Enviar búsqueda
Cargar
Redes 1
•
0 recomendaciones
•
201 vistas
B
BEATRIZ ESTUCO LOAYZA
Seguir
Vista de diapositivas
Denunciar
Compartir
Vista de diapositivas
Denunciar
Compartir
1 de 9
Descargar ahora
Descargar para leer sin conexión
Recomendados
Redes neuronales
Redes neuronales
Abrahm Garcia
Intro redes neuronales
Intro redes neuronales
Isaac Petro Mora
Tema 8 Aprendizaje De Sistemas Difusos Con Redes Neuronales
Tema 8 Aprendizaje De Sistemas Difusos Con Redes Neuronales
ESCOM
Neurona de Mc culloch
Neurona de Mc culloch
Universidad Militar Nueva Granada-Universidad de Cundinamarca
Redes Neuronales
Redes Neuronales
lennydan11
Introduccion a las redes neuronales
Introduccion a las redes neuronales
HALCONPEREGRINO2
Redes Neuronales Basadas En Sistemas Difusos
Redes Neuronales Basadas En Sistemas Difusos
ESCOM
Redes neuronales Luis Lozano CI 22.840.519
Redes neuronales Luis Lozano CI 22.840.519
lozanolc
Recomendados
Redes neuronales
Redes neuronales
Abrahm Garcia
Intro redes neuronales
Intro redes neuronales
Isaac Petro Mora
Tema 8 Aprendizaje De Sistemas Difusos Con Redes Neuronales
Tema 8 Aprendizaje De Sistemas Difusos Con Redes Neuronales
ESCOM
Neurona de Mc culloch
Neurona de Mc culloch
Universidad Militar Nueva Granada-Universidad de Cundinamarca
Redes Neuronales
Redes Neuronales
lennydan11
Introduccion a las redes neuronales
Introduccion a las redes neuronales
HALCONPEREGRINO2
Redes Neuronales Basadas En Sistemas Difusos
Redes Neuronales Basadas En Sistemas Difusos
ESCOM
Redes neuronales Luis Lozano CI 22.840.519
Redes neuronales Luis Lozano CI 22.840.519
lozanolc
Perceptrón Simple – Redes Neuronales con Aprendizaje Supervisado
Perceptrón Simple – Redes Neuronales con Aprendizaje Supervisado
Andrea Lezcano
Redes Neuronales
Redes Neuronales
Daniel Muccela
Red neuronal kohonen (Clasificación de colores)
Red neuronal kohonen (Clasificación de colores)
Ferney Hernandez
RED NEURONAL ARTIFICIAL . I.A
RED NEURONAL ARTIFICIAL . I.A
daniatacho
Función de Activación POSLIN y PURELIN
Función de Activación POSLIN y PURELIN
Rossy Faican Cango
Reconocimiento de Patrones Incompletos Mediante Funciones de Activación Satli...
Reconocimiento de Patrones Incompletos Mediante Funciones de Activación Satli...
