Estructuras Jerárquicas inducidas por estímulo externo en redes dinámicas adaptativas
|
|
- Hugo Maldonado Maidana
- hace 5 años
- Vistas:
Transcripción
1 Universidad de Los Andes Facultad de Ciencias Centro de Física Fundamental Area de Caos y Sistemas Complejos Estructuras Jerárquicas inducidas por estímulo externo en redes dinámicas adaptativas Victor J. Márquez R. Tutor: Dr. Mario Cosenza
2 Sistemas complejos adaptativos (coevolutivos) Estados de los elementos conectividad de la red. Cambian en el tiempo. Ejemplos: redes sociales, ecología, colonias de insectos, cerebro. Nuestro problema: Sistemas adaptativos sujetos a una fuerza o estímulo externo. Nuestro modelo: red coevolutiva de mapas acoplados forzados como modelo simple de sistemas de neuronas sujetos a un estímulo externo.
3 Caos Es aperiódico a largo plazo. Las trayectorias en el espacio de fase del sistema no se ajustan a un punto fijo, órbitas periódicas u órbitas quasi-periódicas para. t Es determinista. Las ecuaciones dinámicas del sistema no contienen parámetros o términos aleatorios o con ruido. El comportamiento irregular surge de la no linealidad del sistema. Es extremadamente sensible a las condiciones iniciales. Trayectorias cercanas se separan exponencialmente rápido Rutas al Caos Bifurcaciones de duplicación de periódo. La ruta de Feigenbaum. Bifurcaciones tangentes inversas. Intermitencia o ruta de Pomeau-Mannevile Repetidas bifurcaciones de Hopf. Quasi-periodicidad o ruta de Ruelle-Takens.
4 Quasi-Periodicidad Sistemas que presentan comportamiento multifrecuencia: Un sistema no lineal con una frecuencia de oscilación natural y una fuerza periódica externa. Sistemas no lineales acoplados que presentan espontáneamente oscilaciones en dos o más frecuencias. Ω = f 2 f 1 p q = racional irracional periódico quasi-periódico
5 Mapa del Círculo θ n+1 = f(θ n )=θ n + Ω+ k 2π sin(2πθ n), mod 1, f(θ) θ k =2.9392, Ω =0.4
6 Diagrama de bifurcación y exponente de Lyapunov k = Ω =
7 Redes Grafos G =(V, E) V = {1, 2, 3, 4, 5, 6} E={{1,2}, {1,5}, {2,3}, {2,5}, {3,4}, {4,5}, {4,6} } La estructura de la red se caracteriza por su matriz de adyacencia a ij Caracterización de redes Distribución de grados k i = a ij = j j a ji C = C i i = Coeficiente de clustering n i 1 2 k i(k i 1) i = 1 N N i=1 n i 1 2 k i(k i 1) k i = k in i + k out i = j p(k) a ji + j a ij k i = grado del nodo i n i = total de conexiones entre vecinos más cercanos de i N = número total de nodos
8 El Modelo de la Memoria de Atkinson y Shiffrin Mecanismos de Respuesta Input Registro Sensorial Memoria a Corto Plazo Memoria a Largo Plazo El Proceso de la Memoria en el Cerebro Input (Imagen) Corteza Visual Corteza Cerebral Frontal Hipocampo y otras zonas del Lóbulo Temporal Medial
9 Plasticidad en el Cerebro Postsynaptic cell Presynaptic cell Synaptic cleft Receptor Neurotransmitters Axon Depolarization Dendrite Synapsestrengthening proteins Neuron Axon Action potential Dendrite Synapse Neuron
10 Modelo de Ito y Kaneko J. Ito, K. Kaneko, Neural Networks 13, 275 (2000). x i n+1 = x i n + Ω+ k 2π sin(2πxi n)+ c 2π ɛ ij n+1 = [1 + δ cos 2π(x i n x j n)]ɛ ij n N j=1 [1 + δ cos 2π(xi n x j n)]ɛ ij n x i n = estado de la unidad i N = número de unidades ɛ ij N j=1 n = intensidad de acoplamiento de j i δ (0 δ 1) = grado de plasticidad c = acoplamiento global ɛ ij n sin(2πx i n)+i i Input
11 Comportamiento del Modelo N = 10 δ =0.1 Ω =0 I = 0 A = 1 1 (N 1) 2 τ m i j τ t +τ m n=τ t ɛ ij n ɛ ij n 1 A(con I = 0) A(con I =0.2) Respuesta más fuerte al estímulo en 3.5 < k < 4.2 y 0.2 <c<2
12 Evolución de la matriz de conectividad El tamaño de los cuadros es proporcional al valor de ɛ ij N = k = 4.1 c = 1.0 δ =0.1 I = 0.2
13 Estructura jerárquica emergente en la red Lineas delgadas indican dirección Lineas gruesas indican dirección u =0.1 Las unidades de la capa M se conectan con las unidades en la capa ( M - 1 ), M, y ( M + 1 )
