Estudiante: Rigoberto Fonseca-Delgado Asesora: Dra. Pilar Gómez-Gil
|
|
- Pilar Salazar Sevilla
- hace 5 años
- Vistas:
Transcripción
1 National Institute of Astrophysics, Optics and Electronics Department of Computer Science Estudiante: Rigoberto Fonseca-Delgado Asesora: Dra. Pilar Gómez-Gil 1
2 Pesos MXN Pesos MXN $18.00 $16.00 $14.00 $12.00 $10.00 $8.00 $6.00 $4.00 $2.00 $ /01/ /10/ /06/ /03/ /12/ /09/ /06/ /03/ /11/2014 $15.80 $15.60 $15.40 $15.20 $15.00 $14.80 $14.60 Tiempo $ /01/ /01/ /02/ /03/ /03/ /04/ /05/ /05/ /06/2015 Tiempo Qué tal si hubiese invertido mis ahorros del año en comprar dólares justo el día 06/04/2015 y los vendía el 22 del mismo mes? Una beca 1000 dólares me hubieran dado 651 pesos en 16 días. Más capital dólares implicaban 6510 pesos. Precio del dólar Lineal (Precio del dólar) Precio del dólar Lineal (Precio del dólar) Fuente: Banco de México 2
3 Predicción de series de tiempo Modelo auto-regresivo Modelo auto-regresivo no-lineal Propiedades de redes neuronales recurrentes Red neuronal NARX Propiedades de las redes NARX 3
4 Serie de tiempo es una secuencia de observaciones tomadas secuencialmente en el tiempo. Predecir es estimar valores futuros de una serie de tiempo a partir de los valores actuales y pasados. Tipos de predicción: one-step-ahead, multi-step-ahead. Estrategias de predicción: recursiva, directa, mixtas. n h Book Box, G. E. P.; Jenkins, G. M. & Reinsel, G. C., Grant, J., Time Series Analysis Forecasting and Control, Prentice-Hall International, 1994, pág 1. Article Taieb, S. B.; Bontempi, G.; Atiya, A. F. & Sorjamaa, A., A review and comparison of strategies for multi-step ahead time series forecasting based on the NN5 forecasting competition, Expert Systems with Applications, 2012, 39,
5 El valor futuro depende de los p valores inmediatos del pasado. y ( n) 1 y( n 1) 2 y( n 2)... p y( n p) a t El valor a predecir depende de las variables causales, que son los valores del pasado. Los pesos i representan la relaciones. Este enfoque es lineal en los parámetros. Book Box, G. E. P.; Jenkins, G. M. & Reinsel, G. C., Grant, J., Time Series Analysis Forecasting and Control, Prentice-Hall International, 1994, pág 52. Book Armstrong, J. S., Long-range forecasting from crystal ball to computer, John Wiley & Sons, 1985, pág
6 No-lineal y 2 ( n) En la naturaleza muchos fenómenos son nolineales. Ecuación logística viene de un modelo poblacional con comportamiento caótico bajo parámetros definidos. Lineal Función lineal en sus parámetros Article May, R. M., Simple mathematical models with very complicated dynamics, Nature, London, 1976, 261,
7 Un sistema de una entrada - una salida puede definirse por: Observaciones y( t n) q y( t n 1),..., y( t), u( t n),..., u( t) Función no-lineal Entradas externas Ejemplo, el monto de retiros bancarios está relacionado con el día de la semana, grupo de días en el mes, y mes del año. Article Leontaritis, I. J. & Billings, S. A. Input-output parametric models for non-linear systems Part II: stochastic non-linear systems International Journal of Control, 1985, 41, Article Andrawis, R. R.; Atiya, A. F. & El-Shishiny, H., Forecast combinations of computational intelligence and linear models for the NN5 time series forecasting competition, International Journal of Forecasting, 2011, 27,
8 La eq. logística del ejemplo tiene un comportamiento caótico. Las características de un sistema caótico pueden resumirse como: 1. Existe alguna ecuación (tal vez desconocida) guiando el comportamiento, son deterministas; 2. Son sensibles a los cambios en las condiciones iniciales; 3. No son aleatorios o desordenados; los sistemas caóticos tienen un sentido de orden. Phase portrait.- Es una herramienta en la que se dibuja el valor actual con respecto a su predecesor. Book Kantz, H. & Schreiber, T., Nonlinear Time Series Analysis, Cambridge University Press, 2003, pág. 5. Article Dhanya, C. & Kumar, D. N., Nonlinear ensemble prediction of chaotic daily rainfall, Advances in Water Resources, 2010, 33,
9 Existen dos maneras básicas de aplicar retroalimentación. Local.- Es aplicada a una única neurona dentro de la red. Global.- Engloba una o más capas ocultas o toda la red. El uso de retro-alimentación global en una red recurrente permite: Memoria asociativa o por contenido (content-addressable memory). Auto-asociación. Reconstrucción dinámica de un proceso caótico. Book Haykin, S., Neural Networks and Learning Machines, 3ra edición, Pearson Education, 2009, págs. 673,
