PRÁCTICA No.

Células de McCulloch-Pitts

OBJETIVO:

Comprender y aplicar las redes neuronales artificiales para crear modelos de las compuertas
lógicas mediante la célula de McCulloch-Pitts y ponerla en práctica mediante MATLAB

INTRODUCCION:

En el año de 1943, el ser humano, en un intento de simular el comportamiento biológico del

cerebro y entender cómo se lleva a cabo el complejo proceso del aprendizaje, propuso un
modelo matemático capaz de aprender: llamado Neurona de McCulloch-Pitts, siendo este
concepto la primera Neurona Artificial de que se tenga conocimiento. A partir de entonces,
surgieron numerosos desarrollos científicos basados en esta aportación.
La Neurona Artificial proporciona los medios idóneos para realizar clasificación de patrones,
imitando el funcionamiento del sistema biológico sensorial. Fue el primer modelo
computacional de la red nerviosa del cerebro humano, y es en sí, el primer trabajo de un
autómata de estados finitos.

Células de McCulloch-Pitts
1943.. Fueron un modelo simplificado del funcionamiento de las neuronas del cerebro.

La neurona de McCulloch-Pitts es una unidad de cálculo que intenta modelar el

comportamiento de una neurona "natural", similares a las que constituyen del cerebro
humano. Ella es la unidad esencial con la cual se construye una red neuronal artificial.
Las características de una neurona artificial son:
• La salida de la neurona está en cualquiera de los dos estados: 1 o 0.
• La salida de la neurona depende de la suma de los pesos de las entradas. Cierto nivel debe
ser superado para hacer que la neurona se active.
• La asociación de los pesos con las entradas modelan la eficiencia de la sinapsis (acopla-
miento). Una mayor eficiencia de la sinapsis tendrá un mayor peso. La neurona es entre-nada
para ajustar esos pesos.

Estas características se muestran en la siguiente figura.

El total de las entradas con sus respectivos pesos es igual a:

Si esta suma excede el valor umbral, entonces la neurona se activa, es decir la salida es 1, de
otra manera permanece apagada. Se trata de una unidad de proceso con n entradas x,…,xn y
una salida (y), con dos únicos valores de salida posibles y constantes. La unidad realiza una
función de proceso sobre los valores de las entradas, y si el valor obtenido supera el umbral
de activación, se obtiene como respuesta el valor de activación. Por el contrario, si el
resultado de aplicar la función de proceso a los valores de entrada no supera este umbral, la
neurona permanecerá inactiva y la salida será nula.

La función de proceso de las entradas es típicamente una suma ponderada de los valores de
las mismas, lo que significa que no todos los valores de entrada tienen igual aportación para la
suma,

sino que cada uno de ellos se modifica multiplicándolo por un valor de ponderación o peso,
wi, antes de proceder a sumar. Expresado de manera formal, el comportamiento de la
neurona es el siguiente:
Donde f(x) representa a la función escalón (comúnmente conocida como la función de
Heaviside) definida como:

wi son los pesos sinápticos y θ el umbral de activación. Obsérvese que, en función del signo de
los pesos sinápticos, estos pueden actuar tanto como elementos activadores (signo positivo) o
como elementos inhibidores (signo negativo).
El modelo de neurona artificial presenta numerosas analogías con las neuronas biológicas. Los
cables o conexiones son análogos a las dendritas y axones, los pesos de ponderación de las
conexiones equivalen a las sinapsis y el umbral de activación representa la actividad de la
neurona.
Al eliminar el umbral de activación, es posible definir el comportamiento de la neurona
mediante la siguiente expresión:

Para ilustrar cómo funciona la neurona de McCulloch-Pitts, se representará la neurona

artificial, como sigue:

EQUIPO Y MATERIAL EMPLEADOS:

*Computadora
Programa matlab
DESARROLLO:

Simularemos las compuertas lógicas NOT, AND, OR, NOR, NAND representada con el modelo

de neurona artificial de McCulloch-Pitts.las células de Células de McCulloch-Pitts en Matlab

Y mediante las compuertas not en conjunto con las or y and obtendremos las NOR
y NAND
Código en Matlab

clc
close all;
clear all;

% x_1,x_2,x_3,x_4 representan nuestras entradas de las

compuertas and y or
% se requiere de 2 entradas

x_1=[0 0]; %crear un arreglo con dos elementos en una

fila única
x_2=[1 0];
x_3=[0 1];
x_4=[1 1];

% w representan nuestros pesos dentro de nuestra célula

McCulloch-Pitts and
% y or se requieren de dos pesos para nuestras dos
entradas
w=[1 1]; %crear un arreglo con dos elementos en una fila
única
%creamos una Concatenación con nuestras entradas
X=[x_1; x_2; x_3; x_4];
%representa la función no lineal conocida como función
de activación.
y=w*X'; %representa nuestra formula W*X(transpuesta)

%representa nuestro umbral paraca cada compuerta

um1=0;
um2=1;
um3=2;
um4=-1;
%representa nuestra salida representando cada caso
or=y > um1
and=y > um2
nor=y < um2
nand=y < um3

%compuerta not

%x1,x2representanuestras entradas para la compuerta not

x1=[0];
x2=[1];
%nuestro peso para nuestra entrada
w2=[-1];
%concatenamos nuestras entradas
X2=[x1;x2];
%representa nuestra función de activación para not
yy=w2*X2;
%representa nuestra salida
not=yy>=um1

Resultados
CONCLUSIÓN:

El modelo de W. McCulloch y W. Pitts fue propuesto para describir el tipo de operaciones que
realizan las neuronas biológicas. Este modelo ha servido de inspiración para muchos modelos
subsecuentes, y sigue sirviendo de paradigma dentro del campo de la Ingeniería Neuronal. El
potencial de este modelo aún ahora sigue siendo grande. A la fecha se siguen buscando nuevas
formas de interpretar y aprovechar las características de este modelo, por lo que es factible partir
nuevamente de las ideas que propone para desarrollar nuevos modelos, donde de aproveche su
capacidad de representación lógica y digital, que sean fácilmente utilizados en los dispositivos
digitales modernos.

Referencias:

Tablada, C. J., & Torres, G. A. (2009). Redes neuronales artificiales. Revista de Educación
Matemática, 24(3).

López Leyva, L. O., & Aldape Pérez, M. (2007). Neurona artificial de McCulloch & Pitts. Instituto
Politécnico Nacional. Centro de Investigación en Computación.