Juan Carlos Gonzalez Ortiz
Funciones de activacion Poslin y Purelin
Funciones de activacion Poslin y Purelin
Diego Guamán
Redes Neuronales de Base Radial aplicadas a la mejora de la calidad
Redes Neuronales de Base Radial aplicadas a la mejora de la calidad
UNIV OF PERU
Funciones de activación Satlin y Satlins en Matlab
Funciones de activación Satlin y Satlins en Matlab
Gabyta Rodríguez
Funciones de Activación Tansig y Logsig
Funciones de Activación Tansig y Logsig
Raul
Redes Neuronales Basadas En Sistemas Difusos
Redes Neuronales Basadas En Sistemas Difusos
ESCOM
REDES NEURONALES Mapas con Características Autoorganizativas Som
REDES NEURONALES Mapas con Características Autoorganizativas Som
ESCOM
Red Neuronal Difusa
Red Neuronal Difusa
ESCOM
Redes neuronales funciones de activación logsig y tansig
Redes neuronales funciones de activación logsig y tansig
Jefferson Sarmiento
Rna10
Rna10
juanpaperez1234
Ia primera parte
Ia primera parte
Paolo Jesus Cotrina Robles
Curso 2006 Sesion 1 Kohonen
Curso 2006 Sesion 1 Kohonen
askroll
Función Logsig y tansig
Función Logsig y tansig
Vane Erraez
Trabajo Neurociencia Sincronizacion y Modelado Neuronal - MLM
Trabajo Neurociencia Sincronizacion y Modelado Neuronal - MLM
manulomar
Overview of Artificial Neural Networks and its Applications
Overview of Artificial Neural Networks and its Applications
Ramiro Aduviri Velasco
Redes Neuronales
Redes Neuronales
lennydan11
Apuntes ampliados
Apuntes ampliados
Secretariat of Finance and Public Credit (Mexico)
Más contenido relacionado
La actualidad más candente
Perceptrón Simple – Redes Neuronales con Aprendizaje Supervisado
Perceptrón Simple – Redes Neuronales con Aprendizaje Supervisado
Andrea Lezcano
Redes Neuronales
Redes Neuronales
Daniel Muccela
Red neuronal kohonen (Clasificación de colores)
Red neuronal kohonen (Clasificación de colores)
Ferney Hernandez
RED NEURONAL ARTIFICIAL . I.A
RED NEURONAL ARTIFICIAL . I.A
daniatacho
Función de Activación POSLIN y PURELIN
Función de Activación POSLIN y PURELIN
Rossy Faican Cango
Reconocimiento de Patrones Incompletos Mediante Funciones de Activación Satli...
Reconocimiento de Patrones Incompletos Mediante Funciones de Activación Satli...
Juan Carlos Gonzalez Ortiz
Funciones de activacion Poslin y Purelin
Funciones de activacion Poslin y Purelin
Diego Guamán
Redes Neuronales de Base Radial aplicadas a la mejora de la calidad
Redes Neuronales de Base Radial aplicadas a la mejora de la calidad
UNIV OF PERU
Funciones de activación Satlin y Satlins en Matlab
Funciones de activación Satlin y Satlins en Matlab
Gabyta Rodríguez
Funciones de Activación Tansig y Logsig
Funciones de Activación Tansig y Logsig
Raul
Redes Neuronales Basadas En Sistemas Difusos
Redes Neuronales Basadas En Sistemas Difusos
ESCOM
REDES NEURONALES Mapas con Características Autoorganizativas Som
REDES NEURONALES Mapas con Características Autoorganizativas Som
ESCOM
Red Neuronal Difusa
Red Neuronal Difusa
ESCOM
Redes neuronales funciones de activación logsig y tansig
Redes neuronales funciones de activación logsig y tansig
Jefferson Sarmiento
Rna10
Rna10
juanpaperez1234
Ia primera parte
Ia primera parte
Paolo Jesus Cotrina Robles
Curso 2006 Sesion 1 Kohonen
Curso 2006 Sesion 1 Kohonen
askroll
Función Logsig y tansig
Función Logsig y tansig
Vane Erraez
Trabajo Neurociencia Sincronizacion y Modelado Neuronal - MLM
Trabajo Neurociencia Sincronizacion y Modelado Neuronal - MLM
manulomar
La actualidad más candente
(19)
Perceptrón Simple – Redes Neuronales con Aprendizaje Supervisado
Perceptrón Simple – Redes Neuronales con Aprendizaje Supervisado
Redes Neuronales
Redes Neuronales
Red neuronal kohonen (Clasificación de colores)
Red neuronal kohonen (Clasificación de colores)
RED NEURONAL ARTIFICIAL . I.A
RED NEURONAL ARTIFICIAL . I.A
Función de Activación POSLIN y PURELIN
Función de Activación POSLIN y PURELIN
Reconocimiento de Patrones Incompletos Mediante Funciones de Activación Satli...
Reconocimiento de Patrones Incompletos Mediante Funciones de Activación Satli...