14 Formación de estructuras con estímulo variable Nuestros resultados Coeficiente de Clustering en función de los parámetros de umbral y de intensidad de estímulo externo. u I ( a ) Promedio del coeficiente de clustering. ( b ) Promedio asintótico σ de la desviación C estándar, como función del estímulo externo. δ =0.1, Ω =0,N = 50 δ =0.1, Ω =0,N = 50 σ n = [ 1 N ] 1/2 N (x i n x n ) 2 i=1 I
15 Distribución de probabilidad de conexiones para distintos valores de umbral Conexiones entrantes k in δ =0.1, Ω =0,I =0.2,N = 50 Conexiones salientes k out δ =0.1, Ω =0,I =0.2,N = 50
16 Distribución de probabilidad de conexiones para distintos valores de estímulo externo p p I I k in k out I I k in k out Conexiones entrantes k in u =0.1 Conexiones salientes k out
17 Número de nodos presentes en distintas capas V I M δ =0.1, Ω =0,I =0.2,N = 50 M δ =0.1, Ω =0,u=0.1,N = 50 I
18 Conclusiones Existen rangos de valores de parármetros del sistema, especialmente de la intensidad del estímulo, para los cuales surgen estructuras jerárquicas. El estímulo externo induce mayor estructura en la red adaptativa cuando los estados de los mapas están menos sincronizados. T. Zhuang, H. Zhao, Z. Tang, Computer and Information Science 2, 109 (2009) La mayor estructura emergente de la red, inducida por mayores valores del coeficiente de clustering C, ocurre para valores pequeños de umbral u. Para valores de umbral pequeños, la conectividad de la red es más uniforme y existe una mayor concentración de nodos en pocas capas. La presencia del estímulo externo en la red es fundamental para la formación de una estructura jerárquica de capas en la red. La aplicación de los modelos de mapas acoplados en el estudio de sistemas complejos coevolutivos.
J.C. González-Avella
Centro de Física Fundamental Área de Caos y Sistemas Complejos 10 aniversario Modelo dinámico de formación de coaliciones J.C. González-Avella Enseñanzas del Caos 1) Sistemas simples (no lineales) pueden
Más detallesEl modelo de Lorenz. El Caballito de batalla para entender el CAOS en un sistema dinámico continuo
El modelo de Lorenz El Caballito de batalla para entender el CAOS en un sistema dinámico continuo Jeanett López-García División de Matemáticas e Ingeniería, FES-Acatlán-UNAN email: jeanettlg@hotmail.com
Más detallesInfluencia de la moda en dinámica social con interacción global
Defensa de Tesis de Maestría Influencia de la moda en dinámica social con interacción global Lic. Marino Gavidia Tutor: Dr. Mario Cosenza http://www.cff.ula.ve/caoticos/ Centro de Física Fundamental Área
Más detallesRedes Neuronales. Introducción. José Manuel Quero Reboul Dpto. Ingeniería Electrónica Universidad de Sevilla
Redes Neuronales Introducción José Manuel Quero Reboul Dpto. Ingeniería Electrónica Universidad de Sevilla Indice Motivación Arquitectura Leyes de Aprendizae Aplicaciones DILEMA MEMORIA CALCULO Aritmética
Más detallesEfecto de la localidad en el surgimiento de la cooperación
Efecto de la localidad en el surgimiento de la cooperación Br. driana Torres Tutor: Dr. Kay Tucci Departamento de Física - CFF Universidad de Los ndes 2 de septiemre de 2. Torres (UL) Defensa de Tesis
Más detallesOptimización de la Conectividad de Redes de Mapas Acoplados Mediante un Algoritmo Genético
Optimización de la Conectividad de Redes de Mapas Acoplados Mediante un Algoritmo Genético Ricardo Estévez y Kay Tucci Universidad de Los Andes Facultad de Ciencias. SUMA - CeSiMo Mérida, 5101. Venezuela
Más detallesDra. Ma. del Pilar Gómez Gil
C6-69 Tópicos Avanzados: Redes Neuronales Artificiales Neurodinámica: Las Redes de Hopfield Dra. Ma. del Pilar Gómez Gil V:4--7 P. Gómez Gil. INAOE (c) 7 Neurodinámica Se refiere al estudio de RNA vistas
Más detallesRedes Complejas. Inteligencia Colectiva y Sistemas de Recomendación Master Propio en Data Science y Big Data (II Edición: )
Redes Complejas Inteligencia Colectiva y Sistemas de Recomendación Master Propio en Data Science y Big Data (II Edición: 2017-2018) Qué es una red? Conjunto de puntos, algunos de ellos conectados mediante
Más detallesRedes Neuronales. Elementos básicos de las redes neuronales Carlos Andrés Delgado S.
