Redes neuronales en control de sistemas
|
|
- Lorenzo San Martín Lucero
- hace 6 años
- Vistas:
Transcripción
1 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 de resolver problemas acudiendo a la experiencia acumulada. Las redes neuronales son un modelo artificial y simplificado del cerebro, que es el sistema por el cual podemos adquirir conocimiento a través de la experiencia. Una red neuronal es un nuevo sistema para el tratamiento de la información, cuya unidad básica de procesamiento está inspirada en la célula fundamental del sistema nervioso humano: la neurona. Todos los procesos del cuerpo humano se relacionan de alguna u otra forma con la actividad de las neuronas. Las mismas son un componente relativamente simple, pero cuando se conectan en forma conjunta son muy poderosas. Lo que básicamente ocurre en una neurona biológica es lo siguiente: la neurona es estimulada o excitada a través de sus entradas y cuando se alcanza un cierto umbral, la neurona se dispara o activa, pasando una señal hacia el axón. La misión de las neuronas es: Recoger información que llega a ellas en forma de impulsos procedentes de otras neuronas o receptores. Integran informacion en un código de activación propio de la célula. Transmiten informacion codificada en forma de frecuencia de impulsos a través de su axón. A través de sus ramificaciones el axón efectúa la distribución espacial de los mensajes. En sus terminales transmite los impulsos a las neuronas subsiguientes o a las células efectoras. Debido a las capacidades que tiene el cerebro para resolver problemas complejos las RNA nacen en base a las cualidades de una red neuronal biológica Warren McCulloch y Walter Pitts lanzaron una teoría acerca de la forma de trabajar de las neuronas. Ellos modelaron una red neuronal simple mediante circuitos eléctricos Donald Hebb fue el primero en explicar los procesos del aprendizaje desde un punto de vista psicológico, desarrollando una regla de cómo el aprendizaje ocurría. Su idea fue que el aprendizaje
2 ocurre cuando ciertos cambios en una neurona eran activados. Los trabajos de Hebb formaron las bases de la Teoría de las Redes Neuronales Frank Rosenblatt comenzó el desarrollo del Perceptron. Esta es la red neuronal más antigua; utilizándose hoy en día para aplicación como identificador de patrones. Este modelo era capaz de generalizar, es decir, después de haber aprendido una serie de patrones podía reconocer otros similares, aunque no se le hubiesen presentado en el entrenamiento Bernard Widroff/Marcian Hoff desarrollaron el modelo Adaline (ADAptative LINear Elements). Esta fue la primera red neuronal aplicada a un problema real (filtros adaptativos para eliminar ecos en las líneas telefónicas) que se ha utilizado comercialmente durante varias décadas Marvin Minsky/Seymour Papert casi producen la muerte abrupta de las Redes Neuronales; ya que probaron (matemáticamente) que el Perceptrons no era capaz de resolver problemas relativamente fáciles, como el aprendizaje de una función no lineal. Esto demostró que el Perceptron era muy débil, porque las funciones no lineales son empleadas en computación y en los problemas del mundo real John Hopfield provocó el renacimiento de las redes neuronales con su libro: Computación neuronal de decisiones en problemas de optimización David Rumelhart/G. Hinton redescubrieron el algoritmo de aprendizaje de propagación hacia atrás (backpropagation). A partir de 1986, el panorama fue alentador con respecto a las investigaciones y el desarrollo de las redes neuronales. En la actualidad, es un campo interesante, que promete avances a corto plazo, sobre todo en reconocimiento de imagen y sonido. Qué son las redes neuronales? Las Redes Neuronales son un campo muy importante dentro de la Inteligencia Artificial. Se inspiran en el comportamiento del cerebro humano (neuronas y sus conexiones), trata de crear modelos artificiales que solucionen problemas difíciles de resolver mediante técnicas algorítmicas convencionales. Una red neuronal artificial está formada por: Capa de entrada
3 Determinado número de capas ocultas (que también puede ser cero) Capa de salida. Figura1.Ejemploderedneuronal Entre cada una de las capas que forman la red neuronal existen matrices de pesos sinápticos, que son los que le otorgan a la red neuronal su potencial de cálculo y capacidad de aprendizaje, ya que son estos los que varían a medida que el sistema aprende. Las redes neuronales artificiales (RNA) tienen muchas ventajas debido a que están basadas en la estructura del sistema nervioso, principalmente el cerebro. Aprendizaje : Las RNA tienen la habilidad de aprender mediante la etapa de aprendizaje. Consiste en proporcionar a la RNA datos como entrada a su vez que se le indica cuál es la salida esperada. Auto organización : Una RNA crea su propia representación de la información en su interior. Tolerancia a fallos : Debido a que una RNA almacena la información de forma redundante, ésta puede seguir respondiendo de manera aceptable aun si se daña parcialmente. Flexibilidad : Una RNA puede manejar cambios no importantes en la información de entrada. Tiempo real : La estructura de una RNA es paralela, por lo cual si esto es implementado con computadoras, se pueden obtener respuestas en tiempo real.
