Este documento describe un estudio sobre el uso de redes neuronales artificiales evolutivas para mejorar los interfaces cerebro-computadora. Los autores utilizaron un algoritmo evolutivo para diseñar perceptrones multicapa que clasifican datos de electroencefalografía relacionados con el movimiento del cursor. Sus resultados mostraron una mejora sobre métodos previos, logrando una tasa de error de clasificación de 8,53% en pruebas, la mejor reportada. El preprocesamiento de datos y el uso del canal más relevante también mejoraron los resultados.
Este documento describe varios simuladores y herramientas de redes neuronales artificiales, incluyendo su descripción, plataforma de desarrollo y creador. Algunos de los simuladores mencionados son Backprop-1.4, FuNeGen, Hyperplane Animator, NeuralShell, NeuroSolutions, NICO y Neural Network Toolbox.
Este documento propone un modelo educativo llamado "Flipped Classroom" que transfiere el aprendizaje fuera del aula a través de recursos en línea, para utilizar el tiempo en clase de una manera más interactiva y centrada en el estudiante. El objetivo es diseñar una propuesta educativa en entornos virtuales que estimule el aprendizaje autónomo mediante herramientas de la Web 3.0 como Flipped Classroom.
El documento describe el origen y evolución del Project Management Body of Knowledge (PMBOK) publicado por el Project Management Institute (PMI). El PMBOK es una guía de buenas prácticas para la gestión de proyectos que ha ido evolucionando a través de varias ediciones desde 1987. El documento también compara el PMBOK con la norma ISO 10006 sobre gestión de calidad en proyectos.
El documento describe la metodología de gestión de proyectos según el Project Management Institute (PMI). El PMI es la principal organización dedicada a la dirección de proyectos y emite la certificación PMP. La guía del PMBOK constituye un compendio de conocimientos y buenas prácticas de la profesión. La gestión de proyectos se divide en 5 fases - inicio, planificación, ejecución, seguimiento y control, y cierre. Dentro de cada fase se agrupan diversos procesos para administrar aspectos como el al
Este documento describe el desarrollo de un sistema de clasificación de imágenes utilizando redes neuronales artificiales. El sistema fue entrenado con una base de datos de imágenes de manos en posiciones de "piedra", "papel" o "tijera" y logró clasificar las imágenes con un porcentaje de efectividad mayor al 80%. El proceso incluyó preprocesamiento de imágenes, creación de matrices de entrenamiento y validación, y entrenamiento de la red neuronal, la cual clasificó correctamente la mayoría de las imágenes según
Las redes neuronales pueden predecir la aptitud de los empleados al clasificar las respuestas de las entrevistas en clases de desempeño. La red neuronal con dos capas ocultas logró los mejores resultados, especialmente cuando se agruparon las preguntas interdependientes y se redujeron las neuronas de entrada irrelevantes. Las redes neuronales tienen el potencial de mejorar la planificación del personal al predecir el desempeño futuro de los empleados.
El documento habla sobre redes neuronales artificiales, explicando conceptos como neuronas biológicas y artificiales, cómo funcionan las neuronas artificiales mediante sumas ponderadas y funciones de activación, y los tipos de topologías de redes neuronales. También describe las ventajas de las redes neuronales como el aprendizaje adaptativo y la tolerancia a fallos. Finalmente, menciona algunos campos de aplicación como finanzas, marketing, procesamiento de imágenes y reconocimiento de patrones. Como caso práctico, analiza el uso de redes neuronales
Presentación del proyecto de la materia de IAA de la UTPL.
Tema: Comparación de resultados en la convergencia de una red neuronal utilizando 1 y 2 capas ocultas respectivamente en el modelo del perceptrón multicapa utilizando el algoritmo BackPropagation al realizar el reconocimiento de señales de tránsito
Este documento describe varios simuladores y herramientas de redes neuronales artificiales, incluyendo su descripción, plataforma de desarrollo y creador. Algunos de los simuladores mencionados son Backprop-1.4, FuNeGen, Hyperplane Animator, NeuralShell, NeuroSolutions, NICO y Neural Network Toolbox.