10 Método de aproximación universal Cualquier sistema dinámico puede ser aproximado por una red neuronal recurrente con cualquier grado de precisión y sin restricciones impuestas a la compacidad del espacio de estados, siempre que la red esté equipada con un número adecuado de neuronas ocultas. Simular cualquier máquina de estados finita Cualquier máquina de estados finita es equivalente a, y puede ser simulada por, alguna red neuronal. Esto es, dada cualquier maquina de estados finitos M, podemos construir una cierta red neuronal N la cual, vista como una máquina de caja negra, tendrá un comportamiento precisamente como M. Redes neuronales completamente recurrentes son las más poderosas computacionalmente. Toda máquina de Turing puede ser simulada por una red neuronal completamente conectada construida sobre neuronas con funciones de activación sigmoidales. Book Haykin, S., Neural Networks and Learning Machines, 3ra edición, Pearson Education, 2009, págs. 673, 798, Ejemplo: Diagrama de estados 10
11 A partir de un perceptron multicapa con una única capa oculta como bloque de construcción básico de una red recurrente. La aplicación de retro-alimentación global alrededor del perceptron multicapa puede tomar una variedad de formas: Retro-alimentación desde las salidas de la capa oculta a la capa de entrada. Retro-alimentación desde la capa de salida a la capa de entrada. Combinar todos los posibles lazos de retro alimentación en una única de red neuronal recurrente. Considerar otros bloques diferentes para la construcción de redes recurrentes. Las redes recurrentes tienen un amplio reportorio aún por explorar. Book Haykin, S., Neural Networks and Learning Machines, 3ra edición, Pearson Education, 2009, pág
12 La serie de tiempo entra por la izquierda y va transformándose en vectores de tamaño m al pasar por los m-1 retrasos. TDL z -1 y(n-(m-1)) y(n-(m-2)) z -1 y(n) Book Beale, M. H.; Hagan, M. T. & Demuth Howard, B., Neural Network Toolbox User's Guide R2015a, MathWorks, 2015, pág
13 TDL El comportamiento dinámico del modelo NARX es descrito por: Entradas externas donde F es una función no-lineal. Valores retrasados de la salida. TDL construye todas las posibles secuencias de tamaño q de la serie de entrenamiento. TDL Book Haykin, S., Neural Networks and Learning Machines, 3ra edición, Pearson Education, 2009, págs. 791, 792. Arquitectura viene naturalmente de un perceptron multicapa. Ejemplo con una única entrada aplicada a una memoria tapped-delay-line (TDL) de q unidades. Tiene una única salida que es retroalimentada a la entrada a través de otro TDL, también de q unidades. El contenido de las dos memorias TDL alimentan la capa de entrada de un perceptron multicapa. 13
14 Recibe la serie de tiempo de entrenamiento con sus respectivas entradas externas. Después de entrenar se cierra el lazo, lo cual conecta las salidas con el TDL respectivo. Para iniciar la predicción requiere los q últimos valores del pasado, con las respectivas entradas externas. Cada iteración recibirá una nueva entrada externa y devolverá la predicción de un paso a la vez. Ejemplo de Entrenamiento Lazo cerrado para predicción TDL Book Beale, M. H.; Hagan, M. T. & Demuth Howard, B., Neural Network Toolbox User's Guide R2015a, MathWorks, 2015, pág
15 Las redes NARX pueden simular a las FCRNN si se cumple la condición de utiliza una función de activación BOSS y tienen la desventaja de desaceleración lineal. Una desaceleración lineal implica que si una FCRNN computa una tarea de interés en tiempo T, entonces el tiempo total utilizado por su equivalente red NARX es (N+1)T. Una función es delimitada, de un solo lado saturada (BOSS) si satisface las siguientes tres condiciones: La función tiene un rango limitado. La función es saturada en el lado izquierdo. La función no es constante. x b, a b x S x x a, s, S, x, x 1 x2 1 2 x s Book Haykin, S., Neural Networks and Learning Machines, 3ra edición, Pearson Education, 2009, págs
16 Preguntas? 16
17 3 2 1 x(t) x(t) = x(t-1)*x(t-2)*x(t-3) x(t) = x(t-1)^2*x(t-2)*x(t-3) t 17
18 18
19 19
20 Chaos theory has taught us that random input is not the only possible source of irregularity in a system s output: nonlinear, chaotic systems can produce very irregular data with purely deterministic equations of motion in an autonomous way, i.e., without time dependent inputs. Of course, a system which has both, nonlinearity and random input, will most likely produce irregular data as well. 20
21 Book Haykin, S., Neural Networks and Learning Machines, 3ra edición, Pearson Education, 2009, págs. 673, 804,
22 Book Haykin, S., Neural Networks and Learning Machines, 3ra edición, Pearson Education, 2009, págs. 805,
Aprendizaje automático para la predicción de series de tiempo.
