan el contacto entre

neuronas.

• Una función de red o de propagación; la cual calcula la entrada combinada total

de todas las conexiones de entrada

• Un núcleo central de procesamiento que se encarga de aplicar la función de

activación, la cual suele ser una función umbral

• La salida que es por donde se transmite el valor de activación a las demás

neuronas.”[39] [40]

38 http://www.iim.umich.mx/publica/bajar/BARRERA/Articulo%204.pdf pagina Web vigente el 10 de marzo de 2007 39 Adaptado de http://www.iim.umich.mx/publica/bajar/BARRERA/Articulo%204.pdf pagina Web vigente el 10 de marzo de 2007 40 Adaptado de http://es.tldp.org/Presentaciones/200304curso-glisa/redes_neuronales/curso-glisa-redes_neuronales-html/c14.html pagina Web vigente el 10 de marzo de 2007

2.2.3.2.3. FUNCIONES EN EL MODELO DE NEURONA ARTIFICIAL

Una neurona recibe las entradas de sus vecinas mediante un proceso electroquímico y

entrega una salida de acuerdo a la cual se sigue propagando o no un impulso hacia las

neuronas vecinas. Ahora bien para modelar este comportamiento se han definido una

serie de funciones complementarias, puesto que usan como parámetros los resultados

de las otras por ello se describe de manera mas especifica las funciones que participan

en una RNA.

• Función de propagación (Netj)

Equivale a la combinación de las señales excitadoras e inhibidoras. En términos

matemáticos, es generalmente la suma ponderada de todas las entradas recibidas, es

decir, se suma cada entrada multiplicada por el peso correspondiente. Este valor se

conoce como potencial post-sináptico o sináptico. Ecuación 1.

( )∑ ⋅= )(tyiwijNetj

Ecuación 1. Función de propagación41

• Función de activación (F)

Combina el potencial sináptico arrojado por la función de propagación, con el estado

actual de la neurona para conseguir el futuro estado o nivel de activación [aj(t)] de la

misma (Ecuación 2). Existen varias clases de funciones de activación lineales, de

escalón o signoidales, las cuales se muestran en la figura 6.

( )NetjtajFtaj ),()1( =+

Ecuación 2. Función de activación42

41 Tomado de http://www.redes-neuronales.netfirms.com/tutorial-redes-neuronales/la-neurona-artificial-como-simil-de-la-neurona-biologica.htm pagina web vigente al 10 de junio de 2007

FIGURA 6: TIPOS DE FUNCIONES ACTIVACIÓN, DE IZQUIERDA A DERECHA ESCALÓN Y

SIGMOIDEA43

• Función de salida (Yj)

Convierte el estado de activación de la neurona en la salida de la misma hacia la

siguiente neurona. En algunos modelos esta función es la función identidad es decir que

la salida generada es el mismo nivel de activación. Ecuación 3. ver Anexo 12.

)())(( tajtajfj =

Ecuación 3. Función de salida44 42 http://www.redes-neuronales.netfirms.com/tutorial-redes-neuronales/la-neurona-artificial-como-simil-de-la-neurona-biologica.htm pagina web vigente al 10 de junio de 2007 43 http://es.tldp.org/Presentaciones/200304curso-glisa/redes_neuronales/curso-glisa-redes_neuronales.pdf pagina web vigente al 15 de marzo de 2007 44 http://www.redes-neuronales.netfirms.com/tutorial-redes-neuronales/la-neurona-artificial-como-simil-de-la-neurona-biologica.htm pagina web vigente al 10 de junio de 2007

2.2.3.3. ESTRUCTURA DE LAS REDES NEURONALES ARTIFICIALES

Las neuronas reciben información del exterior la procesan y la transmiten a sus vecinas,

según esto es entendible que las neuronas puedan organizarse según la función que

cumplen dando como resultado varias capas en una RNA.

• Capa de entrada

Estas neuronas reciben la información procedente de cada sinapsis para ser procesada.

• Capa de salida

Recibe la información procedente de la capa oculta y la envía a la red. En ocasiones

realiza una parte del procesamiento.

• Capa oculta

Las neuronas de esta capa toman la información de las neuronas de entrada, la

procesan y la entregan a las neuronas de salida. El número de estas neuronas

presentes en la red dependen del tipo de red que se quiera representar.45

FIGURA 7: CAPAS DE UNA RED NEURONAL ARTIFICIAL.46

45 Adaptado de http://www.redes-neuronales.netfirms.com/tutorial-redes-neuronales/la-neurona-artificial-como-simil-de-la-neurona-biologica.htm pagina web vigente al 10 de agosto de 2007. 46 http://supervisadaextraccionrecuperacioninformacion.iespana.es/working/RedNeuronalArtificial.png pagina web vigente al 10 de marzo de 2007.

De esta manera se tiene la red organizada según la función de sus neuronas, pero aun

no se ha descrito la manera como sus nodos se interconectan formando diversas

estructuras, en relación a esto también se puede clasificar las neuronas en tres tipos

diferentes de acuerdo a como la información fluye en la red neuronal.

• Redes con conexiones hacia delante

En este tipo de redes cada neurona de una capa se interconecta con todas las

neuronas de la capa siguiente (unión 1-n). La clave en estas redes es que ninguna de

las salidas de la neurona de una capa es entrada de otra neurona de la misma capa.

De esta forma se asegura el fluido de la información únicamente hacia delante (feed-

forward). Figura 8.

FIGURA 8: RED FEED-FORWARD47

• Redes con conexiones hacia atrás

Para este tipo de redes las conexiones también se dan desde una neurona de una capa

hacia todas las neuronas de la capa siguiente, la diferencia radica en que en estas si

esta permitida la conexión entre neuronas de la misma capa e incluso con las de los

47 http://logicalgenetics.com/assorted/recurrent-nns/feedforward-small.jpg. Pagina web vigente al 10 de mayo de 2007.

niveles anteriores (n-n). Se hace obvio el hecho de que estas neuronas deben tener por

lo menos dos capas. Figura 9.

FIGURA 9: RED FEED-BACK48

• Redes con conexiones lineales

En este caso las conexiones se dan entre dos neuronas de diferentes capas (1-1).

Figura 10. Este modelo se usa cuando la capa de entrada es algún dispositivo lector,

display, switch.

FIGURA 10: RED CON CONEXIONES LINEALES49

48 http://www.monografias.com/trabajos38/redes-neuronales/Image10688.gif. Pagina web vigente al 10 de mayo de 2007. 49 http://www.redes-neuronales.netfirms.com/tutorial-redes-neuronales/clasificacion-de-redes-neuronales-respecto-al-aprendizaje.htm. Pagina web vigente al 10 de marzo de 2007.

2.2.3.4. CLASIFICACIÓN DE LAS REDES NEURONALES ARTIFICIALES

Al momento de estudiar una RNA se pueden apreiar aspectos características para

distinguir un modelo de otro; en base a esos aspectos se puede efectuar una

clasificación; Puesto que el conjunto de estos aspectos constituyen el modelo.

2.2.3.4.1. TIPOS DE REDES DE ACUERDO CON LAS SEÑALES QUE RECIBE

Para que se efectúe el entrenamiento, la red debe recibir un conjunto de información, de

l naturaleza de esta información depende el procesamiento y la salida arrojada. De

acuerdo con el tipo de entrada que admite una RNA se puede clasificar en tres grupos;

• Redes analógicas o continuas

Los datos de entrada son valores reales continuos, acotado generalmente, por los

intervalos [-1,1] o [0,1]. En estas redes las salidas son igualmente análogas. Usan

habitualmente una función de activación sigmoidea o lineal.

• Redes discretas

Procesan entradas binarias y la respuesta es de la misma naturaleza. Usa una

función de activación escalonada.

• Redes híbridas

Por su parte estas redes reciben entradas discretas y la respuesta arrojada es

binaria. Un ejemplo de este tipo de redes es el perceptron.

2.2.3.4.2. TIPOS DE REDES DE ACUERDO A LA TOPOLOGÍA

La topología de una red esta enmarcada por el número de capas que esta posea, según

este criterio las RNA pueden ser de dos tipos:

• Redes monocapa

Estas solo poseen una capa de neuronas que emiten y reciben señales del exterior,

es decir que son a la vez entradas y salidas. En este tipo de redes es permitido

conexiones de una neurona hacia ella misma.

• Redes multicapa

En estas redes existen al menos las capas de entrada y la salida aunque en ciertos

casos puede haber una o varias capas intermedias.

2.2.3.4.3. TIPOS DE REDES DE ACUERDO AL MECANISMO DE

APRENDIZAJE

Siendo el aprendizaje la base fundamental de los mecanismos que se dan en la

neurona, se explica pues la importancia que tiene el método de aprendizaje que se elija.

Detalles como la eficiencia y la rapidez del método son fundamentales para elegir la

técnica de aprendizaje adecuada, a continuación se describen los cuatro tipos de

aprendizaje existentes:

• Aprendizaje supervisado

Consiste en la introducción de un conjunto de entradas a la red, a la vez, que se le

indica la salida que se espera. Un aplicativo x se encarga de la comparación de las

entradas (la obtenida y la deseada) y de acuerdo a lo obtenido, se hace una

variación en los pesos con el fin de reducir la discrepancia. Este aprendizaje suele

llevar un tiempo considerable, pero es muy exacto.

• Aprendizaje no supervisado

En este tipo se presentan a la red una serie de entradas pero no las salidas

deseadas, por lo cual la red internamente va creando un vector de salidas, es decir

que para una entrada cualquiera las respuestas serán siempre las mismas.

• Aprendizaje reforzado

Su principio de funcionamiento es similar al propuesto en el supervisado, pero en

este la información que se presenta a la red, es la mínima para su funcionamiento,

solo se dice si la respuesta es correcta o no. 50

Adicionalmente el aprendizaje puede dividirse según el periodo donde se lleve a cabo el

aprendizaje en:

• Redes on-line

Pueden adquirir nuevos conocimientos cuando se desee. Trabajan en tiempo real.

• Redes off-line

Solo puede adquirir conocimiento durante el aprendizaje. No aprenden en tiempo

real.

2.2.3.5. EJEMPLOS DE REDES NEURONALES ARTIFICIALES

Se menciono la popularidad que las redes neuronales han ganado en el periodo actual,

por lo cual se ha logrado avanzar en torno al desarrollo de nuevas teorías y de nuevas

investigaciones, sin embargo aun en la actualidad sigue haciéndose uso de modelos

propuestos hace décadas y que en su momento sentaron las bases –y continúan

haciéndolo- para las redes neuronales.

50 http://www.redes-neuronale.netfirms.com/tutorial-redes-neuronales/clasificcion-de-redes-neuronales-respecto-al-aprendizaje.htm

2.2.3.5.1. EL PERCEPTRON

Fue el primer modelo de RNA desarrollado (1958), fue hecho con base a la regla de

aprendizaje de Hebb. Tan pronto como Rosenbalt saco a la luz al perceptron, se

produjo en la comunidad científica un gran interés, de hecho se hicieron estudios con

redes de todos los tamaños, pero el único resultado favorable fue arrojado por el

perceptron de una capa, en la actualidad se consideran sinónimos RNA de una capa y

perceptron.

En la figura 11 se hace descripción del modelo de una neurona artificial, en donde el

soma se representa como un sumador de los estímulos externos zj, seguida de un

función no lineal yj = f(zj), en donde f(zj) es la función de activación.51

FIGURA 11: NEURONA ARTIFICIAL52

51 Adaptado de www.electronica.com.mx/neural/information/perceptron.html pagina web vigente al 5 de mayo de 2007. 52 http://www.depi.itch.edu.mx/apacheco/lengs/ann/pagina2.gif pagina web vigente al 5 de mayo de 2007.

La efectividad de la sinapsis, aquí esta dada por los pesos asignado para cada

interconexión, desde la neurona i hasta la j. en el perceptron cada entrada se multiplica

por el peso de la conexión, los resultados se suman y se comparan con un valor umbral,

el cual si es sobrepasado, se dice que la neurona se activo.

2.2.3.5.1.1. ARQUITECTURA DEL PERCEPTRON

El perceptron es una red de dos capas de neuronas, la primera se encarga de recibir las

señales y la segunda realiza todo el procesamiento. Existen autores quienes afirman

que la capa de entrada en los perceptrones, no es en si misma capa puesto que solo

recepciona las señales. En el perceptron las capas se conectan entre si con conexiones

completas, esto es, cada neurona de una capa esta conectada con todas las del

siguiente nivel.

FIGURA 12: PERCEPTRON53

53 http://es.wikipedia.org/wiki/Red_neuronal_artificial pagina web vigente al 5 de abril de 2007.

2.2.3.5.1.2. APRENDIZAJE DEL PERCEPTRON

El algoritmo de aprendizaje del perceptron es de tipo no supervisado. Para entender de

mejor manera el funcionamiento del perceptron, se han descrito a continuación los

pasos necesarios para que una red de tipo perceptron aprenda:

1. Se inicializan los pesos y el umbral.

2. Se entrega a la red un par de (entrada, salida esperada)

3. Se calcula la salida actual.

4. Si salida obtenida > 0, entonces se calcula el error

5. Adaptación de los pesos.

6. Se vuelve al paso uno.54

2.2.3.5.1.3. LIMITANTES DEL PERCEPTRON

El perceptron tiene solo una capa de entrada y otra de salida, lo cual no le permite

representar patrones complejos, de hecho solo puede hacerlo con patrones separables

en el plano, lo cual se conoce como separabilidad lineal. Como respuesta a este

inconveniente, se le agrego una capa mas la oculta, y una neurona mas para salida.

2.2.3.5.2. LA BACKPROPAGATION

“Backpropagation es un tipo de red de aprendizaje supervisado, que emplea un ciclo

propagación – adaptación de dos fases. Una vez que se ha aplicado un patrón a la

entrada de la red como estímulo, este se propaga desde la primera capa a través de las

54 Tomado de http://www.redes-neuronales.netfirms.com/tutorial-redes-neuronales/la-neurona-artificial-como-simil-de-la-neurona-biologica.htm pagina web vigente al 10 de junio de 2007

capas superiores de la red, hasta generar una salida. La señal de salida se compara

con la salida deseada y se calcula una señal de error para cada una de las salidas.

Las salidas de error se propagan hacia atrás, partiendo de la capa de salida, hacia

todas las neuronas de la capa oculta que contribuyen directamente a la salida. Sin

embargo las neuronas de la capa oculta solo reciben una fracción de la señal total del

error, basándose aproximadamente en la contribución relativa que haya aportado cada

neurona a la salida original. Este proceso se repite, capa por capa, hasta que todas las

neuronas de la red hayan recibido una señal de error que describa su contribución

relativa al error total. Basándose en la señal de error percibida, se actualizan los pesos

de conexión de cada neurona, para hacer que la red converja hacia un estado que

permita clasificar correctamente todos los patrones de entrenamiento”55.

FIGURA 13: BACKPROPAGATION56

55 Tomado de ttp://ohm.utp.edu.co/paginas/docencia/neuronales/Capitulo2/Backpropagation/ AntecedentesB.htm 1 mayo de 2007 56 http://www.depi.itch.edu.mx/apacheco/lengs/ann/pagina3.gif pagina web vigente al 5 de mayo de 2007.

2.2.3.5.3. EL MODELO HOPFIELD

Este modelo ha sido el responsable de la mayoría de los avances en la investigación

acerca de redes neuronales, puesto que esta construido con tan alto grado de

simplificación que se hace sencillo extraer las características importantes del sistema.

El modelo propuesto por Hopfield inicialmente era monocapa con n neuronas las

cuales, tenían valores de entrada y salida binarios y funciones de activación

escalonadas. Posteriormente se presento un modelo continuo que usaba funciones de

activación sigmodales.

Las redes basadas en el modelo de Hopfield, son redes de adaptación probabilística,

recurrentes. Su arquitectura tiene solo una capa pero posee interconexión total, la regla

de aprendizaje es el no supervisado.

Contrario a lo definido para las redes recurrentes, Hopfield brinda estabilidad, pues J.

Hopfield, su creador, sentó las bases para que una red que pudiera operar con memoria

autoasociativa, es decir almacenar la información y luego poder recuperarla aunque

halla sufrido deterioro. 57

2.2.3.5.3.1. CARACTERISTICAS DE HOPFIELD

Consiste en un conjunto n de nodos interconectados entre si, que actualizan sus valores

de manera asíncrona e independiente del resto de los nodos.

57 www.electronica.com.mx/neural/information/hopfield.html pagina web vigente al 2 de mayo de 2007.

Define el estado del sistema aplicando a los valores de activación, una función umbral;

si un nodo mantiene su valor de activación se dice que el elemento se estabilizo.

Dependiendo de cómo las neuronas actualicen sus salidas se dividen en paralelas y

secuenciales; en la paralela cada neurona hace la actualización simultáneamente, la

secuencial, se actualiza en cada interacción solo la salida de una neurona.

Las redes Hopfield son off-lines pues el entrenamiento y la ejecución son dos etapas

diferentes.

2.2.3.5.3.1.2. FUNCIONAMIENTO DE LAS REDES HOPFIELD

Para estas redes son diferenciables dos procesos esenciales, el primero de ellos el

proceso de entrenamiento y el segundo la ejecución; la red esta en capacidad de

almacenar en si misma toda la información que necesite durante el entrenamiento,

luego cuando se presente un estimulo, ella evolucionara hasta generar una salida que

valla de acuerdo con la entrada o la mas parecida si la entrada fue distorsionada.

El funcionamiento de una neurona en las redes Hopfield es básicamente:

• Cada neurona recibe la entrada del exterior y envía como salida esa misma

información a sus vecinas.

• Cada neurona recibe la información de sus vecinas y la de ella y las suma

multiplicadas por el peso correspondiente. Obteniendo la entrada neta.

• A la entrada se le aplica la función de transferencia. Y esa es la salida en ese

instante.

• Se repite el proceso hasta que las neuronas se estabilicen.

2.2.4. CIRCUITOS ENTRENADORES

Son herramientas, que nos facilita la comprensión y aplicación controlada, de los

conocimientos adquiridos en las distintas áreas de la electrónica (En este caso en

especial, los conocimientos de IA).

FIGURA 15: ENTRENADOR LÓGICO CE300 CON SERVO MOTOR CE300B 58

Este, a su vez consta de varios censores receptores de información, cuya función es

la de capturar señales del medio externo al sistema, para luego procesarlas. Y cuyo

resultado es arrojado por medio de salidas tales como, pantallas, motores, luces, etc.

Entre sus ventajas se encuentra, la de permitir montar o desmontar fácilmente circuitos

electrónicos diseñados por las personas que manipulan dichos dispositivos.

El diseñador es el encargado de adaptar el modelo a la configuración del circuito

entrenador, es decir, de establecer las conexiones físicas entre éste y el

microcontrolador59.

58 http://www.control-systems-principles.co.uk/whitepapers/spanishwp/02ServoPaper2SP.pdf 20 de agosto de 2007

2.2.5. MICROCONTROLADORES

Un microcontrolador es un dispositivo programable capaz de realizar diferentes

actividades que requieran de procesamiento de datos digitales y del control y

comunicación digital de diferentes dispositivos. 60

FIGURA 16: MICROCONTROLADOR61

“Los microcontroladores poseen una memoria interna que almacena dos tipos de datos;

las instrucciones, que corresponden al programa que se ejecuta, y los registros, es

decir, los datos que el usuario maneja, así como registros especiales para el control de

las diferentes funciones del microcontrolador.”62

De igual forma, requiere de un programa lógico, el cual busca administrar los recursos

internos del microcontrolador y realizar las funciones para las que fue programado. El

programa es almacenado en la memoria ROM del microcontrolador.

