4. REDES NEURONALES Y SERIES DE TIEMPO
|
|
- Paula Rey Vázquez
- hace 6 años
- Vistas:
Transcripción
1 4. REDES NEURONALES Y SERIES DE TIEMPO 4.1. REDES NEURONALES EN LA PREDICCION En la actualia, las Rees Neuronales Artificiales, se reconocen como una e las herramientas matemáticas e uso computacional que mejores resultaos presenta a la hora e moelar un problema, ya sea e aproximación e funciones: como el iagnostico y control e maquinaria, en el control el piloto automático e un avión, o en el control e un robot. En problemas e clasificación: como el iagnostico meico, reconocimiento e caracteres, etección e fraue o clasificación e riesgo creiticio. En el procesamiento e atos: como en el filtrao e ruio o en el encriptamiento e información, La preicción e series e tiempo, es algo que ha ocupao mucho a investigaores e istintas isciplinas ebio al interés que proucen, en parte ebio a la alta nolinealia e su comportamiento fluctuante y a veces caprichoso. Varios moelos matemáticos han sio iseñaos para el tratamiento e la preicción en las series e tiempo, el más conocio es el Proceso Autorregresivo Integrao e Meia Móvil (ARIMA), comúnmente conocio como la metoología e Box-Jenkins (1976). Este métoo e preicción, que se utiliza muy frecuentemente se funamenta en el su puesto implícito e la linealia el sistema que generan la trayectoria e las variables, mas información sobre este y otros moelos e preicción pue ser encontraa en el capitulo 1. Sin embargo, las RNA han tenio aquí un éxito que otras técnicas no han lograo. Diferentes moelos e rees neuronales han sio esarrollaos para la preicción e mercaos, algunos se enfocan en la preicción el precio futuro e un valor o en moelar la rentabilia e una acción, otros son aplicaos para reconocer ciertos patrones e precios el mercao.
2 ALGUNOS TRABAJOS DE PREDICCIÓN CON REDES NEURONALES En los últimos años se cuenta con muchos trabajos en la preicción e series e tiempo utilizano rees neuronales artificiales, e los cuales poemos mencionar los siguientes: Preicción e acciones. Consiste en el esarrollo e una re neuronal capaz e realizar la preicción el precio e las acciones para un número ao e compañías. Esta preicción se realiza meiante rees alimentaas hacia aelante, y el objetivo en este particular caso es preecir el siguiente valor en la serie e tiempo: el próximo precio e la acción. 11 Preicción e tráfico vehicular. Se han utilizao rees neuronales recurrentes para la preicción a corto plazo el tráfico en una carretera, a fin e prevenir congestiones y tener un control el acceso a la autopista. Para esto se utilizan atos estimaos e otros ías con propieaes similares; los mejores resultaos se obtuvieron con una re multi - recurrente, y se puo comprobar que las rees neuronales resolvieron este tipo e preicción y obtuvieron mejores resultaos que los métoos estaísticos convencionales. 12 Preicción e Tornao. Basaa en atributos obtenios e un raar Doppler, el cual observa iferentes fenómenos que a la larga llegan a proucir tornaos. Las tormentas eléctricas algunas veces llegan a proucirlos, pero no siempre son anteceente e ello. Una re neuronal alimentaa hacia aelante es usaa para iagnosticar cuales fenómenos etectaos por el raar llegarán a proucir un tornao. La re neuronal es iseñaa para la ientificación e tornaos, con ese fin, se esarrollaron proceimientos para eterminar el tamaño el conjunto e 11 Se puee encontrar más información en un trabajo enfocao a la preicción financiera. UNIVERSIDAD DE VIGO. Negative Feeback Network For Financial Preiction (pf), Marzo e 2004, 12 Un interesante moelo para la preicción el tráfico. TAO, Yang, A Neural Network Moel for Traffic Preiction in the Presence of Incients via Data Fusion, Universia e Wisconsin, Julio e 2004,
3 entrenamiento y el número e noos ocultos necesarios para el funcionamiento óptimo. Se mostró que la re neuronal encontraa e este moo supera un algoritmo basao en reglas DESARROLLO DE LA INVESTIGACION Utilizano un métoo e pronóstico no traicional, como las rees neuronales, se intentara establecer meiante resultaos comparativos la efectivia e la preicción para una serie e tiempo e tipo común. La serie elegia es el consumo mensual e ACPM, los atos e esta serie fueron tomaos ese el mes e enero e 1998 hasta el mes iciembre e atos en total. Estos atos fueron actualizaos en marzo 19 e 2004 por personal el epartamento e planeación nacional. El consumo e ACPM presenta variaciones importantes mes a mes ebio a factores como el precio e la gasolina, importación e petróleo y al observar la serie se poría pensar a priori que las épocas el año afectan el consumo. La metoología propuesta para realizar esta investigación es: 1. Presentación e la serie. 2. Preprocesamiento e los atos: Es ecir una preparación e los atos, una transformación e los atos si es necesario (escalamiento, logaritmización, normalización, etc.) 3. Analizar meiante métoos estaísticos básicos el estao e la serie y basaos en ellos hacer una selección e los parámetros óptimos iniciales. 4. Analizar la serie con la ayua el Neural Network Toolbox e Matlab. 13 MARZABAN, C. an Stumpf, G.J. (1996), A Neural Network for Tornao Preiction Base on Doppler Raar-Derive Attributes, Journal of Applie Meteorology E 35, Pag
4 5. Comparar los atos obtenios con los atos reales meiante graficas. 6. Concluir con base en los resultaos y comparaciones en el posible moelo para preecir ANALISIS DE LAS SERIE Los atos e la serie se muestran en el anexo 1, el grafico el consumo e gasolina ACPM por mes y año se muestra en la figura 4.1. Figura 4.1: Consumo e Gasolina ACPM ( ) Se toma para el esarrollo el presenta análisis, se toman topologías e 3 capas, en el capitulo 2 (El MLP como aproximaor universal e funciones) se asocia este hecho a algunos teoremas como los e Kolmogorov y Funahashi, los cuales emuestran que con solo 3 capas se puee aproximar cualquier función.