4 Cómo se aplican al control de sistemas? Las redes neuronales tienen la capacidad de aprender, por lo que si conocemos la entrada del sistema, la salida objetivo y la salida real del sistema ante una entrada dada, un controlador integrado por una red neuronal sería capaz de modificar sus parámetros aprendiendo la dinámica de la planta hasta conseguir un sistema confiable. A efectos prácticos, en el estado estacionario, los resultados obtenidos por la red neuronal serían muy similares a la función de transferencia desconocida del controlador. Se convertiría por tanto en un sistema de control variable en el tiempo ya que la red iría cambiando su estructura con el paso del tiempo y aprendiendo la dinámica del sistema, lo que recibe el nombre de un controlador adaptable. Los controladores adaptables se utilizan para diseñar sistemas de control para plantas que son desconocidas a priori y configuran controladores variables en el tiempo. Los principios de control basados en redes neuronales se pueden resumir en estas estructuras: Control Supervisado: La red aprende un conjunto de entradas y las salidas deseadas, y puede de esta forma identificar un sistema dinámico. Control Inverso Directo: La red aprende la dinámica inversa de un sistema, de modo que aplicando la señal, la red puede calcular la acción de control a realizar. Retropropagacion de Utilidad: Permite optimizar la función de transferencia. Requiere de un modelo del sistema a controlar, el cual puede ser otra red neuronal. Crítico Adaptativo: Al igual que el esquema anterior, sirve para optimizar una función de transferencia, pero sin necesidad de un modelo de planta, o por lo menos, sin que sea necesario un modelo determinista. El crítico, consiste normalmente en otra red, es el encargado de evaluar el comportamiento de la red principal, para que de esta forma pueda adaptar sus pesos. Qué tipo de red es? El controlador NN Predictive de Simulink utiliza una red neuronal cuyo tipo de aprendizaje clasifica como aprendizaje supervisado y utiliza el algoritmo de backpropagation.
5 Aprendizaje supervisado Es una técnica para deducir una función a partir de los datos de entrenamiento. Los datos de entrenamiento consisten en normalmente un objeto con dos componentes: una componente del par son los datos de entrada y el otro, los resultados deseados. Estos algoritmos requieren el emparejamiento de cada vector de entrada con su correspondiente vector de salida. El entrenamiento consiste en presentar un vector de entrada a la red, calcular la salida de la red, compararla con la salida deseada, y el error resultante se utiliza para realimentar la red y cambiar los pesos de acuerdo con un algoritmo que tiende a minimizar el error. Algoritmo utilizado: Backpropagation El algoritmo Backpropagation funciona de la siguiente manera: 1. La entrada se propaga por las capas hasta generar una salida. 2. La señal de salida se compara con la salida deseada y se calcula una señal de error para cada una de las salidas. 3. Las salidas de error se propagan hacia atrás, desde la capa de salida, hacia todas las neuronas de la capa oculta que contribuyen directamente a la salida. 4. Basándose en la señal de error percibida, se actualizan los pesos de conexión de cada neurona, para que la red converja hacia un estado que permita clasificar correctamente todos los patrones de entrenamiento. A medida que se entrena la red, las neuronas de las capas intermedias se organizan a sí mismas de tal modo que las distintas neuronas aprenden a reconocer distintas características de la entrada. Después del entrenamiento, cuando se les presente un patrón arbitrario de entrada las neuronas de la capa oculta de la red responderán con una salida activa si la nueva entrada contiene un patrón que se asemeje a aquella característica que las neuronas individuales hayan aprendido a reconocer durante su entrenamiento. Ejemplo de aplicación en Simulink Para el ejemplo se utilizó el controlador NN predictivo. Se tiene la siguiente función de transferencia: Figura2.Funcióndetransferencia
6 Primero se simula el modelo sin red neuronal, para ver cuánto de error existe: Figura3.Modelonormal. Figura4.Figuramodelonormal. Para generar los datos de entrenamiento de la red neuronal se necesito de un modelo que fuera adecuado para reducir el error, el modelo que se consiguió es el siguiente: Figura5.ModeloFuncionTransf El modelo utilizando el controlador NN predictivo se muestra a continuación:
7 Figura6.UsandoNNpredictivecontroller Para comenzar a llenar los datos de la plantilla del controlador comenzaremos con los siguientes datos: Figura7.Plantadeidentificación Se tendrán 1000 datos de entrenamiento, y los valores del intervalo estarán entre el rango [1, 0.5]. Se agrega el modelo para generar los datos y luego se generan los datos:
8 Figura8.Datosgenerados Una vez que ya se tienen los datos se debe entrenar la red neuronal con los datos, teniendo como resultado: Figura9.Redneuronalentrenada
9 Figura10.Validacióndelosdatosyentrenamientodelosdatos. Una vez que se terminó con la planta de identificación, se termina llenando los parámetros del controlador y se puede simular, obteniendo la gráfica de la referencia y la salida de la planta. Figura11.Graficareferenciavs.salidadelaplanta.