Funciones de activacion Poslin y Purelin
Funciones de activacion Poslin y Purelin
Redes Neuronales de Base Radial aplicadas a la mejora de la calidad
Redes Neuronales de Base Radial aplicadas a la mejora de la calidad
Funciones de activación Satlin y Satlins en Matlab
Funciones de activación Satlin y Satlins en Matlab
Funciones de Activación Tansig y Logsig
Funciones de Activación Tansig y Logsig
Redes Neuronales Basadas En Sistemas Difusos
Redes Neuronales Basadas En Sistemas Difusos
REDES NEURONALES Mapas con Características Autoorganizativas Som
REDES NEURONALES Mapas con Características Autoorganizativas Som
Red Neuronal Difusa
Red Neuronal Difusa
Redes neuronales funciones de activación logsig y tansig
Redes neuronales funciones de activación logsig y tansig
Rna10
Rna10
Ia primera parte
Ia primera parte
Curso 2006 Sesion 1 Kohonen
Curso 2006 Sesion 1 Kohonen
Función Logsig y tansig
Función Logsig y tansig
Trabajo Neurociencia Sincronizacion y Modelado Neuronal - MLM
Trabajo Neurociencia Sincronizacion y Modelado Neuronal - MLM
Similar a Redes 1
Overview of Artificial Neural Networks and its Applications
Overview of Artificial Neural Networks and its Applications
Ramiro Aduviri Velasco
Redes Neuronales
Redes Neuronales
lennydan11
Apuntes ampliados
Apuntes ampliados
Secretariat of Finance and Public Credit (Mexico)
Redes neuronales-funciones-activacion-hardlim- hardlims-matlab
Redes neuronales-funciones-activacion-hardlim- hardlims-matlab
Ana Mora
Funcionamiento de las redes neuronales simples
Funcionamiento de las redes neuronales simples
David Freire
Introduccion redes neuronales artificiales
Introduccion redes neuronales artificiales
ESCOM
110641.ppt
110641.ppt
JoseLuisRamirez137461
Red Neuronal Artificial
Red Neuronal Artificial
JORGE ARMANDO
Redes Neuronales
Redes Neuronales
Luis Rivas
IA conexionista-Redes Neuronales Artificiales: introducción
IA conexionista-Redes Neuronales Artificiales: introducción
Priscill Orue Esquivel
REDES NEURONALES De Hopfield
REDES NEURONALES De Hopfield
ESCOM
Trabajo rn
Trabajo rn
Noemy Tillaguango
Sistemas Basados en Casos IUT
Sistemas Basados en Casos IUT
Luis Álamo
Funciones satlin satlins
Funciones satlin satlins
Christian Lara
Redes Neuronales
Redes Neuronales
maciasbazante
Redes Neuronales
Redes Neuronales
Jesus Alejandro
Funciones poslin y purelin
Funciones poslin y purelin
Noemy Tillaguango
Trabajo rn
Trabajo rn
Noemy Tillaguango
REDES NEURONALES
REDES NEURONALES
Anita Galarza
REDES NEURONALES
REDES NEURONALES
Joan Luis Avalos Caycho
Similar a Redes 1
(20)
Overview of Artificial Neural Networks and its Applications
Overview of Artificial Neural Networks and its Applications
Redes Neuronales
Redes Neuronales
Apuntes ampliados
Apuntes ampliados
Redes neuronales-funciones-activacion-hardlim- hardlims-matlab
Redes neuronales-funciones-activacion-hardlim- hardlims-matlab
Funcionamiento de las redes neuronales simples
Funcionamiento de las redes neuronales simples
Introduccion redes neuronales artificiales
Introduccion redes neuronales artificiales
110641.ppt
110641.ppt
Red Neuronal Artificial
Red Neuronal Artificial
Redes Neuronales
Redes Neuronales
IA conexionista-Redes Neuronales Artificiales: introducción
IA conexionista-Redes Neuronales Artificiales: introducción
REDES NEURONALES De Hopfield
REDES NEURONALES De Hopfield
Trabajo rn
Trabajo rn
Sistemas Basados en Casos IUT
Sistemas Basados en Casos IUT
Funciones satlin satlins
Funciones satlin satlins
Redes Neuronales
Redes Neuronales
Redes Neuronales
Redes Neuronales
Funciones poslin y purelin
Funciones poslin y purelin
Trabajo rn
Trabajo rn
REDES NEURONALES
REDES NEURONALES
REDES NEURONALES
REDES NEURONALES
Redes 1
1.
