Redes Neuronales Artificiales
|
|
- Juan Francisco Bustamante Piñeiro
- hace 6 años
- Vistas:
Transcripción
1 Redes Neuronales Artificiales Alejandro Osses Vecchi 11 de julio de Introducción Comenzaremos con una definición simple y general de Red Neuronal para, en las próximas secciones, explicar y profundizar cada uno de los conceptos y componentes fundamentales involucrados en una red. Una red neuronal es una estructura interconectada de simples elementos de procesamiento procesadores elementales, unidades o nodos cuya funcionalidad está vagamente inspirada en la neurona biológica. La capacidad de procesamiento de la red está almacenada en valores numéricos que manifiestan la fuerza de las conexiones entre unidades o pesos, los que se obtienen a partir de un proceso de adaptación a, o aprendidos desde, un set de ejemplos de entrenamiento [1]. A continuación daremos una breve mirada al funcionamiento de una neurona biológica. 2. Neurona Biológica Se ha estimado que el cerebro humano contiene alrededor de células nerviosas, también conocidas como neuronas. Cada neurona posee un cuerpo o soma, un axón y muchas dendritas, como se muestra en la Figura 1. Las conexiones interneuronales son administradas por una serie de uniones electro-químicas denominadas sinapsis, localizadas en las dendritas. En la medida que una neurona recibe información, los impulsos eléctricos que llegan al cuerpo de la célula se van acumulando hasta provocar una excitación (o inhibición) de impulsos de voltaje, que luego se desplazan hasta el axón y nuevamente a través de las conexiones sinápticas se reparten a otras neuronas. Los equivalentes artificiales de las neuronas biológicas son los Procesadores Elementales, PE 1. Las sinapsis son modeladas por valores numéricos, dando un peso a la conexión entre 2 neuronas. El grado de excitación o inhibición de una 1 También llamados Unidades, Nodos. 1
2 Figura 1: Esquema de componentes principales en una neurona biológica. neurona artificial se determina por la suma ponderada de todas sus entradas. En el caso más sencillo, se establece un nivel de umbral por sobre el cual se hablará de exitación y bajo él de inhibición. En la Figura 2 se muestra el equivalente artificial de la neurona biológica. Figura 2: Neurona artificial, aproximación a una neurona biológica [2]. El objetivo de la modelación de las neuronas biológicas es la inclusión de la capacidad de aprendizaje a partir de la experiencia, posibilitando su implementación computacional y, por tanto, su extensibilidad a diversos campos de la ciencia. La analogía entre la estructura biológica de una red neuronal y su modelo artificial son resumidas en la Tabla 1. 2
3 Red neuronal biológica Soma Dendrita Axón Sinapsis Red neuronal artificial Neurona Entrada Salida Pesos Tabla 1: Analogía entre una red neuronal biológica y su modelo artificial 3. Fundamentos de Redes Neuronales Artificiales Recapitulando, una Red Neuronal Artificial, ANN 2, es una estructura de unidades simples de procesamiento o procesadores elementales interconectados, que realiza alguna de las siguientes funciones: aprendizaje, memorización, generalización o abstracción de características relevantes a partir de un conjunto de ejemplos [3]. Para la utilización de una ANN se deben considerar: El diseño estructural o topología de la red, los procedimientos de almacenamiento de la información vinculada al aprendizaje (durante el proceso de entrenamiento) y los procedimientos de recuperación de información. Esta metodología ofrece solución a problemas poco estudiados o que presentan un alto grado de no linealidad Diseño estructural de una Red Neuronal El diseño estructural o topología de una red está relacionado con el conjunto de elementos y parámetros que definen su arquitectura: el número de capas, el número de neuronas por capa y el grado de conectividad entre las neuronas La neurona como procesador elemental Todo el procesamiento y cálculo numérico en una ANN se realiza en la neurona artificial o PE. A la entrada de una neurona, se realiza siempre un proceso de agregación de de n señales de entrada, ponderadas, las que son sumadas a fin de obtener un nivel de agregación net. La función de agregación, generalmente está definida por: 2 Del inglés Artificial Neural Networks. 3