10 Se puede observar que la red neuronal disminuye el error respecto a la primera gráfica del modelo sin red neuronal. Conclusiones Se puede concluir que la redes neuronales pueden ser aplicadas para el control de sistemas; ya que van aprendiendo de acuerdo a los cambios, teniendo datos de entrenamiento, para ello se debe tener cuidado con el modelo que se utiliza para generarlos y la función de entrenamiento. Referencia P. Isasi, I. M. Galván, Redes de neuronas artificiales: un enfoque práctico. Pearson Prentice Hall, Christos Stergiou and Dimitrios Siganos Neural Networks. is a Neural Network Howard Demuth, Mark Beale, Neural Network Toolbox For Use with MATLAB. Wikipedia Neural Network
Introducción 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 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 detallesIntroducción a las Redes de Neuronas
Introducción a las Redes de Neuronas Departamento de Informática Universidad Carlos III de Madrid Avda. de la Universidad, 30. 89 Leganés (Madrid) Introducción de Redes de Neuronas Introducción Fundamentos
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 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 detallesING. EN SISTEMAS COMPUTACIONES TEMA A EXPONER: REDES NEURONALES
ING. EN SISTEMAS COMPUTACIONES TEMA A EXPONER: REDES NEURONALES Ing. Bruno López Takeyas ALUMNOS: Jesús Martín Buentello Vargas Oscar de Luna Quezada Jesús Antonio Galindo Palacios Daniel Villanueva Cisneros
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 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 detallesAprendizaje Automatizado. Redes Neuronales Artificiales
Aprendizaje Automatizado Redes Neuronales Artificiales Introducción Una forma de emular características propias de los humanos: memorizar y asociar hechos. Se aprende de la experiencia. El cerebro humano
Más detallesCRITERIOS DE SELECCIÓN DE MODELOS
Inteligencia artificial y reconocimiento de patrones CRITERIOS DE SELECCIÓN DE MODELOS 1 Criterios para elegir un modelo Dos decisiones fundamentales: El tipo de modelo (árboles de decisión, redes neuronales,
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 detallesPROJECT GLASS : REALIDAD AUMENTADA, RECONOCIMIENTO DE IMÁGENES Y RECONOCIMIENTO DE VOZ.
PROJECT GLASS : REALIDAD AUMENTADA, RECONOCIMIENTO DE IMÁGENES Y RECONOCIMIENTO DE VOZ. Lucas García Cillanueva Paloma Jimeno Sánchez-Patón Leticia C. Manso Ruiz PROJECT GLASS Dentro de Google Labs Gafas
Más detallesAprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Más detallesEFECTO DE LA TOPOLOGIA DE REDES NEURONALES DE BACKPROPAGATION EN LA OPTIMIZACION DE PROCESOS QUÍMICOS VIA MODELOS MATEMATICOS NEURONALES EMPÍRICOS.
EFECTO DE LA TOPOLOGIA DE REDES NEURONALES DE BACKPROPAGATION EN LA OPTIMIZACION DE PROCESOS QUÍMICOS VIA MODELOS MATEMATICOS NEURONALES EMPÍRICOS. INTRODUCCIÒN MSc. Ing. Edwin Guido Boza Condorena Facultad
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 detallesLABORATORIO No. 3 MODELAMIENTO Y ANALISIS DINAMICO DE SISTEMAS ELECTRICOS
UNIVERSIDAD FRANCISCO DE PAULA SANTANDER FACULTAD DE INGENIERIA INGENIERÍA ELECTRÓNICA 1 SISTEMAS DINAMICOS 1160601 LABORATORIO No. 3 MODELAMIENTO Y ANALISIS DINAMICO DE SISTEMAS ELECTRICOS INSTRUCCIONES
Más detallesPresentado por: Laura Katherine Gómez Mariño. Universidad Central
Presentado por: Laura Katherine Gómez Mariño. Universidad Central IMPORTANCIA DEL TEMA ESCOGIDO: Es una herramienta usada en simulación, que es parte crucial en un sistema de control industrial. Un controlador
Más detallesLOS SISTEMAS ADAPTATIVOS
0010100100100101010110010001 0101010001010100101000101 0010100011110010110010001 11111111111010100010101001010010100010101010101 0010100011110101010101011100101001001010101100100010010100011110101010001
Más detallesInteligencia Artificial. Redes Neurales Artificiales
Inteligencia Artificial Redes Neurales Artificiales Redes Neural Natural Estructura celular del del cerebro donde residen las las capacidades intelectuales del del hombre Neurona: Soma: Dendritas: Sinapsis:
Más detallesIntroducción a Las redes Neuronales (Neurales) CO-6612
Introducción a Las redes Neuronales (Neurales) CO-662 Coordenadas iniciales: Prof. Minaya Villasana Oficina: CBI-2 Extension: 906 3386 forma más fácil (preferida) de contacto: mvillasa@usb.ve Bibliografia:
Más detallesLección 6 Redes Neuronales Artificiales Curso Básico
Lección 6 Redes Neuronales Artificiales Curso Básico Curso Aproximación al estudio de célula mínima desde la Biología de Sistemas Montevideo 6-10 diciembre 2010 Federico Morán Departamento de Bioqímica
Más detallesSecretaría de Docencia Dirección de Estudios Profesionales
PROGRAMA DE ESTUDIO POR COMPETENCIAS REDES NEURONALES I. IDENTIFICACIÓN DEL CURSO Espacio Educativo: Facultad de Ingeniería Licenciatura: Ingeniería en Computación Área de docencia: Interacción Hombre-Máquina
Más detallesPREDICCIÓN DE DEMANDA INSATISFECHA MEDIANTE EL USO DE REDES NEURONALES
PREDICCIÓN DE DEMANDA INSATISFECHA MEDIANTE EL USO DE REDES NEURONALES Guillermo MOLERO CASTILLO - g.moleroc@gmail.com Maestría en Ingeniería de la Computación, Universidad Nacional Autónoma de México