5 Para el esarrollo el análisis e la serie se eben escalan los atos, esto se ebe a las funciones e transferencia que se pretenen usar en el entrenamiento e las rees, las funciones utilizaas requieren entraas en el rango [-1, 1]. Para este fin se utilizan las herramientas e Preprocesamiento e atos que ofrece matlab en el toolbox, más precisamente la función premnmx 14. Se organizan los atos en 2 columnas (Anexo 2), 3 columnas (Anexo 3) y 4 columnas (Anexo 4). Esta organización se realiza con el fin e manejar topologías con 1, 2 y 3 neuronas en la capa e entraa y variar e 2 a 3 en la capa oculta y hasta 2 capas ocultas, esto ultimo tomano en cuenta el numero e ejemplos e entrenamiento que se tiene isponible e la forma que se escalo y el numero optimo efinio en el capitulo 2 (Número e ejemplos e entrenamiento). En los anexos se efine como X i las entraas a la re y como D la salia eseaa. Si se observa con un poco más etalle se observa que para preecir la salia eseaa se están usano los atos inmeiatamente anteriores. Se realiza una regresión e los atos e los anexos (2 al 4) y arrogan los siguientes resultaos: Para 3 entraas y una salia eseaa (anexo 4) se tiene un coeficiente e correlación múltiple el 0,67217, es ecir que las 3 entraas explican en un 65% la salia eseaa. Según la prueba f el moelo tiene poer explicativo, pero solamente una e las variables explica la serie. Para 2 entraas y una salia eseaa (anexo 3) se tiene un coeficiente e correlación múltiple el 0,66385, es ecir que las 2 entraas explican en un 66% la salia eseaa. Según la prueba f el moelo tiene poer explicativo, se ve explicao por caa una e las variables. 14 Mas información sobre la función premnmx en la irección
6 Para 1 entraas y una salia eseaa (anexo 2) se tiene un coeficiente e correlación múltiple el 0,66385, es ecir que las 2 entraas explican en un 52% la salia eseaa. Según la prueba f el moelo tiene poer explicativo, pero no es explicao por la variable epeniente. Analizano en forma rápia estos resultaos vemos que el moelo e 2 entraas y una salia eseaa servirá un poco más que los otros, ebio a que sus variables incien en el moelo. Por lo tanto, se realiza una ivisión en 2 grupos e los atos el anexo 2. Basano en ejemplos encontraos en las referencias bibliograficas el capitulo 2 [1, 6, 7], se formara el primer conjunto con el 75% e los atos, este conjunto será el conjunto e entrenamiento e la re, los atos restantes se ejaran como atos e verificación. Se toman 4 topologías para esarrollar las pruebas a través e matlab, la primera será (3 neuronas en la capa e entraa, 2 en la capa oculta y 1 en la capa e salia), (3 neuronas en la capa e entraa, 3 en la capa oculta y 1 en la capa e salia) y (3 neuronas en la capa e entraa, 4 en os capas ocultas y 1 en la capa e salia). Los resultaos arrojaos a través el toolbox e matlab fueron: TOPOLOGÍA Traing Numero e capas: 3 Neuronas por capa Error e entrenamiento e 0.05 Graiente final e 1e-010 Numero e iteraciones Funciones por capa: Purelin Tansig Tansig
7 Grafica e salia eseaa & salia obtenia (atos e valiación) 1,2000 traing Grafica el error (atos e valiación) traing 0,5000-0,5000 traing Traingm Numero e capas: 3 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e 1e-010 Numero e iteraciones: Funciones por capa: Purelin Tansig - Tansig
8 Grafica e salia eseaa & salia obtenia (atos e valiación) 1,2000 traing m Grafica el error (atos e valiación) traingm - - traingm Trainga Numero e capas: 3 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e 1e-010 Numero e iteraciones: Funciones por capa: Purelin Tansig - Tansig Grafica e salia eseaa & salia obtenia (atos e valiación)
9 1,2000 trainga Grafica el error (atos e valiación) trainga - - trainga Traingx Numero e capas: 3 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e 1e-010 Numero e iteraciones: Funciones por capa: Purelin Tansig - Tansig Grafica e salia eseaa & salia obtenia (atos e valiación)
10 1,2000 traingx Grafica el error (atos e valiación) traingx - - traingx Trainrp Numero e capas: 3 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e-005 e 1e-010 Numero e iteraciones: Funciones por capa: Purelin Tansig - Tansig Grafica e salia eseaa & salia obtenia (atos e valiación)
11 1,2000 trainrp Grafica el error (atos e valiación) trainrp - - trainrp Traincgf Numero e capas: 3 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e 1e-010 Numero e iteraciones: 170 Funciones por capa: Purelin Tansig - Tansig Grafica e salia eseaa & salia obtenia (atos e valiación)
12 1,2000 traincgf Grafica el error (atos e valiación) traincgf - - traincgf Traincgb Numero e capas : 3 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e 1e-010 Numero e iteraciones: 144 Funciones por capa: Purelin Tansig - Tansig Grafica e salia eseaa & salia obtenia (atos e valiación)
13 1,2000 traincgb Grafica el error (atos e valiación) traincgb 0,5000-0,5000 traincgb Trainscg Numero e capas: 3 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e-007 e 1e-010 Numero e iteraciones: Funciones por capa: Purelin Tansig - Tansig Grafica e salia eseaa & salia obtenia (atos e valiación)
14 1,2000 trainscg Grafica el error (atos e valiación) trainscg - - trainscg Trainbfg Numero e capas: 3 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e-007 e 1e-010 Numero e iteraciones: 240 Funciones por capa: Purelin Tansig - Tansig Grafica e salia eseaa & salia obtenia (atos e valiación)
15 1,2000 trainbfg Grafica el error (atos e valiación) trainbfg 1,5000 0,5000-0,5000 trainbfg Trainoss Numero e capas: 3 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e-007 e 1e-010 Numero e iteraciones: Funciones por capa: Purelin Tansig - Tansig Grafica e salia eseaa & salia obtenia (atos e valiación)
16 1,2000 trainoss Grafica el error (atos e valiación) trainoss - - trainoss Trainml Numero e capas: 3 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e-006 e 1e-010 Numero e iteraciones: Funciones por capa: Purelin Tansig - Tansig
17 Grafica e salia eseaa & salia obtenia (atos e valiación) 1,2000 trainlm Grafica el error (atos e valiación) trainlm - - trainlm Respuestas obtenias con la simulación e la re: traing traingm trainga traingx trainrp traincgf traincgb trainscg trainbfg trainoss trainlm -0,20-0,29-0,30-0,31-0,27-0,30-0,30-0,30-0,29-0,29-0,29-0,29 0,25-0,19-0,19-0,19-0,17-0,20-0,18-0,19-0,16-0,19-0,16-0,16-0,14-0,24-0,25-0,25-0,22-0,25-0,24-0,25-0,22-0,25-0,22-0,22 0,30 0,00 0,00-0,02 0,04 0,01 0,00 0,00-0,01 0,00-0,01-0,01 0,04-0,22-0,22-0,22-0,20-0,23-0,21-0,22-0,19-0,22-0,19-0,19-0,03 0,04 0,04 0,00 0,07 0,05 0,03 0,04 0,01 0,04 0,01 0,01 0,45-0,13-0,13-0,12-0,10-0,13-0,12-0,13-0,10-0,13-0,10-0,10 0,15-0,16-0,16-0,16-0,14-0,17-0,15-0,16-0,13-0,16-0,13-0,13 0,48 0,14 0,13 0,06 0,16 0,17 0,11 0,14 0,07 0,14 0,07 0,07 0,01-0,06-0,06-0,07-0,03-0,06-0,06-0,06-0,05-0,06-0,05-0,05 0,60 0,17 0,14 0,07 0,18 0,19 0,13 0,16 0,08 0,16 0,08 0,08 0,58-0,14-0,14-0,14-0,11-0,14-0,13-0,14-0,11-0,14-0,11-0,11 0,56 0,26 0,21 0,10 0,25 0,10 0,20 0,25 0,12 0,24 0,12 0,12 0,49 0,24 0,20 0,10 0,24 0,14 0,19 0,23 0,11 0,23 0,11 0,11