Este documento propone un modelo educativo llamado "Flipped Classroom" que transfiere el aprendizaje fuera del aula a través de recursos en línea, para utilizar el tiempo en clase de una manera más interactiva y centrada en el estudiante. El objetivo es diseñar una propuesta educativa en entornos virtuales que estimule el aprendizaje autónomo mediante herramientas de la Web 3.0 como Flipped Classroom.
El documento describe el origen y evolución del Project Management Body of Knowledge (PMBOK) publicado por el Project Management Institute (PMI). El PMBOK es una guía de buenas prácticas para la gestión de proyectos que ha ido evolucionando a través de varias ediciones desde 1987. El documento también compara el PMBOK con la norma ISO 10006 sobre gestión de calidad en proyectos.
El documento describe la metodología de gestión de proyectos según el Project Management Institute (PMI). El PMI es la principal organización dedicada a la dirección de proyectos y emite la certificación PMP. La guía del PMBOK constituye un compendio de conocimientos y buenas prácticas de la profesión. La gestión de proyectos se divide en 5 fases - inicio, planificación, ejecución, seguimiento y control, y cierre. Dentro de cada fase se agrupan diversos procesos para administrar aspectos como el al
Este documento describe el desarrollo de un sistema de clasificación de imágenes utilizando redes neuronales artificiales. El sistema fue entrenado con una base de datos de imágenes de manos en posiciones de "piedra", "papel" o "tijera" y logró clasificar las imágenes con un porcentaje de efectividad mayor al 80%. El proceso incluyó preprocesamiento de imágenes, creación de matrices de entrenamiento y validación, y entrenamiento de la red neuronal, la cual clasificó correctamente la mayoría de las imágenes según
Las redes neuronales pueden predecir la aptitud de los empleados al clasificar las respuestas de las entrevistas en clases de desempeño. La red neuronal con dos capas ocultas logró los mejores resultados, especialmente cuando se agruparon las preguntas interdependientes y se redujeron las neuronas de entrada irrelevantes. Las redes neuronales tienen el potencial de mejorar la planificación del personal al predecir el desempeño futuro de los empleados.
El documento habla sobre redes neuronales artificiales, explicando conceptos como neuronas biológicas y artificiales, cómo funcionan las neuronas artificiales mediante sumas ponderadas y funciones de activación, y los tipos de topologías de redes neuronales. También describe las ventajas de las redes neuronales como el aprendizaje adaptativo y la tolerancia a fallos. Finalmente, menciona algunos campos de aplicación como finanzas, marketing, procesamiento de imágenes y reconocimiento de patrones. Como caso práctico, analiza el uso de redes neuronales
Presentación del proyecto de la materia de IAA de la UTPL.
Tema: Comparación de resultados en la convergencia de una red neuronal utilizando 1 y 2 capas ocultas respectivamente en el modelo del perceptrón multicapa utilizando el algoritmo BackPropagation al realizar el reconocimiento de señales de tránsito
Este documento presenta el primer avance del proyecto de reconocimiento de huellas digitales. Se describen las interfaces de entrada y salida implementadas, así como los primeros pasos de la red neuronal para la clasificación de huellas. El equipo se dividió en pares, cada uno encargado de una parte. Se explican brevemente las distintas fases de la red neuronal y las contribuciones individuales del equipo.
La aplicación de las redes neuronales artificiales se ha extendido a diversas disciplinas, esto debido principalmente a sus características de adaptividad, confiabilidad y auto-organización. Una ventaja destacable para el procesamiento de datos radica en la posibilidad de su implementación con tecnologías específicas disponibles, que posibilitan su operación en tiempo real.
Las redes neuronales funcionan como el cerebro humano, formadas por nodos conocidos como neuronas artificiales conectadas que transmiten señales de entrada a salida. El aprendizaje automático usa algoritmos para aprender de datos sin intervención humana, clasificándose en supervisado, no supervisado y refuerzo. Un ejemplo es un seguidor de línea con una red neuronal de tres capas que controla motores de un auto miniatura basado en Arduino.
Este documento define y explica las redes neuronales artificiales. Describe que las redes neuronales se inspiran en el funcionamiento de las neuronas biológicas y consisten en unidades de procesamiento interconectadas. Explica que las redes neuronales aprenden a través de la modificación de los pesos sinápticos y que pueden aprender de forma supervisada, no supervisada o por refuerzo. También resume los pasos básicos del algoritmo de retropropagación del error para el entrenamiento de redes neuronales.