Los microcontroladores poseen principalmente una ALU, memoria de programa,

memoria de registros, y pines I/O de entrada y salida. De igual forma, requiere de un 59 http://server-die.alc.upv.es/asignaturas/LSED/2002-g03/Soft_Hard/herramientas_para_pic.pdf . pagina web vigente al 16 de Marzo de 2007 60 http://www.alos.5u.com/indexpic877.htm pagina web vigente al 16 de Marzo de 2007 61 http://www.superrobotica.com/images/S310130.JPG. pagina web vigente al 16 de Marzo de 2007 62 http://www.superrobotica.com/images/S310130.JPG. pagina web vigente al 16 de Marzo de 2007

programa lógico, el cual busca administrar los recursos internos del microcontrolador y

realizar las funciones para las que fue programado. El programa es almacenado en la

memoria ROM del microcontrolador.

Las aplicaciones, están realizadas en lenguaje maquina (assembler) para

microcontroladores, el cual es interpretado en forma binaria.

Es necesario transferir las aplicaciones a la memoria interna del microcontrolador y para

realizar esta tarea se emplea un programador físico, que es una herramienta hardware

cuyo propósito es el de escribir el programa en la memoria interna del dispositivo63.

2.2.5.1. TIPOS DE MICROCONTROLADORES

Existen numerosas clases de microcontroladores, cada uno orientado hacia una

aplicación especifica. Se considero pertinente mencionar solo los microcontroladores

relacionados con esta investigación. El PIC 16F84.

2.2.5.1.1 PIC 16F84

Este microcontrolador es fabricado por MicroChip Tecnologies, familia a la cual se le

denomina PIC. El modelo 16F84 posee varias características que hacen a este

microcontrolador un dispositivo muy versátil, eficiente y practico, de hecho es el mas

usado en el mercado. Algunas de estas características se mencionan a continuación:

• Soporta modo de comunicación serial, posee dos pines para ello.

63 Adaptado de: - http://www.electronicaestudio.com/microcontrolador.htm. 16 de Marzo de 2007 - http://es.wikipedia.org/wiki/Microcontrolador. 16 de Marzo de 2007

• Amplia memoria para datos y programa.

• Memoria reprogramable.

• Set de instrucciones tipo RISC que aunque reducido, posee las instrucciones

necesarias para facilitar su manejo.64

• Poseen gran documentación a nivel mundial en Internet.

• Son baratos y fáciles de programar.

2.2.5.1.2. COMPOSICIÓN DEL PIC 16F84

El PIC 16F84, contiene dentro de sí una serie de circuitos integrados que no cabe

enunciar, estos circuitos funcionan en base a las entradas que reciben del exterior, esto

a través de unos pines incrustados cuya función se describe a continuación:

FIGURA 17: ESTRUCTURA DEL PIC 16F8465

64 http://www.monografias.com/trabajos18/descripcion-pic/descripcion-pic.shtml pagina web vigente al 15 de mayo de 2007. 65 http://www.mstracey.btinternet.co.uk/pictutorial/picmain.htm. pagina web vigente al 23 de octubre de 2007.

• RA0 hasta RA4

El RA es un Puerto bidireccional, es decir puede ser configurado como entrada o

salida. El numero que sigue a RA es el numero del puerto, así que cuenta con 5 bits.

• RB0 hasta RB7

RB es también un Puerto bidireccional igual que el RA pero la diferencia radica en

que este cuenta con 8 bits.

• VSS y VDD

Estos puertos suministran la electricidad al PIC. VDD es la entrada positiva y VSS es

la entrada es negativa. El voltaje máximo que acepta el PIC es 6V y el mínimo 2V.

• OSC1/CLK IN y OSC2/CLKOUT

Estos van conectados a un reloj externo al PIC. Proporcionando un timer para el

mismo.

• MCLR

Este pin es usado para borrar las posiciones de memorias en el PIC, cuando se esta

reprogramando.

• INT

Este pin se usa para monitorear el PIC, dependiendo del valor se puede reiniciar o

detener cualquier programa que se este ejecutando.

• T0CK1

Este es otro reloj, pero este funciona internamente.66

66 http://www.mstracey.btinternet.co.uk/pictutorial/picmain.htm pagina web vigente al 23 de octubre de 2007.

2.2.5.1.3. PROGRAMACIÓN DEL PIC 16F84

Cada microcontrolador tiene un programa asociado en el cual se programa en el caso

del PIC no es la excepción, este cuenta con unas instrucciones básicas que permiten

programarlo, estas son descritas a continuación al igual que las instrucciones para el

ensamblador.

2.2.5.1.3.1. SET DE INSTRUCCIONES DEL PIC 16F84

Para entender mejor cada instrucción se explica a continuación el significado de

algunos parámetros:

f: Registro al que afecta la instrucción.

W: Acumulador.

b: Número de bit.

k: constante.

d: selección de destino del resultado de la instrucción, puede ser "0" o "1", si es "0" el

resultado se guarda en el acumulador (W) y si es "1" se guarda en el registro f al que

afecta la instrucción.

2.2.5.1.3.1.1. INSTRUCCIONES ORIENTADAS A REGISTROS

• ADDWF f,d

Suma W y el registro f, el resultado lo guarda según d (sí d=0 se guarda en W y sí

d=1 se guarda en f).

• ANDWF f,d

Realiza la operación AND lógica entre W y f, el resultado lo guarda según d.

• CLRF f

Borra el registro f (pone todos sus bits a cero).

• CLRW

Borra el acumulador.

• COMF f,d

Calcula el complementario del registro f (los bits que están a "0" los pone a "1" y

viceversa. Resultado según d.

• DECF f,d

Decrementa f en uno (le resta uno). Resultado según d.

• DECFSZ f,d

Decrementa f y se salta la siguiente instrucción si el resultado es cero. Resultado

según d.

• INCF f,d

Incrementa f en uno (le suma uno). Resultado según d.

• INCFSZ f,d

Incrementa f y se salta la siguiente instrucción si el resultado es cero (cuando se

desborda un registro vuelve al valor 00h). Resultado según d.

• IORWF f,d

Realiza la operación lógica OR entre W y f. Resultado según d.

• MOVF f,d

Mueve el contenido del registro f a W sí d=0 (sí d=1 lo vuelve a poner en el mismo

registro)

• MOVWF f

mueve el valor de W a f.

• NOP

No hace nada, solo pierde el tiempo durante un ciclo.

• RLF f,d

Rota el registro f hacia la izquierda a través del bit CARRY.

• RRF f,d

Lo mismo que RLF pero hacia la derecha.

• SUBWF f,d

Resta f y W (f - W). Resultado según d.

• SWAPF f,d

Intercambia los 4 primeros bit de f por los otros cuatro. Resultado según d.

• XORWF f,d

Realiza la operación lógica XOR (OR exclusiva) entre W y f. Resultado según d.

2.2.5.1.3.1.2. INSTRUCCIONES ORIENTADAS A BITS

• BCF f,b

Pone a "0" el bit b del registro f

• BSF f,d

Pone a "1" el bit b del registro f

• BTFSC f,b

Se salta la siguiente instrucción si el bit b del registro f es "0"

• BTFSS f,b

Se salta la siguiente instrucción si el bit b del registro f es "1"

2.2.5.1.3.1.3. INSTRUCCIONES ORIENTADAS A CONSTANTES Y DE

CONTROL

• ADDLW k

Le suma el valor k al acumulador (W).

• ANDLW k

Operación lógica AND entre W y el valor k (resultado en W).

• CALL k

Llamada a subrutina cuyo inicio esta en la dirección k

• CLRWDT

Borra el registro Watchdog

• GOTO k

Salta a la dirección k de programa.

• IORLW k

Operación lógica OR entre W y el valor k (resultado en W)

• MOVLW k

carga el acumulador con el valor k.

• RETFIE

Instrucción para volver de la interrupción

• RETLW k

Carga el valor k en W y vuelve de la interrupción

• RETURN

Vuelve de una subrutina.

• SLEEP

El PIC pasa a modo de Standby 67

2.2.6. LENGUAJES DE BAJO NIVEL

Lenguaje de programación que proporciona poca abstracción del microprocesador de

un ordenador. Este tipo de lenguajes es utilizado para la programación de drivers. Se

trabaja en líneas de instrucciones y con orientación a la maquina. 68

67 Tomado de http://perso.wanadoo.es/chyryes/tutoriales/pic6.htm Pagina web vigete al 23 de octubre de 2007. 68 http://es.wikipedia.org/wiki/Lenguaje_de_bajo_nivel pagina web vigente al 15 de mayo de 2007.

Estos lenguajes presentan característica frente a los otros tipos de lenguajes por que se

ejecuta rápidamente y con poco uso de memoria. El traslado desde él a lenguaje

maquina es mucho más fácil. Aunque en termino de facilidad de lectura de las

instrucciones y programación en él es considerablemente difícil; el programador debe

conocer las instrucciones. 69

Existen varios lenguajes ensambladores; lenguajes usados para generar códigos de

bajo nivel, uno de los mas usados es Assembler.70

2.2.6.1. ASSEMBLER

El término ensamblador (del inglés assembler) se refiere a un tipo de programa

informático que se encarga de traducir un fichero fuente escrito en un lenguaje

ensamblador, a un fichero objeto que contiene código máquina, ejecutable directamente

por la máquina para la que se ha generado. El propósito para el que se crearon este

tipo de aplicaciones es la de facilitar la escritura de programas, ya que escribir

directamente en código binario, que es el único código entendible por la computadora,

es en la práctica imposible. La evolución de los lenguajes de programación a partir del

lenguaje ensamblador originó también la evolución de este programa ensamblador

hacia lo que se conoce como programa compilador.

2.2.6.1.1. INSTRUCCIONES ASSEMBLER PARA PIC 16F84

69 http://es.wikipedia.org/wiki/Lenguaje_de_bajo_nivel pagina web vigente al 15 de mayo de 2007. 70 http://es.wikipedia.org/wiki/Lenguaje_ensamblador pagina web vigente al 15 de mayo de 2007.

Existen una serie de instrucciones que son para el ensamblador y hacen de

programación una tarea mucho más sencilla y sobre todo más legible.

• EQU

A través de esta instrucción se puede colocar nombre a un registro de memoria.

(VARIABLE1 EQU 0CH).

• #DEFINE

Similar a EQU, pero en este caso el nombre se le coloca a la instrucción entera.

(#DEFINE BANCO1 BSF STATUS,5)

• ORG

Indica al ensamblador la dirección de memoria de programa donde se guardará la

instrucción que vaya a continuación.

• END

Se escribe al final del programa para indicar que ya ha acabado. Si no se coloca

arrojara error.

A la hora de empezar a programar es importante tener un orden de esta forma:

• Los EQU y los #DEFINE van al principio y luego va el programa.

• El programa debe ser escrito en cuatro columnas separadas por tabuladores,

• En la primera columna se ponen las etiquetas a direcciones de programa.

• En la segunda columna se ponen las instrucciones En la tercera columna se

ponen Los registros o parámetros a los que afecta la instrucción.

• En la cuarta columna se ponen los comentarios que creas pertinentes seguidos

de un punto y coma.71

2.2.7. TÉCNICAS PEDAGÓGICAS DE APRENDIZAJE

71 http://perso.wanadoo.es/chyryes/tutoriales/pic7.htm. pagina web vigente al 23 de octubre de 2007.

Durante mucho tiempo se pensó que el aprendizaje solo dependía de la cantidad

esfuerzo invertido en la aprehensión de conocimientos, en la actualidad de ha

establecido que existen factores externos al estudiante que mejorar o imposibilitan de

asimilación de los conocimientos.

2.2.7.1. EL APRENDIZAJE

Si bien es cierto que el ser humano, es un ser biológico; Algo que lo separa de las

demás especies terrestres, es su capacidad de adaptarse al medio hostil en el cual se

encuentra.

La base del conocimiento, ingenio e innovación humana es su capacidad para

modificar su conducta a partir de la experiencia. Que obtiene, al interactuar con

factores extrínsecos, en un escenario externo. En pocas palabras su “capacidad de

aprendizaje”.

2.2.7.1.1. CONCEPTOS DE APRENDIZAJE

“Aunque no hay una definición de aprendizaje plenamente satisfactoria y

absolutamente compartida por todos los especialistas, sí existe una definición que

recibe el máximo consenso, y es ésta: se entiende por aprendizaje "un cambio más o

menos permanente de conducta que se produce como resultado de la práctica" (Kimble,

1971; Beltrán, 1984) “.72

72 Jesús Beltrán, Ed. Síntesis. Madrid, 2002. Tomado de: http://www.elprisma.com/apuntes/curso.asp? id=11846. Pagina web vigente al 1 de octubre de 2007.

En otras palabras es:”El mecanismo psicológico que mediatiza el proceso experiencia

(la adquisición de conocimiento en relación con una realidad externa)”. 73

El aprendizaje está condicionado a la experiencia. Sin esta no, podríamos sortear

situaciones parecidas a las ya vividas, de una forma satisfactoria. De esta relación

constante entre el hombre y el medio nace el conocimiento, base de nuestra ciencia

moderna.

Sin embargo, en la búsqueda de un nuevo conocimiento -más próximo a la verdad-

muchas veces es necesario “desaprender lo aprendido”. Lo que significa que en el

aprendizaje, es primordial la retroalimentación y la depuración de los errores.

Los seres humanos “Somos los únicos capaces de compartir, experiencias de éxito o

fracaso y dirigir conscientemente y voluntariamente la actividad de aprendizaje”. 74

Por ejemplo: La observación de los astros permitieron a científicos como Galileo y

Copernico. Revolucionar la ciencia de su época, al asegurar que la tierra giraba

alrededor del sol. Convirtiéndose así, en la antitesis del sistema geocéntrico.

Aceptado al menos durante 1000 años.

Nadie en la actualidad pone en duda al sistema heliocéntrico. Pero, tal vez en unos

años las conclusiones de Albert Einstein, serán rebatidas y darán paso a un nuevo

cuerpo del conocimiento.

73 http://medmayor.cl/apuntes/apuntes/psico/aprendizaje.ppt. Pagina web vigente al 1 de octubre de 2007. 74 www.gestiopolis.com/recursos3/docs/rh/tecapren.htm. Pagina web vigente al 1 de octubre de 2007.

2.2.7.1.2. TIPOS DE APRENDIZAJE

Existen varias formas con las cuales se logra que un ser humano aprenda. Por medio

de la utilización de estímulos que provienen del entorno donde se encuentra.

2.2.7.1.2.1. CONDICIONAMIENTO CLÁSICO

Es la asociación que surge entre dos estímulos. Cuando el primero de ellos

(condicionado) y otro que libera en el sujeto una respuesta involuntaria (estimulo

incondicionado). Se relacionan repetitivamente en un lapso de tiempo; logrando así, que

en el sujeto, el primer estimulo provoque una nueva respuesta, Semejante a la inhibida

por el estimulo incondicionado.

Es decir, que se produce una nueva asociación en el árbol del sentido común del sujeto,

por medio del aprendizaje.

Fue el neurólogo ruso Iván P. Pávlov el que desarrolló la teoría del reflejo condicionado

junto con su colega ruso Vladimir M. Bechterev.

“Pávlov, que en un principio lo denominó ‘secreción psíquica’, observó que la salivación

provocada en los perros al oler el alimento se podía producir ante un estímulo que nada

tenía que ver con comida, Pero que había sido presentado constantemente a la hora de

comer. La salivación del perro ante un pedazo de carne es un reflejo innato o

incondicionado, pero si se hace sonar una campana en el momento en que el perro

recibe la carne, después de varias ocasiones éste salivará sin necesidad de olerla.

Bastará el sonido de la campana para provocar en el animal un reflejo condicionado.

Según Pávlov, cuando se asocia el reflejo incondicionado al reflejo condicionado, éste

se refuerza. Si el estímulo no se refuerza o ejercita, el reflejo condicionado terminará

por debilitarse y desaparecer.” 75

2.2.7.1.2.2. CONDICIONAMIENTO OPERANTE

Ocurre cuando la conducta de un sujeto es inducida a seguir ciertos patrones de

comportamiento. Es decir, es premiada si es correcta (refuerzo positivo) y castigada si

es errónea (refuerzo negativo).

Este tipo de aprendizaje se basa, en la manipulación de las posibilidades que ocurra un

suceso o estimulo proveniente del entorno del sujeto. La utilización de un refuerzo

positivo logrará que el individuo repita su conducta en un futuro y al usar un refuerzo

negativo se logrará que el sujeto inhiba la conducta por la cual fue castigado.

FIGURA 18:TEORÍA DEL CONDICIONAMIENTO OPERANTE DE SKINNER76

75 Tomado de Biblioteca de Consulta Microsoft ® Encarta ® 2005. 76 Biblioteca de Consulta Microsoft ® Encarta ® 2005.

“Como se ve en la imagen, los refuerzos positivos condicionan al ratón para que

encuentre el final del laberinto. El ratón es recompensado con un alimento cuando llega

a la primera etapa (A). Una vez que este tipo de conducta se ha arraigado, el ratón no

recibe más recompensas, hasta que alcanza la segunda etapa (B). Después de varios

intentos, el ratón debe encontrar el final del laberinto para recibir su recompensa (C). La

investigación de Skinner sobre condicionamiento operante le llevó a la conclusión de

que las recompensas más simples pueden condicionar formas complejas de

comportamiento”. 77

2.2.7.1.2.3. APRENDIZAJE SOCIAL

“Es un proceso mediante el cual la conducta de un individuo de modifica como resultado

de observar, escuchar o leer sobre la conducta de un modelo. Este modelo a imitar es

valorado positivamente por el observador, en cuanto a status, prestigio. Los modelos

pueden ser reales o simbólicos.” 78

2.2.7.2. CONCEPCIÓN PEDAGÓGICA DE UN PROCESO DE ENSEÑANZA

– APRENDIZAJE.

Para valorar las relaciones existentes entre estos conceptos se debe primero entender

los cada uno de los términos relacionados; por educación se entiende, la educación

como un sistema de influencias conscientemente organizado, dirigido y sistematizado

sobre la base de una concepción pedagógica determinada.

77 Tomado de Biblioteca de Consulta Microsoft ® Encarta ® 2005. 78 www.gestiopolis.com/recursos3/docs/rh/tecapren.htm. Pagina web activa al 1 de octubre de 2007

Ahora bien, educación e instrucción son términos diferentes, siendo el segundo el

sistema de información, los conocimientos y procedimientos a los que el estudiante

debe alcanzar. En otras palabras la instrucción esta relacionada con los métodos

didácticos de los que se hace uso en la educación. 79

La articulación de estos conceptos da origen a la enseñanza, la cual se define desde un

punto de vista pedagógico como la dirección, orientación y control del aprendizaje,

incluyendo el autocontrol y la auto dirección en el proceso. Desde el mismo punto de

vista el aprendizaje se define como un proceso en el que el estudiante, en un contexto

especifico y con un método de dirección; desarrolla capacidades, hábitos y habilidades

que le permiten apropiarse de la cultura y de los medios para conocerla y enriquecerla.

Al concebir la relación entre la enseñanza y el aprendizaje a partir del enfoque histórico,

se asume que la educación y la enseñanza guían el desarrollo y a su vez toman en

cuenta las regularidades del propio desarrollo, este es un producto de la actividad y de

la comunicación del estudiante con dicho proceso.

Según la concepción pedagógica, todo proceso de enseñanza aprendizaje debe ser;

individual, comunicativo, motivante, cooperativo y significativo.

2.2.7.2.1 LEYES PEDAGÓGICAS

El aprendizaje es un proceso unido a la enseñanza, integrado por categorías,

configuraciones y componentes. Las relaciones entre las configuraciones del proceso

de enseñanza aprendizaje adquieren una significación especial en tanto establecen la

79 http://www.monografias.com/trabajos26/aprendizaje-desarrollador/aprendizaje-desarrollador.shtml#conceppedag Pagina web activa al 1 de octubre de 2007

dinámica de sus componentes y permiten la explicación de cada uno de estos y del

proceso en su conjunto.