Redes Neuronales Elementos básicos de las redes neuronales carlos.andres.delgado@correounivalle.edu.co Carlos Andrés Delgado S. Facultad de Ingeniería. Universidad del Valle Agosto de 2017 Contenido 1
Más detallesCONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7)
Tema 1: Conceptos Básicos Sistemas Conexionistas 1 CONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7) 1.- Introducción. 1.1.- Redes Neuronales de Tipo Biológico. 1.2.- Redes Neuronales dirigidas
Más detallesRedes Neuronales. Las redes neuronales son modelos computacionales que buscan imitar el funcionamiento
Redes Neuronales Las redes neuronales son modelos computacionales que buscan imitar el funcionamiento de las neuronas biológicas. Se usan principalmente para el reconocimiento de patrones complejos. Para
Más detallesCorrelaciones en la red
Correlaciones en la red Homofilia Layout de red social en consonancia con dos variables de contexto: raza y edad Race, School Integration, and Friendship Segregation in America, James Moody 2001 como se
Más detallesCaos Determinista. Carlos Gershenson IIMAS & C3, UNAM.
IIMAS & C3, UNAM http://turing.iimas.unam.mx/~cgg/teach/pamplona 1 2 3 4 5 6 Complejidad: Falta de previsibilidad por interacciones Adaptación Auto-organización Ahora: determinista: Falta de previsibilidad
Más detallesIntroducción a las Redes Neuronales
Introducción a las Redes Neuronales Excepto en las tareas basadas en el cálculo aritmético simple, actualmente, el cerebro humano es superior a cualquier computador: Reconocimiento de imágenes, Interpretación
Más detallesUNIVERSIDAD DE CARABOBO. Programa de la Asignatura Dinámica No Lineal y Caos
UNIVERSIDAD DE CARABOBO FACULTAD EXPERIMENTAL DE CIENCIAS Y TECNOLOGIA DEPARTAMENTO DE FISICA Licenciatura en Física Valencia Venezuela Nombre del Docente: Orlando Alvarez Llamoza Programa de la Asignatura
Más detallesResolución 3523 de 2012
Enero 1 a Marzo 31 de 2016 Completación de llamadas internacionales entrantes 96% Completación de llamadas internacionales salientes 97% Octubre 1 a Diciembre 31 de 2015 Completación de llamadas internacionales
Más detallesIntroducción a la Robótica
Introducción a la Robótica L. Enrique Sucar INAOE Robótica Probabilista, L. E. Sucar 1 Sesión 7: Representación del ambiente (mapas) Introducción a la Robótica L. Enrique Sucar Robótica Probabilista, L.
Más detallesAndrés F. Urquijo-Rodriguez, José D. Hernández-Rivero, Herbert Vinck-Posada
momento Revista de Física, No 53, Dic 2016 30 ANÁLISIS DEL COMPORTAMIENTO NO-LINEAL Y CAOS EN UNA MICROCAVIDAD SEMICONDUCTORA ANALYSIS OF NON-LINEAR BEHAVIOR AND CHAOS IN A SEMICONDUCTING MICROCAVITY Andrés
Más detallesUna metodología para el estudio de la frecuencia de ciclos ĺımite en ecuaciones diferenciales con retardo
Una metodología para el estudio de la frecuencia de ciclos ĺımite en ecuaciones diferenciales con retardo Romina Cobiaga y Walter Reartes Universidad Nacional del Sur Junio 2017 1 / 16 Introducción Se
Más detallesBreve revisión de estabilidad de sistemas dinámicos
Breve revisión de estabilidad de sistemas dinámicos Estabilidad de Sistemas Eléctricos de Potencia Pablo Monzón Instituto de Ingeniería Eléctrica (IIE) Facultad de Ingeniería-Universidad de la República
Más detallesCapítulo 1 Matriz Admitancia de Barra
ELC-05 Sistemas de Potencia Capítulo Matriz Admitancia de Barra Prof. Francisco M. González-Longatt fglongatt@ieee.org http://www.giaelec.org/fglongatt/sp.htm SSTEMAS DE POTENCA Copright 007 . La inección
Más detallesREDES NEURONALES. Una esquema simplificado de una neurona se muestra en la siguiente figura. Cuerpo celular. Dendrita. Axón.