Este documento describe el desarrollo de un modelo de predicción de tráfico basado en redes neuronales artificiales. Los datos de tráfico utilizados para entrenar la red neuronal se extrajeron de una red LAN Ethernet mediante el software Ethereal. La red neuronal de tres capas se modeló en MATLAB. Los resultados muestran que las redes neuronales pueden modelar el tráfico de una red Ethernet con flexibilidad y precisión si se dispone de suficientes muestras de tráfico para el entrenamiento. El documento concluye que las redes neuronales son una her
Este documento describe cómo la inteligencia artificial se puede aplicar para mejorar la gestión del tráfico. Explica que las tecnologías como la IA, IoT y sensores han permitido el desarrollo de soluciones de gestión de tráfico inteligente que mejoran la seguridad vial, reducen las congestiones y permiten una mejor predicción del tráfico. Además, describe una solución integral de gestión de tráfico que integra varios sistemas como el control de tráfico y señales para optimizar el funcionamiento y gestión del tráfico.
Proyecto de IAA, UTPL.
Tema: Comparación de resultados en la convergencia de una red neuronal utilizando 1 y 2 capas ocultas respectivamente en el modelo del perceptrón multicapa utilizando el algoritmo BackPropagation al realizar el reconocimiento de señales de tránsito
Implementación de un módulo para el entrenamiento y evaluación de redes neuro...Adrián Palacios Corella
Este documento describe la implementación de un módulo para el entrenamiento y evaluación de redes neuronales mediante GPUs. El módulo mejora una implementación existente del algoritmo de retropropagación (BP) incluyendo una nueva versión en CUDA que permite la ejecución del algoritmo en GPUs. El documento detalla cuatro aportaciones clave del módulo: 1) mejoras en la implementación del BP para CPU, 2) una nueva formulación del BP en modo "bunch", 3) diseño del BP para ejecución en GPU, y 4) experimentación
Diseño de Redes Neuronales Multicapa y EntrenamientoESCOM
Este documento describe los conceptos básicos de diseño y entrenamiento de redes neuronales multicapa. Explica que las RNA son útiles para problemas que involucran reconocimiento de patrones, procesamiento de señales y control de sistemas complejos cuando los métodos convencionales no funcionan bien. También cubre temas como la selección del tipo de red, las entradas, salidas, funciones de transferencia, número de capas ocultas y neuronas, y el proceso de entrenamiento.
Este documento describe diferentes tipos de redes neuronales artificiales, incluyendo modelos supervisados como perceptrones, perceptrones multicapa, Adaline-Madaline y backpropagation. También describe modelos no supervisados como redes de Hopfield y mapas de Kohonen, así como modelos competitivos. Explica conceptos clave como la fase de entrenamiento y la fase de prueba de las redes neuronales para aplicaciones concretas.
Este documento presenta una introducción a las redes perceptrones. Explica que una red perceptrón es una red neuronal de capa única con una función de activación binaria. Describe la arquitectura típica de una red perceptrón y el algoritmo de aprendizaje basado en la regla de Hebb. También muestra un ejemplo de cómo una red perceptrón puede implementar una puerta lógica AND.
Este documento describe un método para comprimir imágenes digitales usando redes neuronales artificiales. Explica cómo la red neuronal puede aprender la función subyacente de una imagen al entrenarse con la matriz de píxeles. Aunque este enfoque puede lograr una compresión efectiva, tiene las desventajas de requerir un largo tiempo de entrenamiento para cada imagen y una arquitectura de red compleja que depende de la experiencia del entrenador.
Las redes neuronales son modelos computacionales inspirados en el cerebro que han ganado importancia en inteligencia artificial. Compuestas por unidades interconectadas que se adaptan mediante aprendizaje, pueden modelar patrones complejos y aprender de datos no lineales, con aplicaciones como reconocimiento de voz y diagnósticos médicos.
Este documento describe un proyecto para diseñar el circuito de conexión entre diferentes tipos de memoria y un microprocesador 8086. Incluye los cálculos para la tabla de direcciones, el diagrama del circuito decodificador y las compuertas lógicas para seleccionar los chips de memoria apropiados basados en las señales del microprocesador. El autor analiza el problema, presenta los resultados del diseño del circuito y concluye recomendando separar las líneas de control, datos y dirección en el esquema para mejor entendimiento.