• La escuela en la vida, que expresa la relación entre las categorías pedagógicas:

problema, objeto y objetivo.

• La enseñanza mediante la afectividad, que expresa la relación entre las

configuraciones o categorías pedagógicas: objetivo, contenido y método.

El problema abarca todas aquellas lagunas del conocimiento, presentes en el objeto las

cuales deben solucionarse. El problema se convierte pues en el eje central del proceso

de enseñanza, pues se camina en busca de la solución al mismo.

El objeto es básicamente todo el contenido del cual el estudiante debe apropiarse.

El objetivo es la meta o modelo pedagógico a alcanzar.

El contenido debe ser el mismo objeto para que resulte importante al individuo.

El método es la técnica que utiliza el estudiante para apropiarse del contenido.

2.2.7.2.2. CONCEPTUALIZACIÓN DEL APRENDIZAJE COMO PROCESO

COGNITIVO AFECTIVO

En todo proceso de enseñanza aprendizaje la apropiación de conocimientos es un tipo

de actividad mediante la cual se produce la conjugación de los productos de la

experiencia ajena con los indicadores de la propia.

El método de enseñanza debe ser motivador y generar al máximo el interés por

aprender y a la vez debe ofrecer una respuesta a la necesidad de que los estudiantes

aprendan con las vivencias diarias, es decir con la realidad social que se torna

cambiante y es muy dinámica.

En cualquier método de enseñanza debe haber centrado un objetivo, o sea los logros

que se deben alcanzar en el proceso de enseñanza-aprendizaje:

• Logros cognoscitivos; saber.

• Logros procedimentales; saber hacer.

• Logros actitudinales; ser, convivir.

Todos estos logros deben estar en función de desarrollar en la persona su capacidad de

pensar, sentir y actuar.

En el proceso de enseñanza- aprendizaje las personas deben afrontar la solución de

problemas nuevas, para que de esta manera aprendan a adquirir nuevos conocimientos

y a emplear dichos conocimientos.

2.2.7.2.3 LAS TAREAS DEL PROCESO DE ENSEÑANZA - APRENDIZAJE

En un proceso de enseñanza se proponen tareas que tiene por objetivo dirigir, de

manera óptima, el proceso autónomo y consciente de construcción de conocimientos,

habilidades y valores por parte de las personas, en cuyo orden y organización se

evidencia el método empleado por estos para estructurar el proceso.

Estas tareas, se implementan a través de procedimientos, técnicas y recursos, que se

estructuran en función de los medios materiales de los que se disponga.

La finalidad de las tareas de enseñanza es dirigir el aprendizaje de los estudiantes para

que su actuación este acorde con las exigencias de la sociedad.

Las tareas de enseñanza aprendizaje que deben desarrollarse para dirigir un proceso

de aprendizaje autónomo y consciente, vivencial y desarrollador se caracteriza por:

• Encauzar la formulación de conceptos

• Promover la emisión de hipótesis y las posibles vías de la solución

• Orientar la construcción de conocimientos y habilidades, que permitan el empleo

de métodos y procedimientos.

• Valorar la reflexión y la profundidad de las soluciones alcanzadas.

De igual forma la dirección de un proceso, como es el proceso de enseñanza

aprendizaje, tiene que partir de la consideración de una metodología integrada por

etapas, eslabones o momento a través d e los cuales transcurre el aprendizaje. Estas

etapas no implican una estricta sucesión temporal de pasos, por el contrario se

superponen y se desarrollan de manera integrada, no es un algoritmo, aunque en

determinado momento prevalezca una de ellas.

2.2.7.2.4. ETAPAS METODOLÓGICAS DE UN PROCESO DE ENSEÑANZA -

APRENDIZAJE

Las etapas de la metodología de un proceso de enseñanza aprendizaje son:

• Motivación

Etapa inicial del aprendizaje donde se crea una expectativa que mueve el

aprendizaje. Se motiva haciendo el planteamiento del problema.

• Comprensión

Es la atención de las personas sobre lo que es importante, consiste en el proceso de

percepción de aquellos aspectos que ha seleccionado y que le interesa aprender.

• Sistematización

Es la etapa crucial en el proceso de enseñanza aprendizaje, aquí es donde el

estudiante se apropia de los conocimientos habilidades y valores. Aquí se desarrolla

el dominio del contenido que le fue inicialmente mostrado.

• Transferencia

Es la ejercitación y aplicación del contenido asimilado.

• Retroalimentación

En esta etapa se compara el resultado con respecto a lo planteado inicialmente,

valorando como fue asimilada toda la información vista. En palabras más sencillas

se evalúan los procesos, se identifica que tanto se aprendió.

2.3. MARCO CONCEPTUAL

Aprendizaje: Es la capacidad de las neuronas artificiales de adiestrarse por medio de

su experiencia.

Aprendizaje supervisado: Es un tipo de aprendizaje en cuanto a las redes neuronales,

en el cual se suministra a la red la entrada y salida deseada y esta debe ajustar su peso

tratando de minimizar el error de su salida.

Aprendizaje no supervisado: Es este caso solo se le proporciona a la red los

estímulos y esta es quien debe decidir a través de un parámetro predefinido cual será la

salida.

Artificial: Algo hecho por el hombre, no natural.

Axón: Es la salida de la neurona. Se utiliza para enviar impulsos o señales a otras

células nerviosas.

Capa: Conjunto de neuronas cuyas entradas provienen de la misma fuente y sus

salidas se dirigen al mismo destino, el cual puede ser otra capa de neuronas.

Célula: Unidad fundamental de los organismos vivos.

Circuito: Conjunto de conductores que recorre una corriente eléctrica, y en el cual hay

generalmente intercalados aparatos productores o consumidores de esta corriente.

Condicionado80: Cuando dos eventos o situaciones se asocian de manera que la

aparición de uno genera la presencia de otro.

Conexión: Punto de unión entre el axón y las dentritas de 2 o mas neuronas.

Dentritas: Inicia en el soma en forma de delgadas ramificaciones. Son las que reciben

señales provenientes de otras neuronas. En otras palabras son las conexiones de

entrada a la neurona.

Depuración81: Eliminar fallas. Corregir un problema en hardware (Significa encontrar

los errores en el diseño del circuito) o software (encontrar los errores en la lógica del

programa).

Entrenamiento: proceso que consiste en presentar de forma repetida las entradas y

sus correspondientes salidas. Para lo cual, la red produce una salida que se compara

con el peso ideal y se genera un error. El valor del error se utiliza como realimentación

para aplicar a un algoritmo de corrección de los valores o pesos de conexión entre las

neuronas.

Estímulo82: Agente físico, químico, mecánico, etc., que desencadena una reacción

funcional en un organismo.

Error: Es la diferencia entre la salida deseada de la red y la arrojada por la misma.

80 http://medmayor.cl/apuntes/apuntes/psico/aprendizaje.ppt. 1 de octubre de 2007. 81 Alan Freedman. Diccionario de Computación Bilingüe. Mc Graw Hill. Séptima edición. Volumen 3. 1996. 82 Biblioteca de Consulta Microsoft® Encarta® 2005

Experiencia: Conocimiento adquirido por medio de las situaciones vividas y sirve de

plan de acción, para solucionar problemas semejantes a los cuales nos permitieron

adquirirla.

Factores Extrínsecos: Agentes externos, procedentes del medio que pueden

influenciar en el comportamiento de un sujeto.

IA: Siglas de Inteligencia Artificial.

Inteligencia: Palabra que hace parte del término “Inteligencia artificial”. Es la capacidad

de entender o comprender y de resolver problemas. 83

Inteligencia artificial84: Desarrollo y utilización de ordenadores con los que se intenta

reproducir los procesos de la inteligencia humana.

Medio: Ecosistema, entorno o contexto con el cual interactúa un sujeto.

Microcontrolador Es un chip que contiene pequeños circuitos que pueden ejecutar

comandos básicos de una computadora.

Mielina: Lipoproteína que constituye la vaina de las fibras nerviosas. 85

Neurona artificial: Es un circuito eléctrico que procesa las señales que recibe de otras

unidades iguales, produciendo en la salida un uno o un cero.

83 Biblioteca de consulta Microsoft Encarta 2005. 84 http://es.wikipedia.org/wiki/M%C3%A1quina pagina web vigente al 7 de octubre de 2007 85 Biblioteca de consulta Microsoft Encarta 2005.

Neurona calculadora u ocultas: Son aquellas que no tienen contacto con el medio,

sirven de puente entre las neuronas de entrada y de salida. Ayudan a disminuir el error

de la salida final de la red.

Neurona de entrada: Sirven de receptores de la información proveniente del medio con

el que interactúa la neurona.

Neurona de salida: Entrega la respuesta de la red, la cual, dependiendo del valor,

afecta el comportamiento de toda la red.

Orgánulo: Unidad estructural y funcional de una célula u organismo unicelular.86

Patrón87: Modelo que sirve de muestra para sacar otra cosa igual.

Modelo que sirve de muestra para sacar otra cosa igual.

Peso: Es el valor optimo o ideal al que debe llegar la relación entre uniones neuronales,

se incrementa su valor a través de la sinapsis entre dos neuronas.

Placa Base: Placa principal que contiene los componentes fundamentales de un

sistema de computación.

Procesar88: Inferir sobre una información dada, sometiendo la aun aserie de cálculos

para obtener una respuesta deseada.

Redes informáticas: Interconexión de dos o más dispositivos informáticos cuyo

objetivo es compartir los recursos que cada uno tiene.

86 Biblioteca de consulta Microsoft Encarta 2005. 87 Biblioteca de Consulta Microsoft® Encarta® 2005. 88 Biblioteca de Consulta Microsoft® Encarta® 2005.

Red neuronal Conjunto de neuronas interconectadas. Dependiendo de la topología a

implementar.

Reflejo: Acción involuntaria producida por un estimulo externo.

Retroalimentación89: Es un mecanismo, mediante el cual una parte de la salida de un

sistema o de una maquina retorna como entrada. También llamada servomecanismo.

Sirve para comparar la manera como un sistema funciona en relación con el patrón

establecido para su funcionamiento.

Sensor90: Dispositivo que detecta una determinada acción externa, y la transmite

adecuadamente para ser procesada.

Sentido común: Es una recopilación constante de conocimientos adquiridos mediante

la estimulación de los sentidos, que sirven de base para decidir cursos de acción en

situaciones similares a las vividas.

Sinapsis: Establece la comunicación entre dos células. Se origina del acercamiento

entre el axón de una neurona con las dentritas de otra. Esta cuasi unión puede ser

excitadora o inhibidora según el transmisor que las libere.

Socket: Artefacto electrónico donde se acopla un microprocesador o un

microcontrolador.

Soma: Es el cuerpo de la neurona, contiene el núcleo.

89 Chavenato Idalberto. Introducción a la teoria general de la administracion. Mc Graw Hill. 3 edición. 1990 90 Biblioteca de Consulta Microsoft® Encarta® 2005.

Switch: Mecanismo destinado a interrumpir o establecer un circuito eléctrico. Interruptor

Umbral: valor de comparación dependiendo del cual si es sobrepasado o no la neurona

se excita o se inhibe.

Unión excitadora: Produce, mediante un estímulo, un aumento de la actividad de una

neurona.

Unión inhibidora: Suspende transitoriamente la función o actividad de una neurona.

Topología: Forma. Aplicado a las redes neuronales es la forma como se conectan las

neuronas y como realizan los cálculos.

Umbral Valor mínimo de una magnitud a partir del cual se produce un efecto

determinado.

Voltaje: Cantidad de voltios que actúan en un aparato o sistema eléctrico.

3. DELIMITACIÓN

Una vez definido el proyecto a realizar y sistematizada la información relacionada con

este, es necesario establecer los parámetros de tiempo, espacio, técnico y financiero;

en otras palabras el alcance del proyecto.

3.1. Delimitación Financiera

Para el desarrollo y puesta en marcha del entrenador de redes neuronales, se requiere

de una serie de recursos los cuales están estipulados en el presupuesto del proyecto,

dichos recursos provienen de los investigadores del proyecto.

Ver anexo 11.

3.2. Delimitación Técnica

Para el desarrollo del proyecto se deben tener conocimientos en lenguajes de

programación secuencial, lenguaje ensamblador -de bajo nivel- para el microcontrolador

de referencia 16F84, técnicas de enseñanza-aprendizaje, Inteligencia Artificial, sistemas

neuronales biológicos, métodos de recopilación de información, así como también es de

mucha importancia tener conocimientos de electrónica (circuitos digitales).

3.2.1. Delimitación Tecnológica

Para realizar este proyecto necesitamos un simulador de PIC se usara simupic84 uno

de los más conocidos, un traductor de código ensamblador a código hexadecimal en

este caso MPASM, una tarjeta quemadora de PIC con su respectivo software de

quemado WINPIC800; También se hará uso de microcontroladores PIC16F84.

3.3. Delimitación Temporal Y Espacial

Con el fin de acotar de manera más precisa nuestro proyecto, procedemos a definir a

continuación límites de tiempo de desarrollo y ubicación del mismo.

3.3.1. Delimitación Temporal

El tiempo estipulado para el desarrollo completo del proyecto es de 8 meses, el cual

incluye los dos periodos académicos cursados desde Febrero a Octubre del año 2007.

3.3.2. Delimitación Espacial

La Universidad Autónoma del Caribe, cuyas instalaciones se encuentran ubicadas en el

departamento del Atlántico; al norte de la ciudad de Barranquilla entre la calle 90 y la

carrera 46, la cual cuenta con un laboratorio de robótica epicentro de esta investigación.

Ver anexo 5.

4. DISEÑO METODOLÓGICO

En toda investigación lo significativos son los resultados que esta arroje y los aportes

que pueda realizar a su línea de estudio, estos deben ser lo mas exactos posible, para

ello es necesario hacer uso de pautas que guíen rigurosamente el curso de acción de la

investigación y que garanticen la representatividad y confiabilidad de los resultados

arrojados por esta.

De estas pautas surgen una serie de aspectos a tener en cuenta, que para este caso

específico se describen a continuación.

4.1. TIPO DE INVESTIGACIÓN.

Esta investigación es aplicada, puesto que como su nombre lo indica su objetivo es la

aplicación, utilización y consecución de resultados por medio de la práctica de los

conocimientos ya publicados y aceptados sobre RNA, por medio de la implementación

de un entrenador. Es de tipo descriptiva, puesto que con este proyecto se quiere

representar de forma mecánica una neurona biológica, basándonos en las

características que a través de estudios previos, se han logrado percibir y simular.

Como lo es la interacción entre ellas para lograr un objetivo común.

Para una efectiva simulación de estas redes se hace necesaria no solo conocer las

características, sino también alterar los valores de las variables que inciden en el

comportamiento de la neurona, por lo que bajo ese orden de ideas, la investigación es

también experimental.

4.2. TIPOS DE ESTUDIO.

Debido a que el objetivo central de este proyecto, es describir, mostrar y simular el

funcionamiento de una RNA. Será necesario, para un correcto desarrollo metodológico,

la utilización de un método de estudio descriptivo. Que como su nombre lo indica, Nos

servirá para examinar como son, como funcionan y cuales son los factores que influyen

en las RNA.

Además, será imprescindible la utilización de un método de estudio experimental. Ya

que; Si bien es cierto, que con el método descriptivo podremos analizar el

funcionamiento neuronal. Solo con el experimental podremos percibir, Cuales son los

efectos que causan en el funcionamiento de la red, la manipulación de agentes internos

y externos a la misma. Tal es el caso de las entradas, el peso de la sinapsis neuronal,

las funciones de activación, etc.

4.3. MÉTODO

En sus inicios el método de investigación de este proyecto, se basó en la observación

directa; Que permitió identificar la situación problema (Falta de herramientas Hardware

para procesos de enseñanza–aprendizaje en ramas de la inteligencia artificial, teles

como las RNA), a resolver por medio de esta investigación descriptiva-experimental. Así

mismo, se reflexionó sobre las posibles causas y efectos, de esta problemática en la

Universidad y se formuló una posible solución (Entrenador de RNA).

Por medio de las encuestas y entrevistas, se logró recoger la opinión e los actores

principales (Alumnos y docentes) del sistema que se pretendía desarrollar. Gracias a

estas técnicas de recolección de información, se demostró que el problema era real;

Confirmando así, la necesidad de crear un entrenador de RNA.

Por consiguiente, se reunió a través de consultas bibliográfícas y el Internet, la

información necesaria para el diseño del entrenador RNA. Tanto en su parte física

(circuito entrenador), como en su parte lógica (Códigos neuronales).

Todo, lo anteriormente descrito, se sistematizó en un cronograma de actividades, que

se utilizó para la administración del tiempo. Asegurando así, el cumplimiento de lo

pactado en los objetivos y el alcance del proyecto.

4.4. TÉCNICAS DE RECOLECCIÓN DE LA INFORMACIÓN

Para delimitar y conocer a ciencia cierta, que componentes integraran nuestro proyecto

es necesaria la utilización de distintas técnicas de recolección de información tales

como encuestas, entrevistas entre otras, además de la revisión bibliografíca y de

fuentes secundarias.

4.4.1. TÉCNICAS DE RECOLECCIÓN PRIMARIAS

Son las fuentes principales de las que se recopila la información necesaria, confiables

por lo que se tiene un contacto directo con la fuente de información sin ningún tipo de

cambio o manipulación. Las manejadas en este caso se listan a continuación.

4.4.1.1. OBSERVACIÓN DIRECTA

Se materializo en el laboratorio de inteligencia artificial y robótica de la Universidad

Autónoma del Caribe, al observar la falta de herramientas hardware que permitan la

puesta en práctica de conocimientos en temas como redes neuronales.

4.4.1.2. ENCUESTAS

Se realizaron al personal estudiantil implicado, esto es, los estudiantes de ingenierías

electrónica y de sistemas de noveno y décimo semestre de la universidad, quienes

utilizan el laboratorio de IA y robótica, la encuesta se hizo en base a preguntas cerradas

a un numero total de 167 estudiantes; 84 de ingeniería de sistemas y 85 de ingeniería

electrónica, que fueron tabuladas para un análisis posterior. (Ver anexo 6, 7 y 8).

4.4.1.3. ENTREVISTAS

Por medio de la entrevista se obtuvo de manera explicita el aval para la realización de

este proyecto; dada la respuesta de los entrevistados, en este caso los expertos en IA

con los que cuenta la universidad. La entrevista fue elaborada con respuestas abiertas

con el fin de conocer a fondo la opinión de los entrevistados. (Ver anexo 9 y10).

4.4.2. TÉCNICAS DE RECOLECCIÓN SECUNDARIAS

Para la realización de este proyecto se acudió a fuentes secundarias como medio de

consulta, con el objetivo de documentarnos sobre los temas necesarios para el

desarrollo de esta investigación, estas fuentes secundarias fueron las siguientes:

4.4.2.1. FICHAS BIBLIOGRÁFICAS

Con el fin de de identificar claramente los libros que han servido de apoyo para el

desarrollo de esta investigación, se han diseñado fichas bibliográficas en las que se

proporciona toda la información necesaria para que el lector pueda profundizar los

conceptos estudiados en esta investigación.

Ver Anexo 14

4.4.2.2. INTERNET

Debido al carácter investigativo de los conceptos relacionados con RNA, se utilizo la

Internet como una poderosa herramienta para obtener la mayor cantidad de

información. Ver Anexo 13

4.5. INSTRUMENTOS UTILIZADOS

Adicional a las técnicas de recolección ya mencionadas se utilizaron algunas otras

como apoyo a la investigación buscando hacer un mejor monitoreo y estructuración de

la investigación.