Aprendizaje automático para la predicción de series de tiempo. Dra. María del Pilar Gómez Gil Coordinación de Computación Instituto Nacional de Astrofísica, Óptica y Electrónica ccc.inaoep.mx/~pgomez Esta
Más detallesAplicaciones. Inteligencia Computacional Carrera de Ingeniería Informática
Aplicaciones Inteligencia Computacional Carrera de Ingeniería Informática Aplicaciones de IC Unidad VIII: Configuración del problema y aplicación de las técnicas de inteligencia computacional en: clasificación
Más detallesIntroducción a Las redes Neuronales (Neurales) CO-6612
a Las redes Neuronales (Neurales) CO-6612 Coordenadas iniciales: Prof. Minaya Villasana Oficina: CBI-112 Extension: 906 3386 forma más fácil (preferida) de contacto: mvillasa@usb.ve Bibliografia: Simon
Más detallesEsta presentación está disponible en:
TECNOLOGÍAS DE PREDICCIÓN BASADAS EN INTELIGENCIA COMPUTACIONAL Dra. María del Pilar Gómez Gil Coordinación de Computación Instituto Nacional de Astrofísica, Óptica y Electrónica Tonantzintla, Puebla.
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 detallesCourse 4: Neural networks Prof. Santiago Falcón
Course 4: Neural networks Prof. Santiago Falcón Module 2: Data analysis and modelling using Bayesian and neural networks Advanced Data Analysis and Modelling Summerschool Madrid June 26th to July 27th
Más detallesAprendizaje Automatizado. Redes Neuronales Artificiales
Aprendizaje Automatizado Redes Neuronales Artificiales Introducción Otra forma de emular características propias de los humanos: memorizar y asociar hechos. Se aprende de la experiencia. El cerebro humano
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Tema 6: Redes de Neuronas Recurrentes
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Tema 6: Redes de Neuronas Recurrentes En este tema se estudian las redes de neuronas recurrentes. Se presentan en primer lugar
Más detallesANÁLISIS MULTIVARIANTE Y APLICACIONES (Postgrado en Economía)
ANÁLISIS MULTIVARIANTE Y APLICACIONES (Postgrado en Economía) Gerardo A. Colmenares L. Ph.D. IIES. Núcleo La Liria. Edif. G. Piso 3. Telf.: 2401082 Dirección E- mail: gcolmen@ula.ve, gcolmen@gmail.com
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN PROGRAMA DE ASIGNATURA ACATLÁN CLAVE: 1069 SEMESTRE: 9 (NOVENO) LÍNEA
Más detallesPerceptrón Simple. Aspectos Prácticos y Algoritmos Redes Neuronales, DC-FCEyN-UBA. Rosana Matuk Primer Cuatrimestre 2018
Perceptrón Simple Aspectos Prácticos y Algoritmos Redes Neuronales, DC-FCEyN-UBA Rosana Matuk Primer Cuatrimestre 2018 Rosana Matuk (DC-FCEyN-UBA) Perceptrón simple Primer Cuatrimestre 2018 1 / 29 Objetivo
Más detallesSeries Temporales. Departamento de Informática Universidad Carlos III de Madrid Avda. de la Universidad, Leganés (Madrid)
Series Temporales Departamento de Informática Universidad Carlos III de Madrid Avda. de la Universidad, 30. 28911 Leganés (Madrid) Series Temporales Introducción Problema de predicción Modelos neuronales
Más detallesDeep Learning Seminario Minería de Datos
Deep Learning Seminario Minería de Datos Álvaro Riascos Mónica Ribero 2 de mayo de 2017 Contenido 1 Introducción 2 Modelo Logit 3 Redes Neuronales 4 Aplicaciones 5 Redes en el contexto de NLP 6 Otras arquitecturas
Más detallesConceptos básicos V:
C261-69 69 Tópicos Avanzados: Redes Neuronales Artificiales Conceptos básicos Dra. Ma. del Pilar Gómez Gil Primavera 2009 pgomez@acm.org V:13-01-09 Modelo Básico y Abstracto de un Neurón Artificial x 0
Más detallesPredicción de una serie de tiempo caótica
Predicción de una serie de tiempo caótica P techniques LUIS FERNANDO PEDRAZA MARTÍNEZ Ingeniero Electrónico de la Universidad Distrital Francisco José de Caldas, magister en Ciencias de la Información
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 detallesCONTROL PREDICTIVO CON REDES NEURONALES COMO MODELO, UTILIZANDO EL METODO DE NEWTON-RAPHSON PARA LOGRAR LA MINIMIZACION DE LA FUNCION DE COSTO