Este documento describe el funcionamiento de las redes neuronales perceptrón. Explica cómo implementar una red neuronal perceptrón en MATLAB para resolver problemas de clasificación binaria, incluyendo la definición del problema, inicialización de la red, entrenamiento y validación. Luego presenta ejemplos de cómo implementar redes perceptrón para resolver funciones lógicas como AND y problemas de clasificación con múltiples entradas y salidas. Al final, proporciona una tarea para que el estudiante grafique patrones de aprendizaje adicionales.
Este documento presenta una introducción a las redes neuronales artificiales. Explica que las redes neuronales artificiales se inspiran en el sistema nervioso biológico y procesan información de manera paralela y distribuida, aprendiendo de su entorno. Describe los diferentes tipos de redes neuronales como perceptrones multicapa y redes recurrentes, y los métodos para entrenarlas, incluyendo algoritmos de aprendizaje supervisado como backpropagation y algoritmos genéticos. El documento también cubre aplicaciones generales de las redes neuronales y concluye
El documento describe un proyecto para demostrar la usabilidad del algoritmo de retropropagación en redes neuronales mediante una aplicación de reconocimiento de patrones. La aplicación utilizará una red neuronal multicapa con algoritmo de retropropagación para reconocer dígitos y letras mediante la entrada de un patrón de píxeles y la comparación con patrones aprendidos.
El documento describe el proceso de realizar predicciones del consumo de energía eléctrica utilizando una red neuronal artificial. Se grafican los datos para observar tendencias de consumo y se organizan y limpian los datos para facilitar su entrada a la red neuronal. Se utiliza Google Colaboratory y las librerías Pandas y Keras para analizar los datos y configurar la red neuronal, la cual combina neuronas densas y una red LSTM para tomar en cuenta valores pasados, logrando predicciones precisas.
Este documento presenta el primer avance del proyecto de reconocimiento de huellas digitales. Se describen las interfaces de entrada y salida implementadas, así como los primeros pasos de la red neuronal para la clasificación de huellas. El equipo se dividió en pares, cada uno encargado de una parte. Se explican brevemente las distintas fases de la red neuronal y las contribuciones individuales del equipo.
La aplicación de las redes neuronales artificiales se ha extendido a diversas disciplinas, esto debido principalmente a sus características de adaptividad, confiabilidad y auto-organización. Una ventaja destacable para el procesamiento de datos radica en la posibilidad de su implementación con tecnologías específicas disponibles, que posibilitan su operación en tiempo real.
Las redes neuronales funcionan como el cerebro humano, formadas por nodos conocidos como neuronas artificiales conectadas que transmiten señales de entrada a salida. El aprendizaje automático usa algoritmos para aprender de datos sin intervención humana, clasificándose en supervisado, no supervisado y refuerzo. Un ejemplo es un seguidor de línea con una red neuronal de tres capas que controla motores de un auto miniatura basado en Arduino.
Este documento define y explica las redes neuronales artificiales. Describe que las redes neuronales se inspiran en el funcionamiento de las neuronas biológicas y consisten en unidades de procesamiento interconectadas. Explica que las redes neuronales aprenden a través de la modificación de los pesos sinápticos y que pueden aprender de forma supervisada, no supervisada o por refuerzo. También resume los pasos básicos del algoritmo de retropropagación del error para el entrenamiento de redes neuronales.
Este documento describe el desarrollo de un modelo de predicción de tráfico basado en redes neuronales artificiales. Los datos de tráfico utilizados para entrenar la red neuronal se extrajeron de una red LAN Ethernet mediante el software Ethereal. La red neuronal de tres capas se modeló en MATLAB. Los resultados muestran que las redes neuronales pueden modelar el tráfico de una red Ethernet con flexibilidad y precisión si se dispone de suficientes muestras de tráfico para el entrenamiento. El documento concluye que las redes neuronales son una her
Este documento describe cómo la inteligencia artificial se puede aplicar para mejorar la gestión del tráfico. Explica que las tecnologías como la IA, IoT y sensores han permitido el desarrollo de soluciones de gestión de tráfico inteligente que mejoran la seguridad vial, reducen las congestiones y permiten una mejor predicción del tráfico. Además, describe una solución integral de gestión de tráfico que integra varios sistemas como el control de tráfico y señales para optimizar el funcionamiento y gestión del tráfico.