Introducción a las
Redes Neuronales ü Excepto en las tareas basadas en el cálculo aritmético simple, actualmente, el cerebro humano es superior a cualquier computador: û Reconocimiento de imágenes, û Interpretación de sonidos, û En general en tareas de percepción, etc. ü Ningún algoritmo conocido es capaz de emular de manera flexible estas funciones. ü Características del cerebro: û Robusto. Su funcionamiento no se ve alterado ante fallos de pequeña importancia. û Flexible. Se adapta con facilidad a un entorno cambiante. û Puede tratar con información ambigua o incompleta. û Pequeño, compacto y consume poca potencia. Introducción a las Redes Neuronales.- 1 ISA-UMH © T-98-012V1.0
2.
ü Las Redes
Neuronales surgen como un intento de desarrollar sistemas que emulen las características del cerebro, para conseguir su sofisticada capacidad de procesamiento de información. ü Sistemas convencionales de Inteligencia Artificial frente a las Redes Neuronales: û Los sistemas convencionales de IA pretenden modelar las funciones de la mente humana con independencia de la estructura física en el que está basada (cerebro). û Para las redes neuronales la inteligencia surge de la interacción de millones de células nerviosas que componen el cerebro. ü La pretensión de las Redes Neuronales es sintetizar un sistema que realice la estructura neuronal del cerebro y desarrolle un equivalente algorítmico de los procesos de reconocimiento y aprendizaje. (Realidad, imitación de las capacidades del cerebro). ü Definición: û Una red neuronal es una estructura de procesamiento de información paralela y distribuida, que intenta emular las funciones computacionales elementales de la red nerviosa del cerebro humano, en base a la interconexión de multitud de elementos de procesamiento, cada uno de los cuales presenta un comportamiento completamente local. Introducción a las Redes Neuronales.- 2 ISA-UMH © T-98-012V1.0
3.
Descripción del Sistema
Nervioso ü El cerebro humano tiene un número de neuronas del orden de 1011 (cien mil millones). ü Estructura básica de una neurona. Axón Dendritas Soma ü Funcionamiento: û Cada célula se enlaza con otras células a través de las ramificaciones de su axón. û El enlace se realiza mediante las uniones sinápticas o sinapsis. û El efecto en la célula receptora es la elevación o disminución de un potencial eléctrico dentro del soma. Cuando este potencial alcanza un cierto umbral, la célula emite a su vez un pulso de intensidad y duración determinadas. ü La velocidad de propagación de las señales en el sistema nervioso es un millón de veces menor que en un computador. ü Cada neurona está conectada a entre 1.000 y 10.000 neuronas ⇒ El grado de conectividad del cerebro es muchísimo mayor que el del más grande de los supercomputadores actuales. Introducción a las Redes Neuronales.- 3 ISA-UMH © T-98-012V1.0
4.
Redes Neuronales Artificiales
ü Los modelos de Redes Neuronales Artificiales (RNA), combinan modelos matemáticos de las células nerviosas y modelos de arquitecturas que describen las interconexiones que existen entre estas células. ü Modelo de funcionamiento de una neurona real: -1 Pesos Ajustables Umbral Función de Transferencia ∑ Entradas Actividad Salida Sumador ü Concebida como un sistema de entrada/salida: n y = f ∑ωi xi −θ i =1 Introducción a las Redes Neuronales.- 4 ISA-UMH © T-98-012V1.0
5.
ü Actividad interna
de la célula se define como: n a = ∑ωi x i −θ i =1 ü De esta forma la variable ‘y’ de salida es la intensidad de la señal que emite la célula, que es el valor que toma en la actividad la función de transferencia ‘f’. ü El umbral ‘θ’ se interpreta como un peso sináptico ‘ω0’ que se aplica a una entrada que vale permanentemente -1. ü Función de transferencia de una neurona: û Función signo y +1 + 1 si t > 0 sgn(t ) = 0 si t = 0 0 x − 1 si t < 0 -1 Introducción a las Redes Neuronales.- 5 ISA-UMH © T-98-012V1.0
6.
