Red neuronal artificial rna

La ventaja que presentan las RNA´s a otros tipos de controladores es que estas aprenden el funcionamiento deseado mediante ejemplos sin necesidad de un modelado matemático que represente la tarea a realizar, incluso las RNA´s tienen capacidad de aproximar funciones no lineales complejas [20, 21, 27, 32, 36].

BREVE HISTORIA DE LAS RNA´S

La primera acción encaminada a emular las neuronasbiológicas se dio en 1943 cuando Warren McCulloch, un neurofisiólogo, y un matemático, Walter Pitts, escribieron un documento referente a la manera en la que podían funcionar las neuronas en el cual consideraron la salida de las neuronas de forma binaria [37].

Para reforzar este concepto de las neuronas y como trabajan fue escrito un libro por Donal Hebb, La organización del comportamiento (TheOrganization of Behavior), el cual fue escrito en 1949 [32]. Este trabajo resaltó el hecho de que, las rutas de comunicación (sinapsis) de las neuronas se fortalecen en el grado en que son empleadas, esto es, en alguna forma desarrollaban nuevas habilidades [30].

En 1957 Jhon Von Neumann sugirió imitar las funciones simples de las neuronas empleando relevadores de telégrafo o tubos de vacío. Enel mismo año, Frank Rosenblatt, comenzó a trabajar con el Perceptron. Éste era el modelo de una red de neuronas simple que considera la salida de las neuronas como salida binaria [32]. El Perceptron, que resulto de estas investigaciones, fue construido en hardware. Posteriormente Minsky y Papert mostraron las limitaciones que presentaba el Perceptron ya que por la limitación de su salida binariasolo podía separar un espacio de muestras en dos clases [33].

20. Wang, D. y J. Huang, A Neural-Network-Based Approximation Method for Discrete-Time
Nonlinear Servomechanism Problem. IEEE Transactions on Neural Networks, 2001. 12: p.
591-597.
21. Cembrano, G. y G. Wells, Aplicaciones del Aprendizaje Neuronal al Control de Robots.
Inteligencia Artificial, 1997. 1: p. 34-40.
22.Barrientos, A. y otros, Fundamentos de Robótica. 1997: Mc Graw Hill- Interamericana de
España.
23. Groover, M.P. y otros, Industrial Robotics
Technology, Programming and applications. Industrial Robotics, ed. I.E. Series. 1987: Mc.
Graw Hill International. 3-47.
Control de un Péndulo Invertido Empleando Redes Neuronales Artificiales
Capitulo 2. Péndulo Invertido y Redes Neuronales Artificiales 3624. Konar, A., Artificial Intelligence and Soft Computing. 1º ed. 2000, Boca Raton, Florida:
CRC Press. 415-443.
25. Pedrycz, W., Computacional Intelligence: an introduction. 1º ed. Computer Engineering.
1998, Florida USA: CRC PressLLC. 7-35.
26. Kasabov, N.K., Foundations of Neural Networks, Fuzzy Systems, and
Knowledge Engineering. 2 ed. Expert systems (Computer science), ed. B. Book. Vol.1.
1998, London, England: MIT Press. 251-307.
27. Kosko, B., Neural Networks and Fuzzy Systems: a dynamical systems approach. 1992:
Prentice Hall. 39-110.
28. Hinton, G.E. y T.J. Sejnowski, Neural Networks architectures for AI, in MP2. 1987: Seattle
WA.
29. Pitas, I., Parallel algorithms: for digital image processing, computer vision, and neural
networks. Parallel Computing, ed. 1993: JhonWiley and sons. 259-301.
30. Cuevas de la Rosa, Francisco J. y M.S. Girardo, La Neurona Biologica y su
Implementacion Artificial. 1993, CIO: León, Guanajuato. p. 3-16.
31. Burns, R.S., Advanced Control Engineering. 1º ed. 2001, Woburn,MA: Butterworth-
Heinemann. 347-360.
32. Freeman, J.A. y D.M. Skapura, Neural Networks: algorithms, applications, and
programming techniques. 1 ed.Computation and Neural Systems, ed. C. Koch. Vol. 1.
1991, California: Addison Wesley. 45-124,341-371.
33. Jain, A.K. y J. Mao, Artificial Neural Networks: A tutorial. IEEE Computer, 1996. 18: p.
31-44.
34. Jones, P.C. y S. Tepavich, ADALINE Stabilization of an Inverted Robot Arm. 1997,
www.aracnet.com.
35. Pino, B. y otros, Implementaciones hardware de redes neuronales artificiales. Inteligencia...