Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Redes Neuronales Matlab 1.0 PDF
Redes Neuronales Matlab 1.0 PDF
Redes Neuronales
Artificiales
Introduccin
2
IC - Redes Neuronales - 2012
MODELO NEURONAL
ARQUITECTURA DE REDES
5
IC - Redes Neuronales - 2012
Fundamentos - El modelo biolgico
El cerebro humano
contiene ms de cien
mil millones de
neuronas.
La clave para el
procesamiento de la
informacin son las
conecciones entre ellas
llamadas sinpsis.
6
IC - Redes Neuronales - 2012
Estructura biolgica
Las dendritas
son la va de
entrada de las
seales que se
combinan en el
cuerpo de la
neurona.
El axn es el
camino de salida
de la seal
generada por la
neurona.
7
IC - Redes Neuronales - 2012
Estructura biolgica
10
IC - Redes Neuronales - 2012
Una capa de neuronas
12
IC - Redes Neuronales - 2012
Funciones transferencia
Arquitectura (Topologa).
Nmero de capas.
Nmero de neuronas por capa.
Tipo de conexiones. Normalmente, todas las
neuronas de una capa reciben seales de la capa
anterior (ms cercana a la entrada) y envan su
salida a las neuronas de la capa posterior (ms
cercana a la salida de la red).
Tipo de aprendizaje.
14
IC - Redes Neuronales - 2012
Redes feedforward
18
IC - Redes Neuronales - 2012
Comportamiento
19
IC - Redes Neuronales - 2012
PERCEPTRN
EL MODELO
NEURAL NETWORK TOOLBOX - MATLAB
Ejemplo:
22
IC - Redes Neuronales - 2012
Arquitectura
La red Perceptrn
consiste de una nica
capa oculta de S neuronas
perceptrn conectadas a R
entradas a travs de
conexiones con pesos wi,j.
Los ndices i y j indican
que wi,j es el peso de la
conexin desde la j-sima
entrada hacia la i-sima
23 neurona.
IC - Redes Neuronales - 2012
Creacin de un perceptrn con
Matlab
net = newp(PR, S)
Ejemplo:
net = newp([-2 2; -2 2], 1)
24
IC - Redes Neuronales - 2012
Inicializacin
Ejemplo:
p1 = [1;1];
a1 = sim(net, p1);
26
IC - Redes Neuronales - 2012
Regla de Aprendizaje de la red
Perceptrn I
27
IC - Redes Neuronales - 2012
Regla de Aprendizaje de la red
Perceptrn II
En consecuencia:
W = W + ep'
Si consideramos el umbral como un peso cuya
entrada siempre es 1 tenemos:
b=b+e
30
IC - Redes Neuronales - 2012
Regla de Aprendizaje de la red
Perceptrn V
31
IC - Redes Neuronales - 2012
Entrenamiento I
33
IC - Redes Neuronales - 2012
RED ADALINE
REDES LINEALES ADAPTATIVAS
35
IC - Redes Neuronales - 2012
Arquitectura de la ADAptive LInear
NEtwork
36
IC - Redes Neuronales - 2012
Error cuadrtico medio (LMS)
37
IC - Redes Neuronales - 2012
Algoritmo LMS (least mean square)
e2(w) = (t - a(w))2
El gradiente apunta hacia la
direccin de crecimiento
38 ms rpido
IC - Redes Neuronales - 2012
Algoritmo LMS (least mean square)
39
IC - Redes Neuronales - 2012
REDES BACKPROPAGATION
41
IC - Redes Neuronales - 2012
Redes Backpropagation II
44
IC - Redes Neuronales - 2012
Redes Neuronales - Resumen (II)
46
IC - Redes Neuronales - 2012
Neural Network Toolbox (II)
49
IC - Redes Neuronales - 2012
Neural Network Toolbox (V)
51
IC - Redes Neuronales - 2012
Bibliografa
52
IC - Redes Neuronales - 2012