Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Redes neuronales
Modelos basados en el
funcionamiento del
cerebro, como realiza
reconocimiento,
aprendizaje, y procesos
de planeación
Inteligencia Artificial
• Lógica difusa
• Refleja la manera en
que razonamos los
humanos con reglas
aproximadas
• Algoritmos genéticos
• Aprovechan los
conocimientos de la
investigación genética,
modelando los principios
de Darwin de selección
natural
Áreas de Aplicación
Petróleo
Energía
Finanzas
Telecomunicaciones
Medicina
Medio-Ambiente
Comercio
Industria
Redes Neuronales Artificiales
Señal
Cuerpo (Información)
Sinapsis
Neurona Artificial
Es una estructura lógico-matemática Pesos
que busca simular la forma, el 1
comportamiento y las funciones de
wi0
una neurona x1 wi1
Evalúa sus señales de entrada
realizando una sumatoria ponderada wi 2
de sus entradas (a través de los pesos Yi
x2
“w" asociado a cada entrada)
Las señales de salidas, son calculadas Entradas Salida
aplicando la función de activación en win
la sumatoria ponderadas. xn
Yi I i wij x j
n
j 0
Funciones de Activación
1 se ii (t ) 0
• función rampa ai Fi (ii (t ))
0 se ii (t ) 0
1 se i i ( t ) 1 2
• función linear
a i Fi ( i i ( t )) i i se - 1 2 i i ( t ) + 1 2
0 se i ( t ) - 1
i 2
• función sigmóide 1
ai Fi (ii (t )) ii
1 e
• función hiperbólica 1 e 2ii
ai Fi (ii ( t ))
1 e 2ii
Forma de las funciones de
activación
i) i) i) i)
i i i i
feedforward
E
CAMADA DE ENTRADA CAMADA OCULTA CAMADA DE SAÍDA
Topologías de redes neuronales
• Redes con conexiones • Redes MonoCapas
para Adelante (Feed-
forward Networks) • Redes MultiCapas
unidade de salida
unidade escondida
unidade de entrada
Configuración de las Redes (Feed-
forward) por Capas
no pueden tener…
A
Redes Monocapa
Redes Multi-Capa
Redes Recurrentes
Redes Competitivas
Paradigmas de Aprendizaje
Tipos de Aprendizaje
Aprendizaje
Saída
da rede
Rede
neural
erro
No Súper visionada
En este aprendizaje la rede no recibe ninguna información de
como clasificar las entradas y ajustar sus pesos.
Rede
Sistema Neuronal
Algoritmo de backpropagation
Se Trata de una rede de multi-capas (Feed-forward)
Requiere, mínimo 3 capas
Utiliza el método de gradiente descendiente , para minimizar el
error cuadrático entre la entrada y la salida deseada
• Modelo matemático
w1
x1
w2
x2
n
1
x3
w3
I w
i
x
i
(i)
Y
aI
x4
w4 i1 1
M
M
xn
wn
Función Activación
Error RMS
2
2 Yr
rk
Actualización de los pesos-Capas Oculta/Salida
wp1.k
I1.k 1.k Comp Y1
1
wp2.k
xh whp.j Ip.j p.j I2.k 2.k Comp Y2
wpq.k 1
Iq.k q.k Comp Yq
Capa de Capa Capa de 1
entrada Oculta salida
2 I
w p.q p.q 2
q.k q.k
pq.k w I w
pq.k q.k q.k pq.k
w p.q 2 Yq 1 p.q
pq.k q.k q.k q.k p. j pq.k p. j
Donde: 2 Yq 1
pq.k q.k q.k q.k
Función de membresía.- Es la
representación matemática de un conjunto.
0 0
0 1 2 3 4 10 35
Conceptos Básicos
Función
Función Gaussiana
Estructura de un controlador
basado en Lógica Fuzzy
Mecanismo de
Defuzificación
Fuzificación
inferencia
PROCESO
Reglas difusas
Velocidad de un auto
0 50 75 95 vmax
• Funciones de membresía:
media ( x) : U [0,1]
• Producto
• Mínimo
• Lukasiewics
• Zadeh ................