4 Figura 3: Una neurona artificial generalizada, con n entradas. net = n x i w i (1) i=1 La salida de la neurona se determina a partir del nivel de activación, net, y una función de activación Y = f(net). Las funciones de activación también llamadas funciones de transferencia más usadas son: Lineal, Sigmoidal, Tangente Hiperbólica y Radial base (ver Tabla 2). La función de activación más simplificada corresponde a la función escalón o umbral, definida como: { 1 Si net θ Y = (2) 0 Si net < θ Esta función sólo discrimina si la entrada net supera o no supera un umbral numérico θ. No obstante la simplicidad de la función umbral, es la que más se aproxima a la capacidad de procesamiento de una neurona biológica, que al ser excitada emite o al ser inhibida no emite un impulso nervioso Conexiones Las conexiones entre neuronas son generalmente dirigidas. Si la ANN está organizada en capas, se pueden diferenciar las conexiones hacia adelante (feedforward), las de retroalimentación (feedback) y también configuraciones con conexiones intercapas, es decir, con conexiones a neuronas de otras capas. Si el peso asociado a una conexión es positivo, se habla de conexión excitadora, de lo contrario, se habla de conexión inhibidora Topología de la red Con los elementos anteriores, se puede concretar la topología de una ANN, tomando en cuenta el tipo de neuronas (datos binarios o reales), cantidad de 4
5 Función de Transferencia Y = f(net) Comando en MATLAB Escalón Signo { 1 Si net θ 0 Si net < θ { +1 Si net 0 1 Si net < 0 hardlim(net) hardlims(net) Lineal net purelin(net) Sigmoidal 1/(1 + exp ( net)) logsig(net) Tangente Hiperbólica 2/(1 + exp ( 2 net)) 1 tansig(net) Radial Base exp ( net 2 ) radbas(net) Razón Cuadrada net 2 /(1 + net 2 ) Tabla 2: Algunas funciones de activación, también llamadas funciones de transferencia. capas y de neuronas por capa, definición de la(s) función(es) de activación a utilizar y el tipo de conexiones. Se distinguirán 2 tipos de red: ANN de propagación hacia adelante (feedforward) y ANN recurrentes. También existen modelos híbridos Entradas y Salidas de la ANN Supongamos que se desea distinguir entre una naranja y un limón. Ambos poseen una serie de características en común: su forma, su textura, su tamaño y, en determinadas ocasiones, su color. Debido a lo anterior, no siempre nos será fácil tomar una desición a partir de estas características. Una característica que da mayor identidad a ambas frutas podría ser, por ejemplo, su olor. Si se quisiera implementar una ANN para realizar la tarea anterior, resultaría más significativo entregar como entrada de la red el parámetro olor para obtener como salida limón o naranja, en este caso, bastaría una salida binaria (0 = limón; 1 = naranja). El proceso de extracción de características y la confección de las entradas resulta un punto bastante sensible durante el proceso de diseño. Por lo que deberemos asegurarnos que las entradas de la red brinden información relevante del problema, es decir, se requieren antecedentes previos del mismo. 5
6 3.3. Entrenamiento de una ANN: Proceso de aprendizaje El aprendizaje es el proceso de adaptación de los pesos de las conexiones de la red neuronal, de manera de obtener un comportamiento determinado no sólo para los ejemplos que se usaron durante el proceso de entrenamiento, sino que también para aquellos datos que la red aún no conoce. Es por esto que el desarrollo de una red no acaba con el proceso de entrenamiento. El aprendizaje es un proceso dependiente de la topología de la red y se lleva a cabo mediante un algoritmo de entrenamiento. Se revisarán algunos de los algoritmos de entrenamiento más populares, donde destaca el algoritmo de retropropagación del error o Backpropagation. Referencias [1] Kevin Gurney. An introduction to neural networks. UCL Press, [2] Howard Demuth; Mark Beale; Martin Hagan. Matlab neural network toolbox 6. user s guide. Technical report, The Mathworks Inc., [3] Rodolfo Venegas. Diseño e implementación de un modelo de localización sonora espacial utilizando técnicas de inteligencia computacional. Master s thesis, Universidad Tecnológica de Chile,
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 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 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 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 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 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 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 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 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 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 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 detallesReCAD Revista electrónica de Ciencias Aplicadas al Deporte, Vol. 5, N 17, junio 2012
NUEVAS HERRAMIENTS DE INVESTIGACION: LAS REDES NEURONALES. Nelio Bazán. Instituto Superior de Deportes, Buenos Aires, 2012. Contacto: nelio_bazan@yahoo.com.ar Las redes neuronales A pesar de la evolución
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 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 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 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 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 detallesActividad: Cómo controlamos el dolor?