REDES NEURONALES Las redes neuronales constituyen una poderosa herramienta para modelar sistemas, especialmente no lineales, sean dinámicos o estáticos. En el cuerpo celular se realizan la mayoría de las
Más detallesLISTA DE SÍMBOLOS. Capítulo 2 EJEMPLOS Y TEORIA DE LAS VIBRACIONES PARAMÉTRICAS 2.1 Introducción T - Periodo Ω - Frecuencia a- parámetro b- parámetro
LISTA DE SÍMBOLOS Capítulo 2 EJEMPLOS Y TEORIA DE LAS VIBRACIONES PARAMÉTRICAS 2.1 Introducción T - Periodo Ω - Frecuencia a- parámetro b- parámetro 2.1.1 Rigidez Flexiva que Difiere en dos Ejes x- Desplazamiento
Más detallesRedes de Neuronas Recurrentes Computación con Inspiración Biológica
Redes de Neuronas Recurrentes Computación con Inspiración Biológica Grupo de Computación Evolutiva y Redes Neuronales Departamento de Informática Universidad Carlos III de Madrid Redes Recurrentes Introducción
Más detallesEstados quiméricos en sistemas dinámicos
Postgrado en Física Fundamental Area de Caos y Sistemas Complejos Estados quiméricos en sistemas dinámicos M.Sc. Gilberto Paredes http://www.ciens.ula.ve/cff/caoticos Tutor: Dr. Mario Cosenza La Quimera
Más detallesDiagramas de Bloques
1! Diagrama de Bloques y Grafos Juan Antonio Hernández Tamames, Susana Borromeo Curso 2014-2015 Diagramas de Bloques 2! Representación en Diagramas de Bloques Álgebra de Bloques 1 Ideas Básicas 3! Los
Más detallesSeñales electrofisiológicas. Wednesday, September 12, 12
Señales electrofisiológicas Los organismos vivos producen actividad eléctrica Luigi Galvani 1737-1798 La neurona como circuito generador Extracelular de corrientes + + + + + + + + + + + + + + + + + + +
Más detallesTema 7 Redes Neuronales Recurrentes
Universidad Carlos III de Madrid OpenCourseWare Redes de Neuronas Artificiales Inés M Galván -José Mª Valls Tema 7 Redes Neuronales Recurrentes REDES DE NEURONAS ARTIFICIALES INÉS M GALVÁN, JOSÉ Mª VALLS
Más detallesProf. Virginia Mazzone - Mariana Suarez
SISTEMAS NO LINEALES SISTEMAS DE SEGUNDO ORDEN Prof. Virginia Mazzone - Prof. Mariana Suarez 1 Introducción Método de isoclinas Ejemplos 3 Introducción Un sistema de segundo orden autónomo está representado
Más detallesTRANSFERENCIA DE ENERGÍA EN VIBRACIONES MOLECULARES CAÓTICAS. JUAN CARLOS LOSADA Universidad Politécnica de Madrid Grupo de Sistemas Complejos
TRANSFERENCIA DE ENERGÍA EN VIBRACIONES MOLECULARES CAÓTICAS JUAN CARLOS LOSADA Universidad Politécnica de Madrid Grupo de Sistemas Complejos MOLÉCULAS TRIATÓMICAS Tres osciladores acoplados θ R r MODOS
Más detallesModelando sociedades: Sociofísica
Modelando sociedades: Sociofísica M. Cosenza Centro de Física Fundamental Área de Caos y Sistemas Complejos www.ciens.ula.ve/cff/caoticos Breve historia del Caos Caos: sensitividad extrema a cambios de
Más detallesSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES T10: Redes Neuronales.aic.uniovi.es/ssii Índice Redes Neuronales Artificiales Fundamentos biológicos Perceptrón Funciones de activación Redes de neuronas Entrenamiento: Perceptrón
Más detallesTeoría de redes aleatorias
Redes Aleatorias Teoría de redes aleatorias Grafo aleatorio: es un grafo obtenido muestreando un conjunto dado (ensamble, familia) de grafos Ejemplo: grafos de n=3 nodos Adaptado de Peter Dodds Applications
Más detallesRedes sociales coevolutivas
Redes sociales coevolutivas M.Sc. José Luis Herrera Tutor: Dr. Mario Cosenza http://www.ciens.ula.ve/cff/caoticos Modelos típicos de dinámica social Modelo de Axelrod Disceminación cultural Modelo de Deffuant
Más detallesRedes Neuronales Artificiales
Redes Neuronales Artificiales Alejandro Osses Vecchi 11 de julio de 2009 1. Introducción Comenzaremos con una definición simple y general de Red Neuronal para, en las próximas secciones, explicar y profundizar