Fuzificación
Es un mapeo de un valor real x* en U a un
conjunto difuso A en U. Convierte los valores de
la entrada a información que el mecanismo de
inferencia puede usar para activar las reglas.
1 si x x
• Singleton. A ( x)
0 otro caso
• Gaussiano.
• Triangular.
• Etc.
Defuzzificación
Es un mapeo desde el conjunto difuso de salida B
en V (salida del mecanismo de inferencia difuso) a
un punto “crisp” (no difuso) y* en V (El mejor
valor que representa a B). Convierte la conclusión
del mecanismo de inferencia en entradas reales al
proceso.
• Centro de gravedad
• Promedio de centros (center average): es el más
usado.
• Máximo valor
Controlador Fuzzy
r e u y
Controlador
Planta
fuzzy
+
-
Variables de entrada al controlador difuso
ery
e cambio del error
δe integral (suma) del error
Variables de salida del controlador difuso
u acción de control
Δu cambio en la acción de control
Controlador Difuso
Especificaciones:
Altura.- 1.7m
Area de la base.- 1m2
Area del tubo de salida.- 0.05m2
Flujo máximo de entrada.- 0.5m3
Ejemplo: El péndulo invertido
d
y(t) e(t ) y(t ); e(t )
dt
Valores: grande neg.;pequeño neg.; cero,
pequeño pos. grande pos.
Entrada: fuerza sobre el carro
Positivo pequeño
cero
p- p+
g+
p/4 p/2 g-
Modelo difuso: un aproximador
No lineal
f ( x) modelo difuso
Es posible diseñar los controles en base a
las características del modelo difuso
Tipos de modelos difusos
• Tipo I
SI z1 es F1i y z p es Fpi ENTONCES yi es H i
• Tipo II
SI z1 es F1i y z p es Fpi ENTONCES yi es hi
• Tipo III
SI z1 es F1i y z p es Fpi ENTONCES yi es f i ( z1 ,.., z p )
Modelo de Takagi-Sugeno
Representación de un
sistema no lineal
x A0 xB0uP0 w
w Sw
x f ( x, u , w, ) eC0 xR0 w
x A1 x B1u P1w
Sw
w
Sw
w
e h( x, w, ) eC0 xR0 w
x Ap x B p u Pp w
w Sw
eC0 xR0 w
SISTEMAS NEURO-FUZZY
• Considerada una Herramienta poderosa para el
desarrollo de sistemas fuzzy.
• Útil cuando se trabaja con sistemas no-lineares, de
comportamiento variable en el tiempo, etc;
• Nada mas son representaciones de sistemas difusos
en la forma de redes pasivas de entrenamiento;
• Es posible, la obtención de resultados
interpretables, al contrario de casos típicos de redes
neuronales, de difícil interpretación.
Redes Neuronales – Lógica Fuzzy
• Fuzzy reasoning
A1 B1 z1 =
w1
p1*x+q1*y+r1
w 1*z1+w2*z2
z= w 1+w 2
A2 B2 z2 =
w2
p2*x+q2*y+r2
x y
• ANFIS (Adaptive Neuro-Fuzzy Inference System)
A1 w1 w1*z1
x
S S wi*zi
A2
B1
w2*z2 / z
y S wi
B2 w2 S
4/15/2020 48
O MODELO ANFIS
Ejemplo: Control inverso de un brazo
articulado (Cinemática directa vs inversa)
• Cinemática Directa
• Conocidos: Ángulos articulares
y geometría de los eslabones
• Determinar: Posición y orientación
del elemento terminal referido a la base
• Cinemática Inversa
• Conocidos: Posición y orientación
del elemento terminal referido a la base
• Determinar: Ángulos articulares y
geometría de los eslabones para alcanzar
la orientación y posición de la herramienta