18 0,32 0,23 0,19 0,09 0,23 0,18 0,18 0,22 0,11 0,22 0,11 0,11 1,00 0,18 0,15 0,07 0,19 0,20 0,14 0,17 0,08 0,17 0,08 0,08-0,10 0,05 0,05 0,01 0,08 0,07 0,04 0,05 0,02 0,05 0,02 0,02-0,30 0,53 0,36 0,18 0,39 0,15 0,41 0,51 0,22 1,00 0,22 0,22 Al hacer un análisis se el error cuarático generao por matlab y e las graficas e aproximación, se ven en la figura 4.2 la salia eseaa con las 2 funciones que mas se acercaron al moelo. 1,20 1,00 0,80 0,60 0,40 0,20 0,00-0,20-0,40 traing traincgb Figura 4.2: Grafica e respuestas obtenias topología TOPOLOGÍA 2-3-1
19 Traing Numero e capas:3 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e 1e-010 Numero e iteraciones: Funciones por capa: Purelin Logsig Tansig Grafica e salia eseaa & salia obtenia (atos e valiación) 1,2000 traing Grafica el error (atos e valiación) traing - - traing Traingm
20 Numero e capas: 3 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e 1e-010 Numero e iteraciones: Funciones por capa: Purelin Logsig - Tansig Grafica e salia eseaa & salia obtenia (atos e valiación) 1,2000 traingm Grafica el error (atos e valiación) traingm - - traingm Trainga
21 Numero e capas: 3 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e 1e-010 Numero e iteraciones: Funciones por capa: Purelin Logsig - Tansig Grafica e salia eseaa & salia obtenia (atos e valiación) 1, trainga Grafica el error (atos e valiación) trainga trainga - - Traingx
22 Numero e capas: 3 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e 1e-010 Numero e iteraciones: Funciones por capa: Purelin Logsig - Tansig Grafica e salia eseaa & salia obtenia (atos e valiación) 1,2000 traingx Grafica el error (atos e valiación) traingx ,2000 traingx Trainrp
23 Numero e capas: 3 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e-007 e 1e-010 Numero e iteraciones: Funciones por capa: Purelin Logsig - Tansig Grafica e salia eseaa & salia obtenia (atos e valiación) 1,2000 trainrp Grafica el error (atos e valiación) trainrp - - trainrp Traincgf
24 Numero e capas: 3 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e 1e-010 Numero e iteraciones: 1038 Funciones por capa: Purelin Logsig - Tansig Grafica e salia eseaa & salia obtenia (atos e valiación) 1,2000 traincgf Grafica el error (atos e valiación) traincgf - - traincgf Traincgb
25 Numero e capas: 3 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e-006 e 1e-010 Numero e iteraciones: 77 Funciones por capa: Purelin Logsig - Tansig Grafica e salia eseaa & salia obtenia (atos e valiación) 1,2000 traincgb Grafica el error (atos e valiación) traincgb - - traincgb Trainscg
26 Numero e capas: 3 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e-007 e 1e-010 Numero e iteraciones: 4211 Funciones por capa: Purelin Logsig - Tansig Grafica e salia eseaa & salia obtenia (atos e valiación) 1,2000 trainscg Grafica el error (atos e valiación) trainscg - - trainscg Trainbfg
27 Numero e capas: 3 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e-007 e 1e-010 Numero e iteraciones: 67 Funciones por capa: Purelin Logsig - Tansig Grafica e salia eseaa & salia obtenia (atos e valiación) 1,2000 trainbgf Grafica el error (atos e valiación) trainbfg - - trainbfg Trainoss
28 Numero e capas: 3 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e-007 e 1e-010 Numero e iteraciones: 546 Funciones por capa: Purelin Logsig - Tansig Grafica e salia eseaa & salia obtenia (atos e valiación) 1,2000 trainoss Grafica el error (atos e valiación) trainoss - - trainoss Trainml
29 Numero e capas: 3 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e 1e-010 Numero e iteraciones: 3377 Funciones por capa: Purelin Logsig - Tansig Grafica e salia eseaa & salia obtenia (atos e valiación) 1,2000 trainlm Grafica el error (atos e valiación) trainlm - - trainlm Respuestas obtenias con la simulación e la re:
30 traing traing m traing a traing x trainrp traincg f traincg b trainsc g trainbg f trainos s trainlm -0,2-0,3-0,3-0,4-0,2-0,2-0,2-0,3-0,2-0,3-0,3-0,2 0,2-0,2-0,2-0,3-0,1-0,2-0,2-0,2-0,2-0,2-0,2-0,2-0,1-0,2-0,2-0,3-0,1-0,2-0,2-0,2-0,2-0,2-0,2-0,2 0,3 0,0 0,0-0,1 0,0 0,1 0,1 0,0 0,1 0,0 0,0 0,1 0,0-0,2-0,2-0,3-0,1-0,2-0,2-0,2-0,2-0,2-0,2-0,2 0,0 0,0 0,0 0,0 0,0 0,1 0,1 0,0 0,1 0,0 0,0 0,1 0,4-0,1-0,1-0,2 0,0-0,2-0,2-0,1-0,2-0,1-0,1-0,2 0,1-0,1-0,2-0,2-0,1-0,2-0,2-0,2-0,2-0,2-0,2-0,2 0,5 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,1 0,0-0,1-0,1-0,1 0,0-0,1-0,1-0,1-0,1-0,1-0,1 0,1 0,6 0,1 0,2 0,1 0,1 0,1 0,1 0,2 0,1 0,2 0,2 0,1 0,6-0,1-0,1-0,2 0,0-0,2-0,2-0,1-0,2-0,1-0,1-0,2 0,6 0,2 0,2 0,1 0,1 0,1 0,1 0,2 0,1 0,2 0,2 0,1 0,5 0,2 0,2 0,1 0,1 0,1 0,1 0,2 0,1 0,2 0,2 0,1 0,3 0,1 0,2 0,1 0,1 0,1 0,1 0,2 0,1 0,2 0,2 0,1 1,0 0,1 0,2 0,1 0,1 0,1 0,1 0,2 0,1 0,2 0,2 0,1-0,1 0,0 0,1 0,0 0,0 0,1 0,1 0,1 0,1 0,1 0,1 0,1-0,3 0,4 0,5-0,6 0,1 0,1 0,1 0,5 0,1 0,5 0,5 0,1 Al hacer un análisis se el error cuarático generao por matlab, se ven en la figura 4.3 la salia eseaa con las 2 funciones que mas se acercaron al moelo.
31 1,2 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8 trainga traingx Figura 4.3: Grafica e valores resultantes e iterar la serie TOPOLOGÍA Traing Numero e capas: 4 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e 1e-010 Numero e iteraciones: Funciones por capa: Purelin Tansig Purelin - Tansig Grafica e salia eseaa & salia obtenia (atos e valiación)
32 1,20 1,00 0,80 0,60 0,40 0,20 traing 0,00-0,20-0,40 Grafica el error (atos e valiación) traing - - traing Traingm Numero e capas: 4 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e 1e-010 Numero e iteraciones: Funciones por capa: Purelin Tansig Purelin - Tansig Grafica e salia eseaa & salia obtenia (atos e valiación)
33 1,20 1,00 0,80 0,60 0,40 0,20 traingm 0,00-0,20-0,40 Grafica el error (atos e valiación) traingm - - traingm Trainga Numero e capas: 4 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e 1e-010 Numero e iteraciones: Funciones por capa: Purelin Tansig Purelin - Tansig Grafica e salia eseaa & salia obtenia (atos e valiación)
34 1,20 1,00 0,80 0,60 0,40 0,20 trainga 0,00-0,20-0,40 Grafica el error (atos e valiación) trainga - - trainga Traingx Numero e capas: 4 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e 1e-010 Numero e iteraciones: Funciones por capa: Purelin Tansig Purelin Tansig Grafica e salia eseaa & salia obtenia (atos e valiación)
35 1,20 1,00 0,80 0,60 0,40 0,20 traingx 0,00-0,20-0,40 Grafica el error (atos e valiación) traingx - - traingx Trainrp Numero e capas: 4 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e 1e-010 Numero e iteraciones: Funciones por capa: Purelin Tansig Purelin - Tansig Grafica e salia eseaa & salia obtenia (atos e valiación)
36 1,20 1,00 0,80 0,60 0,40 0,20 trainrp 0, , ,40 Grafica el error (atos e valiación) trainrp - - trainrp Traincgf Numero e capas : 4 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e 1e-010 Numero e iteraciones: 185 Funciones por capa: Purelin Tansig Purelin - Tansig Grafica e salia eseaa & salia obtenia (atos e valiación)
37 1,20 1,00 0,80 0,60 0,40 0,20 traincgf 0,00-0,20-0,40 Grafica el error (atos e valiación) traincgf - - traincgf Traincgb Numero e capas: 4 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e 1e-010 Numero e iteraciones: 135 Funciones por capa: Purelin Tansig Purelin - Tansig Grafica e salia eseaa & salia obtenia (atos e valiación)
38 1,20 1,00 0,80 0,60 0,40 0,20 traincgb 0,00-0,20-0,40 Grafica el error (atos e valiación) traincgb 1, traincgb Trainscg Numero e capas: 4 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e-007 e 1e-010 Numero e iteraciones: 1290 Funciones por capa: Purelin Tansig Purelin - Tansig Grafica e salia eseaa & salia obtenia (atos e valiación)
