Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Redes Neuronales
Artificiales
Introducción
2
IC - Redes Neuronales - 2012
MODELO NEURONAL
ARQUITECTURA DE REDES
5
IC - Redes Neuronales - 2012
Fundamentos - El modelo biológico
El cerebro humano
contiene más de cien
mil millones de
neuronas.
La clave para el
procesamiento de la
información son las
conecciones entre ellas
llamadas sinápsis.
6
IC - Redes Neuronales - 2012
Estructura biológica
Las dendritas
son la vía de
entrada de las
señales que se
combinan en el
cuerpo de la
neurona.
El axón es el
camino de salida
de la señal
generada por la
neurona.
7
IC - Redes Neuronales - 2012
Estructura biológica
10
IC - Redes Neuronales - 2012
Una capa de neuronas
12
IC - Redes Neuronales - 2012
Funciones transferencia
Arquitectura (Topología).
– Número de capas.
– Número de neuronas por capa.
– Tipo de conexiones. Normalmente, todas las
neuronas de una capa reciben señales de la capa
anterior (más cercana a la entrada) y envían su
salida a las neuronas de la capa posterior (más
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
PERCEPTRÓN
EL MODELO
NEURAL NETWORK TOOLBOX - MATLAB
Ejemplo:
22
IC - Redes Neuronales - 2012
Arquitectura
La red Perceptrón
consiste de una única
capa oculta de S neuronas
perceptrón conectadas a R
entradas a través de
conexiones con pesos wi,j.
Los índices i y j indican
que wi,j es el peso de la
conexión desde la j-ésima
entrada hacia la i-ésima
23 neurona.
IC - Redes Neuronales - 2012
Creación de un perceptrón con
Matlab
net = newp(PR, S)
Ejemplo:
net = newp([-2 2; -2 2], 1)
24
IC - Redes Neuronales - 2012
Inicialización
Ejemplo:
p1 = [1;1];
a1 = sim(net, p1);
26
IC - Redes Neuronales - 2012
Regla de Aprendizaje de la red
Perceptrón I
27
IC - Redes Neuronales - 2012
Regla de Aprendizaje de la red
Perceptrón 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
Perceptrón 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 cuadrático medio (LMS)
37
IC - Redes Neuronales - 2012
Algoritmo LMS (least mean square)
e2(w) = (t - a(w))2
El gradiente apunta hacia la
dirección de crecimiento
38 más rápido
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
Bibliografía
52
IC - Redes Neuronales - 2012