4.5.1. CRONOGRAMA DE ACTIVIDADES

Se identificaron las actividades críticas que hacen parte de la realización de este

proyecto y se delimitaron en términos del tiempo destinado para la realización de cada

una.

El cronograma se referencia en el anexo 3.

4.5.2. PRESUPUESTO

Se estimó un presupuesto de gastos para la realización de este proyecto con el fin de

valorar la viabilidad del mismo en cuanto a términos económicos.

El Presupuesto se referencia en el anexo 11.

4.6. POBLACIÓN OBJETIVO

Estudiantes de noveno y décimo semestre de ingeniería de sistemas y de ingeniería

electrónica de la Universidad Autónoma del caribe que hayan cursado o estén cursando

actualmente la asignatura Tecnología de sistemas II (Inteligencia artificial). El número

total de estos es 300, descritos de mejor maneja en el Anexo 4.

4.6.1. JUSTIFICACIÓN ESTADÍSTICA DE LA MUESTRA

Para sacar el tamaño de la muestra se tomó la población total de los estudiantes de

Ingeniería electrónica e ingeniería de sistemas que estén cursando actualmente noveno

(9) y décimo (10) semestre. De esta población se tomó una muestra que representara el

total de la población y a la cual se va a tomar para realizar las encuestas.

4.6.2. TAMAÑO DE LA MUESTRA.

Para determinar el tamaño de la muestra, se realizaron cálculos basados en una

formula estadística, de tipo estratificado, de la siguiente manera:

eN

Nn

21 +

=

Donde; N = La población Objetivo

e = Error, del 5,08%

n = Muestra de la población objetivo

Por lo cual, la selección de la muestra, en esta investigación se obtuvo al analizar la

población objetivo, que fueron los estudiantes de noveno y décimo semestre de

ingeniería electrónica y de sistemas (300 estudiantes); Siendo el resultado de la

muestra: 169 estudiantes discriminados de la siguiente manera:

Programa

Semestre Ingeniería de sistemas

Ingeniería

electrónica Total

Noveno 41 41 82

Décimo 43 44 87

Total 84 85 169

Tabla 1: Población objetivo

5. ANÁLISIS E INTERPRETACIÓN DE RESULTADOS.

Teniendo en cuenta, que este proyecto está destinado a facilitar el proceso enseñanza-

aprendizaje de las redes neuronales, materia cursada en los grados 9 y 10 de ingeniería

electrónica y de sistemas, hemos considerado como objeto de nuestra encuesta

precisamente a estos estudiantes, ya que de sus verdaderas necesidades depende la

implementación satisfactoria de nuestra solución (Entrenador RNA).

Por ello, los interrogamos sobres sus conocimientos acerca de las RNA y descubrimos

que estos son muy escasos (solo el 17.16% conoce sobre aplicaciones que utilicen esta

tecnología). El tema esta tildado erróneamente de complicado y de accesible solo para

unos cuantos.

Sin embargo, La mayoría (84,62%) sabe que la universidad cuenta con un laboratorio

especializado en el área de robótica e inteligencia artificial. Pero, solo el 37,28 conoce

sobre los proyectos que se están realizando sobre este tema en la actualidad.

Además percibimos la necesidad, que tienen de herramientas físicas, como nuestro

entrenador, que les permita palpar los conocimientos teóricos adquiridos en las aulas de

clase (el 98,82% dijo necesitar una herramienta física para practicar los conceptos de

R.N.A.).

Contradictoriamente, el 100% piensa, que la IA será necesaria en un futuro no muy

lejano y ven en ella un método para realizarse profesionalmente, por lo cual, desean

profundizar sus conocimientos sobre estos temas.

5.1 TABULACIÓN DE LAS ENCUESTAS

A continuación se muestra el gráficamente el resultado de la encuesta practicada a los

estudiantes de noveno y décimo semestre de los programas de ingeniería mecánica y

electrónica.

5.1.1 NOVENO SEMESTRE DE INGENIERÍA DE SISTEMAS

1.- ¿Conoce usted alguna herramienta de uso cotidiano que aplique conceptos de

Inteligencia Artificial (IA)?



3483%

717%

No

Si

2.- ¿Ha usted escuchado hablar de Redes Neuronales Artificiales?

3.- ¿Sabia usted que la universidad cuenta con un laboratorio de IA y robótica?


1229%

2971%

No

Si

3.- ¿Sabía usted que la universidad cuenta con un laboratorio de IA y robótica?

25%

3995%

No

Si

4.- ¿Ha manejado alguna herramienta software o hardware en el laboratorio de

Inteligencia Artificial y robótica?

5.- ¿Sabe usted si actualmente se están realizando, practicas con herramientas

hardware en el laboratorio de inteligencia artificial y robótica?



3380%

820%

No

Si



2254%

1946%

No

Si

6.- ¿Cree usted que las herramientas con las que cuenta el laboratorio facilita la

comprensión de los conocimientos vistos en el área de inteligencia artificial?

7.- ¿Esta informado acerca de los proyectos de inteligencia artificial desarrollados en la

universidad?



1741%

2459%

No

Si


universidad?

3483%

717%

No

Si

8.- ¿Piensa que la IA será indispensable para el hombre en su vida diaria?

9.- ¿Para usted el conocer mas acerca de inteligencia artificial le es útil?


820%

3380%

No

Si


25%

3995%

No

Si

10.- ¿Ve usted en la inteligencia artificial una manera para adquirir ingresos?

11.- ¿Es para usted necesaria la implementación de nuevas herramientas hardware

para reforzar prácticamente los conocimientos aprendidos?


1127%

3073%

No

Si

11.- ¿Es para usted necesaria la implementación de nuevas herramientas hardware para reforzar prácticamente los

conocimientos aprendidos?

25%

3995%

No

Si

12.- ¿Le gustaría contar con una herramienta hardware que le permita observar mejor el

proceso de aprendizaje de las neuronas artificiales?

5.1.2. DÉCIMO SEMESTRE DE INGENIERÍA DE SISTEMAS





3479%

921%

No

Si



00%

41100%

No

Si



1023%

3377%

No

Si



00%

43100%

No

Si





3377%

1023%

No

Si

.5- ¿Sabe usted si actualmente se están realizando, practicas con herramientas




2251%

2149%

No

Si





1740%

2660%

No

Si


universidad?


universidad?

3479%

921%

No

Si



614%

3786%

No

Si



00%

43100%

No

Si



819%

3581%

No

Si





00%

43100%

No

Si





00%

43100%

1

2

5.1.3. INGENIERÍA DE SISTEMAS NOVENO Y DÉCIMO SEMESTRE





16

19%

68

81%

1

2



62

74%

22

26%

Si

No



82

98%

2

2%

Si

No





1821%

6679%

Si

No





4048%

4452%

Si

No





5060%

3440% Si

No


universidad?


universidad?

1619%

6881%

Si

No



7083%

1417%

Si

No



84100%

00%

Si

No



6577%

1923%

Si

No





8298%

22%

Si

No





84100%

00%

Si

No

5.1.4. NOVENO SEMESTRE INGENIERÍA ELECTRÓNICA





3585%

615%

No

Si



717%

3483%

No

Si



1229%

2971%

No

Si





3585%

615%

No

Si





3176%

1024%

No

Si





1844%23

56%

No

Si


universidad?


universidad?

3893%

37%

No

Si



37%

3893%

No

Si



00%

41100%

No

Si



25%

3995%

No

Si





12%

4098%

No

Si





00%

41100%

1

2

5.1.5. DÉCIMO SEMESTRE INGENIERÍA ELECTRÓNICA





3784%

716%

No

Si



716%

3784%

No

Si



1227%

3273%

No

Si





3580%

920%

No

Si





3170%

1330%

No

Si





1943%

2557%

No

Si


universidad?


universidad?

3886%

614%

No

Si



12%

4398%

No

Si



00%

44100%

No

Si



49%

4091%

No

Si





37%

4193%

No

Si





25%

4295%

1

2

5.1.6. INGENIERÍA ELECTRÓNICA NOVENO Y DÉCIMO SEMESTRE





13

15%

72

85%

1

2



76

89%

9

11%

Si

No



61

72%

24

28%

Si

No



4.- ¿Ha manejado alguna herramienta software o hardware en el laboratorio

de Inteligencia Artificial y robótica?

1518%

7082%

Si

No





2327%

6273%

Si

No





4856%

3744% Si

No


universidad?


universidad?

911%

7689%

Si

No



8195%

45%

Si

No



85100%

00%

Si

No



7993%

67%

Si

No



11.- ¿Es para usted necesaria la implementación de nuevas herramientas hardw are para reforzar prácticamente los


8195%

45%

Si

No



12.- ¿Le gustaría contar con una herramienta hardw are que le permita observar mejor el


8398%

22%

Si

No

5.1.7. INGENIERÍA DE SISTEMAS E INGENIERÍA ELECTRÓNICA





29

17%

140

83%

Si

No



138

88%

18,34

12%

Si

No



14385%

2615%

Si

No





3320%

13680%

Si

No





6337%

10663%

Si

No





9858%

7142% Si

No


universidad?


universidad?

2515%

14485%

Si

No



15189%

1811%

Si

No



169100%

00%

Si

No



14485%

2515%

Si

No





16396%

64%

Si

No



12.- ¿Le gustaría contar con una herramienta hardw are que le permita observar mejor el


16799%

21%

Si

No

Tabulación de la encuesta ver Anexo 7.

Ficha técnica de la encuesta ver anexo 8.

5.2 ANÁLISIS E INTERPRETACIÓN DE LOS RESULTADOS DE LA

ENTREVISTA

Con el propósito de conocer mas a fondo la situación de las redes neuronales

artificiales en nuestra universidad y habiendo ya conocido la perspectiva de los

estudiantes nos ha parecido necesario acudir a las autoridades en el tema, existentes

en la universidad. Para esto se redacto una entrevista tocante a los temas de redes

neuronales y se valoro la opinión de Richard Aroca, profesor involucrado con el manejo

del laboratorio de Inteligencia artificial y robótica.

Una vez realizada la ronda de entrevistas se pudo apreciar situaciones interesantes

relacionadas con el entorno de nuestro proyecto.

El primero de los hallazgos, fue que debido a la naturaleza de los temas y la cantidad

de conceptos que se relacionan con la IA, el desarrollo a fondo de los mismos en un

semestre es casi imposible por lo cual, se toman los temas de manera general, con el

fin de que el estudiante pueda interesarse y continuar estudios independientes,

adicional a esto se hace imposible la realización de practicas en hardware en cuanto a

la parte de redes neuronales, el laboratorio solo cuenta con una aplicación que permite

la administración de sistemas expertos.

También se descubrió que la universidad no esta al tanto de los estándares actuales en

cuanto a redes neuronales (no esta vinculada a ninguna organización dedicada a la

investigación y/o desarrollo de RNA), lo que se manifiesta en el desfase de los

conocimientos manejados en la universidad con respecto al desarrollo que estas redes

han tenido en la actualidad.

De igual manera, se descubrió que los estudiantes se muestran apáticos con respecto a

los temas, por lo cual se ha tenido que idear estrategias para incentivar a la

investigación y desarrollo de nuevos proyectos afines a RNA que conlleven a un nuevo

nivel educacional en el alma mater.

Finalmente, se evidenció, al igual que en las encuestas realizadas a los estudiantes, la

necesidad de un entrenador de redes neuronales, incluso los docentes a cargo de esta

materia aprueban la realización del mismo.

Libreto de entrevista Ver Anexo 10.

6. PROPUESTA

6.1. SOLUCIÓN

La solución es el diseño, desarrollo e implementación, de un entrenador de redes

neuronales; Para la sala de inteligencia artificial y robótica de la Universidad Autónoma

Del Caribe.

6.1.1. ALTERNATIVAS DE SOLUCIÓN.

Al analizar el entorno del sistema a desarrollar y al aumentar el cuerpo de

conocimientos; necesarios para la elaboración de este proyecto. Se encontraron varias

alternativas que podrían solucionar la situación problema, que es objeto de estudio en

esta investigación. Estas serán enunciadas a continuación:

Solución 1 Solución 2

Adquisición, del módulo (Neural

Network Toolbox). Perteneciente al

software.

La solución es el diseño, desarrollo e

implementación, de un entrenador de

redes neuronales; Para la sala de

inteligencia artificial y robótica de la

Universidad Autónoma Del Caribe.

Tabla 2: Alternativas de solución

6.1.2. ANÁLISIS COSTO BENEFICIO

Luego formular las posibles soluciones, Se procedió a realizar un análisis sobre estas;

El cual, arrojó los siguientes resultados.

La adquisición del modulo “Neural Network Toolbox” que es anexado a Matlab91, era

viable. Debido a que la universidad cuenta con la licencia de Matlab (este esta

altamente difundido entre los estudiantes, quienes están familiarizados con su

funcionamiento y programación). Sin embargo, el modulo es costoso (alrededor de 900

dólares). Además de esto, el problema no sería complemente resuelto, puesto que la

simulación del comportamiento neuronal seguiría siendo software y la parte hardware

continuaría sin implementar, que es el objetivo central del proyecto.

Por ello, se opto por encargar la elaboración del circuito entrenador a la empresa “E&T

SOLUTIONS LTDA”, especializada en circuitos electrónicos (el costo era mucho menor

que el módulo de Matlab. Alrededor de 202 dólares) 92. Tanto el diseño del circuito

entrenador, como la elaboración de los códigos neuronales serian responsabilidad de

los integrantes del proyecto.

91 “MATLAB es la abreviatura de Matrix Laboratory (laboratorio de matrices). Es un programa de análisis numérico creado por The MathWorks en 1984. Está disponible para las plataformas Unix, Windows y Mac OS X. Se pueden ampliar sus capacidades con Toolboxes, algunas de ellas están destinadas al procesado digital de señal, adquisición de datos, economía, inteligencia artificial, lógica difusa... También cuenta con otras herramientas como Simulink, que sirve para simular sistemas. Es un software muy usado en universidades, centros de investigación y por ingenieros. En los últimos años ha incluido muchas más capacidades, como la de programar directamente procesadores digitales de señal, crear código VHDL y otras.” Tomado de www.Wikipedia.Com. 16 de octubre de 2007.

92 Tasa representativa del mercado para el dólar: $1978,97 pesos. Tomado del Periódico el Tiempo (Colombia). 16 de octubre de 2007.

6.1.2.1. TABLA DE COMPARACIÓN ENTRE LAS DOS SOLUCIONES

Características

Neural Network

Toolbox. Extend of

Matlab

Entrenador de Redes

Neuronales

Artificiales

Contiene una interfaz gráfica de usuario �

Permite el entrenamiento de neuronas

� �

Implementación de varias Topologías

(Perceptron, Backpropagation, Hopfield) � �

Genera estadísticas sobre el proceso de

Entrenamiento y ejecución �

Permite el diseño de redes Neuronales

� �

Permite trabajar con distintas funciones

de transferencia � �

Soporta redes multícapa

� �

Permite el reconocimiento de patrones �

�

Permite la creación y posterior ejecución

física de una red neuronal �

Precio en el mercado 900 dólares 202 dólares93.

Tabla 3: Comparación de las soluciones

93 Tasa representativa del mercado para el dólar: $1978,97 pesos. Tomado del Periódico el Tiempo (Colombia). 16 de octubre de 2007.

6.1.3. DESCRIPCIÓN DE LA SOLUCIÓN

El entrenador de redes neuronales para el laboratorio de inteligencia artificial y robótica

consta de dos componentes principales:

♦ Hardware

♦ Software

El componente hardware esta básicamente conformado por una placa base la cual esta

dividida en cuatro módulos principales:

♦ Modulo De Acoplamiento Neuronal

FIGURA 18: MODULO DE ACOPLAMIENTO NEURONAL

En este modulo se encuentran los sockets donde serán acopladas las neuronas

(microcontroladores pic16f84) que harán parte de la red, a su vez en este modulo se

encontraran los receptores de entrada (Interruptores) y los receptores encargados de

mostrar al estudiante las salidas de la red (Leds). En el se encontrará un switch que

permitirá colocar al entrenador en modo entrenamiento o en modo ejecución.

♦ Modulo De Quemado

Puerto Serial PC

En este modulo externo del sistema, se acoplaran los microcontroladores que simularan

el funcionamiento de una neurona. Con el objetivo de escribir en ellos los códigos

desarrollados en lenguaje ensamblador.

FIGURA 19: MODULO DE QUEMADO

♦ Alimentación Eléctrica

Deberá estar conectado a un adaptador de corriente de 5V que proveerá la electricidad

necesaria para que el entrenador pueda funcionar.

♦ Módulo Alternativo De Entrada Y Salida

FIGURA 21: MODULO ALTERNATIVO DE ENTRADA O SALIDA

FIGURA 20: MODULO DE ALIMENTACIÓN ELÉCTRICA

Es un modulo de respaldo que da la opción de agregar a el entrenador otras salidas y

entradas diferentes a las por defecto.

Con respecto a la parte software de la solución es necesario mencionar que esta no

contara con una interfaz usuario-maquina, y que toda la programación se hará en

lenguaje de bajo nivel (assembler).

6.2. REQUERIMIENTOS DEL SISTEMA

Durante esta etapa se recopiló información que ayudó a la identificación de los puntos

que se van a satisfacer mediante la realización de este proyecto, además se realiza una

breve descripción de aquellos que intervienen en el problema tratado, y las diferentes

alternativas que se pueden implementar para solucionarlos.

Como resultado de esta investigación se pretende establecer los requerimientos de un

nuevo sistema, además de los recursos necesarios para su implantación.

6.2.1. DEFINICIÓN DE REQUERIMIENTOS

• Deberá realizarse el entrenador para el PIC 16f84

• El sistema (entrenador) deberá incluir un sistema de quemado, sea externa o

internamente para el PIC 16f84.

• Deberá ser capas de soportar diferentes tipos de topologías de red. (Al menos

3)

• Contara con interruptores para proporcionar señales a la red (uno por cada

PIC que soporte el entrenador)

• Contara con LEDs para conocer las salidas de los microcontroladores (uno

por cada PIC que soporte el entrenador)

• Contara con el mismo número en señales que vengan fuera del entrenador

• Deberá contar con una manera de repetir señales en el entrenador.

• Contara con los elementos necesarios para el buen funcionamiento de lis

microcontroladores.

• Los PIC deberán ser colocados o instalados manualmente en el entrenador

• El entrenador no tendrá conexiones entre los distintos elementos (ej: PICs

con interruptores), sino contara con orificios al lado de los elementos, para

conectarse por medio de cables de cobres delgado.

• Los PICs Deberán tener los puertos de entrada/salida disponibles para

establecer conexiones y deshacerlas manualmente.

• Los LEDs Deberán tener conexiones disponibles para establecer conexiones

y deshacerlas manualmente.

• Los interruptores Deberán tener conexiones disponibles para establecer

conexiones y deshacerlas manualmente.

6.2.2. REQUERIMIENTOS FUNCIONALES

♦ Se deberán acoplar los microcontroladores necesarios para la implementación de

la red.

♦ Se deberán establecer cuales son los puertos de entrada y cual será el de salida

para los microcontroladores.

♦ El entrenador debe mostrar si el proceso de entrenamiento es activo o inactivo.

♦ Cada neurona tendrá varias entradas pero una sola salida.

♦ Cada neurona tendrá como máximo once entradas.

♦ Las entradas pueden estar dadas por interruptores o señales externas.

♦ La salidas deberán ser vistas en los LEDs.

♦ Las entradas y las salidas de la red deben ser solo ceros y unos.

♦ La red debe pasar por una etapa de aprendizaje y una de ejecución.