Proyecto de IAA, UTPL.
Tema: Comparación de resultados en la convergencia de una red neuronal utilizando 1 y 2 capas ocultas respectivamente en el modelo del perceptrón multicapa utilizando el algoritmo BackPropagation al realizar el reconocimiento de señales de tránsito
Implementación de un módulo para el entrenamiento y evaluación de redes neuro...Adrián Palacios Corella
Este documento describe la implementación de un módulo para el entrenamiento y evaluación de redes neuronales mediante GPUs. El módulo mejora una implementación existente del algoritmo de retropropagación (BP) incluyendo una nueva versión en CUDA que permite la ejecución del algoritmo en GPUs. El documento detalla cuatro aportaciones clave del módulo: 1) mejoras en la implementación del BP para CPU, 2) una nueva formulación del BP en modo "bunch", 3) diseño del BP para ejecución en GPU, y 4) experimentación
Diseño de Redes Neuronales Multicapa y EntrenamientoESCOM
Este documento describe los conceptos básicos de diseño y entrenamiento de redes neuronales multicapa. Explica que las RNA son útiles para problemas que involucran reconocimiento de patrones, procesamiento de señales y control de sistemas complejos cuando los métodos convencionales no funcionan bien. También cubre temas como la selección del tipo de red, las entradas, salidas, funciones de transferencia, número de capas ocultas y neuronas, y el proceso de entrenamiento.
Este documento describe diferentes tipos de redes neuronales artificiales, incluyendo modelos supervisados como perceptrones, perceptrones multicapa, Adaline-Madaline y backpropagation. También describe modelos no supervisados como redes de Hopfield y mapas de Kohonen, así como modelos competitivos. Explica conceptos clave como la fase de entrenamiento y la fase de prueba de las redes neuronales para aplicaciones concretas.
Este documento presenta una introducción a las redes perceptrones. Explica que una red perceptrón es una red neuronal de capa única con una función de activación binaria. Describe la arquitectura típica de una red perceptrón y el algoritmo de aprendizaje basado en la regla de Hebb. También muestra un ejemplo de cómo una red perceptrón puede implementar una puerta lógica AND.
Este documento describe un método para comprimir imágenes digitales usando redes neuronales artificiales. Explica cómo la red neuronal puede aprender la función subyacente de una imagen al entrenarse con la matriz de píxeles. Aunque este enfoque puede lograr una compresión efectiva, tiene las desventajas de requerir un largo tiempo de entrenamiento para cada imagen y una arquitectura de red compleja que depende de la experiencia del entrenador.
Las redes neuronales son modelos computacionales inspirados en el cerebro que han ganado importancia en inteligencia artificial. Compuestas por unidades interconectadas que se adaptan mediante aprendizaje, pueden modelar patrones complejos y aprender de datos no lineales, con aplicaciones como reconocimiento de voz y diagnósticos médicos.
Este documento describe un proyecto para diseñar el circuito de conexión entre diferentes tipos de memoria y un microprocesador 8086. Incluye los cálculos para la tabla de direcciones, el diagrama del circuito decodificador y las compuertas lógicas para seleccionar los chips de memoria apropiados basados en las señales del microprocesador. El autor analiza el problema, presenta los resultados del diseño del circuito y concluye recomendando separar las líneas de control, datos y dirección en el esquema para mejor entendimiento.
Este documento describe el funcionamiento de las redes neuronales perceptrón. Explica cómo implementar una red neuronal perceptrón en MATLAB para resolver problemas de clasificación binaria, incluyendo la definición del problema, inicialización de la red, entrenamiento y validación. Luego presenta ejemplos de cómo implementar redes perceptrón para resolver funciones lógicas como AND y problemas de clasificación con múltiples entradas y salidas. Al final, proporciona una tarea para que el estudiante grafique patrones de aprendizaje adicionales.