Nivel: 3º medio Subsector: Biología Unidad temática: Control nervioso y comportamiento Actividad: Cómo controlamos el dolor? A qué le llamamos dolor? El dolor corresponde a una serie de impulsos nerviosos
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 detallesLA NEURONA Historia. Concepto
LA NEURONA Historia A fines del siglo XIX, Santiago Ramón y Cajal situó por vez primera las neuronas como elementos funcionales del sistema nervioso.4 Cajal propuso que actuaban como entidades discretas
Más detallesSoluciones de la serie de ejercicios 8 (7.012)
Nombre AT Grupo Soluciones de la serie de ejercicios 8 (7.012) Pregunta 1 a) A continuación se muestra un esquema básico de la estructura de una neurona. Nombre las partes. 1= dendritas, 2= cuerpo celular
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 detallesSIG. CIAF Centro de Investigación y Desarrollo en Información Geográfica. Fundamentos de Sistemas de Información Geográfica C U R S O.
Grupo SIG C U R S O Fundamentos de Sistemas de Información Geográfica UNIDAD 1 Generalidades de los Sistemas de Información Geográfica Tema 3 Ciclo de vida y componentes de los SIG CIAF Centro de Investigación
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 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 detallesFISIOLOGÍA DEL CUERPO HUMANO
FISIOLOGÍA DEL CUERPO HUMANO FUNCIONES VITALES NUTRICIÓN RELACIÓN REPRODUCCIÓN LA FUNCIÓN DE RELACIÓN La función de relación permite a los seres vivos captar los cambios (estímulos) que se producen fuera
Más detallesRepresentación en el espacio de estado. Sistemas Control Embebidos e Instrumentación Electrónica UNIVERSIDAD EAFIT
Representación en el espacio de estado Representación en espacio de estado Control clásico El modelado y control de sistemas basado en la transformada de Laplace, es un enfoque muy sencillo y de fácil
Más detallesUnidad 2. Neurona y Transmisión Sináptica. Estudio Anatomo-Funcional del Sistema Nervioso
Unidad 2. Neurona y Transmisión Sináptica Estudio Anatomo-Funcional del Sistema Nervioso Objetivos Conocer los principales tipos de células nerviosas. Conocer la estructura externa e interna de la neurona.