Más detallesClasificación de Música por Genero Utilizando Redes Neuronales Artificiales. Elkin García, Germán Mancera, Jorge Pacheco
Clasificación de Música por Genero Utilizando Redes Neuronales Artificiales Elkin García, Germán Mancera, Jorge Pacheco Presentación Los autores han desarrollado un método de clasificación de música a
Más detallesRedes Multicapa. Compuerta XOR
Redes Multicapa LIMITACIÓN DEL PERCEPTRÓN El perceptrón puede resolver solamente problemas que sean linealmente separables, esto es problemas cuyas salidas estén clasificadas en dos categorías diferentes
Más detallesIA con RARS. Miguel Ángel Herranz Trillo Juan Ramón Martín Blanco. Práctica Final de IRC
Práctica Final de IRC Introducción a RARS RARS (Robot Auto Racing Simulator) Simulador de carreras de coches de código abierto. Útil como entorno para experimentación en inteligencia artificial. Física
Más detallesCOMPUTACION INTELIGENTE (PRIMERA PARTE: INTRODUCCION)
COMPUTACION INTELIGENTE (PRIMERA PARTE: INTRODUCCION) Jose Aguilar Cemisid, Facultad de Ingeniería Universidad de los Andes Mérida, Venezuela aguilar@ula.ve COMPUTACIÓN INTELIGENTE METODOLOGÍA COMPUTISTA
Más detallesUNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION
UNIVERSIDAD AUTONOMA DEL ESTADO DE MEXICO CENTRO UNIVERSITARIO UAEM ATLACOMULCO REPORTE DE INVESTIGACION Qué es el momento en una red backpropagation? U.A. REDES NEURONALES INTEGRANTES: JESUS BARRIOS CRESCENCIO
Más detallesMODELOS DE COMPUTACION II
INGENIERIA INFORMATICA ÁREA: CIENCIAS DE LA COMPUTACIÓN E INTELIGENCIA ARTIFICIAL MODELOS DE COMPUTACION II Presentación del profesor y de la asignatura JUAN LUIS CASTRO PEÑA 2010-11 Información: http://decsai.ugr.es/~castro/mcii
Más detalles3.2 CONTROL DE GIRO DE UN MOTOR DE INDUCCIÓN DE JAULA DE. Un motor de inducción tiene físicamente el mismo estator de una máquina
220 3.2 CONTROL DE GIRO DE UN MOTOR DE INDUCCIÓN DE JAULA DE ARDILLA 3.2.1 Descripción del problema. Un motor de inducción tiene físicamente el mismo estator de una máquina sincrónica con diferente construcción
Más detallesDra. Ma. del Pilar Gómez Gil Primavera 2013
C261-69 Tópicos Avanzados: Redes Neuronales Artificiales V:22-Ene-13 Dra. Ma. del Pilar Gómez Gil Primavera 2013 pgomez@acm.org, pgomez@inaoep.mx (c) 2008-2013. P. Gómez-Gil, INAOE 1 Objetivo del curso
Más detallesIntroducción. Autoencoders. RBMs. Redes de Convolución. Deep Learning. Eduardo Morales INAOE (INAOE) 1 / 60
Deep Learning Eduardo Morales INAOE (INAOE) 1 / 60 Contenido 1 2 3 4 (INAOE) 2 / 60 Deep Learning El poder tener una computadora que modele el mundo lo suficientemente bien como para exhibir inteligencia
Más detallesSistemas Conexionistas
1 Objetivo Sistemas Conexionistas Curso 2011/2012 El objetivo de esta práctica es usar un conjunto de redes de neuronas artificiales para abordar un problema de reconocimiento de figuras sencillas en imágenes
Más detalles2. PRINCIPALES TIPOS DE REDES NEURONALES
33 2. PRINCIPALES TIPOS DE REDES NEURONALES 2.1 PERCEPTRÓN 2.1.1 Antecedentes. La primera red neuronal conocida, fue desarrollada en 1943 por Warren McCulloch y Walter Pitts; ésta consistía en una suma
Más detallesPráctica 3. Nombre del curso: Teoría Moderna de la Detección y Estimación. Autores: Emilio Parrado Hernández
Práctica 3 Nombre del curso: Teoría Moderna de la Detección y Estimación Autores: Emilio Parrado Hernández Práctica 3: Cancelación de ruido mediante filtrado. Teoría Moderna de la Detección y la Estimación
Más detallesREDES NEURONALES ARTIFICIALES: POTENCIAL DESARROLLO MILITAR
1 REDES NEURONALES ARTIFICIALES: POTENCIAL DESARROLLO MILITAR Cristián Widow Lira * 1. Introducción. Hace ya bastante tiempo que, en todos los ambientes académicos del país y de todo el mundo, se viene
Más detallesDISEÑO Y CONSTRUCCIÓN DE UN ROBOT CARTESIANO DE 3 GRADOS DE LIBERTAD
DISEÑO Y CONSTRUCCIÓN DE UN ROBOT CARTESIANO DE 3 GRADOS DE LIBERTAD Juan Zuluaga Gómez 1,2,4, Edgar Arcos, Msc 2,3, Julie Berrio, Msc 2,3, Sergio Corredor 2 1 Optimización de procesos con nanotecnología
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 detallesReconocimiento Automático de Voz
Reconocimiento Automático de Voz Presentación basada en las siguientes Referencias: [1] Rabiner, L. & Juang, B-H.. Fundamentals of Speech Recognition, Prentice Hall, N.J., 1993. [2] Rabiner, L. & Juang,
Más detallesDISEÑO Y CONSTRUCCION DE UN SISTEMA DE RECTIFICACION CONTROLADO APLICADO A UN MOTOR DC
DISEÑO Y CONSTRUCCION DE UN SISTEMA DE RECTIFICACION CONTROLADO APLICADO A UN MOTOR DC Gunther Andrade 1, Guillermo Eras 2, Jazmín Llerena 3, Fabricio Ordóñez 4, Norman Chootong 5 RESUMEN El objetivo de
Más detallesen el funcionamiento del cerebro FRANCISCO CERVANTES PÉREZ, JOSÉ INCERA DIÉGUEZ Y SALVADOR MÁRMOL YAHYA
COMPUTaCIÓN NeURONaL MecaNIsMos INspIrados en el funcionamiento del cerebro FRANCISCO CERVANTES PÉREZ, JOSÉ INCERA DIÉGUEZ Y SALVADOR MÁRMOL YAHYA >A finales de los años 80, los sistemas que procesan información
Más detallesREDES NEURONALES ARTIFICIALES APLICADAS AL DISEÑO EN INGENIERÍA
REDES NEURONALES ARTIFICIALES APLICADAS AL DISEÑO EN INGENIERÍA J. M. Cervantes Martínez, T. H. Neri Vitela y G. Mendoza García * Instituto Mexicano del Petróleo Eje Central Lázaro Cárdenas No. 152 C.P.