Scientia et Technica Año XV, No 41, Mayo de 2009. Universidad Tecnológica de Pereira. ISSN 0122-1701 203 CONTROL PREDICTIVO CON REDES NEURONALES COMO MODELO, UTILIZANDO EL METODO DE NEWTON-RAPHSON PARA
Más detallesTITULACIÓN Ingeniero Técnico en Informática de Sistemas ASIGNATURAS DE SEGUNDO CURSO DEL PLAN 1999 TEORÍA DE AUTÓMATAS Y LENGUAJES FORMALES PROGRAMA:
TITULACIÓN Ingeniero Técnico en Informática de Sistemas ASIGNATURAS DE SEGUNDO CURSO DEL PLAN 1999 TEORÍA DE AUTÓMATAS Y LENGUAJES FORMALES PROGRAMA: PROGRAMA DE TEORÍA Parte I: INTRODUCCIÓN 1. Introducción
Más detallesPREDICCIÓN DE SERIES DE TIEMPO
PREDICCIÓN DE SERIES DE TIEMPO ALTAMENTE NO LINEALES USANDO REDES NEURONALES RECURRENTES 13 de Junio 2012 Instituto de Física Universidad Autónoma de Puebla (IFUAP). Esta presentación está disponible en:
Más detallesHoras teoría-horas prácticas-horas trabajo adicional-horas totales-créditos: Edgar O. Reséndiz Flores
Nombre de la asignatura: TOPICOS DE INTELIGENCIA ARTIFICIAL Líneas de trabajo: Optimización y Simulación de Procesos Industriales Horas teoría-horas prácticas-horas trabajo adicional-horas totales-créditos:
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN PROGRAMA DE ASIGNATURA ACATLÁN CLAVE: 1058 SEMESTRE: 8 (OCTAVO) LÍNEA
Más detallesPerceptrones Fernando Berzal,
Fernando Berzal, berzal@acm.org Introducción Redes neuronales artificiales Modelos de redes Modelo de neurona artificial Funciones de activación La neurona de McCulloch y Pitts El algoritmo de aprendizaje
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 detallesUniversidad Ricardo Palma
Universidad Ricardo Palma FACULTAD DE INGENIERÍA ESCUELA ACADÉMICO PROFESIONAL DE INGENIERÍA ELECTRONICA DEPARTAMENTO ACADÉMICO DE INGENIERÍA SÍLABO 1. DATOS ADMINISTRATIVOS 1.1 Nombre del curso : CONTROL
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 detallesMARCADORES ANATOMICOS DEL VENTRICULO IZQUIERDO UTILIZANDO REDES NEURALES
Editores: Diego Jugo, Rubén Medina, Rubén Rojas Mérida, Julio 2004 MARCADORES ANATOMICOS DEL VENTRICULO IZQUIERDO UTILIZANDO REDES NEURALES MIGUEL VERA (1), ANTONIO BRAVO (2) (1) Laboratorio de Física,
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 detallesUNIVERSIDAD NACIONAL DEL CALLAO
UNIVERSIDAD NACIONAL DEL CALLAO FACULTAD DE INGENIERÍA INDUSTRIAL Y DE SISTEMAS INSTITUTO DE INVESTIGACION DE LA FACULTAD DE INGENIERIA INDUSTRIAL Y DE SISTEMAS INFORME FINAL DEL PROYECTO DE INVESTIGACIÓN
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 detallesSistema de Detección de Intrusos para ataques Cross-Site Scripting
Sistema de Detección de Intrusos para ataques Cross-Site Scripting García Ramírez Israel & Fonseca Casao Sergio Israel Directores: M. en C. Ramírez Morales Mario Augusto & M. en C. Saucedo Delgado Rafael
Más detallesInteligencia Artificial II
Misión del Centro Universitario Somos un centro que forma parte de la Red Universitaria de la Universidad de Guadalajara. Como institución de educación superior pública asumimos el compromiso social de
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 detallesECONOMÍA MATEMÁTICA INTERMEDIA
MATEMÁTICA INTERMEDIA Clave : ECO794 Créditos : 3 Tipo : Obligatorio Semestre : 2014-1 Horario : Miércoles 7:00-10:00pm (G1) Requisitos : Ninguno Jueves 7:00-10:00pm (G2) Sábado 8:00-9:30pm (PD) Profesor/a
Más detallesAnálisis de Datos. Red de función de base radial. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Red de función de base radial Profesor: Dr. Wilfrido Gómez Flores 1 Introducción Las funciones de base radial han sido utilizadas en diversas técnicas de reconocimiento de patrones como
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 detallesPONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE INGENIERIA ESCUELA DE SISTEMAS
PONTIFICIA UNIVERSIDAD CATOLICA DEL ECUADOR FACULTAD DE INGENIERIA 1. DATOS INFORMATIVOS MATERIA O MODULO: CODIGO: CARRERA: NIVEL: No. CREDITOS 4 CREDITOS TEORIA: 3 CREDITOS PRACTICA: 1 ESCUELA DE SISTEMAS