♦ Se deberán establecer las conexiones entre los PICs, interruptores y LEDs.

♦ Las entradas o salidas se acoplaran a repetidores en caso que sea necesario.

6.2.3. REQUERIMIENTOS NO FUNCIONALES

♦ El entrenador deberá ser realizado para el PIC 16f84.

♦ El entrenador contara con repetidores de señales en diferentes lados del

entrenador.

♦ El entrenador contara con los elementos necesarios para el buen funcionamiento

de los microcontroladores.

♦ El entrenador contara con ranuras para la colocación y el desprendimiento de

estas manualmente.

♦ El entrenador no tendrá conexiones entre los distintos elementos, sino contara

con orificios al lado de los elementos, para conectarse por medio de cables de

cobres delgados.

♦ Los PICs Deberán tener los puertos de entrada/salida disponibles para


♦ En el entrenador se permitirá como máximo el acoplamiento de doce neuronas a

la vez.

♦ El entrenador permitirá simular como mínimo 3 topologías Perceptron, Hopfield y

Backpropagation.

♦ La aplicación que será quemada en los PICs (neuronas), deberá programarse en

lenguaje ensamblador.

♦ El entrenador no contará con una interfaz grafica de usuario.

♦ EL circuito entrenador tendrá 12 LEDs como mínimo para mostrar a sus usuarios

las salidas de la red.

♦ EL circuito entrenador tendrá 12 interruptores como mínimo para dar entradas a

la red.

♦ El entrenador, solo poseerá una única unidad de memoria permanente.

Disponible en los PICs.

♦ EL circuito entrenador tendrá un modulo de quemado externo o interno.

♦ Será necesario un software para controlar el “modulo de quemado”.

♦ El software para el quemado de los PICs, será el proporcionado por la casa

productora de los mismos.

♦ El software para el quemado de pic`s, correrá solo bajo plataformas Windows.

♦ La entrada del modo de alimentación eléctrica, Solo soportará una entrada de

110 voltios.

♦ El modulo de quemado se comunicara con el PC, por medio del puerto paralelo

Com.

6.2.4. ESPECIFICACIÓN DE REQUERIMIENTOS

A continuación se detallara cada uno de los requerimientos del sistema

6.2.4.1 REQUERIMIENTOS FUNCIONALES

♦ Se deberán acoplar los microcontroladores necesarios para la

implementación de la red:

El usuario tendrá la elección de elegir cuantos PICs deberá escoger. Pero deberá

acoplarlos al entrenador para el funcionamiento.

♦ Se deberán establecer cuales son los puertos de entrada y cual será el de

salida para los microcontroladores:

El usuario tendrá que elegir cuales de los diferentes puertos que tienen los PICs

serán de entrada o de salida.

♦ El entrenador debe mostrar si el proceso de entrenamiento es activo o

inactivo:

El usuario elegirá si quiere conectar un LED del entrenador conectado con el

interruptor como señal de que la red esta en modo de ejecución.

♦ Cada neurona tendrá varias entradas pero una sola salida:

El usuario debe definir lógicamente un puerto de salida en cada PIC que desee

utilizar.

♦ Cada neurona tendrá como máximo once entradas:

El numero de puertos con que cuenta el PIC 16f84 son de 13 y el usuario elegirá

según su necesidad el numero de puertos que necesite como entradas, pero

debe elegir máximo 11, debido a que un puerto es empleado para la salida y otro

para indicarle al PIC si esta en modo de entrenamiento o de ejecución.

♦ Las entradas pueden estar dadas por interruptores o señales externas:

Lo más común es que las entradas a la red estén dadas por los interruptores,

pero si es necesario utilizar señales externas que sean escalonadas podrá

utilizarlas.

♦ Las salidas deberán ser vistas en los LEDs:

Es necesario conocer la salida de la red y la manera de conocerla estraves de los

LEDs.

♦ Las entradas y las salidas de la red deben ser solo ceros y unos:

El microcontrolador 16f84 solo cuenta con instrucciones para la manipulación y

operación con números binarios. Debido a esto las únicas señales que puede

mandar y recibir son bits. Si es requerido para aprendizajes con números

decimales o diferentes señales, deberán convertir las entradas en bits y

mandarlas en serie a los PICs y estos a su vez mandaran señales de bits y será

necesario un convertidor de señal.

♦ La red debe pasar por una etapa de aprendizaje y una de ejecución:

Si no se conocen los pesos para que la red reconozca los patrones

correctamente. Es necesario un proceso de aprendizaje o de ajuste de pesos.

♦ Se deberán establecer las conexiones entre los PICs, interruptores y LEDs:

Si no se crean conexiones entre los interruptores y los PICs la red no resolverán

problemas y si no hay conexiones con los LEDs no se conocerán las salidas.

♦ Las entradas o salidas se acoplaran a repetidores en caso que sea

necesario:

Debido que los PICs solo tiene una sola salida y se presentaran circunstancias

donde es necesitara conectar esa salida con varias entradas en otras neuronas,

es necesario la ayuda de repetidores de señales.

6.2.4.2. REQUERIMIENTOS NO FUNCIONALES

♦ El entrenador deberá ser realizado para el PIC 16f84.

Cada microcontrolador cuenta con especificaciones distintas a otras, como lo son

las ubicaciones de los cristales de cuarzo, potencia del cristal de cuarzo, numero

de puertos, etc. Por esta causa son pocos o nulos los PICs que trabajan con las

mismas especificaciones.

♦ El entrenador contara con repetidores de señales en diferentes lados del

entrenador.

Los repetidores corresponden una ayuda necesaria cuando se debe conectar

una salida con varias entradas en otras neuronas y en otras ocasiones. Por eso

son requeridos los repetidores y se colocaran a los lados para una mayor

organización.

♦ El entrenador contara con los elementos necesarios para el buen

funcionamiento de los microcontroladores.

Los microcontroladores necesitan de elementos externos como cristales de

cuarzo, alimentación de corriente, resistencias para el buen funcionamiento así

mismo como para interruptores y LEDs.

♦ El entrenador contara con ranuras para la colocación y el desprendimiento

de estas manualmente.

Los PICs no deberán ser fijos a la tarjeta, puesto que las redes no siempre

necesitarán del mismo número de PICs.

♦ El entrenador no tendrá conexiones entre los distintos elementos, sino

contara con orificios al lado de los elementos, para conectarse por medio

de cables de cobres delgados.

Así como tampoco se necesitan los mismos números de PICs, así tampoco se

necesitan el mismo número de conexiones para formar una red con los diferentes

PICs.

♦ Los PICs Deberán tener los puertos de entrada/salida disponibles para


Debido a que los usuarios deberán establecer y deshacer conexiones, utilizando

los puertos de los PIC, el entrenador deberá disponer estos puertos solo para

establecer conexiones a través de cables de cobre.

♦ En el entrenador se permitirá como máximo el acoplamiento de doce

neuronas a la vez.

El entrenador no deberá ser demasiado grande y ni demasiado pequeño. Por

esta razón se escogieron doce PICs.

♦ El entrenador permitirá simular como mínimo 3 topologías Perceptron,

Hopfield y Backpropagation.

El entrenador de redes neuronales estará en la capacidad de soportar estas tres

redes, a causa que son las más frecuentemente utilizadas.

♦ La aplicación que será quemada en los PICs (neuronas), deberá

programarse en lenguaje ensamblador.

Esto es debido, a que los recursos de los PICs son limitados y no están en la

capacidad de almacenar programas de alto nivel.

♦ El entrenador no contará con una interfaz grafica de usuario.

El entrenador de redes neuronales esta orientado hacia la parte hardware, mas

que la parte software.

♦ EL circuito entrenador tendrá 12 LEDs como mínimo para mostrar a sus

usuarios las salidas de la red.

Puesto que, en el entrenador solo se podrán acoplar 12 microcontroladores, es

necesaria como mínimo una salida por cada microcontrolador que soporta el

entrenador.

♦ EL circuito entrenador tendrá 12 interruptores como mínimo para dar

entradas a la red.

Puesto que, en el entrenador solo se podrán acoplar 12 microcontroladores, es

necesario como mínimo un interruptor por casa microcontrolador que soporta el

entrenador.

♦ El entrenador, solo poseerá una única unidad de memoria permanente,

Disponible en los PICs.

No es necesaria la implementación de otro tipo de memoria, ya que los PICs

serán los encargados de realizar todos los cálculos de la red.

♦ EL circuito entrenador tendrá un módulo de quemado externo o interno.

Para poder almacenar los códigos neuronales en el microcontrolador es

necesario un hardware que sirva de puente entre el computador y el PIC.

♦ Será necesario un software para controlar el “modulo de quemado”.

Como es sabido cualquier hardware necesita de un software que lo administre,

en este caso el encargado será “MPASAM”.

♦ El software para el quemado de los PICs, será el proporcionado por la casa

productora de los mismos.

A raíz de la compatibilidad, es necesario contar con el sistema que nos

proporciona la casa que desarrolla los PICs.

♦ El software para el quemado de pic`s, correrá solo bajo plataformas

Windows.

La mayoría de ordenadores con que cuenta la Universidad Autónoma Del Caribe

operan bajo sistemas operativos Windows.

♦ La entrada del modo de alimentación eléctrica, Solo soportará una entrada

de 5v voltios.

A causa del microcontrolador que solo soporta esta capacidad de energía

eléctrica.

♦ El modulo de quemado se comunicara con el PC, por medio del puerto

paralelo LPT1.

Debido a que el software que manipula el quemador de PICs, trabaja con el

puerto com, se decidió implementarlo en el quemador de PIC.

6.2.5. NEGOCIACION DE REQUISITOS

Requisito Prioridad

Se deberán acoplar los microcontroladores necesarios para la

implementación de la red. Obligatorio

Se deberán establecer cuales son los puertos de entrada y cual será el

de salida para los microcontroladores. Obligatorio

El entrenador debe mostrar si el proceso de entrenamiento es activo o

inactivo. Opcional

Cada neurona tendrá varias entradas pero una sola salida. Obligatorio

Cada neurona tendrá como máximo once entradas. Obligatorio

Las entradas pueden estar dadas por interruptores o señales externas. Obligatorio

La salidas deberán ser vistas en los LEDs. Obligatorio

Las entradas y las salidas de la red deben ser solo ceros y unos. Obligatorio

La red debe pasar por una etapa de aprendizaje y una de ejecución. Opcional

Se deberán establecer las conexiones entre los PICs, interruptores y

LEDs. Obligatorio

Las entradas o salidas se acoplaran a repetidores en caso que sea

necesario. Opcional

El entrenador deberá ser realizado para el PIC 16f84. Obligatorio

El entrenador contara con repetidores de señales en diferentes lados

del entrenador. Obligatorio

El entrenador contara con los elementos necesarios para el buen

funcionamiento de los microcontroladores. Obligatorio

El entrenador contara con ranuras para la colocación y el

desprendimiento de estas manualmente. Obligatorio

El entrenador no tendrá conexiones entre los distintos elementos, sino

contara con orificios al lado de los elementos, para conectarse por Obligatorio

medio de cables de cobres delgados.

Los PICs Deberán tener los puertos de entrada/salida disponibles para

establecer conexiones y deshacerlas manualmente. Obligatorio

En el entrenador se permitirá como máximo el acoplamiento de doce

neuronas a la vez. Obligatorio

El entrenador permitirá simular como mínimo 3 topologías Perceptron,

Hopfield y Backpropagation. Obligatorio

La aplicación que será quemada en los PICs (neuronas), deberá

programarse en lenguaje ensamblador. Obligatorio

El entrenador no contará con una interfaz grafica de usuario. Obligatorio

EL circuito entrenador tendrá 12 LEDs como mínimo para mostrar a sus

usuarios las salidas de la red. Obligatorio

EL circuito entrenador tendrá 12 interruptores como mínimo para dar

entradas a la red. Obligatorio

El entrenador, solo poseerá una única unidad de memoria permanente.

Disponible en los PICs. Obligatorio

EL circuito entrenador tendrá un modulo de quemado externo o interno. Obligatorio

Será necesario un software para controlar el “modulo de quemado”. Obligatorio

El software para el quemado de los PICs, será el proporcionado por la

casa productora de los mismos. Obligatorio

El software para el quemado de pic`s, correrá solo bajo plataformas

Windows. Obligatorio

La entrada del modo de alimentación eléctrica, Solo soportará una

entrada de 110 voltios. Obligatorio

El modulo de quemado se comunicara con el PC, por medio del puerto

paralalelo LPT1. Obligatorio

Tabla 4: Negociación de requisitos

6.2.6. EVOLUCIÓN DEL SISTEMA

De manera inicial la parte software del proyecto se especializara en las dos topologías

ya mencionadas, sin embargo, de acuerdo con el interés de otros estudiantes se podrá

aumentar el numero de topologías implementadas en el entrenador.

Hasta nuestro aporte el entrenador tendrá como entrada Switches y de salida lets, otros

estudiantes podrán adaptar nuevas clases de entradas y salidas diferentes, para lo cual

se ha dejado establecido el modulo alternativo de entrada/salida.

Otra importante evolución seria la elaboración de una interfaz grafica de usuario con la

que se pueda interactuar y coordinar todos los procesos del entrenador.

Construcción de otros entrenadores que se intercomuniquen entre si para expandir la

red y realizar practicas en ellos. Se podrá incorporar otros sockets para agregar otras

neuronas a la red, con el fin de hacer combinaciones entre las diferentes topologías

existentes.

6.2.7. MODELOS DEL SISTEMA.

6.2.7.1 ESQUEMA ELECTRÓNICO DEL CIRCUITO ENTRENADOR

FIGURA 22: CIRCUITO ENTRENADOR. VISTA SUPERIOR

+( )( )( )( )( ) ( )( )( )( )( )( )( )( )( )( )(

++ ++ + + ++ ++ ++ ++ ++ ++ ++ + ++ ++ ++ +

)

+( )( )( )( )( ) ( )( )( )( )( )( )( )( )( )( )( )

++ ++ + + ++ ++ ++ ++ ++ ++ ++ + ++ ++ ++ ++

( )( )( )( )( ) ( )( )( )++ ++ + + ++ ++ +++

SocketSocketSocketSocket

Salidas Salidas Salidas Salidas ((((ledsledsledsleds))))

Modulo alternativo Modulo alternativo Modulo alternativo Modulo alternativo de entradas o de entradas o de entradas o de entradas o

salidassalidassalidassalidas

Entradas de la Entradas de la Entradas de la Entradas de la red red red red

((((InterruptoresInterruptoresInterruptoresInterruptores))))

Entrenador RNAEntrenador RNAEntrenador RNAEntrenador RNA Modulo de AlimentaciónModulo de AlimentaciónModulo de AlimentaciónModulo de Alimentación

FIGURA 22: CIRCUITO ENTRENADOR. VISTA INFERIOR

6.2.7.2. CONEXIONES ENTRE MICROCONTROLADORES

FIGURA 23: MODELO ESQUEMÁTICO DE CONEXIÓN DEL MICROCONTROLADOR 16F84

Oscilador XT

Sw: Modo Ejecución/Modo Entrenamiento

Alimentación

6.2.7.3. ESQUEMA DE INTERACCIÓN HOMBRE-CIRCUITO ENTRENADOR

FIGURA 24: ESQUEMA INTERACCIÓN HOMBRE-MAQUINA (E.R.N.A.)

6.2.7.4. ESQUEMA DE INTERACCIÓN HOMBRE-QUEMADOR DE PIC

FIGURA 25: ESQUEMA INTERACCIÓN HOMBRE-MAQUINA (QUEMADOR.)

6.2.7.5. DIAGRAMAS DE CASOS DE USO

Acoplar PIC

Establecer Red Neuronal

Colocar en modo Entrenamiento

Colocar en modo Ejecución

Estudiante

Entrenador RNA

Generar salida de la Red

Proporcionar entradas a la Red

Estudiante


Leer Entradas

Generar Salidas de la Red

Estudiante

Ejecución Neuronal

Las entradas; Pueden

provenir de otra

neurona, de un

interruptor o cualquier

otro receptor de

información.

Estudiante

6.2.7.5.1. CASOS DE USO ESENCIALES

Acoplar PIC

Establecer Red Neuronal

Colocar en modo Entrenamiento


Estudiante

Entrenador RNA

Generar salida de la Red

Proporcionar entradas a la Red

Estudiante

6.2.7.6. MODELO CONCEPTUAL

Entrenador Neuron

Salida Entrada

ExternInterna

-Contiene

1 0..12

-Tiene1

12

-Tiene1

24

-Tiene1

1..12

0..12

-Puede ser0..12

0..12

-Puede ser0..12

Estudiant

-Manipula

1 1 1

-Tiene

1

6.2.7.7. DIAGRAMA DE SECUENCIA DEL SISTEMA

6.2.7.7.1. ENTRENADOR DE RNA

6.2.7.7.2. QUEMADO DE PIC

:ESTUDIANTE :PIC:QUEMADOR

Almacenar Programa()

:APLICACION

Ejecutar()

Aplicación Ejecutando()

Configuración del PIC( )

Configuración Guardada()

Código del PIC()

Código Compilado()

Quemar PIC ()Código hexadecimal (C)

Programa almacenado ()Programa quemado ( )

PIC quemado ()

6.2.7.7.3. MODO ENTRENAMIENTO RNA

6.2.7.7.4. MODO EJECUCIÓN RNA

6.2.7.8. DIAGRAMAS DE ESTADOS

6.2.7.8.1. ENTRENADOR RNA

6.2.7.8.2. QUEMADOR

6.2.7.8.3. MODO DE EJECUCIÓN NEURONAL

6.2.7.8.4. MODO DE ENTRENAMIENTO NO SUPERVISADO

NEURONAL

6.2.7.8.5. MODO DE ENTRENAMIENTO SUPERVISADO NEURONAL

1

Esperar Modo

EntrenamientoEntrenamiento (true)

2

Generar

Salida de la

Red

Salida (Y)

5

Modificar

Peso

Umbral Modificado

Pesos Modificados

4

Modificar

Umbral

3

Calcular Error

Modificar Pesos y umbral (Error)

6.2.7.9. GLOSARIO

Acoplar PIC Consiste en insertar físicamente un microcontrolador 16f84 en

una de las 12 ranuras con las que cuenta el Circuito Entrenador. (Ver figura

17).

Calcular Error Este se halla, para conocer en que porcentaje difiere la

salida de la red, de la salida esperada por el usuario.

Código hexadecimal Código en base 16. Este sistema numérico se utiliza

como una forma abreviada para reconocer números binarios (Los números

binarios, son el principio fundamental en que se basan los computadores

digitales. Todo lo que ingresa o sale de un computador se convierte en: 1

Voltaje alto y en 0 voltaje bajo).

Esperar modo de ejecución El entrenador siempre estará pendiente del

Switch que le indicara si debe trabajar en este modo (Ver figura 18).

Esperar modo entrenamiento El entrenador siempre estará pendiente del

Switch que le indicara si debe trabajar en este modo (Ver figura 18).

Establecer Red Neuronal Es el proceso, mediante el cual se realizan las

conexiones físicas entre las distintas neuronas (este enlace entre

microcontroladores, se hará por medio de cables de cobre). Dependiendo de

la topología a implementar.

Generar Salidas De La Red Son los resultados que arroja la red neuronal.

Este depende de la topología; Pero, básicamente son señales eléctricas

mostradas a los usuarios por medio de los Leds.

Leer entradas Las neuronas (microcontroladores) estarán siempre a la

espera de las entradas a procesar. Estas pueden, provenir del medio o de la

misma red neuronal.

Leer estados El circuito entrenador, estará constantemente atento del

estado del Switch (Ver figura 17) que le indicará en cual de los dos modos

debe funcionar; Si en modo entrenamiento o en modo ejecución (Ver modo

entrenamiento y modo ejecución).