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 detallesCátedra: Informática Aplicada a la Ingeniería de Procesos Orientación I. Tema: Redes Neuronales: Conceptos Básicos y Aplicaciones.
Universidad Tecnológica Nacional Facultad Regional Rosario Departamento de Ingeniería Química Grupo de Investigación Aplicada a la Ingeniería Química (GIAIQ) Cátedra: Informática Aplicada a la Ingeniería
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 detallesExperimentos Introducción
Capítulo 5 Experimentos 5.1. Introducción En este capítulo se describirán los desarrollos y resultados de los experimentos realizados con el sistema de reconocimiento de voz presentado en este proyecto.
Más detallesCapítulo 2. Las Redes Neuronales Artificiales
Capítulo 2. Las Redes Neuronales Artificiales 13 Capitulo 2. Las Redes Neuronales Artificiales 2.1 Definición Redes Neuronales Artificiales El construir una computadora que sea capaz de aprender, y de
Más detallesPREDICCIÓN DEL TIPO DE CAMBIO PESO-DÓLAR UTILIZANDO REDES NEURONALES ARTIFICIALES LUIS ALBERTO ZAPATA GARRIDO HUGO FABIÁN DIAZ MOJICA
PREDICCIÓN DEL TIPO DE CAMBIO PESO-DÓLAR UTILIZANDO REDES NEURONALES ARTIFICIALES LUIS ALBERTO ZAPATA GARRIDO HUGO FABIÁN DIAZ MOJICA FUNDACIÓN UNIVERSIDAD DEL NORTE FACULTAD DE CIENCIAS ADMINISTRATIVAS
Más detallesModelos para el sistema visual: I. Prof. María L. Calvo Clase del 16 de abril 2012
Modelos para el sistema visual: I Prof. María L. Calvo Clase del 16 de abril 2012 Modelos para el procesado de la información visual Aproximaciones Analíticas que predicen procesos biológicos complejos
Más detallesCURSO CAPACITACIÓN DOCENTE EN NEUROCIENCIAS ASOCIACIÓN EDUCAR MONOGRAFIA ALUMNO: VALENTÍN FRANCISCO ALIAGA ARAYA DESARROLLANDO EL APRENDIZAJE
CURSO CAPACITACIÓN DOCENTE EN NEUROCIENCIAS ASOCIACIÓN EDUCAR MONOGRAFIA ALUMNO: VALENTÍN FRANCISCO ALIAGA ARAYA DESARROLLANDO EL APRENDIZAJE Desarrollando del Aprendizaje La maduración cerebral o neurodesarrollo
Más detallesMatemáticas II. Carrera: IFM Participantes. Representantes de la academia de sistemas y computación de los Institutos Tecnológicos.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Matemáticas II Licenciatura en Informática IFM - 0424 3-2-8 2.- HISTORIA DEL PROGRAMA
Más detallesAPPLICATION OF NEURAL NETWORKS TO AC MOTORS SPEED CONTROL APLICACIÓN DE REDES NEURONALES AL CONTROL DE VELOCIDAD EN MOTORES DE CORRIENTE ALTERNA
Recibido: 01 de junio de 2012 Aceptado: 30 de junio de 2012 APPLICATION OF NEURAL NETWORKS TO AC MOTORS SPEED CONTROL APLICACIÓN DE REDES NEURONALES AL CONTROL DE VELOCIDAD EN MOTORES DE CORRIENTE ALTERNA
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 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 detallesDISEÑO E IMPLEMENTACIÓN DE UN CONTROLADOR BASADO EN REDES NEURONALES CON ENTRENAMIENTO RÁPIDO PARA SISTEMAS DE. CONTROL 2 x 2
DISEÑO E IMPLEMENTACIÓN DE UN CONTROLADOR BASADO EN REDES NEURONALES CON ENTRENAMIENTO RÁPIDO PARA SISTEMAS DE CONTROL 2 x 2 ERICK FRANK SARMIENTO JURADO UNIVERSIDAD DEL NORTE DIVISIÓN DE INGENIERÍAS MAESTRÍA
Más detalles1: INTRODUCCIÓN AL USO DE LA HOJA DE CALCULO EXCEL COMO HERRAMIENTA PARA DESARROLLAR PROBLEMAS EN INGENIERÍA. SOLVER, REGRESION LINEAL MULTIPLE
Practica 1: INTRODUCCIÓN AL USO DE LA HOJA DE CALCULO EXCEL COMO HERRAMIENTA PARA DESARROLLAR PROBLEMAS EN INGENIERÍA. SOLVER, REGRESION LINEAL MULTIPLE I. INTRODUCCION Las planillas de cálculo se han
Más detalles4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC:
4.1 CONGRUENCIA ENTRE LOS OBJETIVOS DEL PLAN DE ESTUDIOS Y EL PERFIL DE EGRESO CON LAS LGAC: A continuación se muestran los objetivos así como los mapas funcionales según la línea de acentuación y la línea
Más detallesLas Redes Neuronales Artificiales y su importancia como herramienta en la toma de decisiones. Villanueva Espinoza, María del Rosario CAPÍTULO III
herramienta en la toma de decisiones Villanueva Espinoza, María CAPÍTULO III III ELEMENTOS DE UNA RED NEURONAL ARTIFICIAL Las redes neuronales son modelos que intentan reproducir el comportamiento del
Más detallesMatemáticas II. Carrera: IFM Participantes. Representantes de la academia de sistemas y computación de los Institutos Tecnológicos.
