Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Conceptos fundamentales y
modelos
2
Contenido
Introduccion
La neurona biologica
Modelo de una neurona
Arquitecturas de las redes: Redes feedforward
Arquitecturas de las redes: Redes recurrentes
Capacidades de las redes neuronales
Aplicaciones de las Redes Neuronales
La Neurona Biologica
1012 neuronas
un impulso electrico 20
rest
activation
recorrera el axon 0
-20
alcanzando -40
-80
las ramas, -100
ms
-120
0 10 20 30 40 50 60 70 80 90 100
Y asi sucesivamente . . .
Dinamica de la neurona
40 mV membrane
Potential de la accion
rest
20
activation ≈ 100mV
0 Action potential
Umbral de activacion
-20 ≈ 20-30mV
-40
Potencial de reposo
-60 ≈ -65mV
-80 Refractory time
Tiempo del pico
-100 ≈ 1-2ms
ms
-120 Tiempo de refracccion
0 10 20 30 40 50 60 70 80 90 100 ≈ 10-20ms
Neuronas Biologicas
synapse axon
synapse axon
nucleus
nucleus
cell body
cell body
dendrites
dendrites
dendritas
axon
sinapsis
La neurona artificial
La neurona es la unidad de procesamiento
basica de una red neuronal. Consiste de:
La neurona artificial
La neurona es la unidad de procesamiento
basica de una red neuronal. Consiste de:
Una funcion sumatoria que calcula la suma
pesada de las entradas:
La neurona artificial
La neurona es la unidad de procesamiento
basica de una red neuronal. Consiste de:
Una funcion de activacion que limita la amplitud
de la salida de la neurona:
Neurona artificial
⎛ ⎞
a j = f ⎜ ∑ wij xi + b j ⎟ = f ( w j x + b j )
n
T
⎝ i =1 ⎠
Funcion de activacion
La “Bias” de la neurona
La polarizacion b tiene el efector de aplicar una
transformacion affine a u:
v=u+b
Redes feedforward
35
Tipos de redes
Existen muchos tipos de redes neuronales. Por
mencionar algunas:
Redes perceptron multicapa
Redes backpropagation feedforward
Redes RBF (Radial Basis Function)
Redes backpropagation recurrentes
No se pretende
Otras: hacer una
clasificacion
Mapas auto-organizativos
Redes neuronales modulares
Redes feedforward
No tienen realimentacion interna
Red feedforward con conexión completa con una capa oculta y la capa
de salida
Red feedforward con conexión parcial con una capa oculta y la capa de
salida
R entradas
S neuronas
S salidas
Redes recurrentes
47
Velocidad de aprendizaje
Tipos de problemas
Clasificacion: determinar a cual de un numero
discreto de clases pertenece una entrada dada
Regresion: predecir el valor de una variable
(usualmente continua)
Approximation
OCR
Red: feedforward
Entrenamiento:
backpropagation
Fuentes
Martin Hagan, Neural Network Design Demonstrations. PWS
Publishing Company. 1994
Heikki Koivo, Neuro-Fuzzy Computing in Automation,
course material. Control Engineering Laboratory. Helsinki
University of Technology. Spring 2002.
Jeen-Shing Wang, Course: Introduction to Neural Networks.
Lecture notes. Department of Electrical Engineering. National
Cheng Kung University. Fall, 2005
Wen Yu, Advanced Fuzzy neural networks. Lecture notes.
Departamento de Control Automatico. CINVESTAV-IPN.
2005
Sources
J-Shing Roger Jang, Chuen-Tsai Sun and Eiji Mizutani, Slides
for Ch. 5 of “Neuro-Fuzzy and Soft Computing: A
Computational Approach to Learning and Machine
Intelligence”, First Edition, Prentice Hall, 1997.
Djamel Bouchaffra. Soft Computing. Course materials.
Oakland University. Fall 2005
Lucidi delle lezioni, Soft Computing. Materiale Didattico.
Dipartimento di Elettronica e Informazione. Politecnico di
Milano. 2004
Handbook of Neural Computation. release 97/1. IOP
Publishing Ltd and Oxford University Press. 1997