Más detallesRedes neuronales en control de sistemas
Redes neuronales en control de sistemas Marco Teórico Las redes neuronales tratan de emular ciertas características propias de los humanos, una muy importante es la experiencia. El ser humano es capaz
Más detallesRedes neuronales. Conceptos fundamentales y modelos
Redes neuronales Conceptos fundamentales y modelos 2 Contenido Introduccion La neurona biologica Modelo de una neurona Arquitecturas de las redes: Redes feedforward Arquitecturas de las redes: Redes recurrentes
Más detallesMODELADO DE SISTEMAS Y PREDICCIÓN DE SERIES TEMPORALES
GUIA DOCENTE DE LA ASIGNATURA MODELADO DE SISTEMAS Y PREDICCIÓN DE SERIES TEMPORALES MÓDULO MATERIA ASIGNATURA CURSO SEMESTRE CRÉDITOS CARÁCTER Computación de Altas Prestaciones Modelado sistemas predicción
Más detallesPLAN DE ESTUDIOS 2008-II SÍLABO
UNIVERSIDAD RICARDO PALMA FACULTAD DE INGENIERÍA I. INFORMACIÓN GENERAL: DEPARTAMENTO ACADÉMICO DE INGENIERÍA PLAN DE ESTUDIOS 2008-II SÍLABO 1.1 Asignatura : INTELIGENCIA ARTIFICIAL Y SISTEMAS EXPERTOS
Más detallesÁrea Académica: Instituto de Ciencias Básicas e Ingeniería, Sistemas Computacionales
Área Académica: Instituto de Ciencias Básicas e Ingeniería, Sistemas Computacionales Tema: Perceptron Parte I Profesor: Víctor Tomás T. Mariano. Alumnos: Leticia Hernández Hernández Agustín Hernández Espinoza
Más detallesRedes Neuronales Artificiales
Redes Neuronales Artificiales Introducción a la Robótica Inteligente Álvaro Gutiérrez de abril de 208 aguti@etsit.upm.es www.robolabo.etsit.upm.es Mapas Predicción Robótica M l M r W ij S S 2 S 3 S 4
Más detallesComprobación de la controlabilidad de un sistema no lineal mediante ANFIS. Verifying the controllability of a non linear system using ANFIS
REVISTA INGENIERÍA UC. Vol. 13, N 3, 7-12, 2006 Comprobación de la controlabilidad de un sistema no lineal mediante ANFIS José Gregorio Díaz P. (1), César Peraza (1), Jorge Castellanos (1), Francisco Arteaga
Más detallesIntroducción a las Redes de Neuronas
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Tema 1 Introducción a las Redes de Neuronas Introducción a las Redes de Neuronas 1 Introducción a las Redes de Neuronas Introducción
Más detallesSÍLABO INTELIGENCIA ARTIFICIAL Y ROBÓTICA ÁREA CURRICULAR: CIENCIAS DE LA COMPUTACIÓN CICLO: VII SEMESTRE ACADÉMICO: 2018-I : : 04
ESCUELA PROFESIONAL:. INGENIERÍA DE COMPUTACIÓN Y SISTEMAS SÍLABO INTELIGENCIA ARTIFICIAL Y ROBÓTICA ÁREA CURRICULAR: CIENCIAS DE LA COMPUTACIÓN CICLO: VII SEMESTRE ACADÉMICO: 2018-I I. CÓDIGO DEL CURSO
Más detallesAlgoritmos Genéticos para la Construcción de Modelos Autorregresivos para Series de Tiempo y Funciones de Transferencia Discretas.
Algoritmos Genéticos para la Construcción de Modelos Autorregresivos para Series de Tiempo y Funciones de Transferencia Discretas. Dr. Pedro Flores Pérez EMNO 2013 Orígen del problema Entradas Salidas
Más detallesModelos de Predicción para el Mercado Financiero. Marcelo Ferreyra
Modelos de Predicción para el Mercado Financiero Marcelo Ferreyra Agenda 1. El Mercado Financiero 2. Camino al Azar 3. Azar y Necesidad 4. Mercados Ineficientes 5. Análisis Técnico y Fundamental 6. Características
Más detallesIntroducción a las Redes Neuronales mediante el paquete neuralnet
Introducción a las Redes Neuronales mediante el paquete neuralnet El paquete neuralnet es un paquete de muy sencilla utilización que permite la aplicación, visulaización e implementación de redes neuronales.
Más detallesArea Académica: ICBI, Sistemas Computacionales. Tema: Aprendizaje No Supervisado (Aprendizaje Asociativo)
Area Académica: ICBI, Sistemas Computacionales. Tema: Aprendizaje No Supervisado (Aprendizaje Asociativo) Profesor: Víctor T. Tomas Mariano. Periodo:Julio Diciembre 2011. Keywords. Associative Learning
Más detallesSÍLABO INTELIGENCIA ARTIFICIAL Y ROBÓTICA ÁREA CURRICULAR: CIENCIAS DE LA COMPUTACIÓN SEMESTRE ACADÉMICO: 2017-II : : 04.