Modificar pesos y umbrales Los pesos y umbrales se ajustan para tratar de

minimizar el error, en las salidas de la red.

Modo Ejecución Uno de los dos estados de funcionamiento del Circuito

Entrenador. En el, las neuronas reciben las entradas externas a la red

provenientes de los pulsadores, las procesan y envían sus respuestas a los

Leds.

Modo Entrenamiento Uno de los dos estados de funcionamiento del Circuito

Entrenador. En el, las neuronas se adiestran; Para que respondan

satisfactoriamente a las necesidades del usuario (reconocimiento de

patrones, compuertas lógicas, etc.). Puede usar dos modos de

entrenamiento: supervisado o no supervisado.

Proporcionar Entradas a la Red Las entradas a la red pueden ser

introducidas por el usuario (Utilizando los interruptores) o pueden ser la

misma salida de la red; Que las retroalimenta para mejorar su respuesta.

6.3. DISEÑO

El circuito entrenador, será una tarjeta madre, que tiene como finalidad

proporcionar un medio físico donde las neuronas puedan ensamblarse; Para

formar entre ellas una topología de red neuronal. Estas topologías, se

lograrán establecer por medio de la conexión de los distintos

microcontroladores, a través de cables de cobre. La entramada de la red,

dependerá de la topología a implementar.

Como se ha dicho anteriormente las neuronas, serán simuladas en

microcontroladores 16F84, con encapsulado “dual in line”. Que cuenta con

1Kb de memoria EEPROM (User Memory), 64 bytes de memoria RAM, 64

bytes de memoria EEPROM y 13 pines de entrada/salida (el puerto A cuenta

con 5 pines y el B con 8 pines). Ver figura 23.

Para el correcto funcionamiento de los microcontroladores, será necesario

anexar en el Circuito Entrenador Osciladores XT94. Que serán conectados a

los pines 15 y 16 del PIC. Ver figura 23.

Solo uno de los pines del microcontrolador 16f84 se configurará como salida

(Por lo cual, será necesario la utilización de repetidores de señal), esto con el

propósito de simular el proceso de interconexión neuronal biológica

(sinapsis).

Es importante conocer; Que aunque, en este proyecto solo se desarrollarán

dos topologías (Perceptrón y Kohonen), el entrenador estará en la capacidad

de soportar cualquier topología detallada en el marco teórico; Solo

dependiendo, de los recursos del PIC 16f84 (1Kb de memoria de usuario se

representan en 1024 líneas de código). 94 Oscilador XT (cristal de cuarzo): Cristal ≤ 4MHz

Por el Circuito Entrenador, se introducirían las entradas externas a la red

(interruptores) y se visualizarían las salidas (lets) de la misma. El circuito,

podrá utilizarse en dos modos distintos de trabajo:

• Modo entrenamiento: Donde las entradas externas de la red, no son

significativas; Se utiliza, para que las neuronas ajusten su vector de

pesos.

• Modo ejecución: En este las entradas externas de la red, son

enviada a las neuronas, las cuales las procesan y arrojan un

resultado, que dependiendo de su entrenamiento será o no será

representativo.

En el entrenador, se ajustará a uno de estos dos modos, por medio de un

interruptor, que estará conectado al bit 0 del puerto A (Porta A,0) de todos los

microcontroladores95. Indicándoles a estos (por medio de impulsos eléctricos)

si deben “entrenarse” o “ejecutarse”. Ver figura 17.

Para el almacenamiento de los códigos neuronales en los

microcontroladores, será necesario el desarrollo de un modulo periférico para

el quemado de los PIC´S. Este se comunicará con el computador utilizando

el puerto paralelo. En el PC, será necesario la instalación del software

gratuito “MPASAM” que se encargará de transformar el código ensamblador

a hexadecimal y de administrar el proceso de quemado se encargará el

software ”WINPIC800” de los programas, en el PIC 16f84. Ver figura 19.

Para la alimentación eléctrica será necesario un adaptador de 5V. El

entrenador tendrá conectado internamente a cada uno de los orificios donde 95 Pin 17 del microcontrolador

se insertarán, el pin 5 de cada microcontrolador96, esta entrada de energía.

Ver figura 23.

Como nuestro proyecto no contará con una interfaz grafica y los códigos

neuronales deberán ser realizados en código ensamblador; No será

necesario, la utilización de ningún lenguaje de alto nivel.

Para finalizar si las nuevas topologías a implementar, exigen una mayor

capacidad de procesamiento, que la brindada por el microcontrolador 16f84.

Este se podrá reemplazar por el PIC 16f28 gama alta sin ningún

inconveniente, solo sería necesario configurarlo por medio de códigos para

que funcione con un oscilador externo.

96 Pin de alimentación (5V)

6.4. IMPLEMENTACIÓN.

Para la implementación de los códigos neuronales, se utilizo programación

de bajo nivel. Más específicamente los códigos de lenguaje ensamblador,

utilizados para la programación del microcontroladores 16f84 (instrucciones

en lenguaje máquina). Como no se necesitó una interfaz grafica de usuario,

no se diseñaron, ni se desarrollaron pantallazos para estos programas.

Para, la compilación y posterior depuración de los errores de los Códigos

Neuronales (al programas en bajo nivel la programación y depuración de

errores es mas compleja, pero tienen la contrapartida que los códigos

generados, son más rápidos y eficientes), se utilizo la herramienta software

SIMUPIC 84, que permitió simular el comportamiento que asumiría el

microcontrolador al ejecutar dichos códigos.

FIGURA XX: SIMUPIC 84. MYCROSYSTEMS ENGINEERING.

Los Códigos Neuronales, desarrollados fueron el código para las topologías

Perceptrón y Kohonen. A continuación serán descritos.

6.4.1 CÓDIGO PERCEPTRÓN

list p=16f84

status equ 03h

portA equ 05h

trisA equ 05h

num1 equ 0Ch

num2 equ 0dh

sig1 equ 0eh

sig2 equ 0fh

numr equ 10h

sigr equ 11h

x equ 12h

y equ 13h

s equ 14h

w1 equ 15h

w2 equ 16h

v equ 17h

t equ 18h

umbral equ 19h

err equ 1ah

tmp equ 1bh

Switch equ 1ch

sigerr equ 28h

sigw1 equ 1dh

sigw2 equ 1eh

sigs equ 1fh

sigumbral equ 20h

sigtmp equ 21h

pinentrenar equ 22h

jinc equ 23h

jdec equ 24h

iinc equ 25h

idec equ 26h

sum equ 27h

#define BANK1 bsf status,5

#define BANK0 bcf status,5

Org 0

BANK1

movlw 1Dh ;00011101 num en binario: Configura los

puertos

movwf trisA

BANK0

;*******************************************

;**///Coloca todos los signos positivos///**

clrf sigw1

clrf sigw2

clrf sigs

clrf sigumbral

clrf sigtmp

;**///Coloca todos los signos positivos///**

;*******************************************

;**********************************

;**///Inicializa las variables///**

bcf portA,4

movlw 01h

movwf w1

movwf w2

movwf v

movlw 03h ;t = 0011 los primeros 4 valores

movwf t

clrf umbral

;**///Inicializa las variables///**

;**********************************

movlw 00h

movwf pinentrenar

;*****************************

;**///Sub Main Perseptron///**

Inicio

btfss portA,0 ; si pinentrenar = 1

goto ejecucion

goto entrenar

ejecucion

call entradas

call salidared

btfss portA,4 ; si pin terminar = 1 se sale

goto inicio

goto FIN

;*****************************

;**///Etapa Entrenamiento///**

entrenar

clrf sum

clrf iinc

movlw 02h

movwf idec

clrf Switch ;Se queda en 0 si esta entrenada la red

sicloi1

clrf jinc

movlw 02h

movwf dec

sicloj1

btfss jinc,0; coloca los valores de x

goto sicj0

goto sicj1

sicj0

bcf x,0

goto sici

sicj1

bsf x,0

sici

btfss iinc,0

goto sici0

goto sici1

sici0

bcf x,1

goto finsici

sici1

bsf x,1

finsici

call salidared

movlw 01h

movwf err

movlw 3h

subwf sum,0 ;sum-3

btfsc status,2

goto sict3

movlw 2h

subwf sum,0 ;sum-2

btfsc status,2

goto sict2

movlw 1h

subwf sum,0 ;sum-1

btfsc status,2

goto sict1

goto sict0

;*****************************

sict3

btfsc t,3

goto sict3err2

goto sict3err1

sict3err1

movlw 01

movwf sigerr

clrw

goto finsict

sict3err2

clrf sigerr

movlw 01 ;para el valor de la resta de T - Y

goto finsict

sict2

btfsc t,2

goto sict2err2

goto sict2err1

sict2err1

movlw 01

movwf sigerr

clrw

goto finsict

sict2err2

clrf sigerr

movlw 01;para el valor de la resta de T - Y

goto finsict

sict1

btfsc t,1

goto sict1err2

goto sict1err1

sict1err1

movlw 01

movwf sigerr

clrw

goto finsict

sict1err2

clrf sigerr


goto finsict

sict0

btfsc t,0

goto sict0err2

goto sict0err1

sict0err1

movlw 01

movwf sigerr

clrw

goto finsict

sict0err2

clrf sigerr


finsict

;*****************************

subwf y,0

btfsc status,2

goto finsicw

;*****************************

movlw 01h

movwf Switch

movf err,0

movwf num2

movf sigerr,0

movwf sig2

btfsc x,0

goto sicw11

goto sicw2

sicw11

movf w1,0

movwf num1

movf sigw1,0

movwf sig1

call sumsig

movf numr,0

movwf w1

movf sigr,0

movwf sigw1

sicw2

btfsc x,1

goto sicw21

goto sicumbral

sicw21

movf w2,0

movwf num1

movf sigw2,0

movwf sig1

call sumsig

movf numr,0

movwf w2

movf sigr,0

movwf sigw2

sicumbral

movf umbral,0 ;modifica el umbral

movwf num1

movf sigumbral,0

movwf sig1

btfsc sigerr,0

goto sicumbmas

goto sicumbmenos

sicumbmas

movlw 00h

goto sumumb

sicumbmenos

movlw 01h

sumumb

movwf sig2

call sumsig

movf numr,0

movwf umbral

movf sigr,0

movwf sigumbral ;fin modifica el umbral

finsicw

incf sum,1

incf jinc,1

decfsz jdec,1

goto sicloj1

incf iinc,1

decfsz idec,1

goto sicloi1

;btfsc Switch,0

;goto entrenar

btfss portA,4 ; si pin terminar = 1 se sale

goto inicio

goto FIN

;**///Etapa Entrenamiento///**

;*****************************

;**///Sub Main Perseptron///**

;*****************************

entradas

clrf x

btfss portA,2

goto entx10

goto entx11

entx10

bcf x,0

goto entx2

entx11

bsf x,0

entx2

btfss portA,3

goto entx20

goto entx21

entx20

bcf x,1

goto entx3

entx21

bsf x,1

entx3

return

;***************************

;**///Función salidared///**

salidared

btfss x,0

goto sldsum11

goto sldsum12

sldsum11

clrw

goto sldsum2

sldsum12

movf w1,0

sldsum2

movwf num1

btfss x,1

goto sldsum21

goto sldsum22

sldsum21

clrw

goto sldsum3

sldsum22

movf w2,0

sldsum3

movwf num2

movf sigw1,0

movwf sig1

movf sigw2,0

movwf sig2

call sumsig

movf numr,0

movwf s

movwf num1

movf sigr,0

movwf sigs

movwf sig1

movf umbral,0

movwf num2

movf sigumbral,0

movwf sig2

call Mayorque

movwf y

btfss y,0

goto sldy0

goto sldy1

sldy0

bcf portA,1

goto sldreturn

sldy1

bsf portA,1

sldreturn

return

;**/// End Función salidared///**

;***************************

;**************************

;**--///Función Suma///--**

sumsig

movf sig2,0

subwf sig1,0 ;sig1-sig2

btfss status,2

goto sumdesigual

goto sumigual

sumigual

movf num1,0

addwf num2,0

movwf numr

movf sig1,0

movwf sigr

return

sumdesigual

movlw 00h

subwf num2,0 ;0 - num2

btfss status,2 ;si num2 es 0 salta

goto num2noes0

movf sig1,0 ;pasa sig1 a w y lo pasa a sigr

movwf sigr

movf num1,0 ;pasa num1 a w y lo pasa a numr

goto movnumr

num2noes0

movf num2,0

subwf num1,0 ;num1 - num2

btfsc status,2 ;si el bitCarreo = 0 num1 es > num2

goto sigr0

btfss status,0 ;si el bitCarreo = 0 num1 es > num2

goto asigs2

goto asigs1

sigr0

clrf sigr

goto resul

asigs1

movf sig1,0

movwf sigr

goto resul

asigs2

movf sig2,0

movwf sigr

resul btfss status,0 ;si el num1 >= num2

goto num1w

goto num2w

num2w movf num2,0 ;sino se guarda num1 en w

goto btfsig

movf num1,0 ;entonces se guarda num2 en w

btfsig btfss status,0 ;si el num1 >= num2

goto subnum2

goto subnum1

subnum1 subwf num1,0 ;sino se resta num1- num2

goto movnumr

subnum2 subwf num2,0 ;entonces se resta num2 - num1

movnumr movwf numr

return

;**--///End Función Suma \\\--**

;**************************

;***************************

;**-//Función Mayor que\\-**

Mayorque

movf sig2,0

subwf sig1,0 ;sig1-sig2

btfss status,2

goto Mayordesigual

goto Mayorigual

Mayorigual

movf num2,0

subwf num1,0 ;num1 - num2

btfsc sig1,0 ;si sig1 = 0

goto iglmenos

goto iglmas

iglmas

btfsc status,2 ;si num1 - num2 no es 0

retlw 00h

btfsc status,0 ;si num1 - num2 es neg

retlw 01h

movlw 0h

subwf num2,0 ;num2 - 0h

btfss status,2 ;si num2 - 0h es 0

retlw 00h

retlw 01h

iglmenos

btfsc status,0 ;si num1 - num2 es neg

retlw 00h

movlw 0h

subwf num2,0 ;num2 - 0h

btfss status,2 ;si num2 - 0h es 0

retlw 01h

retlw 00h

Mayordesigual

btfsc sig1,0 ;si num1 - num2 es neg

retlw 00h

retlw 01h

;**-// End Función Mayor que\\-**

;***************************

FIN

End

6.5 PRUEBAS.

En el transcurso de la investigación y posterior desarrollo del entrenador, fue

muy importante la retroalimentación y depuración de errores, fue así como el

diseño del entrenador cambió varias veces, para ajustarse a las nuevas

necesidades que encontramos al ahondar en la situación problema.

Así mismo, los códigos neuronales, al ser desarrollados en lenguaje maquina

y debido a la complejidad de este; fueron sometidos a pruebas constantes

para obtener el mejor resultado en el menor número de líneas de código

(solo contábamos con 1024 líneas de código).

Al disminuir la vida útil de los microcontroladores con cada proceso de

quemado, se opto por simular en el computador; Cada código neuronal hasta

que se lograrán los resultados deseados; Es decir, que estos se ajustarán a

las premisas de las dos topologías a implementar en este proyecto.

Esta simulación, fue echa gracias a el programa SIMUPIC 84, donde se

observo con detalle el comportamiento de los códigos y se monitoreo al

máximo si la neurona (microcontrolador) lograba culminar con éxito su

proceso de entrenamiento y posterior ejecución de lo aprendido en el anterior

proceso. El cual, no siempre fue exitoso y fue necesario en muchas

ocasiones rediseñar los códigos, hasta que se logró obtener neuronas

inteligentes que se retroalimentaban y aprendían de sus errores, para luego

dar una respuesta optima a los impulsos, que llegaban a ella de su entorno.

7. CONCLUSIONES

A pesar de las dificultades encontradas en la realización de este proyecto;

como, la falta de información veraz para el diseño de los códigos neuronales

basados en la topología “Back Propagation” o las carencias del lenguaje

ensamblador utilizado para la programación de los PIC 16f84 (Se debieron

realizar procedimientos de sumas con números negativos, simular vectores y

sus operaciones, comparación con números negativos, etc.); Se lograron los

resultados propuestos al inicio de esta investigación.

Así mismo, al profundizar los conocimientos sobre los distintos temas en que

se basan este proyecto y al desarrollar la aplicación, pudimos percibir las

diferencias entre las dos arquitecturas implementadas; Tanto en sus métodos

de aprendizaje, como en las salidas de dichas redes.

Estas topologías fueron escogidas debido a su popularidad entre las RNA,

abarcan los dos tipos de aprendizaje (supervisado y no supervisado), sus

distintas formas de ejecución e interacción entre las neuronas y su

implementación en la actualidad.

Fue un acierto, la selección de la arquitectura Perceptron, para su

implementación, Debido a que históricamente fue la primera red neuronal

que se implemento; Además, su sencillez frente a las demás topologías,

facilita el aprendizaje de conceptos tales como pesos sinápticos y reglas de

activación. Se vislumbro, que esta arquitectura a pesar de ser llamada una

red neuronal, solo cuenta con una sola neurona (en este caso, para la

implementación de las compuertas ADN y OR), ya que las entradas a la red

son los interruptores del Circuito Entrenador (estos en los diagramas son las

neuronas de la capa de entrada) por ello en el circuito entrenador no se

percibe una red perceptron entre varios microcontroladores.

En el caso de Hopfield, se pusieron en práctica conceptos aprendidos en

algebra lineal, tales como la transpuesta de un vector, producto punto entre

vectores y matrices y la suma entre una matriz A y la matriz identidad. Lo

que facilito la asimilación del método de aprendizaje y ejecución de estas

redes, basados primordialmente en estos conceptos.

Por medio de esta arquitectura se pueden percibir la conexión entre varios

microcontroladores e introducirnos en el reconocimiento de patrones.

Como se fuera poco, el entrenador permitirá ensamblar las dos topologías

mencionadas simultáneamente, percibiendo así las diferencias descritas con

anterioridad.

Para finalizar, al desarrollar el circuito entrenador y los códigos neuronales

(almacenados en los PIC 16f84) los estudiantes de la Universidad Autónoma

del Caribe tendrán un medio físico que les permitirá visualizar el

funcionamiento de una RNA y podrán entramar cualquier topología, diseñar

nuevos códigos y percibir la capacidad de aprendizaje de una red neuronal

artificial.

8. BIBLIOGRAFÍA.

• ANGULO, José Ma Usuategui. Microcontroladores PIC diseño práctico

de sus aplicaciones. McGraw Hill.

• DR. BLOWIN, Claude-B. La salud, enciclopedia médica familiar.

Circulo de lectores. Pág. 89. Barcelona. 1982.

• FEEDMAN, Alan. Diccionario de computación bilingüe. McGraw Hill.

• http://es.tldp.org/Presentaciones/200304curso-

glisa/redes_neuronales/curso-glisa-redes_neuronales.pdf Pagina Web

vigente al 18 de marzo de 2007.

• http://es.wikipedia.org/wiki/Lenguaje_de_bajo_nivel Pagina Web


• http://es.wikipedia.org/wiki/Lenguaje_ensamblador Pagina Web


• http://es.wikipedia.org/wiki/Microcontrolador. Pagina Web vigente al 26

de marzo de 2007.

• http://es.wikipedia.org/wiki/Red_neuronal_artificial Pagina Web vigente

al 18 de marzo de 2007.

• http://jkharlos.wordpress.com/2007/09/03/redes-neuronales-artificiales.

Pagina Web vigente al 18 de marzo de 2007.

• http://logicalgenetics.com/assorted/recurrent-nns/feedforward-small.jpg

Pagina Web vigente al 27 de mayo de 2007.