39 1,20 1,00 0,80 0,60 0,40 0,20 0,00-0,20-0,40 trainscg Grafica el error (atos e valiación) trainscg - - trainscg Trainbfg Numero e capas: 4 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e-007 e 1e-010 Numero e iteraciones: 380 Funciones por capa: Purelin Tansig Purelin - Tansig Grafica e salia eseaa & salia obtenia (atos e valiación)
40 1,20 1,00 0,80 0,60 0,40 0,20 trainbgf 0,00-0,20-0,40 Grafica el error (atos e valiación) trainbfg - - trainbfg Trainoss Numero e capas: 4 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e-007 e 1e-010 Numero e iteraciones: 2355 Funciones por capa: Purelin Tansig Purelin - Tansig Grafica e salia eseaa & salia obtenia (atos e valiación)
41 1,20 1,00 0,80 0,60 0,40 0,20 trainoss 0,00-0,20-0,40 Grafica el error (atos e valiación) trainoss - - trainoss Trainml Numero e capas: 4 Neuronas por capa: Error e entrenamiento: e 0.05 Graiente final: e-006 e 1e-010 Numero e iteraciones: 5503 Funciones por capa: Purelin Tansig Purelin - Tansig Grafica e salia eseaa & salia obtenia (atos e valiación)
42 1,20 1,00 0,80 0,60 0,40 0,20 trainlm 0,00-0,20-0,40 Grafica el error (atos e valiación) trainlm - - trainlm Respuestas obtenias con la simulación e la re: traing traingm trainga traingx trainrp traincgf traincgb trainscg trainbgf trainoss trainlm -0,20-0,25-0,25-0,14-0,31-0,22-0,25-0,26-0,23-0,23-0,25-0,22 0,25-0,16-0,16-0,06-0,21-0,14-0,17-0,18-0,13-0,13-0,15-0,14-0,14-0,06-0,06 0,05-0,11-0,06-0,10-0,12-0,07-0,08-0,06-0,06 0,30 0,02 0,02 0,12-0,14 0,01 0,00-0,01-0,06-0,06 0,03 0,01 0,04-0,02-0,02 0,09 0,07-0,03-0,06-0,07 0,15 0,15-0,02-0,03-0,03 0,07 0,07 0,15-0,14 0,07 0,08 0,06-0,06-0,06 0,07 0,07 0,45-0,03-0,03 0,07-0,15-0,04-0,07-0,08-0,07-0,07-0,03-0,04 0,15 0,06 0,06 0,15 0,07 0,05 0,04 0,11 0,15 0,15 0,06 0,05 0,48 0,11 0,11 0,18 0,07 0,13 0,18 0,17 0,16 0,16 0,11 0,13 0,01 0,10 0,10 0,17 0,07 0,10 0,14 0,27 0,16 0,16 0,09 0,11 0,60 0,10 0,11 0,17-0,08 0,11 0,16 0,14 0,15 0,05 0,10 0,11 0,58 0,09 0,09 0,17 0,07 0,09 0,10 0,43 0,1 6 0,16 0,09 0,09 0,56 0,14 0,14 0,19 0,07 0,21 0,38 0,70 0,16 0,16 0,13 0,22 0,49 0,14 0,14 0,19 0,07 0,21 0,37 0,67 0,16 0,16 0,13 0,21 0,32 0,13 0,14 0,19 0,07 0,19 0,34 0,54 0,16 0,16 0,13 0,20
43 1,00 0,13 0,13 0,18 0,07 0,16 0,26 0,28 0,16 0,16 0,12 0,16-0,1 0,14 0,14 0,19 0,07 0,21 0,37 0,85 0,16 0,16 0,13 0,22-0,3 0,14 0,14 0,19 0,07 0,20 0,38 0,35 0,16 0,16 0,13 0,21 Al hacer un análisis se el error cuarático generao por matlab y e las graficas e aproximación, se ven en la figura 4.2 la salia eseaa con las 2 funciones que mas se acercaron al moelo. 1,20 1,00 0,80 0,60 0,40 0,20 0,00-0,20-0,40 traincgf traincgb Figura 4.4: Grafica e valores resultantes e iterar la serie Se pue observar que los moelos con mayor numero e capas parecen ajustar mejor la curva el conjunto e valiación ebio que no escribe totalmente el comportamiento e la serie pero si encuentra puntos en los cuales coincie la serie, eso a a suponer que en un momento ao y con muchos mas atos e entrenamiento se puee ajustar un moelo que sin estar sobrentrenao halle el moelo que se ajuste con mucho menor error a la serie.
Derivadas de orden superior e implícitas
CDIN06_MAAL_Implícitas Versión: Septiembre 0 Revisor: Sanra Elvia Pérez Derivaas e oren superior e implícitas por Sanra Elvia Pérez Derivación implícita Las funciones que has estuiao hasta este momento
Más detallesTUTORIAL SOBRE REDES NEURONALES APLICADAS EN INGENIERIA ELECTRICA Y SU IMPLEMENTACIÓN EN UN SITIO WEB
TUTORIAL SOBRE REDES NEURONALES APLICADAS EN INGENIERIA ELECTRICA Y SU IMPLEMENTACIÓN EN UN SITIO WEB MARIA ISABEL ACOSTA BUITRAGO CAMILO ALFONSO ZULUAGA MUÑOZ UNIVERSIDAD TECNOLOGICA DE PEREIRA FACULTAD
Más detallesLIM. Modelización del conjunto motor-transmisión de un automóvil a partir de datos experimentales. Trabajo final de grado
Trabajo final de grado Modelización del conjunto motor-transmisión de un automóvil a partir de datos experimentales Autor Alfonso Ramón Varela Olmedo Tutores Miguel Ángel Naya Villaverde Emilio Sanjurjo
Más detallesDistancia Focal de una Lente Delgada
Distancia Focal e una Lente Delgaa Objetivo: Análisis e iversas lentes elgaas. Equipamiento Teoría Banco Optico Lente convexa Lente concava Fuente e luz (Ampolleta) Fuente e poer para la ampolleta Pantalla
Más detalles2.5 Derivación implícita
SECCIÓN.5 Derivación implícita 4.5 Derivación implícita Distinguir entre funciones eplícitas e implícitas. Hallar la erivaa e una función por erivación implícita. E X P L O R A C I Ó N Representación gráfica
Más detallesRed Neuronal Artificial
índice RN Supervisadas - Introducción - El Perceptrón y la estructura multicapa MLP - El aprendizaje retropropagado: BP - Aplicaciones y ejemplos - Características y limitaciones P Campoy 1 Red Neuronal
Más detalles2.5 Derivación implícita
SECCIÓN.5 Derivación implícita.5 Derivación implícita Distinguir entre funciones eplícitas e implícitas. Hallar la erivaa e una función por erivación implícita. EXPLORACIÓN Representación gráfica e una
Más detallesUN PROBLEMA ABIERTO DE DINÁMICA DE CUERPOS VINCULADOS POR CUERDAS Y ROZAMIENTOS BAJO EL ANÁLISIS CLÁSICO Y LA SIMULACIÓN COMPUTACIONAL
UN PROBLEMA ABIERTO DE DINÁMICA DE CUERPOS VINCULADOS POR CUERDAS Y ROZAMIENTOS BAJO EL ANÁLISIS CLÁSICO Y LA SIMULACIÓN COMPUTACIONAL Jorge Mamprin Hugo Kofman Faculta e Ingeniería Química - Universia
Más detallesPruebas de homogeneidad de varianza a series de precipitación y temperatura de estaciones del estado de Veracruz y áreas aledañas
Pruebas e homogeneia e varianza a series e precipitación y temperatura e estaciones el estao e Veracruz y áreas aleañas Guajaro P., R. A. 1* ; Granaos R., G. R. 2 ; Sánchez C., I. 3 ; Díaz P., G. 4 1 Alumno
Más detallesPreparación para los Tutoriales Herramientas Astronómicas
Preparación para los Tutoriales Herramientas Astronómicas Proyecto Ventana Interactiva al Universo Departamento e Ingeniería Eléctrica, Universia e Chile c Primavera 2005 Resumen En el presente tutorial
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Métodos multivariantes en control estadístico de la calidad
UNIVESIDAD NACIONAL MAYO DE SAN MACOS FACULTAD DE CIENCIAS MATEMÁTICAS E.A.P. DE ESTADÍSTICA Métoos multivariantes en control estaístico e la calia Capítulo I. Gráficos e control estaístico univariaa TABAJO
Más detallesI. PRIMERA PARTE. Introducción a los métodos de clasificación. Programa PRESTA Eduardo CRIVISQUI Tr. N 1
I. PRIMERA PARTE Introucción a los métoos e clasificación Programa PRESTA - 1999 - Euaro CRIVISQUI Tr. N 1 1. QUÉ SIGNIFICA CLASIFICAR UN CONJUNTO DE UNIDADES DE OBSERVACIÓN? Aplicar un métoo e clasificación
Más detalles3.7 IDENTIFICACION DE UN SISTEMA DINÁMICO NO LINEAL Descripción del Problema: La identificación de un sistema consiste en
301 3.7 IDENTIFICACION DE UN SISTEMA DINÁMICO NO LINEAL 3.7.1 Descripción del Problema: La identificación de un sistema consiste en determinar una función que relacione las variables de entrada con las
Más detallesNeural Network Toolbox
Neural Network Toolbox Sistemas Conexionistas - Curso 07/08 La Neural Network Toolbox es un paquete de Matlab que contiene una serie de funciones para crear y trabajar con redes de neuronas artificiales.
