Señor

Universidad Veracruzana
Facultad de Psicología
…Materia…
…Profesor…



Trabajo Final





jueves, 10 de noviembre de 2011
 
Contenido
Presentación I
Agradecimientos II
Resumen III
1. Introducción 1
2. Fundamentos y conceptos básicos 3
3. Función de activación 4
4. Tipos de Neuronas 5
4.1. Neuronas Lineales 5
4.2. Neuronas no Lineales 5
5. Flujo de datos en las Redes deNeuronas Artificiales 6
5.1. Redes alimentadas hacia delante 6
5.2. Redes con Retroalimentación total o parcial 7
6. Información en las Redes de Neuronas Artificiales 8
7. Tipos de problemas 9
7.1. Fase de creación y desarrollo 10
7.1.1. Diseño de la arquitectura 10
7.1.2. Fase de Entrenamiento 10
7.1.3. Aprendizaje no supervisado 11
7.1.4. Problemas comunes en el entrenamiento 12
7.2.Fase de validación o test 14
8. Redes recurrentes 15
8.1. Aprendizaje por épocas 16
8.2. Aprendizaje en modo continuo 16
Conclusiones 17
Referencias 18
Tabla de ilustraciones 21

 

Presentación

 
Agradecimientos
Te toca

 
Resumen

 


 

Redes neuronales artificiales
1. Introducción
Desde la primera mitad del siglo XX se han empezado a desarrollar modeloscomputacionales que han intentado emular el comportamiento del cerebro humano (Pitts, 1943). Aunque se han propuesto una gran cantidad de ellos, todos usan una estructura en red en la cual los nodos o neuronas son procesos numéricos que involucran estados de otros nodos según sus uniones. Una clase de estos modelos computacionales son las Redes de Neuronas Artificiales (Haykin, 1998).
Las Redes de NeuronasArtificiales (RNA) se han hecho muy populares debido a la facilidad en su uso (ver Figura 1) e implementación y la habilidad para aproximar cualquier función matemática. Las Redes de Neuronas Artificiales, con su marcada habilidad para obtener resultados de datos complicados e imprecisos, pueden utilizarse para extraer patrones y detectar tramas que son muy difíciles de apreciar por humanos u otrastécnicas computacionales.

Figura 1. Esquema básico del trabajo con RNA

El primer modelo de neurona artificial fue propuesto por McCulloch y Pitts, donde se modelizaba una estructura y un funcionamiento simplificado de las neuronas del cerebro, considerándolas como dispositivos con n entradas, una única salida y sólo dos estados posibles: activa o inactiva (Pitts, 1943).
Una red era, enese planteamiento inicial, una colección de neuronas de McCulloch y Pitts, todas sincronizadas, donde las salidas de unas neuronas estaban conectadas a las entradas de otras. Algunos de los planteamientos de McCulloch y Pitts se han mantenido desde 1943 sin modificaciones, otros por el contrario han ido evolucionando, pero todas las formalizaciones matemáticas que se han realizado desde entonces,sobre las Redes de Neuronas Artificiales, aún sin pretender ser una modelización exacta de las redes de neuronas biológicas, sí han resultado un punto de partida útil para el estudio de las mismas.
Una de las definiciones que se estima más certera de Red de Neuronas Artificiales es la siguiente: “Las redes neuronales son conjuntos de elementos de cálculo simples, usualmente adaptativos,interconectados masivamente en paralelo y con una organización jerárquica que le permite interactuar con algún sistema del mismo modo que lo hace el sistema nervioso biológico” (Kohonen, 1989).
Su aprendizaje adaptativo, auto-organización, tolerancia a fallos, operación en tiempo real y fácil inserción dentro de la tecnología existente, han hecho que su utilización se haya extendido en áreas como labiológica, financiera, industrial, medio ambiental, militar, salud, etc. (Martinez, 1995) Están funcionando en aplicaciones que incluyen identificación de procesos (R. González-García, 1998), detección de fallos en sistemas de control (Deventer., 1995.), modelación de dinámicas no lineales (Rijckaert, 1998), control de sistemas no lineales (K. S. Narendra, 2008) (Personnaz., 2000) y optimización de...