• http://medmayor.cl/apuntes/apuntes/psico/aprendizaje.ppt Pagina Web


• http://members.tripod.com/jesus_alfonso_lopez/RnaIntro.html. Pagina

Web vigente al 12 de marzo de 2007.

• http://ohm.utp.edu.co/paginas/docencia/neuronales/Capitulo1/RNBiolo

gica.htm Pagina Web vigente al 18 de marzo de 2007.

• http://perso.wanadoo.es/chyryes/tutoriales/pic6.htm. Pagina Web

vigente al 23 de octubre de 2007.

• http://perso.wanadoo.es/chyryes/tutoriales/pic7.htm. pagina Web

vigente al 23 de octubre de 2007.

• http://server-die.alc.upv.es/asignaturas/LSED/2002-

g03/Soft_Hard/herramientas_para_pic.pdf Pagina Web vigente al 03

de agosto de 2007.

• http://supervisadaextraccionrecuperacioninformacion.iespana.es/worki

ng/RedNeuronalArtificial.png. Pagina Web vigente al 18 de marzo de

2007.

• http://www.alos.5u.com/indexpic877.htm Pagina Web vigente al 03 de

agosto de 2007.

• http://www.depi.itch.edu.mx/apacheco/lengs/ann/pagina2.gif Pagina


• http://www.depi.itch.edu.mx/apacheco/lengs/ann/pagina3.gif Pagina


• http://www.electan.com/catalog/kits-educativos-cebek-entrenadores-

electronica-c-320_315.html. Pagina Web vigente al 8 de octubre de

2007.

• http://www.electronica.com.mx/neural/information/hopfield.html Pagina


• http://www.electronica.com.mx/neural/information/perceptron.html

Pagina Web vigente al 18 de marzo de 2007.

• http://www.electronicaestudio.com/microcontrolador.htm Pagina Web


• http://www.elprisma.com/apuntes/curso.asp?id=11846. Pagina Web


• http://www.gestiopolis.com/recursos3/docs/rh/tecapren.htm Pagina

Web vigente al 19 de Agosto de 2007.

• http://www.iibce.edu.uy/uas/neuronas/#y Pagina Web vigente al 19 de

Agosto de 2007.

• http://www.iim.umich.mx/publica/bajar/BARRERA/Articulo%204.pdf

Pagina Web vigente al 19 de Agosto de 2007.

• http://www.ilustrados.com/publicaciones/EpylElpAZuyzPaNKYx.php,

Pagina Web vigente al 19 de Agosto de 2007.

• http://www.monografias.com/trabajos18/descripcion-pic/descripcion-

pic.shtml pagina Web vigente al 15 de mayo de 2007.

• http://www.monografias.com/trabajos26/aprendizaje-

desarrollador/aprendizaje-desarrollador.shtml#conceppedag. Pagina

Web vigente al 19 de Agosto de 2007.

• http://www.monografias.com/trabajos38/redes-

neuronales/Image10688.gif. Pagina Web vigente al 17 de Marzo de

2007.

• http://www.mstracey.btinternet.co.uk/pictutorial/picmain.htm pagina

Web vigente al 23 de octubre de 2007.

• http://www.redes-neuronales.netfirms.com/tutorial-redes-

neuronales/clasificacion-de-redes-neuronales-respecto-al-

aprendizaje.htm. Pagina Web vigente al 19 de Agosto de 2007.

• http://www.redes-neuronales.netfirms.com/tutorial-redes-

neuronales/la-neurona-artificial-como-simil-de-la-neurona-

biologica.htm Pagina Web vigente al 17 de Marzo de 2007.

• http://www.superrobotica.com/images/S310130.JPG Pagina Web

vigente al 19 de Agosto de 2007.

• http://www.uta.cl/revistas/charlas/volumen16/Indice/Ch-csaavedra.pdf

Pagina Web vigente al 17 de Marzo de 2007.

• NILSON, Nils. Inteligencia artificial una nueva síntesis. McGraw Hill.

• ORTIZ, Alexander Luís Ocaña. Metodología del aprendizaje

significativo problemico y desarrollador. Hacia una didáctica integrada.

Editorial antillas. 2004.

• QUESADA, Miguel. Metodología de la investigación. Mytis.

• RATIONAL, Software. Ingeniería de requisitos. Circulo de lectores.

• RUSSELS, Stuar. Inteligencia artificial un enfoque moderno. Pentice

Hall.

LISTA DE ANEXOS

ANEXO 1: FICHA DEL PROYECTO

ANEXO 2: PLANIFICACION DE LAS ACTIVIDADES

ANEXO 3: CRONOGRAMA DE ACTIVIDADES

ANEXO 4: POBLACIÓN OBJETIVO

ANEXO 5: UBICACIÓN DELPROYECTO

ANEXO 6: FORMATO DE ENCUESTA.

ANEXO 7: TABULACIÓN DE LAS ENCUESTAS.

ANEXO 8: FICHA TÉCNICA DE LA ENCUESTA

ANEXO 9: FORMATO DE LA ENTREVISTA

ANEXO 10: LIBRETO DE LA ENTREVISTA

ANEXO 11: PRESUPUESTO.

ANEXO 12: CUADRO COMPARATIVO NEURONAS

ANEXO 13: FICHAS DE CONSULTA.

ANEXO 14: FICHAS BIBLIOGRAFICAS.

ANEXO 15: TABLAS Y GRAFICOS

ANEXO No. 1: FICHA DEL PROYECTO

TITULO

Diseño, desarrollo e implementación de un entrenador de redes neuronales

que reforzara los conocimientos vistos en el curso de inteligencia artificial.

INVESTIGADORES

Nombre Antonio José barros molinares

Dirección Calle 3 No. 1A – 158 Puerto Colombia (Atlántico)

Teléfono 3096125

Nombre José Luís Lobo Vásquez

Dirección Calle 65 No. 27 – 24 Barranquilla (Atlántico)

Teléfono 3650873

Nombre Laura Milena Zarache Vargas

Dirección Transversal 14D No. 42 – 75 Soledad (Atlántico)

Teléfono 316 3113460 – 3432487

PROFESIONALES DE APOYO DE LA INVESTIGACIÓN Director de Proyecto: ING. RICHARD AROCA ACOSTA.

Profesión: INGENIERO DE SISTEMAS.

Empresa: UNIVERSIDAD AUTONOMA DEL CARIBE.

Coordinador del Proyecto: ING. ILMA BONILLA.



Asesor Metodológico: MsC. CLAUDIA ZAPATA.

Profesión: PROFESOR DE TIEMPO COMPLRETO (PTC)


Asesor de Técnico: ING. RICHARD AROCA ACOSTA.



FECHA DE INICIACIÓN DEL PROYECTO

La realización de este proyecto ha iniciado el mes de Octubre del año 2006.

FECHA DE FINALIZACION DEL PROYECTO

El presente proyecto se presentará a mediados del mes de Noviembre del

año 2007, previo a la sustentación del mismo.

ANEXO NO. 2: PLANIFICACION DE LAS ACTIVIDADES

OBJETIVO: Identificar las actividades referentes a nuestro proyecto de manera secuencial para facilitar la ejecución y supervisión y retroalimentación de cada una de ellas.

Ítems Actividades (Para el periodo Feb-jun 2007)

Tiempo Físico Humano Responsable

1 Definición del problema 14 días Laboratorio, casa Estudiante Grupo

2 Redacción del alcance y objetivos 7dias Casa Estudiante Grupo

3 Especificación de los propósitos y motivaciones del proyecto.

7 días Casa Estudiante Grupo

4 Elaboración de la introducción 37 días Computador, papel, lápiz

Estudiante Grupo

5 Desarrollo del capitulo 1 63 días Computador, papel, lápiz Estudiante Grupo

6 Elaboración del estado del arte 7 días Computador, papel, lápiz

Estudiante Grupo

7 Revisión bibliografíca 21 días Computador, papel, lápiz

Estudiante Grupo

8 Elaboración del marco conceptual y marco teórico 35 días

Computador, papel, lápiz

Estudiante y asesor Grupo

9 Desarrollo del capitulo 2: Diseño metodológico

35 días Computador, papel, lápiz, casa

Estudiante Grupo

10 Elaboración de los formatos de las encuestas y entrevistas

7 días Computador, papel, lápiz

Estudiante y asesor

Grupo

11 Selección de la población objetivo y calculo de la muestra 7 días Computador, papel,

lápiz, laboratorio Estudiante y

asesor Grupo

12 Definición de instrumentos metodológicos: tipo de investigación, tipo de estudio, etc.

7 días Computador, papel, lápiz,

Estudiante y asesor

Grupo

13 Delimitación: técnica, de espacio y tiempo 7 días Computador, papel,

lápiz Estudiante y

asesor Grupo

14 Desarrollo prueba piloto de la encuesta

7 días Fotocopias Estudiantes Grupo

15 Desarrollo del capitulo 3: Análisis e interpretación de los resultados

7días Computador, papel, lápiz

Estudiantes Grupo

16 Desarrollo del capítulo 4: Propuesta 139 días Facultad Estudiantes y

asesor Grupo

17 Descripción y justificación de la solución

7 días Laboratorio, biblioteca

Estudiantes Grupo

18 Elaboración de los modelos del sistema

50 días Laboratorio, casa Estudiantes y asesor

Grupo

19 Elaboración del glosario 14 días Casa, laboratorio Estudiantes Grupo

20 Ajustes del diseño 7 días Laboratorio Estudiantes y asesor

Grupo

21 Construcción del prototipo 30 días casa Asesor y estudiantes

Grupo

22 Realización de pruebas 21 días Laboratorio, casa Asesor, Estudiantes

Grupo

23 Elaboración del documento con los capítulos 1,2,3 y 4

10 días Casa, laboratorio, computador, papel

Estudiantes Grupo

Ítems Actividades

(Para el periodo jul-nov 2007) Tiempo Físico Humano Responsable

24 Corrección capítulos 1, 2, 3 y 4 4 meses Casa, laboratorio, computador, papel, facultad

Estudiantes y Asesor Grupo

25 Diseño de los tres aplicativos 7 semanas Casa, laboratorio, computador, papel Estudiantes Grupo

26 Desarrollo de los tres aplicativos 8 semanas Casa, laboratorio, computador, papel Estudiantes Grupo

27 Corrección del prototipo 6 semanas Casa, laboratorio, computador, papel

Estudiantes y Asesor

Grupo

28 Desarrollo de las Pruebas finales 4 semanas Laboratorio, computador.

Estudiantes Grupo

29 Entrega del documento Final (Monografía completa) 1 día Facultad Estudiantes Grupo

30 Entrega del software completo 1 día Facultad Estudiantes Grupo

ANEXO NO. 3: CRONOGRAMA DE ACTIVIDADES

Febrero Marzo Abril Mayo Junio Agosto Septiembre Octubre Noviembre Semanas Semanas Semanas Semanas Semanas Semanas Semanas Semanas Semanas ACTIVIDADES

1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 Capitulo 0. Introducción Definición del problema Redacción de la identificación y descripción del proyecto

Elaboración de la justificación del proyecto

Especificación de las motivaciones y propósitos del proyecto

Definición del alcance y los objetivos del proyecto

Capitulo 1. Estado del arte Asesorías metodológicas Revisión bibliografíca Detección, selección y revisión de la bibliografía

Definición del fundamento teórico y fundamento conceptual

Descripción de los antecedentes científicos

Asesorías metodológicas Capitulo 2. diseño metodológico Asesorías metodológicas Elaboración de formatos de las encuestas y entrevistas

Definición del tipo de investigación y tipo de estudio

Definición del método y técnicas de recolección de la información

Selección del ámbito espacial y población objetivo

Justificación estadística de la muestra

Febrero Marzo Abril Mayo Junio Agosto Septiembre Octubre Noviembre Semanas Semanas Semanas Semanas Semanas Semanas Semanas Semanas Semanas ACTIVIDADES

1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 Validación previa del instrumento Desarrollo prueba piloto de la encuesta Asesorías metodológicas Aprendizaje de la herramienta Capitulo 3. Análisis e interpretación de resultados

Asesorías metodológicas Elaboración de diagramas Realización del análisis Asesorías metodológicas Capitulo 4. Propuesta Asesorías metodológicas Descripción y justificación de la solución Definición de los objetivos de la solución Definición y especificación de los requerimientos

Elaboración del modelo del sistema Elaboración del glosario Asesorías metodológicas Ajustes del diseño Construcción del prototipo Desarrollo de pruebas Entrega del avance del proyecto y el prototipo

Corrección de los capítulos 1, 2, 3 y 4 Ajustes prototipo (hardware) Pruebas finales Entrega del documento fenal de la herramienta

ANEXO No. 4: POBLACIÓN OBJETIVO

Programa

Semestre Ingeniería de sistemas Ingeniería electrónica Total

Noveno 108 78 186

Décimo 81 33 114

Total 189 111 300

ANEXO No. 5: UBICACIÓN DEL PROYECTO

En el momento en que este en funcionamiento el sistema gestual, éste estará ubicado

de manera estratégica en el laboratorio de robótica de la Universidad Autónoma del

Caribe.

Laboratorio de

Robótica

Laboratorio de Computación

Biblioteca

BLOQUE G

Calle 90

Cafetería

Accesos

ANEXO No. 6: FORMATO DE ENCUESTA.

UNIVERSIDAD AUTONOMA DEL CARIBE PROGRAMA DE INGENIERIA DE SISTEMAS

ENCUESTA PARA LOS ESTUDIANTES DE LA UNIVERSIDAD AUTONOMA

DEL CARIBE

Población Objetivo Estudiantes de noveno y décimo semestre de ingeniería de sistemas y de ingeniería electrónica de la Universidad Autónoma del caribe que hayan cursado o estén cursando actualmente la asignatura Tecnología de sistemas II (Inteligencia artificial). Objetivo de la encuesta Conocer la opinión de las estudiantes acerca de las herramientas software y hardware que afianzan los conocimientos teóricos de las redes neuronales, en el área de IA. 1.- ¿Conoce usted alguna herramienta de uso cotidiano que aplique conceptos de Inteligencia Artificial (IA)?

Si ____ No___ ¿Cual? ________________________


Si ____ No___ 3.- ¿Sabía usted que la universidad cuenta con un laboratorio de IA y robótica?

Si ____ No___

4.- ¿Ha manejado alguna herramienta software o hardware en el laboratorio de Inteligencia Artificial y robótica?

Si ____ No___ 5.- ¿Sabe usted si actualmente se están realizando, practicas con herramientas hardware en el laboratorio de inteligencia artificial y robótica?

Si ____ No___ 6.- ¿Cree usted que las herramientas con las que cuenta el laboratorio facilita la comprensión de los conocimientos vistos en el área de inteligencia artificial?

Si ____ No___ 7.- ¿Esta informado acerca de los proyectos de inteligencia artificial desarrollados en la universidad?

Si ____ No___ 8.- ¿Piensa que la IA será indispensable para el hombre en su vida diaria?

Si ____ No___ ¿Cual? ________________________ 9.- ¿Para usted el conocer mas acerca de inteligencia artificial le es útil?

Si ____ No___


Si ____ No___ 11.- ¿Es para usted necesaria la implementación de nuevas herramientas hardware para reforzar prácticamente los conocimientos aprendidos?

Si ____ No___ 12.- ¿Le gustaría contar con una herramienta hardware que le permita observar mejor el proceso de aprendizaje de las neuronas artificiales?

Si ____ No___

ANEXO No. 7: TABULACION DELAS ENCUESTAS.

Cantidad %

Noveno Semestre De Ingeniería De Sistemas 1.- ¿Conoce usted alguna herramienta de uso cotidiano que aplique conceptos de Inteligencia Artificial (IA)?

Si 7 17,07 No 34 82,93


Si 29 70,73 No 12 29,27


Si 39 95,12 No 2 4,88


Si 8 19,51 No 33 80,49

5.- ¿Sabe usted si actualmente se están realizando, practicas con herramientas hardware en el laboratorio de inteligencia artificial y robótica?

Si 19 46,34 No 22 53,66

6.- ¿Cree usted que las herramientas con las que cuenta el laboratorio facilita la comprensión de los conocimientos vistos en el área de inteligencia artificial?

Si 24 58,54 No 17 41,46

7.- ¿Esta informado acerca de los proyectos de inteligencia artificial desarrollados en la universidad?

Si 7 17,07 No 34 82,93


Si 33 80,49 No 8 19,51


Si 39 95,12 No 2 4,88


Si 30 73,17 No 11 26,83

11.- ¿Es para usted necesaria la implementación de nuevas herramientas hardware para reforzar prácticamente los conocimientos aprendidos?

Si 39 95,12 No 2 4,88

12.- ¿Le gustaría contar con una herramienta hardware que le permita observar mejor el proceso de aprendizaje de las neuronas artificiales?

Si 41 100 No 0 0

Décimo Semestre De Ingeniería De Sistemas 1.- ¿Conoce usted alguna herramienta de uso cotidiano que aplique conceptos de Inteligencia Artificial (IA)?

Si 9 20,93 No 34 79,07


Si 33 76,74 No 10 23,26


Si 43 100,00 No 0 0,00


Si 10 23,26 No 33 76,74


Si 21 48,84 No 22 51,16


Si 26 60,47 No 17 39,53


Si 9 20,93 No 34 79,07


Si 37 86,05 No 6 13,95


Si 43 100,00 No 0 0,00


Si 35 81,40 No 8 18,60


Si 43 100,00 No 0 0,00


Si 43 100,00 No 0 0,00

Ingeniería De Sistemas Noveno Y Décimo Semestre 1.- ¿Conoce usted alguna herramienta de uso cotidiano que aplique conceptos de Inteligencia Artificial (IA)?

Si 16 19,05 No 68 80,95


Si 62 73,81 No 22 26,19


Si 82 97,62 No 2 2,38


Si 18 21,43 No 66 78,57


Si 40 47,62 No 44 52,38


Si 50 59,52 No 34 40,48


Si 16 19,05 No 68 80,95


Si 70 83,33 No 14 16,67


Si 84 91,00 No 0 9,00


Si 65 77,38 No 19 22,62


Si 82 97,62 No 2 2,38


Si 84 100,00 No 0 0,00

Noveno Semestre Ingeniería Electrónica 1.- ¿Conoce usted alguna herramienta de uso cotidiano que aplique conceptos de Inteligencia Artificial (IA)?

Si 6 14,63 No 35 85,37


Si 34 82,93 No 7 17,07


Si 29 70,73 No 12 29,27


Si 6 14,63 No 35 85,37


Si 10 24,39 No 31 75,61


Si 23 56,10 No 18 43,90


Si 3 7,32 No 38 92,68


Si 38 92,68 No 3 7,32


Si 41 100,00 No 0 0,00


Si 39 95,12 No 2 4,88


Si 40 97,56 No 1 2,44


Si 41 100,00 No 0 0,00

Décimo Semestre Ingeniería Electrónica 1.- ¿Conoce usted alguna herramienta de uso cotidiano que aplique conceptos de Inteligencia Artificial (IA)?

Si 7 15,91 No 37 84,09


Si 42 84,09 No 2 15,91


Si 32 72,73 No 12 27,27


Si 9 20,45 No 35 79,55


Si 13 29,55 No 31 70,45


Si 25 56,82 No 19 43,18


Si 6 13,64 No 38 86,36


Si 43 97,73 No 1 2,27


Si 44 100,00 No 0 0,00


Si 40 90,91 No 4 9,09


Si 41 93,18 No 3 6,82


Si 42 95,45 No 2 4,55

Ingeniería Electrónica Noveno Y Décimo Semestre 1.- ¿Conoce usted alguna herramienta de uso cotidiano que aplique conceptos de Inteligencia Artificial (IA)?

