Investigacion RN Avanzado

Investigación
Redes Neuronales

Definición, fundamentos y aplicaciones.

Alumnos: Ignacio Jofré Valenzuela.
Paula Castillo Jiménez
Fecha entrega: 29/05/2015
Docente: Carlos Pulgar.
Asignatura: Control Automático II

Índice
Contenido

N° de página

-Índice

2

-Introducción

3

-Capitulo 1: Sistemas de control basado en redes neuronales.
1.1
Arquitectura básica redes neuronales.
1.1.1
Analogíacon cerebro humano.
1.1.2
Redes neuronales artificiales.
1.2
Funcionamiento de las redes neuronales.
1.2.1
Composición de las redes neuronales.
1.2.1.1 Neurona artificial.
1.2.1.2 Función de activación.
1.2.1.3 Función de salida y pesos sinápticos.
1.2.1.4 Reglas de propagación.
1.3
Características de las redes neuronales
1.4
Clasificación de las redes neuronales.
1.4.1
Clasificación RNA según suarquitectura.
1.4.2
Redes neuronales estáticas y dinámicas.
1.4.2.1 Redes neuronales estáticas.
1.4.2.2 Redes neuronales dinámicas.
1.4.3
Clasificación de RNA según su aprendizaje.

4
5
5-6
7-8
9
10-11
11-14
14
15
15
16
16
17
18-19
20
21-22

-Capitulo 2: Aplicaciones de las redes neuronales artificiales.
23
2.1
Aplicación RNA al reconocimiento de patrones.
23-25
2.2
RNA Perceptrón y el avance.
262.2.1
Perceptrón multicapa.
27
2.2.2
Entrenamiento de una red perceptrón.
27-28
2.2.3
Inconvenientes de una red modelo perceptrón.
28
2.3
Algoritmo Backpropagation.
29
2.3.1
Método de entrenamiento del algoritmo.
30-32
2.3.2
Ventajas y desventajas del algoritmo backpropagation. 32
2.4
Metodología para modelar una RNA.
33
2.4.1
Imagen de muestra para análisis de patrones.
34
2.4.1.1 Selección demuestra.
34-35
2.4.1.2 Tomar imagen digital, a vector matricial.
38
2.4.1.3 Neuronas en capa de entrada y salida.
39
2.4.1.4 Generar datos de salida.
40
2.4.1.5 Entrenamiento de la red neuronal.
40-45
2.4.1.6 Reconocimiento real de una muestra.
45- 47
2.5
Ventajas y limitaciones de las RNA.
48
-Conclusión

49
2

Introducción
Los sistemas actuales que buscamos controlar se han vuelto muy complejos, lamayoría
de ellos presentan algún grado de no linealidad, y pueden ser variantes e invariantes en
el tiempo, presentan incertidumbres en sus entradas y en su estructura.
Uno de los métodos que más interés ha despertado en la teoría de control de sistemas no
lineales que pueden resolver los problemas mencionados anteriormente es el control a
través de la inteligencia artificial, el cuál incorporatécnicas como las redes neuronales
artificiales y los sistemas difusos.
Las redes neuronales artificiales son un tipo especial de estructura matemática las cuáles
se basan en el modelo biológico de las neuronas del cerebro. Una red neuronal tiene la
propiedad de ajustar automáticamente sus parámetros mediante una regla llamada
algoritmo de aprendizaje, generalmente este algoritmo se basa en la retropropagación del
error, así la red puede aproximar una función no lineal con una gran exactitud.
En esta investigación analizaremos el funcionamiento integral de las redes neuronales
artificiales en un sistema de control no lineal basado en el reconocimiento integral de
patrones, donde se analizaran métodos paso a paso de la configuración de una red
neuronal, como está conformada su arquitecturainterna y cuáles son las diferentes
aplicaciones que podemos obtener basado en estar redes neuronales artificiales.
Al estar basado en el reconocimiento de patrones (o imagen), se generara el proceso de
la conformación de datos de entrada a valores vectoriales basado en una matriz de datos
binarios, para que posteriormente sean reconocidos por nuestra red neuronal y se aplique
un debido algoritmode aprendizaje, para lograr comprender como se realiza el
aprendizaje y retención de la información que adquiere nuestra red.
Así finalmente lograr comprender la interpretación de los datos entregados por nuestra
red neuronal artificial (datos de salida), acompañados de un amplio marco teórico, y su
aplicación práctica.

3

Capitulo 1: Sistemas de Control Basado en redes
neuronales.
Las Redes...