Más detallesAnálisis de Datos. Perceptrón multicapa. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Perceptrón multicapa Profesor: Dr. Wilfrido Gómez Flores 1 Introducción De acuerdo con el consejo de la IEEE Neural Networks de 1996, inteligencia artificial (IA) es el estudio de cómo
Más detallesTema 6. Reconocimiento de voz
Tema 6. Reconocimiento de voz 6.1.- Introducción 6.2.- Problemática 6.3.- Clasificación 6.4.- Esquema de trabajo 6.5.- Técnicas de reconocimiento 6.6.- Conclusiones 6.1.- Introducción Reconocimiento de
Más detalles3. Bifurcaciones en sistemas continuos
31 3. Bifurcaciones en sistemas continuos En sistemas dinámicos continuos hay dos bifurcaciones elementales: fold y Hopf. En este capítulo se estudian las condiciones que determinan la aparición de estas
Más detallesPENDULO ESFERICO, FORZADO Y AMORTIGUADO CON MASA VARIABLE
PENDULO ESFERICO, FORZADO Y AMORTIGUADO CON MASA VARIABLE Camilo A. Jiménez R. 1, Diego F. Jaramillo C. 1, Miller J. Vargas B. 1. 1 Universidad Distrital Francisco José de Caldas. Grupo de estudio de desarrollo
Más detallesEXÁMEN INFERENCIA ESTADÍSTICA I Diplomado en Estadística Convocatoria de Febrero 2006
EXÁMEN INFERENCIA ESTADÍSTICA I Diplomado en Estadística Convocatoria de Febrero 6 Problema ( ptos) Considera un experimento aleatorio con espacio muestral Ω. a) Definir una σ-álgebra A sobre Ω. b) Dar
Más detallesUnidades de medición fasorial (PMUs)
Unidades de medición fasorial (PMUs) Hernando Díaz Universidad Nacional de Colombia 30 de marzo de 2012 Resumen Unidades de Medición Fasorial (PMU) miden ángulos de fase Recordamos la importancia de los
Más detallesParte II el aprendizaje humano y la memoria
Neurociencia, aprendizaje y diseño instruccional: Parte II el aprendizaje humano y la memoria Dr. Atsusi "2c" Hirumi, Taller en la UdeG 13 de marzo de 2016 atsusi.hirumi@ucf.edu Entrada sensorial Experiencia
Más detallesRedes Aleatorias II. Modelo configuracional y modelos generativos
Redes Aleatorias II Modelo configuracional y modelos generativos Redes ER vs Redes Reales diametro d ~ ln n n distribucion de grado P k = n 1 k P k = ck k! e c p k (1 p) n 1 k coef. clustering C = c n
Más detallesAnexo Redes Neuronales
Anexo Redes Neuronales Félix Monasterio-Huelin y Álvaro Gutiérrez 8 de abril de 2016 Índice Índice 1 Índice de figuras 1 1. El entorno del robot 2 2. Neurona y funciones de activación 2 2.1. Vector de
Más detallesMétodos de Aprendizaje en Redes Neuronales
11 de abril de 2011 Entrenamiento de redes feedforward (Backpropagation) Siendo {z m, t m } m=1...n un conjunto de n patrones de entrenamiento, con z m las entradas conocidas para el m ésimo patrón y
Más detallesOPTIMIZACIÓN DE LA CONECTIVIDAD DE REDES DE MAPAS ACOPLADOS MEDIANTE ALGORITMO GENÉTICO
1 OPTIMIZACIÓN DE LA CONECTIVIDAD DE REDES DE MAPAS ACOPLADOS MEDIANTE ALGORITMO GENÉTICO Ricardo Estévez Basanta Requisito parcial para la obtención del grado de LICENCIADO EN FÍSICA UNIVERSIDAD DE LOS
Más detallesCapítulo 7. Grafos. Continuar
Capítulo 7. Grafos Continuar Introducción Uno de los primeros resultados de la teoría de grafos fue el que obtuvo Leonhard Euler en el siglo XVIII al resolver el problema de los puentes de Königsberg.
Más detallesRedes Neuronales Artificiales
Redes Neuronales Artificiales Claudio Javier Tablada Germán Ariel Torres Resumen. Una Red Neuronal Artificial es un modelo matemático inspirado en el comportamiento biológico de las neuronas y en la estructura
Más detallesModelización de sistemas biológicos por computadora. Caos en modelos no lineales
Licenciatura en Bioinformática - Facultad de Ingeniería, UNER Modelización de sistemas biológicos por computadora Guía de Trabajos Prácticos N o 7 Caos en modelos no lineales 22 de setiembre de 2009 1.