û La función
signo no es derivable en todo punto (0). û Función sigmoide: y +1 eαt − e −αt f ( t ) = th (αt ) = αt 0 e + e −αt x -1 lim th (αt ) = sng ( t ) α →∞ ü La función que cada neurona desarrolla en la red es un elemento básico de procesamiento. Es la cooperación de las neuronas la que produce los efectos deseados. ü Las neuronas de la red se agrupan en capas, recibiendo la misma información que procesan de manera independiente. Sistema masivamente paralelo. ü Memoria a corto plazo: Nivel de actividad de cada neurona. ü Memoria a largo plazo: Valores de los pesos sinápticos. Introducción a las Redes Neuronales.- 6 ISA-UMH © T-98-012V1.0
7.
Aprendizaje de una
Red Neuronal ü Diferencia sustancial entre los modos de desarrollo de una red neuronal y una aplicación de software: La Red No Se Programa Sino Que Se Entrena ü En un computador, el procesamiento de datos se basa en la ejecución de un programa, que no es sino una lista ordenada de instrucciones que realiza un cierto algoritmo. ü Redes neuronales: Solución para problemas complejos difícilmente programables. û Multitud de elementos muy simples interconectados. û Procesamiento no lineal. ü Se denomina aprendizaje o entrenamiento de la red al ajuste de los pesos sinápticos, que determina el grado de conexión entre las neuronas de la red. ü Se distinguen dos tipos de aprendizaje: û Supervisado: Típico de las redes concebidas para el ajuste de datos o la clasificación de items etiquetados. û No-Supervisado:Redes en las que los datos no tienen a priori ninguna clasificación. ü El número de capas y neuronas de la red se realiza tras una serie de ensayos y observando sus resultados. Introducción a las Redes Neuronales.- 7 ISA-UMH © T-98-012V1.0
8.
Tipos Básicos de
Redes Neuronales ü Redes Unidireccionales (Feedforward Networks) û Usadas para transformar un conjunto de datos especificado en otro también especificado. û El aprendizaje es supervisado y tiene lugar a través de un proceso de ajuste de los pesos sinápticos de las neuronas de la red. û Su arquitectura típica es de una red multicapa. û Prototitpo: Perceptrón multicapa. ü Redes Recurrentes (Feedback Networks) û Concebidas para almacenar eficientemente información. û La red funciona como un sistema dinámico cuyos puntos de equilibrio representan los registros almacenados. û Su arquitectura típica es la de una red monocapa con una gran realimentación. û Prototipo: Red de Hopfield. ü Redes Auto-Organizadas (Self-Organizing Networks) û Uso: Estructurar la información que se presenta a la red en conjuntos a priori desconocidos. û El entrenamiento es mediante un aprendizaje no supervisado denominado competitivo. û Cada neurona tiene un cierto grado de conexión con neuronas colaterales. Introducción a las Redes Neuronales.- 8 ISA-UMH © T-98-012V1.0
9.
Aplicaciones de las
Redes Neuronales ü Clasificación. û Decidir a qué clase, de una serie dada, se asigna un dato de entrada a la red. ü Asociación. û La red funciona como un proceso de recuperación de un dato a partir de una entrada relacionada con el dato almacenado. û La entrada puede ser una versión incompleta o deformada del dato buscado. ü Agrupamiento (Clustering). û Utilizada cuando no se conoce una clasificación de los datos de entrada, y se espera que la red genere esta clasificación. û Generación de prototipos. ü Optimización. û Permite solucionar problemas de optimización de naturaleza complicada. û Las RNA proporcionan un procedimiento rápido para generar una solución subóptima. ü Predicción y Control. û En tareas de predicción para anticipar el estado futuro de un sistema. û Tareas de control de sistemas dinámicos complejos. Introducción a las Redes Neuronales.- 9 ISA-UMH © T-98-012V1.0
Descargar ahora