Este documento presenta una introducción a las redes neuronales artificiales. Explica que las redes neuronales artificiales se inspiran en el sistema nervioso biológico y procesan información de manera paralela y distribuida, aprendiendo de su entorno. Describe los diferentes tipos de redes neuronales como perceptrones multicapa y redes recurrentes, y los métodos para entrenarlas, incluyendo algoritmos de aprendizaje supervisado como backpropagation y algoritmos genéticos. El documento también cubre aplicaciones generales de las redes neuronales y concluye
El documento describe un proyecto para demostrar la usabilidad del algoritmo de retropropagación en redes neuronales mediante una aplicación de reconocimiento de patrones. La aplicación utilizará una red neuronal multicapa con algoritmo de retropropagación para reconocer dígitos y letras mediante la entrada de un patrón de píxeles y la comparación con patrones aprendidos.
El documento describe el proceso de realizar predicciones del consumo de energía eléctrica utilizando una red neuronal artificial. Se grafican los datos para observar tendencias de consumo y se organizan y limpian los datos para facilitar su entrada a la red neuronal. Se utiliza Google Colaboratory y las librerías Pandas y Keras para analizar los datos y configurar la red neuronal, la cual combina neuronas densas y una red LSTM para tomar en cuenta valores pasados, logrando predicciones precisas.
Gracias papá voz mujer_letra y acordes de guitarra.pdf
Presentación BCI MAEB 2012
1. Evolución de redes neuronales
artificiales para el diseño de
interfaces cerebro-computadora
G. Romero, M.G. Arenas, P.A. Castillo,
A.M. Mora, P. García-Sánchez, J.J. Merelo
Departamento de Arquitectura y Tecnología de Computadores
2. Evolución de redes neuronales artificiales para el diseño de interfaces cerebro-computadora
Indice
I. Introducción
II. Autoregulación de Potenciales Corticales Lentos
III.Resultados experimentales
A.Descripción del algoritmo
B.Seleccción de parámetros
C.Preprocesamiento de datos
D.Resultados
3. Evolución de redes neuronales artificiales para el diseño de interfaces cerebro-computadora
I. Introducción
• Los interfaces cerebro-máquina son un conjunto de técnicas
para controlar ordenadores con el cerebro.
• Enfocadas a personas con problemas de movilidad.
• Basada en la detección de impulsos eléctricos del cerebro
mediante electroencefalograma.
• Problema a resolver: mover un cursor en una pantalla.
4. Evolución de redes neuronales artificiales para el diseño de interfaces cerebro-computadora
I. Introducción
Conjunto de datos de un concurso internacional sobre la materia.
• Métodos empleados para resolver el problema:
– Algoritmos evolutivos.
– Modelos ocultos de Markov (HMM).
– Redes neuronales artificiales.
– Análisis lineales --> mejor resultado en la bibliografía.
– Métodos probabilisticos.
– Filtrado espacial.
– Máquinas de soporte vectorial (SVM).
• Método basado en G-Prop: híbrido AE + QP.
• Problema del sobreentrenamiento evitado eliminando QP.
5. Evolución de redes neuronales artificiales para el diseño de interfaces cerebro-computadora
Indice
I. Introducción
II. Autoregulación de Potenciales Corticales
Lentos
III.Resultados experimentales
A.Descripción del algoritmo
B.Seleccción de parámetros
C.Preprocesamiento de datos
D.Resultados
6. Evolución de redes neuronales artificiales para el diseño de interfaces cerebro-computadora
II. Autoregulación de Potenciales Corticales
Lentos (SCP)
Conjunto de datos (Ia) facilitado por Niels Birbaumer de la
Universidad de Tübingen:
– Sujetos sanos mueven un cursor arriba y abajo mientras reciben
retroalimentación sobre sus SCP.
– Ensayos de 6s, retroalimentación entre 2-5.5s, muestreo a 256Hz
x 3.5s x 6 canales = 5376 datos/ensayo.
– Conjuntos de datos: entrenamiento 268 ensayos, test 293
ensayos.
• Ganador del II concurso BCI: Brett Mensh, MIT, error 11,3% con
método de análisis lineal.
• Mejor resultado basado en el uso de RNA: J. Sanchez, Univ.
Florida, error 19,8%.
7. Evolución de redes neuronales artificiales para el diseño de interfaces cerebro-computadora
Indice
I. Introducción
II. Autoregulación de Potenciales Corticales Lentos
III.Resultados experimentales
A.Descripción del algoritmo
B.Seleccción de parámetros
C.Preprocesamiento de datos
D.Resultados
8. Evolución de redes neuronales artificiales para el diseño de interfaces cerebro-computadora
III.A. Descripción del algoritmo
Clasificación realizada mediante perceptrones multicapa (MLP)
totalmente conectados.