Más detallesCÁLCULO DEL IMPACTO DE LOS SAGS Y SWELLS DE TENSIÓN SOBRE LOS EQUIPOS ELÉCTRICOS INDUSTRIALES. Roberto L. Alves (*) Luis E.
CÁLCULO DEL IMPACTO DE LOS SAGS Y SWELLS DE TENSIÓN SOBRE LOS EQUIPOS ELÉCTRICOS INDUSTRIALES Roberto L. Alves (*) Luis E. Suberviola (**) (*) (**) USB-CTE. Apartao 89 Caracas 18-A, Venezuela. Tlf. (2)
Más detallesAutomatización de la aplicación del Método Racional para la obtención de los caudales punta de avenida de los cursos fluviales de Catalunya
Automatización e la aplicación el Métoo Racional para la obtención e los cauales punta e avenia e los cursos fluviales e Catalunya Davi Maruny i Vilalta, ABM Ingenieros y Consultores, maruny@abmgroup.net
Más detalles5. Prospección geológica con sondajes
5. Prospección geológica con sonajes INTRODUCCIÓN En este móulo e 228 horas se busca que los y las estuiantes conozcan la utilia e los sistemas e perforación geológica en los programas e exploración y
Más detallesTablas de mortalidad Metodología
Tablas e mortalia Metoología INSTITUTO NACIONA DE ESTADÍSTICA Mayo e 016 Ínice 1 Introucción 5 Tablas e mortalia e España 8 3 Tablas e mortalia e comuniaes autónomas y provincias 11 4 1 Introucción a
Más detallesRedes y Sistemas Complejos Cuarto Curso del Grado en Ingeniería Informática
Rees y Sistemas Complejos Cuarto Curso el Grao en Ingeniería Informática Tema 5: Moelos e Rees 5.2. Munos Pequeños Oscar Corón García Dpto. Ciencias e la Computación e Inteligencia Artificial ocoron@ecsai.ugr.es
Más detallesBoletín audioprotésico número 35
Boletín auioprotésico número 35 Cómo asegurar la ganancia in-situ correcta Noveaes el epartamento e Investigación auioprotésica y comunicación 9 502 1041 004 / 06-07 Introucción Normalmente, los auífonos
Más detallesLA CICLOIDE, UNA CURVA DE MUCHO EMPAQUE
LA CICLOIDE, UNA CUVA DE MUCHO EMPAQUE CALOS S CHINEA LA CICLOIDE UNA CUVA DE MUCHO EMPAQUE Una breve introucción 1 Ecuaciones paramétricas La tangente y la normal en un punto 3 Longitu e un arco 4 El
Más detallesProyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
Re e Revistas Científicas e América atina, el Caribe, España y Portugal Sistema e Información Científica Diana Paola Ballesteros Riveros, Pero Pablo Ballesteros Silva Aplicación el moelo e perioo e tiempo
Más detallesANEXO A DESCRIPCIÓN DE LAS FUNCIONES UTILIZADAS EN MATLAB
333 ANEXO A DESCRIPCIÓN DE LAS FUNCIONES UTILIZADAS EN MATLAB 1. Red tipo Perceptrón: Las siguientes son las herramientas de redes neuronales del Matlab 5.3: utilizadas en el entrenamiento de las redes
Más detallesPRÁCTICA 4. Análisis mediante Simulación de un Convertidor DC/DC Elevador (Boost)
PRÁCTICA 4. Análisis meiante Simulación e un Convertior DC/DC Elevaor (Boost) 1. Objetivo El objetivo e esta práctica es analizar meiante simulación un convertior electrónico e potencia DC/DC Elevaor (Boost).
Más detallesModelación de la materia orgánica en suelos volcánicos de la región de Teziutlán, Puebla, México
Castillo-Morales et al. / Revista Latinoamericana e Recursos Naturales, 5 (2): 148-154, 2009 Moelación e la materia orgánica en suelos volcánicos e la región e Teziutlán, Puebla, México M. Castillo-Morales
Más detallesPráctica 10. Redes Neuronales
Práctica 10 Redes Neuronales En esta práctica trabajaremos con un sistema de aprendizaje basado en ejemplos que ya hemos visto con anterioridad (k-vecinos) y una implementación de las redes neuronales.