Más detallesFISIOLOGÍA DEL CUERPO HUMANO
FISIOLOGÍA DEL CUERPO HUMANO FUNCIONES VITALES NUTRICIÓN RELACIÓN REPRODUCCIÓN LA FUNCIÓN DE RELACIÓN La función de relación permite a los seres vivos captar los cambios (estímulos) que se producen fuera
Más detallesTopologías para Redes
www.cablesa.com Topologías para Redes 1. Topologías más comunes 2. Mecanismos para la resolución de conflictos en la transmisión de datos 3. Diferentes formas de topología y la longitud máxima de los segmentos
Más detallesTECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN
TECNOLOGÍAS INTELIGENTES PARA EXPLOTACIÓN DE INFORMACIÓN FUNDAMENTOS CURSO DE DOCTORADO Dr. Ramón García-Martínez * * * CONTEXTO La inteligencia de negocio propone un abordaje interdisciplinario que tomando:
Más detallesINGENIERIA. Reyes Marzano, Alejandro FISI-UNMSM
INGENIERIA La ingeniería es la disciplina que aplica conocimientos y experiencias para que mediante diseños, modelos y técnicas se resuelvan problemas que afectan a la humanidad. En ella, el conocimiento
Más detallesSesión VI: Desarrollo de aplicaciones en el entorno MATLAB
1 Sesión VI: Desarrollo de aplicaciones en el entorno MATLAB LPI: Control y Procesamiento Digital de Señales Por: Ricardo Alzate Castaño UNIVERSIDAD NACIONAL DE COLOMBIA Sede Manizales Segundo Semestre
Más detallesFuncionalmente las neuronas se pueden clasificar en tres tipos: Neuronas sensitivas: aisladas o localizadas en órganos sensoriales o en zonas del
LA NEURONA La neurona es considerada la unidad estructural y funcional fundamental del sistema nervioso. Esto quiere decir que las diferentes estructuras del sistema nervioso tienen como base grupos de
Más detallesEspecialidades en GII-TI
Especialidades en GII-TI José Luis Ruiz Reina (coordinador) Escuela Técnica Superior de Ingeniería Informática Mayo 2014 Qué especialidades tiene la Ingeniería Informática? Según las asociaciones científicas
Más detallesBloque 1. Contenidos comunes. (Total: 3 sesiones)
4º E.S.O. OPCIÓN A 1.1.1 Contenidos 1.1.1.1 Bloque 1. Contenidos comunes. (Total: 3 sesiones) Planificación y utilización de procesos de razonamiento y estrategias de resolución de problemas, tales como
Más detalles"GENERALIDADES DE LOS SISTEMAS SENSORIALES"
FICHA de TRABAJO PRÁCTICO "GENERALIDADES DE LOS SISTEMAS SENSORIALES" NEUROFISIOLOGÍA II (Yorio) 1 LOS SISTEMAS SENSORIALES: GENERALIDADES. Nuestro conocimiento del mundo lo construimos con la vista, la
Más detallesComplejidad computacional (Análisis de Algoritmos)
Definición. Complejidad computacional (Análisis de Algoritmos) Es la rama de las ciencias de la computación que estudia, de manera teórica, la optimización de los recursos requeridos durante la ejecución
Más detallesFUNCION NEURAL. Prof. Alexander Bravo Ovarett Kinesiólogo Magister Neurehabilitacion
FUNCION NEURAL Prof. Alexander Bravo Ovarett Kinesiólogo Magister Neurehabilitacion 1 CONTINUO CONTACTO 3 4 5 PRINCIPIOS DE LA NEURONA POLARIZACION DINAMINCA ESPECIFICAD DE CONEXIÓN PLASTICIDAD 6 POLARIZACION
Más detallesEL42A - Circuitos Electrónicos
ELA - Circuitos Electrónicos Clase No. 24: Amplificadores Operacionales (1) Patricio Parada pparada@ing.uchile.cl Departamento de Ingeniería Eléctrica Universidad de Chile 3 de Noviembre de 2009 ELA -
Más detallesHerramienta no-convencional para modelado en Comunicaciones móviles: Redes Neuronales Artificiales Georgina Stegmayer
Herramienta no-convencional para modelado en Comunicaciones móviles: Redes Neuronales Artificiales Georgina Stegmayer Centro de I+D CIDISI UTN-FRSF Lavaise 610 (3000) Santa Fe Argentina (e-mail: georgina.stegmayer@ieee.org)
