Antologia Inteligencia Artificial

INDICE
CAPÍTULO 1
1.1 introduccion a las redes neuronales
1.2 funcionamiento de una neurona biológica
1.3 caracteristicas de una red neuronal artificial
1.3.1 notación
1.3.2 funciones de transferencia
1.3.2.1 función de transferencia limitador fuerte (hardlim)
1.3.2.2 función de transferencia lineal (purelin)
1.3.2.3 función de transferencia sigmoidal (logsig)
1.3.3 topología de una redCapitulo 2
2.1 PERCEPTRON
2.1.1 Antecedentes
2.1.2 Estructura de la Red
2.1.3 Regla de Aprendizaje
2.1.4 Limitacion del Perceptron
2.1.5 Perceptron Multicapa
2.2 ADALINE
2.1.1 Antecedentes
2.1.2 Estructura de la Red
2.1.3 Regla de Aprendizaje
2.3 BACKPROPAGATION
2.3.1 Antecedentes
2.3.2 Estructura de la Red
2.3.3 Regla de Aprendizaje
2.3.3.1 Red Backpropagation con momentum2.3.3.2 Red Backpropagation con rata de aprendizaje variable
2.3.3.3 Método del Gradiente Conjugado
2.3.3.4 Algoritmo de Levenberg - Marquardt
2.4 APRENDIZAJE ASOCIATIVO
2.4.1 Antecedentes
2.4.2 Estructura de la Red
2.4.3 Regla de Hebb
2.4.4 Red Instar
2.4.5 Red Oustar
2.5 REDES COMPETITIVAS
2.5.1 Antecedentes
2.5.2 Red de Kohonen
2.5.3 Red de Hamming
2.5.4 Estructura de la Red
2.5.5Regla de Aprendizaje
2.5.6 Problemas con las Redes Competitivas
2.5.7 Mapas de Auto Organización (SOM)
2.5.8 Learning Vector Quantization (LVQ)
2.6 REDES RECURRENTES
2.6.1 Red de hopfield
2.6.1.1 Antecedentes
2.6.1.2 Estructura de la Red
2.6.1.3 Regla de Aprendizaje
2.6.1.4 Indentificacion de Sistemas Dinamicos No Lineales
2.6.2 Redes Multicapa
2.6.2.1 Estructura de la Red
2.6.2.2 Reglade aprendizaje
2.6.3 Red de Elman
2.6.3.1 Estructura de la REd
2.6.3.2 Entrenamiento de la Red

CAPITULO 1
CARACTERÍSTICAS PRINCIPALES DE LAS REDES NEURONALES
1. CARACTERÍSTICAS PRINCIPALES DE LAS REDES NEURONALES
1.1 INTRODUCCIÓN A LAS REDES NEURONALES
Resulta irónico pensar que máquinas de cómputo capaces de realizar 100 millones de operaciones en coma flotante por segundo, no seancapaces de entender el significado de las formas visuales o de distinguir entre distintas clases de objetos. Los sistemas de computación secuencial, son exitosos en la resolución de problemas matemáticos o científicos, en la creación, manipulación y mantenimiento de bases de datos, en comunicaciones electrónicas, en el procesamiento de textos, gráficos y auto edición, incluso en funciones de controlde electrodomésticos, haciéndolos más eficientes y fáciles de usar, pero definitivamente tienen una gran incapacidad para interpretar el mundo.
Esta dificultad de los sistemas de cómputo que trabajan bajo la filosofía de los sistemas secuenciales, desarrollados por Von Neuman, ha hecho que un gran número de investigadores centre su atención en el desarrollo de nuevos sistemas de tratamiento de lainformación, que permitan solucionar problemas cotidianos, tal como lo hace el cerebro humano; este órgano biológico cuenta con varias características deseables para cualquier sistema de procesamiento digital, tales como:
1. Es robusto y tolerante a fallas, diariamente mueren neuronas sin afectar su desempeño.
2. Es flexible, se ajusta a nuevos ambientes por aprendizaje, no hay queprogramarlo.
3. Puede manejar información difusa, con ruido o inconsistente.
4. Es altamente paralelo
5. Es pequeño, compacto y consume poca energía.
El cerebro humano constituye una computadora muy notable, es capaz de interpretar información imprecisa suministrada por los sentidos a un ritmo increíblemente veloz. Logra discernir un susurro en una sala ruidosa, un rostro en un callejónmal iluminado y leer entre líneas un discurso; lo más impresionante de todo, es que el cerebro aprende sin instrucciones explícitas de ninguna clase, a crear las representaciones internas que hacen posibles estas habilidades.
Basados en la eficiencia de los procesos llevados a cabo por el cerebro, e inspirados en su funcionamiento, varios investigadores han desarrollado desde hace más de 30...