Los MLPs son completamente diseñados mediante un Algoritmo
Evolutivo (AE) que se encarga desde los pesos iniciales hasta la
arquitectura de la red.
Operadores genéticos del AE:
– Mutación aditiva, distribución gaussiana (0, 1).
– Mutación multiplicativa, distribución uniforme [-2, 2].
– BLX-alfa
• No se ha empleado validación cruzada puesto que no se ha
utilizado ningún algoritmo de entrenamiento de RNAs para evitar
el problema del sobreentrenamiento.
9. Evolución de redes neuronales artificiales para el diseño de interfaces cerebro-computadora
Indice
I. Introducción
II. Autoregulación de Potenciales Corticales Lentos
III.Resultados experimentales
A.Descripción del algoritmo
B.Seleccción de parámetros
C.Preprocesamiento de datos
D.Resultados
10. Evolución de redes neuronales artificiales para el diseño de interfaces cerebro-computadora
III.B. Selección de parámetros.
Tamaño de población: 200 individuos, más ralentiza el proceso sin
apenas producir mejoras de calidad.
Número de generaciones: 100, a partir de ahí la calidad de las
soluciones permanece constante.
11. Evolución de redes neuronales artificiales para el diseño de interfaces cerebro-computadora
III.B. Selección de parámetros.
Se probaron dos métodos diferentes:
– Tradicional repetición de experimentos con diferentes tasas.
– Reproductor que autoajusta las tasas de aplicación (5%/gen).
Operadores de mutación:
– Mutación aditiva: 0,34
– Mutación multiplicativa: 0,5
12. Evolución de redes neuronales artificiales para el diseño de interfaces cerebro-computadora
III.B. Selección de parámetros.
Operador de cruce BLX-alfa:
– Tasa de aplicación: 0,98
– Alfa: 0,5
13. Evolución de redes neuronales artificiales para el diseño de interfaces cerebro-computadora
III.B. Selección de parámetros.
Arquitectura del MLP:
– Una neurona en la capa de salida.
– Conjunto de entrenamiento: sin neuronas en la capa oculta.
– Conjunto de test: 2 neuronas en la capa oculta.
14. Evolución de redes neuronales artificiales para el diseño de interfaces cerebro-computadora
Indice
I. Introducción
II. Autoregulación de Potenciales Corticales Lentos
III.Resultados experimentales
A.Descripción del algoritmo
B.Seleccción de parámetros
C.Preprocesamiento de datos
D.Resultados
15. Evolución de redes neuronales artificiales para el diseño de interfaces cerebro-computadora
III.C. Preprocesamiento de datos.
El conjunto original de datos tiene 6 canales de los cuales el 0 y el
1 son los más relevantes como puede verse en la clasificación por
separado.
Utilizando sólo el canal 0 acelera el proceso de entramiento y
mejora la generalización sobre el conjunto de test un 7,55%.
El preprocesamiento de los datos mediante la transformada discreta
del coseno mejora la capacidad de clasificación (3,10%/7,04%).
16. Evolución de redes neuronales artificiales para el diseño de interfaces cerebro-computadora
Indice
I. Introducción
II. Autoregulación de Potenciales Corticales Lentos
III.Resultados experimentales
A.Descripción del algoritmo
B.Seleccción de parámetros
C.Preprocesamiento de datos
D.Resultados
17. Evolución de redes neuronales artificiales para el diseño de interfaces cerebro-computadora
III.D. Resultados.
Resultados promedio de 100 experimentos con diferentes semillas.
Mejor porcentaje de error de clasificación sobre el conjunto de test
de la literatura: 8,53%.
El canal 0 es el más relevante. Utilizarlo mejora a la vez los
tiempos de entrenamiento y la capacidad de clasificación.
El preprocesamiento mediante la transformada discreta del coseno
mejora los resultados.
entrenamiento test
método
x±σ mejor x±σ mejor
SPC 18,7 11,3
MLP 19,8
MLP+EA 7,20±2,06 5,97 11,77±1,47 8,53
18. Evolución de redes neuronales artificiales para el diseño de interfaces cerebro-computadora
¿Preguntas?
.
.
.
Gracias :)