Más detalles2. MODELO NEURONAL DESCRIPTIVO
2. MODELO NEURONAL DESCRIPTIVO En este punto queremos introducir una serie de definiciones relativas a la naturaleza biológica de la neurona. Lo más reseñable en este punto del informe es que el sistema
Más detallesDiseño arquitectónico 1ª edición (2002)
Unidades temáticas de Ingeniería del Software Diseño arquitectónico 1ª edición (2002) Facultad de Informática objetivo Los sistemas grandes se descomponen en subsistemas que suministran un conjunto relacionado
Más detallesTécnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO
Técnicas de Clasificación Supervisada DRA. LETICIA FLORES PULIDO 2 Objetivo El objetivo principal de las técnicas de clasificación supervisada es obtener un modelo clasificatorio válido para permitir tratar
Más detallesUNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA SUR. Ingeniería Aplicada TEÓRICA SERIACIÓN 100% DE OPTATIVAS DISCIPLINARIAS
UNIVERSIDAD AUTÓNOMA DE BAJA CALIFORNIA SUR DEPARTAMENTO ACADÉMICO DE SIS COMPUTACIONALES INGENIERÍA EN TECNOLOGÍA COMPUTACIONAL ASIGNATURA Algoritmo Genéticos ÁREA DE Ingeniería Aplicada CONOCIMIENTO
Más detallesAnálisis de imágenes digitales
Análisis de imágenes digitales SEGMENTACIÓN DE LA IMAGEN Segmentación basada en texturas INTRODUCCIÓN La textura provee información sobre la distribución espacio-local del color o niveles de intensidades
Más detallesJosé Ignacio Latorre Universidad de Barcelona
INTELIGENCIA ARTIFICIAL José Ignacio Latorre Universidad de Barcelona A qué llamamos inteligencia artificial? Es un campo de estudio que intenta conseguir que un ordenador realice funciones similares a
Más detallesAnálisis de cerchas Método de las uniones
Seminario de Modelación Matemática em Arquitectura Análisis de cerchas Método de las uniones Determinar las fuerzas internas de cada uno de los miembros de la siguiente cercha: /2 500 lb 250 lb Y 3/2 X
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 detalles!"#$#%!&'()*&+"#%,$(%"-.$/,&0"1$%2%("%3$3'.&"%
!"#$#%!&'()*&+"#%,$(%"-.$/,&0"1$%2%("%3$3'.&"% % ('.$/"%4".$("5/"((".6%-7,%!"#$%&'("')#*"+$),-!)&#"+'.)&/0()!-+' 1-!23$-('("'!)"#!)-+'.)&34,)!-+'5'1-!23$-('("'/"()!)#-'' 2#)*"%+)(-('-#(%0+'."33&' #$3&/".&'%$/%/$8.'+&$/+&"6%8/"!%+'/+$-+&)/6%9:%,$%3"2'%,$%9;
Más detallesObjetivos. Objetivos. Arquitectura de Computadores. R.Mitnik
Objetivos Objetivos Arquitecturas von Neumann Otras Unidad Central de Procesamiento (CPU) Responsabilidades Requisitos Partes de una CPU ALU Control & Decode Registros Electrónica y buses 2 Índice Capítulo
Más detallesConceptos básicos de Geometría
Dr. Eduardo A. RODRÍGUEZ TELLO CINVESTAV-Tamaulipas 15 de enero del 2013 Dr. Eduardo RODRÍGUEZ T. (CINVESTAV) 15 de enero del 2013 1 / 25 1 Geometría Afín Geometría Euclidiana Áreas y ángulos Dr. Eduardo
Más detallesUNIVERSIDAD MAYOR DE SAN SIMÓN FACULTAD DE CIENCIAS Y TECNOLOGÍA INGENIERÍA DE SISTEMAS BÚSQUEDA PRIMERO EL MEJOR
UNIVERSIDAD MAYOR DE SAN SIMÓN FACULTAD DE CIENCIAS Y TECNOLOGÍA INGENIERÍA DE SISTEMAS BÚSQUEDA PRIMERO EL MEJOR INTEGRANTES: Caricari Cala Aquilardo Villarroel Fernandez Fructuoso DOCENTE: Lic. Garcia
Más detallesSISTEMA NERVIOSO Y ENDOCRINO. martes, 19 de marzo de 13
SISTEMA NERVIOSO Y ENDOCRINO El SISTEMA NERVIOSO se encarga de recibir la información y elaborar las respuestas adecuadas. E s e l procesador de información: coordina y relaciona todas las funciones corporales.