Más detallesDUREZA 2 DUREZA VICKERS
DUREZA DUREZA VICKERS OBJETIVO DE LA PRÁCTICA Familiarizarse con la meición e la ureza Vickers. Estuiar su campo e aplicación. CONSIDERACIONES TEÓRICAS GENERALES. Definición e ureza: Se entiene por ureza
Más detallesElectrostática. Capítulo 1 CARGA ELÉCTRICA
9 Capítulo 1 En este capítulo estuiaremos las características e las cargas eléctricas, sus interacciones y los campos eléctricos que crean a su alreeor. CRG ELÉCTRIC partir e una serie e experimentos se
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 detallesDerivadas algebraicas
CDIN0_M1AAL1_Algebraicas Versión: Septiembre 01 Revisor: Sanra Elvia Pérez Derivaas algebraicas por Sanra Elvia Pérez Derivaa e una función El concepto e erivaa, base el cálculo iferencial, ha permitio
Más detallesBOLETÍN OFICIAL DEL ESTADO
Núm. 312 Miércoles 30 e iciembre e 2015 Sec. I. Pág. 123272 I. DISPOSICIONES GENERALES MINISTERIO DE INDUSTRIA, ENERGÍA Y TURISMO 14277 Resolución e 23 e iciembre e 2015, e la Dirección General e Política
Más detallesControl de Nivel de Multitanques Acoplados Mediante Control Asíncrono (y Red de Comunicación)
Control e Nivel e Multitanques Acoplaos Meiante Control Asíncrono (y Re e Comunicación) Eliceo Águila Rojas 1, J. Fermi Guerrero Castellanos 1, Josefina Castañea Camacho 1 W. Fermín Guerrero Sánchez 2
Más detalles; deben llevarse las unidades de área a m 2 y distancia a m. V = 13215V = 13, 2kV
Física II Guía e ejercicios 5 CAPACIDAD 5. Capacia 5.. Problema 5... Enunciao Las placas e un capacitor e placas paralelas están separaas por una istancia e, 8mm y caa una tiene un área e, cm. Caa placa
Más detallesVENTAJAS NORMAS DE ENSAYO
. VENTAJAS 8000S SISTEMA DE ENSAYO DE P.A.T. DE ALTA POTENCIA Los sistemas e tierra e alta potencia (subestaciones, líneas e transmisión, etc.) eben ser monitoreaos perióicamente para ver si cumplen con
Más detallesTURBOMÁQUINAS TÉRMICAS CT-3412
TURBOMÁQUINAS TÉRMICAS CT-342 Prof. Nathaly Moreno Salas Ing. Victor Trejo 7.2 COMPRESORES AXIALES CONTENIDO Características e Funcionamiento fuera e Diseño Compresores Multietapas Curva Característica
Más detallesAPLICACIÓN DE MATRICES DE TRANSFORMACIÓN EN EL CONTROL DE POSICIÓN CINEMATICO DE UN ROBOT ARTICULADO DE TRES GRADOS DE LIBERTAD
APIAIÓN DE MATRIE DE TRANFORMAIÓN EN E ONTRO DE POIIÓN INEMATIO DE UN ROBOT ARTIUADO DE TRE GRADO DE IBERTAD Ing. Martínez Valéz Armano (Prof. Tecnológico e Estuios uperiores e Ecatepec), M. en. ópez Amaro
Más detallesAplicación de diferentes arquitecturas de RNA sobre datos de paquetes de red en Matlab con y sin reducción de características.
Aplicación de diferentes arquitecturas de RNA sobre datos de paquetes de red en Matlab con y sin reducción de características. Judith M Carbonell Alfonso 1, Donnie DeFreitas Ortega 2 1 Instituto Finaly.
Más detalles6. PROBLEMAS DE MARKETING
6. PROBLEMAS DE MARKETING PROBLEMA 1 (POSICIONAMIENTO DEL PRODUCTO) Se ha realizao una encuesta sobre un grupo e consumiores e vino tinto e mesa para que, sobre una escala e 0 a 10, califiquen a las iferentes
Más detallesLección 6. Métodos de distancias
étoos e istancias lternativa a L para minimizar el impacto e cambios no observaos. Se pueen ver como aproximaciones rápias a L. Lección. étoos e istancias Se utilizan istancias corregias que son estimas
Más detallesINTEGRAL INDEFINIDA. Una pregunta inicial para hacerse. Cuál es una función F(x), que al haber sido derivada se obtuvo f ( x) B?.
es INTEGRAL INDEFINIDA UConcepto e antierivaau: Una pregunta inicial para hacerse. Cuál es una función F(), que al haber sio erivaa se obtuvo f ( ) =?. La repuesta es: F ( ) =. Una nueva pregunta. Es la
Más detallesMEDIDA PRECISA DE PARÁMETROS
CAPÍTULO 6 MEDIDA PRECISA DE PARÁMETROS 6.1. INTRODUCCIÓN Muchas aplicaciones e ifracción e rayos x requieren el conocimiento preciso e los parámetros e re. El proceso e meir un parámetro e re es inirecto
Más detallesRegla de la cadena. Ejemplo 1. y = f (g(x)) Como las funciones son diferenciables son suaves.
1 Regla e la caena Hasta aquí hemos erivao funciones que no son compuestas. El problema surge cuano tenemos una función que es compuesta, por ejemplo, igamos que el precio e la gasolina epene el precio
Más detallesReglas de derivación
CAPÍTULO 6 Reglas e erivación OBJETIVOS PARTICULARES. Aplicar reglas básicas e erivación para calcular erivaas, e iverso oren, e funciones algebraicas.. Aplicar la regla e la caena en el cálculo e erivaas,
Más detallesTEMA 4: Transformaciones 3D
TEMA 4: Transformaciones D Ínice. Sistemas e Coorenaas. Transformaciones Básicas. Traslación. Escalao. Rotación lana 4. Afilamiento 5. Deformaciones. Composición e Transformaciones 4. Rotación General
Más detallesExamen Final de Precálculo (Mate 3171) Nombre 14 de diciembre de 2001
Eamen Final e Precálculo (Mate 7) Nombre e iciembre e 00 Escriba la letra que correspone a la mejor alternativa en el espacio provisto. (os puntos caa uno) ) Si la gráfica e f es la e la erecha entonces
Más detallesDesarrollo de un Modelo Porcentual para la Evaluación de Sigatoka negra en Condiciones de Invernadero
Desarrollo e un Moelo Porcentual para la Evaluación e Sigatoka negra en Coniciones e Invernaero Betsy Ribaeneira Coloma (), Omar Ruiz Barzola () Instituto e Ciencias Matemáticas () Centro e Investigaciones
Más detallesRESUMEN. Palabras Claves: Lógica difusa, control difuso, función de pertenencia, optimización, patrón de búsqueda, péndulo invertido. 1.
Ajuste e las Funciones e Pertenencia e Entraa e un Sistema e Control con Lógica Difusa e un Pénulo Invertio meiante el Métoo e Optimización el Patrón e Búsquea Panayotis S. Tremante M. Departamento e Electrónica,
Más detallesReconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales
Reconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales Dra. Ma. de Guadalupe García Hernández Departamento de Ingeniería Electrónica Objetivo general Aplicar
Más detallesFunciones de Bessel. Dr. Héctor René Vega-Carrillo
Funciones e Bessel Dr. Héctor René Vega-Carrillo 1 2 Ínice 1. Introucción............................. 3 2. Solución e la Ecuación iferencial e Bessel........... 5 2.1. Caso n entero............................
Más detallesImpacto de las Redes de Comunicaciones en los Sistemas Robóticos de Control
97 Impacto e las Rees e Comunicaciones en los Sistemas Robóticos e Control Impacto e las Rees e Comunicaciones en los Sistemas Robóticos e Control Paillacho D. * ; Novillo F. ** ; AgilaW. ** ;Huilcapi
Más detallesDifracción producida por un cabello Fundamento
Difracción proucia por un cabello Funamento Cuano la luz láser se hace inciir sobre un cabello humano, la imagen e ifracción que se obtiene es similar a la que prouce una oble renija (fig.1). Existe una
Más detallesCONTROL INTELIGENTE DE UN GENERADOR SINCRÓNICO BASADO EN LÓGICA DIFUSA
UNIVERSIDAD TÉCNICA DE ORURO FACULTAD NACIONAL DE INGENIERÍA INGENIERÍA ELÉCTRICA E INGENIERÍA ELECTRÓNICA ELT 4100 CONTROL INTELIGENTE DE UN GENERADOR SINCRÓNICO BASADO EN LÓGICA DIFUSA (INFORME DE INVESTIGACIÓN)
Más detalles4.1 Antiderivadas o primitivas e integración indefinida
48 CAPÍTULO 4 Integración 4. Antierivaas o primitivas e integración inefinia Escribir la solución general e una ecuación iferencial. Usar la notación e la integral inefinia para las antierivaas o primitivas.
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 detallesTélématique ISSN: Universidad Privada Dr. Rafael Belloso Chacín Venezuela
Télématique ISSN: 1856-4194 jcendros@urbe.edu Universidad Privada Dr. Rafael Belloso Chacín Venezuela Cisneros, Adriana Simulación de moduladores / demoduladores, utilizando la teoría de redes neuronales.