ESCUELA PROFESIONAL:. INGENIERÍA DE COMPUTACIÓN Y SISTEMAS SÍLABO INTELIGENCIA ARTIFICIAL Y ROBÓTICA ÁREA CURRICULAR: CIENCIAS DE LA COMPUTACIÓN CICLO: VII SEMESTRE ACADÉMICO: 2017-II I. CÓDIGO DEL CURSO
Más detallesAux 7. Introducción a la Minería de Datos
Aux 7. Introducción a la Minería de Datos Gastón L Huillier 1,2, Richard Weber 2 glhuilli@dcc.uchile.cl 1 Departamento de Ciencias de la Computación Universidad de Chile 2 Departamento de Ingeniería Industrial
Más detallesMeta-aprendizaje Auto-organizado Temporal para Predicción a Largo Plazo de Series de Tiempo Caóticas
Meta-aprendizaje Auto-organizado Temporal para Predicción a Largo Plazo de Series de Tiempo Caóticas Por Rigoberto Salomón Fonseca Delgado Tesis sometida como requisito parcial para obtener el grado de
Más detallesUNA RED NEURONAL COMO HERRAMIENTA DE PREDICCIÓN DE VARIABLES CLIMÁTICAS: APLICACIÓN A LA TEMPERATURA MÍNIMA MEDIA MENSUAL EN CASTILLA y LEÓN.
UNA RED NEURONAL COMO HERRAMIENTA DE PREDICCIÓN DE VARIABLES CLIMÁTICAS: APLICACIÓN A LA TEMPERATURA MÍNIMA MEDIA MENSUAL EN CASTILLA y LEÓN. Angel L. Labajo (1) y José L. Labajo (2) (1) Dpto. de Informática
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 detallesCONCLUSIONES. La teoría de Redes Neuronales Artificiales, presenta grandes ventajas con
319 CONCLUSIONES La teoría de Redes Neuronales Artificiales, presenta grandes ventajas con respecto a otros modelos típicos de solución de problemas de Ingeniería, una de ellas es su inspiración en modelos
Más detallesRedes de Neuronas de Base Radial
Redes de Neuronas de Base Radial 1 Introducción Redes multicapa con conexiones hacia delante Única capa oculta Las neuronas ocultas poseen carácter local Cada neurona oculta se activa en una región distinta
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 detallesMODELOS LINEALES GENERALIZADOS
MODELOS LINEALES GENERALIZADOS Conceptos básicos Ignacio Méndez Gómez-Humarán imendez@cimat.mx Los Modelos Lineales Generalizados (GLM por sus siglas en inglés) son una familia de modelos estadísticos
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 detallesLógica e hipercomputación. 25 de marzo de 2004
Lógica e hipercomputación Francisco Hernández Quiroz Departamento de Matemáticas Facultad de Ciencias, UNAM E-mail: fhq@fciencias.unam.mx Página Web: www.fciencias.unam.mx/ fhq/ 25 de marzo de 2004 1 2
Más detallesFORMATO CONTENIDO DE CURSO O SÍLABO
1. INFORMACIÓN GENERAL DEL CURSO Facultad Ingeniería Fecha de Actualización 18/01/2016 Programa Ingeniería Química Semestre 8 Nombre Control y Simulación de Procesos Código 72303 Prerrequisitos Cursando
Más detallesRNN y LSTM Redes Neuronales Profundas
RNN y LSTM Redes Neuronales Profundas Rosana Matuk Segundo Cuatrimestre 2017 Rosana Matuk (DC-FCEyN-UBA) RNN y LSTM Segundo Cuatrimestre 2017 1 / 20 Redes Recurrentes vs Redes Neuronales Tradicionales
Más detallesEntrenamiento de una red neuronal en LabVIEW para la identificación en línea de un sistema dinámico
Entrenamiento de una red neuronal en LabVIEW para la identificación en línea de un sistema dinámico Juan José Martínez Nolasco Instituto Tecnológico de Celaya juan.martinez@itcelaya.edu.mx Carlos Fernando
Más detallesFORMATO CONTENIDO DE CURSO O SÍLABO
1. INFORMACIÓN GENERAL DEL CURSO Facultad Ingeniería Fecha de Actualización 20/03/2017 Programa Ingeniería Química Semestre X Nombre Inteligencia Artificial Código 72766 Prerrequisitos Créditos 2 Nivel
Más detallesPROCESOS ESTOCÁSTICOS
CURSO: PROCESOS ESTOCÁSTICOS 1 SEMESTRE: VIII 2 CODIGO: 602804 3 COMPONENTE: 4 CICLO: 5 AREA: Profesional 6 FECHA DE APROBACIÓN: 7 NATURALEZA: Teórica 8 CARÁCTER: Obligatorio 9 CREDITOS (RELACIÓN): 3 (1-1)
Más detallesReducción de Ruido por medio de Redes Neuronales