Más detallesIntroducción a las redes neuronales aplicadas
Introducción a las redes neuronales aplicadas Conceptos básicos Las Redes Neuronales (NN: Neural Networks) fueron originalmente una simulación abstracta de los sistemas nerviosos biológicos, constituidos
Más detallesTítulo de la Memoria. Diseño e implementación de un juego MMORPG (Massive(ly) Multiplayer Online Rol Playing Game)
Título de la Memoria. Diseño e implementación de un juego MMORPG (Massive(ly) Multiplayer Online Rol Playing Game) Modalidad. Investigación / Desarrollo Área. Ingeniería de Software / Redes de Computadores
Más detallesLa eficiencia de los programas
La eficiencia de los programas Jordi Linares Pellicer EPSA-DSIC Índice General 1 Introducción... 2 2 El coste temporal y espacial de los programas... 2 2.1 El coste temporal medido en función de tiempos
Más detallesIntroducción a las Redes Neuronales Aplicadas
Introducción a las Redes Neuronales Aplicadas CURSO DE EXPERTOS DE U.C.M. (2012) Juan Miguel Marín Diazaraque jmmarin@est-econ.uc3m.es Universidad Carlos III de Madrid INDICE: Redes Neuronales en Economía
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 detallesUNIVERSIDAD PEDAGÓGICA Y TECNOLÓGICA DE COLOMBIA FACULTAD DE CIENCIAS PROGRAMA DE MATEMÁTICAS PLAN DE ESTUDIOS
UNIVERSIDAD PEDAGÓGICA Y TECNOLÓGICA DE COLOMBIA FACULTAD DE CIENCIAS PROGRAMA DE MATEMÁTICAS PLAN DE ESTUDIOS ASIGNATURA : ELECTIVA I - PROGRAMACION CÓDIGO : 8104661 SEMESTRE : IV CRÉDITOS : 4 FECHA DE
Más detallesPreliminares Interpolación INTERPOLACIÓN Y APROXIMACIÓN POLINOMIAL
INTERPOLACIÓN Y APROXIMACIÓN POLINOMIAL Contenido Preliminares 1 Preliminares Teorema 2 Contenido Preliminares Teorema 1 Preliminares Teorema 2 Teorema Preliminares Teorema Teorema: Serie de Taylor Supongamos
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 detallesMODELADO MATEMATICO PARA ISOTERMAS DE ADSORCION EN ALIMENTOS USANDO REDES NEURONALES ARTIFICIALES
MODELOS BIOESTADISTICOS EN LA INGENIERÍA EN ALIMENTOS MODELADO MATEMATICO PARA ISOTERMAS DE ADSORCION EN ALIMENTOS USANDO REDES NEURONALES ARTIFICIALES CONTENIDO: Glosario de Términos Introducción Objetivos
Más detallesSistemas Control Embebidos e Instrumentación Electrónica UNIVERSIDAD EAFIT Semestre 2009/2 2010/2
REDES NEURONALES Semestre 2010/2 INTRODUCCIÓN A LAS REDES NEURONALES La forma como el cerebro humano procesa la información es completamente diferente a la forma como la procesa un computador digital:
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 detallesCÉLULAS EXCITABLES Y NO EXCITABLES. Este material es de propiedad del grupo de Biofísica de la Pontificia Universidad Javeriana
CÉLULAS EXCITABLES Y NO EXCITABLES Este material es de propiedad del grupo de Biofísica de la Pontificia Universidad Javeriana Objetivos Recordar los mecanismos de transporte a través de la membrana. Distinguir
Más detallesCAPITULO 1 INTRODUCCION AL PROYECTO
CAPITULO 1 INTRODUCCION AL PROYECTO 1 INTRODUCCION AL PROYECTO 1.1 Marco Teórico Los procesadores digitales de señales ganaron popularidad en los años sesentas con la introducción de la tecnología de estado
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 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 detallesDepartamento de Matemáticas, CCIR/ITESM. 9 de febrero de 2011
Factorización LU Departamento de Matemáticas, CCIR/ITESM 9 de febrero de 2011 Índice 26.1. Introducción............................................... 1 26.2. Factorización LU............................................