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: Horas teoría-horas práctica-créditos Matemáticas II Licenciatura en Informática IFM - 0424 3-2-8 2.- HISTORIA DEL PROGRAMA
Más detallesBLOQUE I: HOJA DE CÁLCULO
4. Organización, secuenciación y temporización de contenidos BLOQUE I: HOJA DE CÁLCULO En este bloque se pretende conocer y utilizar tanto la hoja de cálculo Excel como sus gráficos. Se aplicará la hoja
Más detallesTEMA 1: SISTEMAS MODELADOS POR ECUACIONES DIFERENCIALES EN INGENIERÍA QUÍMICA. CLASIFICACIÓN. GENERALIDADES.
TEMA 1: SISTEMAS MODELADOS POR ECUACIONES DIFERENCIALES EN INGENIERÍA QUÍMICA. CLASIFICACIÓN. GENERALIDADES. 1. INTRODUCCIÓN. PLANTEAMIENTO DE PROBLEMAS EN INGENIERÍA QUÍMICA 2. PROBLEMAS EXPRESADOS MEDIANTE
Más detallesInteligencia Artificial
Inteligencia Artificial Practica 2. (5 semanas) Rubén Cárdenes Almeida Redes neuronales. Introducción Las Redes Neuronales Artificiales (RNA) están inspiradas en la biología, esto significa que están formadas
Más detallesNUEVOS PARADIGMAS REDES NEURONALES Y EDUCACIÓN..-Redes Neuronales Artificiales vs Redes Neuronales Biológicas
NUEVOS PARADIGMAS REDES NEURONALES Y EDUCACIÓN.-Redes Neuronales Artificiales vs Redes Neuronales Biológicas 1) Comparación entre humanos y máquinas 2) Las neuronas y el aprendizaje 3) Activación de las
Más detallesI Parte. Identificación. (20 puntos) Identifico la respuesta correcta de acuerdo con la indicación que se presenta.
Periodo: I Trimestre Nombre: Prueba: Ciencias 6 Puntos obtenidos: Valor: 69 puntos Tema 1: El Sistema Nervioso Objetivos específicos: Conocer los componentes del Sistema Nervioso. Ubicar los componentes
Más detallesÁrea Académica: ICBI, Sistemas Computacionales. Profesor: M.C.C Víctor Tomás Tomás Mariano
Área Académica: ICBI, Sistemas Computacionales Tema: Mapas auto organizados Profesor: M.C.C Víctor Tomás Tomás Mariano Alumnos: Leticia Hernandez Hernandez. Agustin Escamilla Hernández Periodo: Julio-Diciembre
Más detallesJosé Márquez Díaz Paul Sanmartín Mendoza Josheff David Céspedes
José Márquez Díaz Paul Sanmartín Mendoza Josheff David Céspedes Barranquilla - Bogotá COLOMBIA, 2013 CONTENIDO PREFACIO... 3 INTRODUCCIÓN... 5 TIPOS DE MODELO DE SIMULACIÓN... 6 PROPÓSITOS DE UNA SIMULACIÓN...
Más detallesTEMA 6 Redes de Neuronas Artificiales
TEMA 6 Redes de Neuronas Artificiales Francisco José Ribadas Pena INTELIGENCIA ARTIFICIAL 5 o Informática ribadas@uvigo.es 29 de noviembre de 2005 c 2005 ccia ia 6.1 Introducción Objetivo: Usar los principios
Más detallesCLASIFICACIÓN DE LA IMAGEN. Escuela de Ingeniería Civil y Geomática Francisco Luis Hernández Torres
CLASIFICACIÓN DE LA IMAGEN TÉCNICA QUE PERMITE LA IDENTIFICACIÓN DE LOS DIFERENTES OBJETOS O GRUPOS PRESENTES EN UNA IMAGEN MULTI-ESPECTRAL. MÉTODO NO SUPERVISADO MÉTODO SUPERVISADO El Desarrollo De Las
Más detallesUNIDAD 23 NEUMÁTICA TECNOLOGÍA INDUSTRIAL II > SISTEMAS NEUMÁTICOS Y OLEOHIDRAULICOS 1. OBJETIVOS DE LA UNIDAD 2. CONTENIDOS CONCEPTUALES
UNIDAD. NEUMÁTICA TECNOLOGÍA INDUSTRIAL II > SISTEMAS NEUMÁTICOS Y OLEOHIDRAULICOS 1. OBJETIVOS DE LA UNIDAD UNIDAD NEUMÁTICA. Comprobar que el aire comprimido puede constituir una fuente de energía..