Si 13 15,29 No 72 84,71


Si 76 89,41 No 9 10,59


Si 61 71,76 No 24 28,24


Si 15 17,65 No 70 82,35


Si 23 27,06 No 62 72,94


Si 9 10,59 No 76 89,41


Si 81 95,29 No 4 4,71


Si 85 100,00 No 0 0,00


Si 7 17,07 No 34 82,93


Si 79 92,94 No 6 7,06


Si 81 95,29 No 4 4,71


Si 83 97,65 No 2 2,35

Ingeniería De Sistemas e Ingeniería Electrónica 1.- ¿Conoce usted alguna herramienta de uso cotidiano que aplique conceptos de Inteligencia Artificial (IA)?

Si 29 17,16 No 140 82,84


Si 138 81,66 No 31 18,34


Si 143 84,62 No 26 15,38


Si 33 19,53 No 136 80,47


Si 63 37,28 No 106 62,72


Si 98 57,99 No 71 42,01 7.- ¿Esta informado acerca de los proyectos de inteligencia artificial desarrollados en la universidad? Si 25 14,79 No 144 85,21 8.- ¿Piensa que la IA será indispensable para el hombre en su vida diaria? Si 151 89,35 No 18 10,65 9.- ¿Para usted el conocer mas acerca de inteligencia artificial le es útil?

Si 169 100,00 No 0 0,00


Si 144 85,21 No 25 14,79

11.- ¿Es para usted necesaria la implementación de nuevas herramientas hardware para reforzar prácticamente los conocimientos aprendidos? Si 163 96,45 No 6 3,55


Si 167 98,82

No 2 1,18

ANEXO No. 8: FICHA TECNICA DE LA ENCUESTA

FICHA TECNICA DE LA ENCUESTA

Población encuestada

Facultades: Facultad de Ingenierías

Programas encuestados: Ingeniería de Sistemas e Ingeniería

Electrónica

Semestres cubiertos: Noveno y Décimo semestre

Numero de encuestas realizadas

Total Encuestados: 169

Ingeniería de Sistemas: 84

Ingeniería de Electrónica: 85

Noveno de Sistemas: 41

Noveno de Electrónica: 41

Total Encuestados Noveno: 82

Décimo de Sistemas: 43

Décimo de Electrónica: 42

Total Encuestados Décimo: 85

ANEXO No. 9: FORMATO DE LA ENTREVISTA

ENTREVISTA REALIZADA A LOS ESPERTOS EN IA DE LA

UNIVERSIDAD AUTONOMA DEL CARIBE

1.- ¿Cuál es el proceso básico que utiliza el laboratorio de inteligencia

artificial y robótica para enseñar lo referente a redes neuronales?

2.- ¿Qué datos utilizan o generan este proceso?

3.- Usted nos comentaba el otro día que existe un modulo de Matlab para

simular redes neuronales ¿La universidad cuenta con el?

4.- ¿Cuál es el tiempo y espacio necesario para desarrollar estos temas?

5.- ¿Además del laboratorio de inteligencia artificial y robótica existe otro

lugar donde se pueda enseñar y poner en práctica todo lo referente a redes

neuronales?

6.- ¿Cuenta la universidad con el personal idóneo para el manejo de estos

temas? Es decir los temas de inteligencia artificial

7.- ¿Manejan estándares específicos que permitan conocer los avances

alcanzados en el desarrollo de estos temas?; ¿Estándares en cuanto a

aplicativos?; ¿En cuanto a la metodología?; ¿Alguna referencia?

8.- ¿Considera usted que seria beneficioso contar con un instrumento que

auxilie en el proceso de enseñanza-aprendizaje de redes neuronales?

9.- ¿Las actividades trazadas en la sala de inteligencia artificial para la

enseñanza de redes neuronales son culminadas a tiempo con el

procedimiento que se utiliza actualmente?

10.- ¿Se satisfacen los requerimientos básicos establecidos por la

universidad en la enseñanza-aprendizaje de redes neuronales? ¿O esto no

esta considerado en el plan de estudio?

11.- ¿Los estudiantes son concientes de los avances que se están

presentando a nivel de sistemas y corresponden en el aprendizaje de estos?

12.- Bajo ese orden de ideas ¿Cree usted que el entrenador que estamos

postulando serviría de apoyo a ese proceso?

ANEXO No. 10: LIBRETO DE LA ENTREVISTA

ENTREVISTA REALIZADA AL ING. RICHARD AROCA

Pregunta 1.

¿Cuál es el proceso básico que utiliza el laboratorio de inteligencia

artificial y robótica para enseñar lo referente a redes neuronales?

Básicamente después que se da la teoría se desarrollan algunos tipos de

aplicaciones pero en lenguajes tradicionales como Visual Basic, pero se

trabaja nada mas la parte básica. Por otro lado se trabaja una herramienta

especializada para sistemas expertos llamada CRIP, pero desarrollar teorías

neuronales como tal es bastante complicado.

Pregunta 2.

¿Qué datos utilizan o generan este proceso?

Cuando se utilizan las redes neuronales se le meten patrones básicos;

valores binario, y los resultados se dan también en binario, simulado en los

lenguajes de alto nivel como los que te estaba explicando por ejemplo Visual

Basic.

Pregunta 3.

Usted nos comentaba el otro día que existe un modulo de Matlab para

simular redes neuronales ¿La universidad cuenta con el?

No. Ese modulo no se ha solicitado, entiendo que es muy costoso, por lo que

habría que hacer todo un proyecto para justificar su compra.

Pregunta 4.

¿Cuál es el tiempo y espacio necesario para desarrollar estos temas?

Lo que sucede es que tecnología de sistemas II así como esta enfocada

actualmente en noveno semestre es una recopilación de todo lo que se

debería dar en inteligencia artificial, entonces son muchos temas, debido a

esto lo que se hace es simplemente hacer un tratamiento básico para que el

estudiante conozca la herramienta como tal y motivarle para que el después

pueda ahondar un poco mas al respecto de los temas que le interesen. Pero

básicamente, se tocan tópicos básicos para que el estudiante se motive y

pueda utilizarla.

Pregunta 5.

¿Además del laboratorio de inteligencia artificial y robótica existe otro

lugar donde se pueda enseñar y poner en práctica todo lo referente a

redes neuronales?

Yo diría que es difícil conseguir ese espacio, pero recordando y si la mente

no me falla aquí se hizo un proyecto sobre esto. Un proyecto que no se

exactamente cual fue la temática ahora mismo, pero algo si toco ese punto,

sin embargo el resultado es mas bien una investigación, ósea es algo más

que todo teórico y otro espacio adicional a este (el laboratorio de robótica) no

lo hay.

Pregunta 6.

¿Cuenta la universidad con el personal idóneo para el manejo de estos

temas? Es decir los temas de inteligencia artificial

Bueno ahora mismo como se trabajan con temas básicas la persona que

trabaja sobre eso soy yo y como se da en pocos grupos y realmente solo se

presenta un curso en la mañana y otro en la tarde y es una materia que nada

mas tiene tres horas, pero por lo general solo se presentan tres cursos y

cuadra con los horarios que yo tengo disponibles. Por ejemplo, este

semestre como un cambio en la malla, entonces habían grupos que estaban

en décimo y salieron nuevos grupos en noveno, entonces la parte

administrativa se vio en la necesidad de contratar un profesor que esta

trabajando en la noche y yo estoy trabajando en la parte del día. Entonces

personas para esto se consiguen poco pero en el momento la universidad si

tiene las personas suficientes. En el momento en que los proyectos vallan

avanzando ahondando en profundidad y en complejidad nos veríamos en la

necesidad de buscar nuevas personas para temas específicos.

Pregunta 7.

¿Manejan estándares específicos que permitan conocer los avances

alcanzados en el desarrollo de estos temas?; ¿Estándares en cuanto a

aplicativos?; ¿En cuanto a la metodología?; ¿Alguna referencia?

Realmente se esta tratando de organizar toda la información en cuanto a los

proyectos que se van desarrollando, pero en cuanto redes neuronales un

estándar aplicado de pronto es la conformación de una red básica como el

perceptron que se maneja acá, pero entrar a manejar cosas mas complejas

de una red como tal donde tenga que manejar sus estándares, no lo hay.

Pregunta 8.

¿Considera usted que serificioso contar con un instrumento que auxilie

en el proceso de enseñanza-aprendizaje de redes neuronales?

Obviamente si, así de pronto se da la oportunidad de ahondar un poco más

en el tema. El problema es que sin herramienta de pronto uno analiza

conceptos y programa una cosa básica, pero sin herramientas que permitan

avanzar en poco tiempo es imposible. Osea, que si se hace una herramienta

de estas seria bastante beneficioso. Por ejemplo se pondría colocar trabajo

independiente al estudiante, de manera que el mismo ahonde en el tema.

Pregunta 9.

¿Las actividades trazadas en la sala de inteligencia artificial para la

enseñanza de redes neuronales son culminadas a tiempo con el

procedimiento que se utiliza actualmente?

Si, como es un proceso netamente básico en cuestiones de tiempo y el

manejo de la temática es bueno. Pero eso no es solo a nivel de marco

teórico, a nivel de proyectos se demoran como dos semestres y por lo

general todos los que se inscribe en desarrollo de proyectos en inteligencia

artificial y redes neuronales, terminan sus proyectos a tiempo y se gradúan

según las normas de la universidad.

Pregunta 10.

¿Se satisfacen los requerimientos básicos establecidos por la

universidad en la enseñanza-aprendizaje de redes neuronales? ¿O esto

no esta considerado en el plan de estudio?

Realmente eso es muy subjetivo porque inicialmente la materia inteligencia

artificial no esta definida en el pensul, aparece como una temática de

tecnología de sistemas II, ahora mismo yo estoy tratando de probar en una

tesis que estoy haciendo que la inteligencia artificial es un valor agregado

que le da mucho mas valor a un ingeniero en varios aspectos que estoy

tratando de comprobar. Pero que haya unos lineamientos de la universidad

donde realmente se deba aplicar inteligencia artificial establecida desde sus

estamentos no esta claro.

Pregunta 11.

¿Los estudiantes son concientes de los avances que se están

presentando a nivel de sistemas y corresponden en el aprendizaje de

estos?

Bueno si, pero eso a través de una campaña que se ha generado a través de

lo que te estoy contando del doctorado, a través de campañas de motivación

que yo he emprendido, hacer charlas, conferencias, talleres. La gente en las

mismas clases aprende que realmente es importante que conozca la

herramienta pero hay que motivarlo para que profundice en ella y alcance la

dimensión que están mencionando.

Pregunta 12.

Bajo ese orden de ideas ¿Cree usted que el entrenador que estamos

postulando serviría de apoyo a ese proceso?

Claro obviamente por que seria una herramienta idónea para reforzar las

practicas, el problema hasta ahora es que se ve la red neuronal desde un

punto de vista teórico y de software pero no se puede ver el aspecto de la

explicación practica, de la aplicación directa en un dispositivo que es donde

mas se utiliza las redes neuronales. Hoy en día las aplicaciones que mas

están creciendo son las de reconocimiento de patrones y a la persona le es

difícil entender a nivel de un computador como son los procesos, primero por

que los dispositivos vienen empaquetados como son los reconocedores de

huellas y los reconocedores de cualquier otra cosa biométrica, entonces la

persona no puede destapar y ver que hace, con un entrenador de estos se

podría medio simular que es lo que pasa dentro y como es que esto

realmente funciona. Por esto seria muy bienvenido un dispositivo de estos y

seria muy beneficioso.

ANEXO No. 11: PRESUPUESTO.

Utilidad Detalle Cantidad Valor Unitario Valor total

Papelería Lápices 10 500 5.000 Borradores 5 400 2.000 Bolígrafos 16 1.000 16.000 Carpeta de 3 anillos 1 7.000 7.000 Hojas de Block 3 Remas 10.000 30.000 Fotocopias 280 50 14.000 Impresiones 700 150 105.000 Empastadas 1 20.000 20.000 Total Papelería 199.000 Comunicación Teléfono celular 200 (min.) 250 50.000 Teléfono fijo 250 (min.) 33 8.250 Total Comunicación 58.250 Transporte Taxis 15 4000 60.000 Buses 120 1300 156.000 Total Trasporte 216.000 Documentación Internet 280 (horas.) 1200 336.000 Total Documentación 336.000 Equipos PIC`S 16f84 6 10.000 60.000 Cable UTP 3 metros 1.000 3.000 Circuito Entrenador Resistencias de 100 Ohmios 150 150 22.500 Resistencias de 330 Ohmios 41 150 6.150 Resistencias de 10 Kohmios 1 150 150 Bases Para Microcontrolador de 18

Pines 15 300 4.500 Condensadores de 22 pf 24 200 4.800 Cristales de Cuarzo 12 2.500 30.000

DIPSWITCH 3 4.000 12.000 LED de 3 mm 40 200 8.000 Postes para sostener 6 500 3.000

LED de 5 mm para IND 1 250 250 Switches para modo 1 1.000 1.000 Switches para encendido 1 1.500 1.500 Regulador de voltaje 1 1.500 1.500 Jack para la alimentación 1 1.000 1.000 Pines Abierto para conexión 328 100 32.800 Soldadura 10 800 8.000 Adaptador 1 20.000 20.000 Placa Impreso de 21x 23 1 15.000 15.000 Fabricación física de la Placa 1 30.000 30.000

Montaje de Componentes 1 15.000 15.000 Marcación y Protección de la Placa 1 10.000 10.000 Chasis en Acrílico 1 150.000 150.000 Diseño -.- 42.850 Total Entrenador 420.000 Total Equipos 483.000 Víveres 40 3.500 140.000 Almuerzos 25 2.000 50.000 Meriendas 190.000 Total Víveres

TOTAL PRESUPUESTO 1.009.000

ANEXO No. 12: CUADRO COMPARATIVO

NEURONAS.

REDES NEURONALES BIOLOGICAS

REDES NEURONALES ARTIFICIALES

neuronas nodos

Conexiones sinapticas Conexiones ponderadas

Efectividad de la sinapsis Peso de las conexiones

Efecto excitatorio o inhibitorio de una

conexion Signo del peso de una conexion

Efecto combinado de las sinapsis Funcion de porpagacion de una red

Activacion -> tasa de disparo Funcion de activacion -> salida

ANEXO No. 13: FICHAS DE CONSULTA.

METODOLOGIA DE LA INVESTIGACION

AUTOR Miguel Quesada EDITORIAL Mytis

PROPOSITO Se consulto sobre técnicas de investigación

ENCICLOPEDIA TEMATICA GUINESS

AUTOR

EDITORIAL Circulo de lectores

PROPOSITO Se consulto acerca de la composición de

la neurona y los fundamentos del aprendizaje.

LA SALUD, ENCICLOPEDIA MEDICA FAMILIAR

AUTOR Dr. Claude-B. Blowin

EDITORIAL Circulo de lectores

PROPOSITO Se consulto acerca de la composición de

la neurona

DICCIONARIO DE COMPUTACIÓN BILINGÜE

AUTOR Alan Freedman

EDITORIAL Mc Graw Hill

PROPOSITO Se consulto para la definición y

elaboración del glosario

INGENIERIA DE REQUISITOS AUTOR Rational Software

EDITORIAL Circulo De Lectores

PROPOSITO Se consulto sobre la aplicación de

ingeniería de requisitos

ANEXO No. 14: FICHAS BIBLIOGRAFICAS.

INTELIGENCIA ARTIFICIAL UNA NUEVA SISTEXIS AUTOR NILS NNILSON EDITORIAL MCGRAW- HILL PROPOSITO

INTELIGENCIA ARTIFICIAL UN ENFOQUE MODERNO AUTOR Stuar Russels EDITORIAL Prentice Hall

PROPOSITO Comceptos básicos de la inteligencia

artificial

Biblioteca de Consulta Microsoft ® Encarta ® 2005. AUTOR © 1993-2004 Microsoft Corporation. EDITORIAL

PROPOSITO Se realizaron múltiples búsquedas con

respecto a la parte teórica

MICROCONTROLADORES PIC DISEÑO PRACTICO DE SUS APLICACIONES

AUTOR Jose Angulo Ma Usuategui EDITORIAL Mcgraw Hill

PROPOSITO Se consulto sobre las instrucciones

basicas y fundamentos de programacion en PICs

METODOLOGÍA DEL APRENDIZAJE SIGNIFICATIVO PROBLEMICO Y DESARROLLADOR. HACIA UNA DIDÁCTICA INTEGRADA

AUTOR Alexander Luis Ortiz Ocaña

EDITORIAL Editorial Antillas

PROPOSITO Se consulto sobre fundamentos de pedagogía

INTERNET

• http://www.electan.com/catalog/kits-educativos-cebek-entrenadores-electronica-c-320_315.html.

• http://es.tldp.org/Presentaciones/200304curso-glisa/redes_neuronales/curso-glisa-redes_neuronales.pdf

• http://es.wikipedia.org/wiki/Lenguaje_de_bajo_nivel • http://es.wikipedia.org/wiki/Lenguaje_ensamblador • http://es.wikipedia.org/wiki/Microcontrolador. • http://es.wikipedia.org/wiki/Red_neuronal_artificial • http://jkharlos.wordpress.com/2007/09/03/redes-neuronales-artificiales/ • http://logicalgenetics.com/assorted/recurrent-nns/feedforward-small.jpg • http://medmayor.cl/apuntes/apuntes/psico/aprendizaje.ppt • http://members.tripod.com/jesus_alfonso_lopez/RnaIntro.html • http://ohm.utp.edu.co/paginas/docencia/neuronales/Capitulo1/RNBiolo

gica.htm • http://server-die.alc.upv.es/asignaturas/LSED/2002-

g03/Soft_Hard/herramientas_para_pic.pdf • http://supervisadaextraccionrecuperacioninformacion.iespana.es/worki

ng/RedNeuronalArtificial.png • http://www.alos.5u.com/indexpic877.htm • http://www.depi.itch.edu.mx/apacheco/lengs/ann/pagina2.gif • http://www.depi.itch.edu.mx/apacheco/lengs/ann/pagina3.gif • http://www.electronicaestudio.com/microcontrolador.htm • http://www.elprisma.com/apuntes/curso.asp? id=11846 • http://www.iibce.edu.uy/uas/neuronas/#y • http://www.iim.umich.mx/publica/bajar/BARRERA/Articulo%204.pdf • http://www.ilustrados.com/publicaciones/EpylElpAZuyzPaNKYx.php, • http://www.monografias.com/trabajos18/descripcion-pic/descripcion-pic • http://www.monografias.com/trabajos26/aprendizaje-

desarrollador/aprendizaje-desarrollador.shtml#conceppedag • http://www.monografias.com/trabajos38/redes-

neuronales/Image10688.gif. • http://www.redes-neuronales.netfirms.com/tutorial-redes-

neuronales/clasificacion-de-redes-neuronales-respecto-al-aprendizaje.htm

• http://www.redes-neuronales.netfirms.com/tutorial-redes-neuronales/la-neurona-artificial-como-simil-de-la-neurona-biologica.htm

• http://www.superrobotica.com/images/S310130.JPG • http://www.uta.cl/revistas/charlas/volumen16/Indice/Ch-csaavedra.pdf • www.electronica.com.mx/neural/information/hopfield.html

• www.electronica.com.mx/neural/information/perceptron.html • www.gestiopolis.com/recursos3/docs/rh/tecapren.htm

DISEÑO, DESARROLLO E IMPLEMENTACIÓN, DE UN ENTRENADOR DE ... · tipos de redes de acuerdo a la...

Documents

Transcript of DISEÑO, DESARROLLO E IMPLEMENTACIÓN, DE UN ENTRENADOR DE ... · tipos de redes de acuerdo a la...