Reducción de Ruido por medio de Redes Neuronales Donato Hernández, Sergio Ledesma, Miguel Torres, Gabriel Aviña y Gerardo Canedo Facultad de Ingeniería Mecánica, Eléctrica y Electrónica Universidad de
Más detallesScientia Et Technica ISSN: Universidad Tecnológica de Pereira Colombia
Scientia Et Technica ISSN: 0-70 scientia@utp.edu.co Universidad Tecnológica de Pereira Colombia GIRALDO BUITRAGO, DIDIER; OYOS, JOSÉ GABRIEL CONTROL ADAPTATIVO CON RED NEURONAL DE ELMAN Y MODOS DESLIZANTES
Más detallesTopología de RNA Propuesta para Procesar Señales de Trasductores de Temperatura del Tipo RTD con Coeficiente Negativo
27 Topología de RNA Propuesta para Procesar Señales de Trasductores de Temperatura del Tipo RTD con Coeficiente Negativo LÓPEZ-VILLARREAL, Abraham Antonio *, MEDINA-MUÑOZ, Luis Arturo, RODRÍGUEZ- ESPINOZA
Más detallesAplicación de técnicas de Inteligencia Artificial a la predicción del precio de la electricidad RESUMEN DEL PROYECTO. Autor: Marco Tejón, Israel
Aplicación de técnicas de Inteligencia Artificial a la predicción del precio de la electricidad Autor: Marco Tejón, Israel Directores: Muñoz San Roque, Antonio. Alberto Cruz García. Entidad Colaboradora:
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 detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN INGENIERÍA QUÍMICA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE ESTUDIOS SUPERIORES CUAUTITLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN INGENIERÍA QUÍMICA PROGRAMA DE LA ASIGNATURA DE: DINÁMICA Y CONTROL DE PROCESOS
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 detallesANX-PR/CL/ GUÍA DE APRENDIZAJE ASIGNATURA CURSO ACADÉMICO - SEMESTRE FECHA DE PUBLICACION
ANX-PR/CL/001-02 GUÍA DE APRENDIZAJE ASIGNATURA Machine learning and neural networks Nombre Asignatura CURSO ACADÉMICO - SEMESTRE Curso 2014-15 y Semestre 1 FECHA DE PUBLICACION Julio 2014 Datos Descriptivos
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 detallesTecnura ISSN: X Universidad Distrital Francisco José de Caldas Colombia
Tecnura ISSN: 0123-921X tecnura@udistrital.edu.co Universidad Distrital Francisco José de Caldas Colombia Pedraza Martínez, Luis Fernando; Hernández Suáres, Cesar Augusto; Corredor Camargo, Óscar Fabián
Más detallesIntroducción Aprendizaje de Máquina. Gerardo Gutiérrez Gutiérrez Alexis Rodríguez Gutiérrez
Introducción Aprendizaje de Máquina Gerardo Gutiérrez Gutiérrez Alexis Rodríguez Gutiérrez Qué es Aprendizaje de Máquina? "Field of study that gives computers the ability to learn without being explicitly
Más detallesUNIVERSIDAD NACIONAL DEL CALLAO
UNIVERSIDAD NACIONAL DEL CALLAO FACULTAD DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA INSTITUTO DE INVESTIGACIÓN DE LA FACULTAD DE INGENIERÍA ELÉCTRICA Y ELECTRÓNICA INFORME FINAL DEL PROYECTO DE INVESTIGACIÓN
Más detallesResumen. Este trabajo se divide principalmente en 2 partes:
DISEÑO DE UNA RED NEURONAL RECURRENTE MEDIANTE LA UTILIZACIÓN DE BLOQUES DSP CON XILINX SYSTEM GENERATOR, IMPLEMENTADA EN TIEMPO REAL EN DISPOSITIVOS RECONFIGURABLES Resumen Juan J. Raygoza P, Susana Ortega
Más detallesST - Series Temporales
Unidad responsable: Unidad que imparte: Curso: Titulación: Créditos ECTS: 2017 200 - FME - Facultad de Matemáticas y Estadística 715 - EIO - Departamento de Estadística e Investigación Operativa MÁSTER
Más detallesGUÍA DOCENTE DE LA ASIGNATURA. Modelos Avanzados de Transporte
Escuela Técnica Superior de Ingenieros Industriales y de Telecomunicación Máster Universitario en Investigación en Ingeniería Industrial GUÍA DOCENTE DE LA ASIGNATURA Modelos Avanzados de Transporte Curso
Más detallesCONTROL DE UNA GRÚA PÓRTICO MEDIANTE REDES NEURONALES
CONTROL DE UNA GRÚA PÓRTICO MEDIANTE REDES NEURONALES Alejandro Fernández Villaverde Dpto. de Ingeniería de Sistemas y Automática E.T.S.I.I. - Universidade de Vigo Campus Universitario As Lagoas-Marcosende.