Más detallesBloque temático: Sistemas de Reconocimiento de Patrones
Bloque temático: Sistemas de Reconocimiento de Patrones 1 Sistemas de Reconocimiento de Patrones PRACTICAS 6)Estudio de ejemplos en Matlab 7)Adquisición de imágenes reales: generación de una librería de
Más detallesDiseño de reguladores PID.
Universidad Carlos III de Madrid Departamento de Ingeniería de Sistemas y Automática Área de Ingeniería de Sistemas y Automática SEÑALES Y SISTEMAS Práctica 3 Diseño de reguladores PID. 1 Introducción
Más detallesFISIOLOGÍA HUMANA BLOQUE 9. NEUROFISIOLOGÍA
Facultad de Medicina Departamento de Fisiología FISIOLOGÍA HUMANA BLOQUE 9. NEUROFISIOLOGÍA Tema 43. Receptores Sensoriales Dr. Bernardo LÓPEZ CANO Profesor Titular de la Universidad de Murcia Contenidos
Más detallesRepresentación de números enteros: el convenio exceso Z
Representación de números enteros: el convenio exceso Z Apellidos, nombre Martí Campoy, Antonio (amarti@disca.upv.es) Departamento Centro Informàtica de Sistemes i Computadors Escola Tècnica Superior d
Más detallesMATEMÁTICAS APLICADAS A LAS C.C. SOCIALES
MATEMÁTICAS APLICADAS A LAS CC SOCIALES CAPÍTULO 2 Curso preparatorio de la prueba de acceso a la universidad para mayores de 25 años curso 2010/11 Nuria Torrado Robles Departamento de Estadística Universidad
Más detallesCAPÍTULO I ALGUNOS HECHOS INTERESANTES DE LAS NEURONAS
CAPÍTULO I ALGUNOS HECHOS INTERESANTES DE LAS NEURONAS La idea de ser parte constituyente de la estructura cerebral la introducen Ramón y Cajal en 9. El tamaño de una neurona es de cinco a seis veces más
Más detallesAPRENDIZAJE NO SUPERVISADO Y EL ALGORITMO WAKE-SLEEP EN REDES NEURONALES
UNIVERSIDAD TECNOLÓGICA DE LA MIXTECA APRENDIZAJE NO SUPERVISADO Y EL ALGORITMO WAKE-SLEEP EN REDES NEURONALES TESIS PARA OBTENER EL TÍTULO DE: LICENCIADO EN MATEMÁTICAS APLICADAS PRESENTA: NORMA PELÁEZ
Más detallesCAPÍTULO III I. MARCO METODOLÓGICO. Este capítulo hace mención a los aspectos metodológicos de la
CAPÍTULO III I. MARCO METODOLÓGICO Este capítulo hace mención a los aspectos metodológicos de la investigación utilizados para la solución del problema. Antes de todo, es necesario definir lo que es una
Más detallesInteligencia artificial
7 Inteligencia artificial Alvaro José de Albornoz Patricia Escamilla Ramón Brena Raúl Monroy Rogelio Soto Rodríguez Sairam Cerón Manuel Valenzuela Edgar Vallejo 7.1 Descripción 7.1.1 Definición La Inteligencia
Más detallesPráctica 6 Amplificador de instrumentación
Práctica 6 Amplificador de instrumentación Objetivo de la práctica Analizar el comportamiento de un amplificador de instrumentación Al terminar esta práctica, el discente será capaz de: Crear un amplificador
Más detallesRedes Neuronales. Jorge Granados. Agosto TEXTO SELECCIONADO Y ADAPTADO PARA USO DOCENTE por Ing. Simón Mario Tenzer, Octubre 1999
Redes Neuronales Jorge Granados Agosto 1996 TEXTO SELECCIONADO Y ADAPTADO PARA USO DOCENTE por Ing. Simón Mario Tenzer, Octubre 1999 Indice I.-Redes Neuronales Artificiales vs Redes Neuronales Biológicas
Más detallesSistemas Control Embebidos e Instrumentación Electrónica UNIVERSIDAD EAFIT Semestre 2010/2 2009/2
Lógica difusa Semestre 2010/2 Bibliografía básica (módulo sistemas Difusos) Neuro-Fuzzy and soft computing, J.S. Roger Jang, C. Tsai Sun, Eiji Mizutami, Prentice Hall, 1997. Learning and soft computing:
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 detallesAPD 1305 2-3 - 5 SATCA 1 : Carrera:
1. Datos Generales de la asignatura Nombre de la asignatura: Clave de la asignatura: SATCA 1 : Carrera: Robótica Industrial APD 1305 2-3 - 5 Ingeniería Mecánica 2. Presentación Caracterización de la asignatura
Más detallesDOCUMENTO DE APOYO PARA PROYECTOS
DOCUMENTO DE APOYO PARA PROYECTOS Los ejemplos que a continuación se encuentran en este documento de apoyo al estudiante, tiene como objetivo dar una serie de ejemplos mínimos de algunas partes de los
Más detallesEl interés por el estudio de las bases biológicas de las diferencias individuales ha estado presente a la par que el interés por el estudio de las
El interés por el estudio de las bases biológicas de las diferencias individuales ha estado presente a la par que el interés por el estudio de las diferencias individuales (dos ejemplos). 1 2 Un ejemplo
Más detallesQué es una tabla dinámica? Para qué sirve una tabla dinámica?