Más detallesModelos y Bases de Datos
Modelos y Bases de Datos MODELOS Y BASES DE DATOS 1 Sesión No. 9 Nombre: Segunda Forma Normal Contextualización Para qué te ayudarán los grados de normalización? Las normas de forma normal se basan en
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 detallesREGRESIÓN LINEAL SIMPLE, COEFICIENTE DE DETERMINACIÓN Y CORRELACIONES (EJERCICIOS RESUELTOS)
1 REGRESIÓN LINEAL SIMPLE, COEFICIENTE DE DETERMINACIÓN Y CORRELACIONES (EJERCICIOS RESUELTOS) 1. EN LA REGIÓN DE DRAKUL DE LA REPÚBLICA DE NECROLANDIA, LAS AUTORIDADES ECONÓMICAS HAN REALIZADO UNA REVISIÓN
Más detallesRedes neuronales de picos en FPGAs: Diseño de una neurona con recursos mínimos
Redes neuronales de picos en FPGAs: Diseño de una neurona con recursos mínimos Dr. Julio César Martínez Romo Instituto Tecnológico de Aguascalientes Ingeniería Eléctrica y Electrónica E-mail: jucemaro@yahoo.com
Más detallesCaso Southwest Airlines
Caso Southwest Airlines Con afán de mejorar el nivel de servicio ofrecido a sus clientes, Southwest Airlines ha decidido construir un sistema de reserva de pasajes online. Para ello, usted ha sido contratado
Más detallesMÓDULO III. MEDIDAS DE TENDENCIA CENTRAL, DISPERSIÓN Y ASIMETRÍA
1 UNIVERSIDAD NACIONAL EXPERIMENTAL DE LOS LLANOS OCCIDENTALES EZEQUIEL ZAMORA VICE-RECTORADO DE PLANIFICACIÓN Y DESARROLLO SOCIAL PROGRAMA CIENCIAS SOCIALES Y JURIDICAS SUBPROGRAMA ADMINISTRACIÓN SUBPROYECTO:
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 detallesREDES NEURONALES MULTIMODELO APLICADAS AL CONTROL DE SISTEMAS
REDES NEURONALES MULTIMODELO APLICADAS AL CONTROL DE SISTEMAS Memòria del projecte d'enginyeria Tècnica en Informàtica de Sistemes realitzat per Sergio Torrubia Caravaca i dirigit per Asier Ibeas Hernández
Más detallesUNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS Facultad de Ingeniería Departamento de Ing. Eléctrica Electrónica II
INTEGRADOR, DERIVADOR Y RECTIFICADOR DE ONDA CON AMPLIFICADORES OPERACIONALES LAURA MAYERLY ÁLVAREZ JIMENEZ (20112007040) MARÍA ALEJANDRA MEDINA OSPINA (20112007050) RESUMEN En esta práctica de laboratorio
Más detallesSistema para el control inteligente de un robot manipulador System for the intelligent control of a robotic manipulator
AUTOMATIZACIÓN DE LAS MÁQUINAS Y DE LOS PROCESOS TECNOLÓGICOS AUTOMATION OF THE MACHINES AND THE TECHNOLOGICAL PROCESSES Sistema para el control inteligente de un robot manipulador System for the intelligent
Más detallesFUNCIONES TRIGONOMÉTRICAS
FUNCIONES TRIGONOMÉTRICAS Sugerencias para quien imparte el curso: Por ningún motivo se debe dar por hecho que todos los alumnos recuerdan perfectamente a las razones trigonométricas, y a las principales
Más detallesCAPITULO XII PUENTES DE CORRIENTE ALTERNA
CAPITULO XII PUENTES DE CORRIENTE ALTERNA 2. INTRODUCCION. En el Capítulo IX estudiamos el puente de Wheatstone como instrumento de medición de resistencias por el método de detección de cero. En este
Más detalles2.5 - Tejido nervioso
2.5 - Tejido nervioso Tejido especializado en la transmisión de información Se basa en una células llamadas Células nerviosas o Neuronas Estas células necesitan la ayuda de células auxiliares: células
Más detallesENTRENAMIENTO DE REDES NEURONALES BASADO EN ALGORITMOS EVOLUTIVOS TESIS DE GRADO EN INGENIERÍA INFORMÁTICA