Más detallesTeoría a de Sistemas y Señales
Teoría a de Sistemas y Señales Señales y Sistemas Autor: Dr. Juan Carlos Gómez TeSyS J. C. Gómez 1 Definiciones de Sistemas y Señales Sistema: conjunto de componentes interactuantes. Señal: es una función,
Más detallesComunidades. Buscando grupos naturales de nodos
Comunidades Buscando grupos naturales de nodos cliques, -componentes (Newman 7.8.1, 7.8.2) similaridad (N7.12) Geometria: means topologia: equivalencia estructural vs equivalencia regular Clustering jerarquico
Más detallesTechniques to Understand Computer Simulations: Markov Chain Analysis
Techniques to Understand Computer Simulations: Markov Chain Analysis Luis R. Izquierdo, Segismundo S. Izquierdo, José Manuel Galán and José Ignacio Santos (2009) Presentador: Andres Abeliuk Objetivos Ayudar
Más detallesAceleración n de la gravedad Péndulo simple
Aceleración n de la gravedad Péndulo simple Experiencia de Laboratorio, Física F experimental I, 2007 A. Biera, G. Huck y P. Palermo Tandil - Octubre de 2007 1 Aceleración n de la gravedad - Péndulo simple
Más detalles05/06. Análisis estadístico y calibración. Juan A. Montiel-Nelson. Last Revision:
05/06 Análisis estadístico y calibración Juan A. Montiel-Nelson Last Revision: 02.03.06 Escuela Técnica Superior de Ingenieros de Telecomunicación Universidad de Las Palmas de Gran Canaria Índice Análisis
Más detallesCadenas de Markov Tiempo Discreto. Modelado y Análisis de Redes de Telecomunicaciones
Cadenas de Markov Tiempo Discreto Modelado y Análisis de Redes de Telecomunicaciones Motivación Ejemplo 1 Sea un enrutador al que arriban paquetes de otros (varios) routers Cuando más de un paquete llega
Más detallesCONFERENCIA TEMA: CADENAS DE MARKOV
Prof.: MSc. Julio Rito Vargas Avilés CONFERENCIA TEMA: CADENAS DE MARKOV Agenda: Proceso estocástico Concepto de Cadena de Markov Clasificación de estados de una CM y ejemplos Distribución estacionaria
Más detallesTema II: Dinámica en el espacio de fases
Tema II: Dinámica en el espacio de fases 1. Las ecuaciones de Hamilton Para sistemas autónomos en los que H no depende de t, es una constante del movimiento por lo que H(p, q = α (1.1 Esta ecuación determina
Más detallesemercade1@cuc.edu.co Contenido Introducción Elementos básicos del sistema nervioso humano Estructuras y funciones encefálicas Cerebro, aprendizaje y memoria Investigación y estudio del aprendizaje y la
Más detallesInteligencia Artificial. Aprendizaje neuronal. Ing. Sup. en Informática, 4º. Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani
Inteligencia Artificial Aprendizaje neuronal Ing. Sup. en Informática, 4º Curso académico: 20/202 Profesores: Ramón Hermoso y Matteo Vasirani Aprendizaje Resumen: 3. Aprendizaje automático 3. Introducción
Más detallesSistema de control, integración y coordinación
Sistema nervioso Sistema de control, integración y coordinación Envía mensajes a través de nervios formados por neuronas. Los mensajes son señales eléctricas llamadas impulsos nerviosos. Los impulsos nerviosos
Más detallesSistemas autónomos. Introducción a la teoría cualitativa.
Lección 4 Sistemas autónomos. Introducción a la teoría cualitativa. 4.1 Sistemas autónomos. Mapas de fase. En esta lección nos centraremos en el estudio de sistemas autónomos, es decir, aquellos que pueden
Más detallesControl ejecutivo Corteza prefrontal (terciaria, anterior) Simbolización Corteza terciaria posterior. Gnósico-práxico Cortezas secundarias
Modelo funcional del SN Control ejecutivo Corteza prefrontal (terciaria, anterior) Emoción Complejo amigdalino Áreas límbicas Eje h-h Simbolización Corteza terciaria posterior Gnósico-práxico Cortezas
Más detallesAprendizaje no supervisado
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Tema 4 1 Introducción Aprendizaje competitvo Otros algoritmos de agrupación 2 1 Introducción Características principales de las
Más detallesExamen de la convocatoria de febrero Problemas
E.T.S.I.I.T - Grado en Ingeniería de Tecnologías de Telecomunicación Dimensionamiento y Planificación de Redes Curso 2012/2013 Profesor responsable: Klaus Hackbarth (klaus@tlmat.unican.es) Examen de la
Más detallesCAPITULO 1 INTRODUCCIÓN