Más detallesRedes Neuronales Multicapa
Undécima sesión 16 de abril de 2010 Relación entre capas y conjuntos bajo estudio Estructura Regla de decisión XOR Clases no linealmente separables Regiones generalizadas Una capa Regiones separables con
Más detallesUNIVERSITAT DE JOSÉ LUIS ORTIZ ARCINIEGA
UNIVERSITAT DE JOSÉ LUIS ORTIZ ARCINIEGA Obtener la amplitud real del pulso a partir de las muestras (7) digitales. Actualmente se Utiliza Optimal Filtering corriendo en Procesadores Digitales de Señal
Más detallesCONTROL PREDICTIVO GENERALIZADO PARA SISTEMAS NO LINEALES UTILIZANDO UNA NEURONA DIFUSA RECURRENTE
ISSN:169257 Volumen 1 1 1- ISSN:1692-7257 2003 Volumen 1 No 3-2004 CONTROL PREDICTIVO GENERALIZADO PARA SISTEMAS NO LINEALES UTILIZANDO UNA NEURONA DIFUSA RECURRENTE EDMARY ALTAMIRANDA* 1 ELIEZER COLINA
Más detallesLAS REDES NEURONALES ARTIFICIALES EN LAS FINANZAS
Revista de la Facultad de Ingeniería Industrial Vol. (8) 2: pp. 28-32 (2005) UNMSM ISSN: 1560-9146 (impreso) / ISSN: 1810-9993 (electrónico) LAS REDES NEURONALES ARTIFICIALES EN LAS FINANZAS Recepción:
Más detallesIndustrial Data ISSN: Universidad Nacional Mayor de San Marcos Perú
Industrial Data ISSN: 1560-9146 iifi@unmsm.edu.pe Universidad Nacional Mayor de San Marcos Perú Del Carpio Gallegos, Javier Las redes neuronales artificiales en las finanzas Industrial Data, vol. 8, núm.
Más detallesTópicos Avanzados: Inteligencia Computacional I
C291-78 Tópicos Avanzados: Inteligencia Computacional I V: 20-Ene-16 Instructoras (en orden alfabético) Dra. Ma. del Pilar Gómez Gil Dra. Alicia Morales Reyes Primavera 2016 pgomez@inaoep.mx (c) 2016.
Más detallesUNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN HORAS SEMANA
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO FACULTAD DE ESTUDIOS SUPERIORES ACATLÁN PLAN DE ESTUDIOS DE LA LICENCIATURA EN MATEMÁTICAS APLICADAS Y COMPUTACIÓN PROGRAMA DE ASIGNATURA SEMESTRE:4 (CUARTO) Probabilidad
Más detallesMÉTODOS DE APRENDIZAJE INDUCTIVO (continuación)
Aprendiae Automático y Data Mining Bloque III MÉTODOS DE APRENDIZAJE INDUCTIVO (continuación) REDES NEURONALES 2 Redes neuronales (I) Red neuronal: método de aprendiae inductivo inspirado en la estructura
Más detallesMODELADO MEDIANTE REDES NEURONALES DE SISTEMA DE LEVITACIÓN CON PROPULSIÓN POR HÉLICE
MODELADO MEDIANTE REDES NEURONALES DE SISTEMA DE LEVITACIÓN CON PROPULSIÓN POR HÉLICE E. González Sarabia, L. Alonso Rentería, J.R. Llata García, J. Pérez Oria Departamento de Tecnología Electrónica e
Más detallesPerformance of Artificial Neural Networks in Forecasting Costa Rican Inflation
Performance of Artificial Neural Networks in Forecasting Costa Rican Inflation Manfred Esquivel M. III Foro de Investigadores de Bancos Centrales de países miembros del CMCA 27 de agosto de 2009 Motivación
Más detallesEn la Clase 3, se demostró que cualquier señal discreta x[n] puede escribirse en términos de impulsos como sigue:
SISTEMAS LINEALES INVARIANTES EN EL TIEMPO (SISTEMAS LTI) Un sistema lineal invariante en el tiempo, el cual será referido en adelante por la abreviatura en inglés de Linear Time Invariant Systems como
Más detallesCOMPARATIVO DE LA ESTIMACIÓN DE LA DEMANDA FUTURA DE FRIJOL EN MÉXICO MEDIANTE REGRESIONES LINEALES MÚLTIPLES Y REDES NEURONALES
COMPARATIVO DE LA ESTIMACIÓN DE LA DEMANDA FUTURA DE FRIJOL EN MÉXICO MEDIANTE REGRESIONES LINEALES MÚLTIPLES Y REDES NEURONALES Chávez-Hurtado, José Luis Departamento de Métodos Cuantitativos CUCEA, Universidad
Más detallesEXTRACCION DE MARCADORES ANATOMICOS DEL MIOCARDIO USANDO MAQUINAS DE APRENDIZAJE
EXTRACCION DE MARCADORES ANATOMICOS DEL MIOCARDIO USANDO MAQUINAS DE APRENDIZAJE Miguel Vera (1), Antonio Bravo (2) (1) Laboratorio de Física, Departamento de Ciencias, Universidad de Los Andes, Núcleo
Más detallesSimulación de Redes Neuronales Artificiales: Una Herramienta para la Docencia en Castellano
Simulación de Redes Neuronales Artificiales: Una Herramienta para la Docencia en Castellano Anita Alegre López 1, Sonia Mariño 1, David La Red 1 1 Dpto. Informática. Universidad Nacional del Nordeste.
Más detalles