ENTRENAMIENTO DE REDES NEURONALES BASADO EN ALGORITMOS EVOLUTIVOS TESIS DE GRADO EN INGENIERÍA INFORMÁTICA FACULTAD DE INGENIERÍA UNIVERSIDAD DE BUENOS AIRES TESISTA: Sr. Luis Federico Bertona DIRECTORES:
Más detallesPROGRAMACIÓN DE AULA: OBJETIVOS CONTENIDOS MATERIALES y RECURSOS MODULO MATEMATICAS-TECNOLOGÍA
UNIDAD 4: SUCESIONES Y ECUACIONES. PROYECTO TECNOLÓGICO TEMPORALIZACIÓN: 2 ÚLTIMAS SEMANAS DE NOVIEMBRE, 2 PRIMERAS DE DICIEMBRE, 3 ÚLTIMAS SEMANAS DE ENERO Y PRIMERA DE FEBRERO PROGRAMACIÓN DE AULA: CURSO/NIVEL:
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 detallesSimulación del sistema de transporte de hidrocarburo y predicción de su comportamiento mediante redes neuronales
Seventh LACCEI Latin American and Caribbean Conference for Engineering and Technology (LACCEI 2009) Energy and Technology for the Americas: Education, Innovation, Technology and Practice June 2-5, 2009,
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 detallesDISEÑO DE EDIFICIOS DE CONCRETO REFORZADO UTILIZANDO REDES NEURONALES ARTIFICIALES RESUMEN
DISEÑO DE EDIFICIOS DE CONCRETO REFORZADO UTILIZANDO REDES NEURONALES ARTIFICIALES Juan Bojórquez Mora 1, Dante Tolentino Lopez 2, José T. Yunes Espin 3 y Sonia E. Ruiz Gómez 4 RESUMEN Se muestra la utilidad
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 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 detallesNeurociencias I Científico y Metodológico Primero
NEUROCIENCIAS I Práctica de laboratorio Carrera de Psicología Autor: Leonilde Marmolejo Correo: lmarmolejo@puj.edu.co TITULO DE LA PRÁCTICA DEL LABORATORIO: TEJIDOS FUNDAMENTALES ÉNFASIS EN TEJIDO NERVIOSO
Más detallesClasificación de los Convertidores DAC
Clasificación de los Convertidores DAC Sistemas de Adquisición de datos () Según las características de la señal de entrada digital Codificación: Código: Binario Natural BCD Formato: Serie Paralelo Almacenamiento
Más detallesOído interno. Anatomía
Oído interno El oído interno representa el final de la cadena de procesamiento mecánico del sonido, y en él se llevan a cabo tres funciones primordiales: filtraje de la señal sonora, transducción y generación
Más detallesUNIVERSIDAD FRANCISCO DE PAULA SANTANDER BIBLIOTECA EDUARDO COTE LAMUS RESUMEN - TESIS DE GRADO
UNIVERSIDAD FRANCISCO DE PAULA SANTANDER BIBLIOTECA EDUARDO COTE LAMUS RESUMEN - TESIS DE GRADO AUTORES : A LIRIO MAYORGA DELGADO Y HECTOR JULIO PEDROZA GARZON FACULTAD: INGENIERIAS PLAN DE ESTUDIOS:.
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 detallesControl motor 16/02/2011. Tipos de canto. Ejemplos de cantos de llamada. La estridulación en el grillo Alas anteriores. Morfología del órgano sonador
Tipos de canto Control motor Miguel Escudero Máster Biología Evolutiva Universidad de Sevilla Canto de llamada: atracción de hembras Canto de cortejo: cuando una hembra está presente Canto agonístico:
Más detallesReconocimiento de patrones mediante redes neuronales artificiales
Reconocimiento de patrones mediante redes neuronales artificiales Hugo Vega Huerta, Augusto Cortez Vásquez, Ana María Huayna, Luis Alarcón Loayza, Pablo Romero Naupari Facultad de Ingeniería de Sistemas
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 detalles