Redes Neuronales Matlab

A.N.N.- R.N.A. (red neuronal artificial)

pensadores:
- Alan turing

Definiciones:

maquina: " artefacto echa de partes mecanicas " (evolucion)

pensar: " tratar de desarrollar acciones parecidas a las del ser humano "

Test de turing

(asimov)

Sistemas expertos:

Deep Blue (computador q le gamo a Gasparov) ; el hombre que calculaba

Redes neuronales

logica difuza-->Fuzzy logic (F.L.)

algoritmos geneticos (G.A.)
____________________________________________________________

__________________

Historia:

años 40`s Mc Culloch y Pitts

crean la--> R.N.A.

Donal Hebb

crea el--> aprendizaje Hebbiano.

Conductivismo (rama de la psicologia)

Años 50`s - 60`s

DARPA

Frank Rosenblatt

-perseptron

Bornard Widrow

-Adaline (adaptativelinear network)

Misky Papert

libro: perseptrons

Años 70`s

Kohonen

- Mapas de auto organización

Anderson

-Brain - State - in - a box

Años 80`s

Rumelhart (Universidad Caneigie Mellon)
--> Manuela Veloso

-Back Propagation

Redes SPIKE

____________________________________________________________

_________________

R.N.A.

- unidades de proceso= Neuronas
- Procesan en Paralelo
- Millones de U.P. (unidades de proceso)
- Interconrxion entre U.P.
* Peso ("analoga a la admitancia").
- la neurona se constitulle por una unidad central y varias entradas.
(no tiene nucleo por lo tanto no se replica)
pates de la neurona:
- soma
- axon
- terminales axonicas
- dentritas
*(internamente hay sodio y externamente hay potasio)
-neuro transmisores(inibidores y exitadores)
-->funcion de activacion.
*(sumatoria de inibidores y exitadores para obtener la respuesta si y solo si es mayor al umbral)

(Modelo del perceptron)

entrada1-------- _____ umbral (bias)
\ peso1 /\ /
entrada3 ___peso2__ sumatoria----> salida'-->salida

/peso3
/
entrada2--------

salida' = (entrada1*peso1+entrada2*peso2+entrada3*peso3)-umbral ;si salida' < 0 --> salida = 0;si salida' >= 0 --> salida = 1
____________________________________________________________

______________________________________

Perseptron

Entrenamiento:

paso1: inicializar pesos

paso2: seleccionar un patron

paso3: calcular la salida

y = sumatoria(wi*xi,i=1,n)
n= numero de entradas
y= fa(w1*x1+w2*x2-teta)teta0-b
bias=-teta
y=fa(w1*x1+w2*x2+bias*1)
/ \
/ \
wo xo=1

paso4: ajuste de pesos

wi(t+1)=wi(t)+alfa*{d(t)-y(t)}*xi

alfa) coeficiente de aprendizaje

paso5: reiniciar pasa2

ejemplo:

and

0 0 0
0 1 0
1 0 0
1 1 1

paso1

w1=0.3
w2=-0.1
bias=0.2
alfa=0.5

paso2

x1=0 x2=0
d=0paso3

y=fa(0*0.3+0*(-0.1)+0.2)
y=1; por la funcion hardlimt

paso4

w1=0.3+0.5*(-1)*0=0.3
w2=-0.1+0.5*(-1)*0=-0.1
bias=0.2+0.5*(-1)*1=-0.3

paso2

x1=0 x2=1
d=0

paso3

y=fa(0*0.3+1*(-0.1)-0.3)
y=0; por la funcion hardlimt

paso2

x1=1 x2=0
d=0

paso3

y=fa(1*0.3+0*(-0.1)-0.3)
y=1; por la funcion hardlimt

paso4

w1=0.3+0.5*(-1)*1=-0.2w2=-0.1+0.5*(-1)*0=-0.1
bias=-0.3+0.5*(-1)*1=-0.8

paso2

x1=1 x2=1
d=1

paso3

y=fa(1*0.3+1*(-0.1)-0.3)
y=0; por la funcion hardlimt

paso4

w1=-0.2+0.5*(1)*1=0.3
w2=-0.1+0.5*(1)*1=0.4
bias=-0.8+0.5*(1)*1=-0.3

**********realizo nuevamente********

paso2

x1=0 x2=0
d=0

paso3

y=fa(0+0)-0.3)
y=0; por la funcion hardlimt

paso4

w1=0.3+0.5*(-1)*0=0.3
w2=-0.1+0.5*(-1)*0=-0.1...