Gracias a las múltiples solicitudes de alumnos, me he propuesto realizar este manual a modo de entregar una guía base y una ayuda de memoria para todos aquellos que trabajan con esta herramienta. He decidido
Más detallesEs un conjunto de palabras y símbolos que permiten al usuario generar comandos e instrucciones para que la computadora los ejecute.
Los problemas que se plantean en la vida diaria suelen ser resueltos mediante el uso de la capacidad intelectual y la habilidad manual del ser humano. La utilización de la computadora en la resolución
Más detallesNombre de la asignatura: Investigación de Operaciones II. Créditos: Aportación al perfil
Nombre de la asignatura: Investigación de Operaciones II Créditos: 2-2-4 Aportación al perfil Analizar, diseñar y gestionar sistemas productivos desde la provisión de insumos hasta la entrega de bienes
Más detallesTema 14: Sistemas Secuenciales
Tema 14: Sistemas Secuenciales Objetivos: (CONTADORES) Introducción. Características de los contadores. Contadores Asíncronos. Contadores Síncronos. 1 INTRODUCCIÓN Los contadores son sistemas secuenciales
Más detallesUNIVERSIDAD VERACRUZANA MONOGRAFÍA: Licenciado en Sistemas Computacionales Administrativos. Francisco Xavier Basilio Hernández
UNIVERSIDAD VERACRUZANA Facultad de Contaduría y Administración Las redes neuronales con un Enfoque organizacional MONOGRAFÍA: Para obtener el título de: Licenciado en Sistemas Computacionales Administrativos
Más detallesSistema experto para el diagnóstico de enfermedades infecciosas del ganado vacuno
Memorias del II Congreso Binacional de Investigación, Ciencia y Tecnología de las Universidades Sistema experto para el diagnóstico de enfermedades infecciosas del ganado vacuno Heber Iván Mejía Cabrera,
Más detalles15. LUGAR DE LAS RAICES - CONSTRUCCION
15. LUGAR DE LAS RAICES - CONSTRUCCION 15.1 INTRODUCCION El lugar de las raíces es una construcción gráfica, en el plano imaginario, de las raíces de la ecuación característica de un lazo de control para
Más detallesFigura 1: Esquema de las tablas simplex de inicio y general.
RELACIONES PRIMAL-DUAL Los cambios que se hacen en el modelo original de programación lineal afectan a los elementos de la tabla óptima actual el que se tenga en el momento, que a su vez puede afectar
Más detallesResistores en circuitos eléctricos
Resistores en circuitos eléctricos Experimento : Resistencias en circuitos eléctricos Estudiar la resistencia equivalente de resistores conectados tanto en serie como en paralelo. Fundamento Teórico. Cuando
Más detallesExpositor: Mauricio Galvez Legua
ó Expositor: Mauricio Galvez Legua mgl10may62@hotmail.com 1 Qué es la ó La Robótica es una ciencia aplicada que se ocupa del estudio, desarrollo y aplicaciones de los robots. El estudio de la robótica
Más detallesPRINCIPIOS DE SISTEMAS DE CONTROL
PRINCIPIOS DE SISTEMAS DE CONTROL DEFINICIÓN DE AUTOMATIZACIÓN La Real Academia de Ciencias Exactas Físicas y Naturales define la Automática como el estudio de los métodos y procedimientos cuya finalidad
Más detallesHidráulica. Carrera: Ingeniería Petrolera PED-1016 SATCA
1.- DATOS DE LA ASIGNATURA Nombre de la asignatura: Carrera: Clave de la asignatura: SATCA 1 Hidráulica Ingeniería Petrolera PED-1016 2-3 5 2.- PRESENTACIÓN Caracterización de la Asignatura Esta asignatura
Más detallesGUÍA DOCENTE Computación Neuronal y Evolutiva. Grado en Ingeniería Informática
GUÍA DOCENTE 2016-2017 Computación Neuronal y Evolutiva 1. Denominación de la asignatura: Computación Neuronal y Evolutiva Titulación Grado en Ingeniería Informática Código 6382 Grado en Ingeniería Informática
Más detallesINGENIERÍA PROFESIONAL EN INOCUIDAD ALIMENTARIA EN COMPETENCIAS PROFESIONALES ASIGNATURA DE ROBÓTICA
INGENIERÍA PROFESIONAL EN INOCUIDAD ALIMENTARIA EN COMPETENCIAS PROFESIONALES ASIGNATURA DE ROBÓTICA UNIDADES DE APRENDIZAJE 1. Competencias Automatizar procesos de producción mediante la implementación
Más detallesPROGRAMA DE ESTUDIOS POR COMPETENCIAS: PROGRAMACIÓN AVANZADA. Área de docencia: Electrónica Básica
I. IDENTIFICACIÓN DEL CURSO PROGRAMA DE ESTUDIOS POR COMPETENCIAS: PROGRAMACIÓN AVANZADA ORGANISMO ACADÉMICO: Facultad de Ingeniería Programa Educativo: Ingeniería en Electrónica Área de docencia: Electrónica
Más detalles