CAPITULO 1 INTRODUCCIÓN Un evento caótico, es un fenómeno de gran relevancia que se presenta en la vida diaria, en áreas como la Biología, Matemáticas, Física, Economía, etc. Es un estado de confusión
Más detallesTema 3: Función de Variable Aleatoria y Teoremas Asintóticos
Tema 3: Función de Variable Aleatoria y Teoremas Asintóticos Curso 2016-2017 Contenido 1 Función de una Variable Aleatoria 2 Cálculo de la fdp 3 Generación de Números Aleatorios 4 Momentos de una Variable
Más detallesCapítulo 3 REDES NEURONALES Y SU APLICACIÓN EN LA INGENIERÍA SÍSMICA III. REDES NEURONALES Y SU APLICACIÓN EN LA INGENIERÍA SÍSMICA
III. REDES NEURONALES Y SU APLICACIÓN EN LA INGENIERÍA SÍSMICA 32 III. REDES NEURONALES ARTIFICIALES Y SU APLICACIÓN EN LA INGENIERÍA SÍSMICA III.1 CONCEPTOS GENERALES En sus orígenes las Redes Neuronales
Más detalles3º E.S.O. II.- ÁLGEBRA
3º E.S.O. Se consideran mínimos exigibles para el tercer curso de E.S.O. todos los del segundo curso y los siguientes: I.- NÚMEROS Números racionales - Definir (no de forma rigurosa ) y distinguir los
Más detallesFormulario. sinc(x) = sin(πx) πx Relación entre senoidales y exponenciales complejas
1 1.1. Repaso matemático Formulario z = x + jy = x 2 + y 2 e jθ = me jθ = m(cos(θ) + j sin(θ)); θ = arctan x y b a e f f = e f(b) e f(a) sinc(x) = sin(πx) πx N 1 n=0 α n = N α = 1 1 α N 1 α α 1 b a δ(x)f(x)dx
Más detallesINSTITUTO POTOSINO DE INVESTIGACIÓN CIENTÍFICA Y TECNOLÓGICA, A.C. Redes Booleanas. Maestro en Control y Sistemas Dinámicos
INSTITUTO POTOSINO DE INVESTIGACIÓN CIENTÍFICA Y TECNOLÓGICA, A.C. POSGRADO EN CONTROL Y SISTEMAS DINÁMICOS Redes Booleanas Tesis que presenta Roberto Rafael Rivera Durón Para obtener el grado de Maestro
Más detallesÁrea Académica: Instituto de Ciencias Básicas e Ingeniería, Sistemas Computacionales. Tema: Aplicaciones de Redes Neuronales e inspiración biológca.
Área Académica: Instituto de Ciencias Básicas e Ingeniería, Sistemas Computacionales Tema: Aplicaciones de Redes Neuronales e inspiración biológca. Profesor: Víctor Tomás T. Mariano. Alumnos: Leticia Hernández
Más detallesBárbara Cánovas Conesa
67 70 11 1 Junio 006 Dos cargas puntuales q1 = + 0 nc y q = 1 0 nc están fijas y separadas una distancia de 8 cm. Calcular: a) El campo eléctrico en el punto T situado en el punto medio entre las cargas
Más detallesCarlos Mario Vélez S. Universidad EAFIT. Temas 1. Generalidades sobre estabilidad 2. Estabilidad de Lyapunov
Objetivo específico Presentar la teoría de estabilidad de Lyapunov aplicada a sistema lineales y no lineales e ilustrar su uso en el análisis y diseño de sistemas no lineales Temas.. Método directo de
Más detallesRedes Neuronales Recurrentes
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M Galván José M Valls Tema 6 Redes de Neuronas Recurrentes Redes Neuronales Recurrentes Introducción Red de Hopfield Redes parcialmente recurrentes Red
Más detallesQUÉ ES UN MAPA CONCEPTUAL?
1 QUÉ ES UN MAPA CONCEPTUAL? Un mapa conceptual es un diagrama o una herramienta gráfica que representa visualmente las relaciones entre conceptos e ideas. La mayoría de los mapas conceptuales representan
Más detallesUnidad VII Redes Neuronales
Unidad VII Redes Neuronales Maestría en Sistemas Computacionales Clave: MPSCO-0108 6 Créditos Sesiones Sábados 10-13 Rafael Vázquez Pérez Agenda 7.1 Introducción a las Redes Neurales (ANN) 7.2 Tipos de
Más detallesTema 8: Redes Neuronales
Tema 8: Redes Neuronales Pedro Larrañaga, Iñaki Inza, Abdelmalik Moujahid Intelligent Systems Group Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del País Vasco http://www.sc.ehu.es/isg/
Más detallesTema 4. Oscilaciones pequeñas
Mecánica teórica Tema 4. Oscilaciones pequeñas Tema 4A Universidad de Sevilla - Facultad de Física cotrino@us.es 24 de octubre de 2017 Tema 4A (Grupo 2) Mecánica Teórica (2017-2018) 24 de octubre de 2017
Más detallesSe trata de: Explicar el comportamiento de una variable dependiente ( Y ) en función de otras variables ( i ) 2 Investigar si las variables están asoc
4 ASOCIACION ENTRE VARIABLES En la investigación estadística- y en lo fundamental aquella relacionada a variables socioeconómicas-, es común encontrar variables relacionadas o asociadas Estadísticamente