Más detalles2.4 La regla de la cadena
0 CAPÍTULO Derivación. La regla e la caena Encontrar la erivaa e una función compuesta por la regla e la caena. Encontrar la erivaa e una función por la regla general e la potencia. Simplificar la erivaa
Más detalles4.1 Antiderivadas o primitivas e integración indefinida
48 CAPÍTULO 4 Integración 4. Antierivaas o primitivas e integración inefinia Escribir la solución general e una ecuación iferencial. Usar la notación e la integral inefinia para las antierivaas o primitivas.
Más detallesManual de la Práctica 2: Análisis de sistemas discretos
Control por computaor Manual e la Práctica : Análisis e sistemas iscretos Jorge Pomares Baeza Fracisco Anrés Canelas Herías Grupo e Innovación Eucativa en Automática 009 GITE IEA - - Introucción En la
Más detallesApuntes de Inteligencia Artificial
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR FACULTAD DE INGENIERÍA Apuntes de Inteligencia Artificial Laboratorio: Redes con Conexiones hacia adelante JORGE AGUILAR JARAMILLO 83 Jorge Aguilar J. LABORATORIO:
Más detalles1 Conjuntos de medidas. Histogramas
Curso 06-07 Tema.5 Análisis estaístico e errores aleatorios: Histogramas. La istribución normal. Dóne estuiar el tema.5: Capítulo 5 (ecepto apto. 5.8). J.R. Taylor, Error Analysis. Univ. Science Books,
Más detallesASIGNATURA: QUIMICA AGROPECUARIA (RB8002) TALLER N 6: EQUILIBRIO QUIMICO
I. Presentación e la guía: ASIGNATURA: QUIMICA AGROPECUARIA (RB800) TALLER N 6: EQUILIBRIO QUIMICO Competencia: El alumno será capaz e escribir iferentes tipos e reacciones en equilibrio, el significao
Más detallesDiseño, Implementación y Validación de un Controlador PID Autosintonizado. Design, Implementation and Validation of a Self-Tuning PID Controller
Artículo e Investigación/Research Article Diseño, Implementación y Valiación e un Controlaor PID Autosintonizao Design, Implementation an Valiation of a Self-Tuning PID Controller Leonaro F. Lozano-Valencia
Más detallesProyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
Re e Revistas Científicas e América Latina, el Caribe, España y Portugal Sistema e Información Científica Francisco J Arteaga B, Atilio Morillo P, Luis Obeiente Estabilización e un sistema e suspensión
Más detallesCálculo de celosías planas de nudos articulados con el método de Ritter
álculo e celosías planas e nuos articulaos con el métoo e Ritter pellios, Nombre Departamento entro Pérez García, gustín (aperezg@mes.upv) Guariola Víllora, rianna (aguario@mes.upv) Mecánica el Meio ontinuo
Más detallesANEXO II.- TEORÍA SOBRE REDES NEURONALES ARTIFICIALES
ANEXO II.- TEORÍA SOBRE REDES NEURONALES ARTIFICIALES 1. Concepto de red neuronal artificial Una red neuronal artificial (RNA) es un modelo matemático que intenta reproducir el modo de funcionamiento y
Más detallesSoluciones 1er parcial de Fisica II Comisión B2 - Jueves - Tema 2
Soluciones er parcial e Fisica II Comisión B2 - Jueves - Tema 2 e septiembre e 205. Ley e Coulomb.. Enunciao Dos placas paralelas conuctoras, separaas por una istancia = cm, se conectan a una fuente e
Más detallesCaracterización del funcionamiento adecuado de equipos aplicando redes neuronales
Caracterización del funcionamiento adecuado de equipos aplicando redes neuronales Angel Marín, Nuria López, Miguel Ángel Rodríguez y Antonio José Fernández Iberdrola Ingeniería y Construcción, SAU ÍNDICE
Más detallesMetodología para el cálculo de esperanzas de salud
Metoología para el cálculo e esperanzas e salu El cálculo e las esperanzas e via en un estao e salu específico está basao en las técnicas para la obtención e la esperanza e via. Básicamente, se particiona
Más detallesDiseño de un Sistema de Control Anticipativo Basado en Paquetes para Control en Red
Diseño e un Sistema e Control Anticipativo Basao en Paquetes para Control en Re Maria GUINALDO, Jose SÁNCHEZ, Sebastián DORMIDO Departamento e Informática y Automática, UNED Mari 28040, España RESUMEN
Más detallesMarketing Digital e Inbound Marketing
Diplomao GSM UCV Marketing Digital e Marketing Apoyo para el alumno emocional. interactivo S Específico (Qué) M Méible (Cuanto) Marketing Digital personalizao meible A Alcanzable (Posible con tus recursos)
Más detallesLA DERIVADA. Introducción:
LA DERIVADA Introucción: Fue Isaac Newton que estuiano las lees el movimiento e los planetas que Kepler había escubierto meio siglo antes, llegó a la iea e incremento e una función como se nos ofrece en
Más detallesLinealización Entrada/Salida de Sistemas No Lineales Afines Utilizando un Filtro. Alberto Delgado*
62 Revista Ingeniería e Investigación No. 45 Abril e 2000 Linealización Entraa/Salia e Sistemas No Lineales Afines Utilizano un Filtro Alberto Delgao* REsUMEN La linealización Entraa/Salia (E/S), entro
Más detallesDETERMINACIÓN DEL PESO DE REDUCTORES MECÁNICOS DE UN PASO UTILIZANDO EJES HUECOS
Scientia et Technica Año XIII, No 4, Mayo e 2007. Universia Tecnológica e Pereira. ISSN 22-7 29 DETERMINACIÓN DEL PESO DE REDUCTORES MECÁNICOS DE UN PASO UTILIZANDO EJES HUECOS RESUMEN Los reuctores mecánicos
Más detalles( ) 2. Pendiente de una Recta Tangente. Sea f una función que es continua en x. 1. Para definir la pendiente de la recta tangente ( )
Derivaa e una Función Ínice.. Introucción.. Peniente e una recta tangente.. Derivaa e una función. 4. Derivaas laterales. 5. Derivaa e una función compuesta (Regla e la Caena). 6. Tabla e erivaas usuales.
Más detallesU(r, θ) = 1. 2.1. Conjunto completo de operadores del dipolo puntual. Si usamos el operador asociado a la componente z del momento angular
Capítulo Dipolo puntual. Como vimos en la introucción al primer capítulo, la energía potencial que aquiere una partícula e carga eléctrica e cuano interacciona con un ipolo puntual es Ur, θ) = 4πϵ ep cos
Más detallesPruebas Maximin para la Calidad de Estabilización Robusta
8º Congreso Nacional e Mecatrónica Noviembre 6 y 7, 9. Veracruz, Veracruz. Pruebas Maximin para la Calia e Estabilización Robusta Gutiérrez Arias José Eligio Moisés, Cabrera Martínez Javier, José Fernano
Más detallesATCP de Brasil. Documento 2 de la etapa 1 Efecto Piezoeléctrico y Cerámicas Piezoeléctricas. Soluciones Piezoeléctricas
ATCP e Brasil Soluciones Piezoeléctricas Documento e la etapa 1 Efecto Piezoeléctrico y Cerámicas Piezoeléctricas Del curso: Materiales y Dispositivos Piezoeléctricos: Funamentos y Desarrollo São Carlos
Más detallesTaller 4 Ecuaciones Diofánticas Lineales Profesor Manuel O Ryan
Taller 4 Ecuaciones Diofánticas Lineales Profesor Manuel O Ryan En general una Ecuación Diofántica es una ecuación polinomial en una o más variables para la que buscamos soluciones en los números enteros,
Más detalles8 Verificación de la viabilidad del mercado
8 Verificación e la viabilia el mercao 84 Antes e empezar la construcción es necesario examinar si las propuestas son social, técnica, financiera y económicamente sólias. En la Etapa 8 se ebe verificar
Más detallesModelo para mejorar las rutas de distribución de productos para lograr una ventaja competitiva
Moelo para mejorar las rutas e istribución e prouctos para lograr una ventaja competitiva Hernánez, R. 1, Olivares, E. 2, Nuño, P. 2, Martínez, J. 2 Resumen En el presente trabajo se muestra el esarrollo
Más detallesCALCULO DE VOLUMENES PARA MOVIMIENTOS DE TIERRA GENERALIDADES
CALCULO E OLUMENES PARA MOIMIENTOS E TIERRA GENERALIAES MAGALI MARTINEZ Ingeniera Agrimensora GENERALIAES CUBICACIÓN: Cálculos necesarios para conocer el volumen corresponiente al movimiento e tierra requerio
Más detallesREDES NEURONALES ADAPTABLES
REDES NEURONALES ADAPTABLES Unidad 3: Redes neuronales artificiales y modelos de entrenamiento SubTemas 3.2 Perceptron simple Arquitectura Regla delta Multi Layer Perceptrón 3.3 Redes Neuronales Adaptables
Más detallesQué debo saber para realizar la prueba de Matemáticas?
Dirección General e Evaluación e Investigación Eucativa Digeuca Qué ebo saber para realizar la prueba e Matemáticas? En este ocumento encontrará la lista e temas que conviene estuiar para resolver la prueba
Más detallesARTIFICIAL INTELLIGENCE IN FORECASTING DEMANDS FOR ELECTRICITY: AN APPLICATION IN OPTIMIZATION OF ENERGY RESOURCES
ARTIFICIAL INTELLIGENCE IN FORECASTING DEMANDS FOR ELECTRICITY: AN APPLICATION IN OPTIMIZATION OF ENERGY RESOURCES INTELIGENCIA ARTIFICIAL EN PRONOSTICO DE DEMANDA DE ENERGIA ELECTRICA: UNA APLICACION
Más detallesUCLM - Pruebas de Acceso a Enseñanzas Universitarias Oficiales de Grado (PAEG)
PAEG Junio 03 Propuesta B Matemáticas aplicaas a las CCSS II º Bachillerato UCLM - Pruebas e Acceso a Enseñanzas Universitarias Oiciales e Grao (PAEG) Matemáticas aplicaas a las Ciencias Sociales II Junio
Más detallesSOBREANCHO EN CURVAS HORIZONTALES
SOBEANCHO EN CUVAS HOIZONTALES Secc. transversal en curvas -. aio e la curva SOBEANCHO (S) -. Ancho e la calzaa -. Velocia e los vehículos -. Tipo e vehículo La transición el sobreancho Parte interna e
Más detalles1. Hallar la derivada por definición de f ( x) x x 1. Solución: para resolver la derivada aplicaremos la definición de la derivada: f '( x)
. Hallar la erivaa por efinición e f ( ) Solución: para resolver la erivaa aplicaremos la efinición e la erivaa: f '( ) lim 0 f ( ) f ( ) f ( ) f '( ) lim 0 ara allar la erivaa meiante efinición ebemos
Más detallesRESOLUCIÓN DE ACTIVIDADES
RESOLUCIÓN DE ACTIVIDADES Activiaes iniciales 1. Calcula las matrices inversas e las siguientes matrices: 1 1 2-3 1 2 1 1 1 1 0 1 2 2 5 1 1 1 1 0 0 1 1 1 1 1 Las matrices buscaas son: 1/4 1/4 1/4 1/4 1
Más detallesMétodo de predicción de la propagación específico del trayecto para servicios terrenales punto a zona en las bandas de ondas métricas y decimétricas
Recomenación UIT-R P.1812-4 (07/2015) Métoo e preicción e la propagación específico el trayecto para servicios terrenales punto a zona en las banas e onas métricas y ecimétricas Serie P Propagación e las
Más detalles4. Mecánica en la Medicina Derivar e Integrar
4. Mecánica en la Meicina Derivar e Integrar Teoría Dr. Willy H. Gerber Instituto e Ciencias Físicas y Matemáticas, Universia Austral, Valivia, Chile 17.04.2011 W. Gerber 4. Mecánica en la Meicina - Matemática
Más detallesPRÁCTICA 2 SIMULACIÓN DE LA DIFRACCIÓN DE RAYOS X
PRÁCTICA 2 SIMULACIÓN DE LA DIFRACCIÓN DE RAYOS X 2.1. Simulaciones e rees planas monoatómicas. Mínimo: 2 orientaciones con familias e planos iferentes y al menos 3 e las cuatros rees planas. 2.1.1. Re
Más detallesIMPLEMENTACIÓN DE SENSORES VIRTUALES EN FOUNDATION FIELDBUS
IMPLEMENACIÓN DE SENSORES VIRUALES EN FOUNDAION FIELDBUS Anrés J. Piñón Pazos Dpto. Ingeniería Inustrial, Universiae e A Coruña. E.U.P. Ferrol, Ava. 19 e Febrero, s/n, 15405 A Coruña, anrespp@cf.uc.es
Más detallesDESCOMPOSICÓN DE LA LUZ EN DETERMINADAS LONGITUDES DE ONDA MEDIANTE LA RED DE DIFRACCIÓN.
ESPECTROS DE EMISIÓN DE LUZ EN LOS GASES: DESCOMPOSICÓN DE LA LUZ EN DETERMINADAS LONGITUDES DE ONDA MEDIANTE LA RED DE DIFRACCIÓN. (Práctica nº 14: Espectroscopía) CARLOS HUERTAS BARRA FERNANDO HUESO
Más detallesRedalyc ARAQUE DE LOS RIOS, OSCAR; CABELLO ERAS, JUAN JOSE
Realyc Sistema e Información Científica Re e Revistas Científicas e América Latina, el Caribe, España y Portugal ARAQUE DE LOS RIOS, OSCAR; CABELLO ERAS, JUAN JOSE EFECTO DE LA UTILIZACION DE ARBOLES HUECOS
Más detallesInformación importante
Departamento e Matemática Coorinación e Matemática I (MAT01) 1 er Semestre e 010 Semana 1: Lunes 07 viernes 11 e Junio Información importante Durante esta semana se publicarán las notas el Certamen en
Más detallesDerivadas logarítmicas, exponenciales y regla de la cadena
CDIN0_MAAL_Logarítmicas Versión: Septiembre 0 Revisor: Sanra Elvia Pérez Derivaaslogarítmicas,eponencialesyreglaelacaena por Sanra Elvia Pérez Las funciones logarítmicas y eponenciales se aplican con frecuencia
Más detallesFigura 1. a) Matriz de pesos sinápticos. b) Imagen de la matriz.
Redes Recurrentes y Autónomas 9-03-07 PRÁCTICA 1 Analiza la evolución de la red recurrente binaria cuya matriz de pesos sinápticos viene dada en la figura 1(a) y sus valores umbrales son todos iguales
Más detallesApuntes de Circuitos Eléctricos II Análisis de la respuesta de CA en régimen permanente sinusoidal
01 Apuntes e Circuitos Eléctricos II Análisis e la respuesta e CA en régien peranente sinusoial En este ocuento se presenta un análisis e rees siples usano el étoo fasorial Usuario UTP UTP 4/07/01 1 1
Más detallesNeuronas Artificiales
Modelos básicos b de Redes de Neuronas Artificiales Julián n Dorado Departamento de Tecnologías de la Información n y las Comunicaciones Universidade da Coruña Contenidos Tema 10: Procesado temporal mediante
Más detallesAplicación de los diferenciadores de estructura variable a servomecanismos de Corriente Directa..
Aplicación e los iferenciaores e estructura variable a servomecanismos e Corriente Directa.. R. Garrio, L. M. Friman. Departamento e Control Automático CINVESTAV-IPN, México D.F Division e Estuios e Posgrao,
Más detalles