Más detallesPredicción de potencia en el parque eólico de Villonaco, Loja, Ecuador. Alberto Reyes y Tania Guerrero INER Ecuador
Predicción de potencia en el parque eólico de Villonaco, Loja, Ecuador Alberto Reyes y Tania Guerrero INER Ecuador INTRODUCCIÓN El comportamiento del viento presenta alto grado de aleatoriedad, incertidumbre
Más detallesCONFERENCIA TEMA: CADENAS DE MARKOV
Prof.: MSc. Julio Rito Vargas Avilés CONFERENCIA TEMA: CADENAS DE MARKOV Agenda: Proceso estocástico Concepto de Cadena de Markov Clasificación de estados de una CM y ejemplos Distribución estacionaria
Más detallesCÁLCULO DE CAMINO ÓPTIMO PARA MANIPULADOR ARTICULADO SCARA SUJETO A OBSTÁCULOS
CÁLCULO DE CAMINO ÓPTIMO PARA MANIPULADOR ARTICULADO SCARA SUJETO A OBSTÁCULOS Carlos Pillajo cpillajo@ups.edu.ec Agenda : Planteamiento del Problema Introducción Planificación de Caminos Cálculo del Espacio
Más detalles!"#$#%!&'()*&+"#%,$(%"-.$/,&0"1$%2%("%3$3'.&"%
!"#$#%!&'()*&+"#%,$(%"-.$/,&0"1$%2%("%3$3'.&"% % ('.$/"%4".$("5/"((".6%-7,%!"#$%&'("')#*"+$),-!)&#"+'.)&/0()!-+' 1-!23$-('("'!)"#!)-+'.)&34,)!-+'5'1-!23$-('("'/"()!)#-'' 2#)*"%+)(-('-#(%0+'."33&' #$3&/".&'%$/%/$8.'+&$/+&"6%8/"!%+'/+$-+&)/6%9:%,$%3"2'%,$%9;
Más detallesRedes Neuronales Artificiales
Algoritmo de retropropagación Back propagation Es utilizado para entrenar redes neuronales multicapa. Exige que la función de activación de las neuronas sea derivable y creciente. Las funciones comúnmente
Más detallesI Conceptos Generales 1
Índice I Conceptos Generales 1 1. Procesos Estocásticos 3 1.1. Introducción............................ 3 1.2. Definición de proceso estocástico................ 4 1.3. Distribución de un proceso estocástico.............
Más detallesContenidos mínimos 4º E.S.O.:
Contenidos mínimos 4º E.S.O.: Para la opción A: UNIDADES DIDÁCTICAS Observaciones 1.- NÚMEROS RACIONALES. - Interpretación de una fracción. Fracciones equivalentes. - Ordenación y comparación de números
Más detallesGobierno de La Rioja MATEMÁTICAS CONTENIDOS
CONTENIDOS MATEMÁTICAS 1.- Números reales Distintas ampliaciones de los conjuntos numéricos: números enteros, números racionales y números reales. Representaciones de los números racionales. Forma fraccionaria.
Más detallesComportamiento dinámico: Estabilidad
Lección 5 Comportamiento dinámico: Estabilidad Estabilidad Dos tipos de estabilidad: ẋ(t) = f(t, x(t), u(t)) Estabilidad interna: ẋ(t) = f(t, x(t)) Estabilidad externa o Estabilidad Entrada-Salida : {
Más detallesProcesamiento de Imágenes. Curso 2011 Clase 3 Eliminación del ruido mediante filtrado espacial
Procesamiento de Imágenes Curso 2 Clase 3 Eliminación del ruido mediante filtrado espacial Eliminación del ruido Entendemos por ruido en imágenes digitales cualquier valor de un píxel de una imagen que
Más detallesSistemas Lineales e Invariantes a la Traslación
1. Sistemas Lineales e Invariantes a la Traslación 1.1 Motivación de las imágenes digitales Qué es una imagen digital? Es un arreglo de píxeles? 1.2 Las funciones sinusoidales Onda plana (viajera) que
Más detallesProbabilidad y Estadística
Probabilidad y Estadística Grado en Ingeniería Informática Tema 4 Vectores aleatorios Javier Cárcamo Departamento de Matemáticas Universidad Autónoma de Madrid javier.carcamo@uam.es Javier Cárcamo PREST.
Más detallesANATOMÍA Y FUNCIÓN CEREBRAL Generalidades
UNIVERSIDAD ESTATAL DEL VALLE DE ECATEPEC ANATOMÍA Y FUNCIÓN CEREBRAL Generalidades Profra. Angélica María Razo González CORTEZA PREFRONTAL Es la zona más extensa y más desconocida. Hay que diferenciar
Más detallesAtractores caóticos con múltiple enroscado
Tlamati Sabiduría, Volumen 7 Número Especial 2 (2016) 4 Encuentro de Jóvenes Investigadores CONACYT Acapulco, Guerrero 21, 21 y 23 de septiembre 2016 Memorias Atractores caóticos con múltiple enroscado
Más detallesSistema Nervioso. Cnidario. Ganglios: conjuntos de células nerviosas; centro local de operaciones
Sistema Nervioso Cnidario Una red difusa de neuronas encargadas de simples reflejos Las neuronas interactúan con las células sensoriales y contráctiles Ganglios: conjuntos de células nerviosas; centro
Más detalles