S iy rn 2012-1 balotario de la pc1
Upcoming SlideShare
Loading in...5
×

Like this? Share it with your network

Share

S iy rn 2012-1 balotario de la pc1

  • 651 views
Uploaded on

 

  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Be the first to comment
    Be the first to like this
No Downloads

Views

Total Views
651
On Slideshare
651
From Embeds
0
Number of Embeds
0

Actions

Shares
Downloads
7
Comments
0
Likes
0

Embeds 0

No embeds

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
    No notes for slide

Transcript

  • 1. FACULTAD DE INGENIERA ELECTRONICA Y MECATRONICA INGENIERIA MECATRONICA Ciclo. 2012-1. Prof. Ing. José C. Benítez P. SI01 SISTEMAS INTELIGENTES Y REDES NEURONALES BALOTARIO DE LA PRIMERA PRÁCTICA1. Introducción a la IA y a las RNA. Responder forma clara y precisa. a. Enuncie dos conceptos de Inteligencia Artificial. b. ¿Cuál es el objetivo de la IA? c. ¿En qué consiste el Test de Touring d. ¿Cuáles son las condiciones del test de Touring? e. ¿Qué es un agente?. f. Escriba dos características de la IA convencional. g. Escriba dos características de la IA computacional. h. Escriba 10 aplicaciones de la IA. i. Dibuje la representación de una RNB e indique sus partes. j. Dibuje la representación de una RNA e indique sus partes. k. ¿Cuántas neuronas (células nerviosas) hay en nuestro cerebro aproximadamente?. l. Justifique porque en un punto de una letra “i” hay 50 neuronas. m. ¿Cuánto pesa un cerebro de un recién nacido y un adulto? n. ¿Cuáles son las funciones que representan a una RNA’. Explique cada una de ellas. o. Haga un cuadro sinóptico con la clasificación de las RNA según el patrón de conexión. Dar ejemplos de cada uno. p. Haga un cuadro sinóptico con la clasificación de las RNA según el tipo de aprendizaje. Dar ejemplos de cada uno. q. Graficar los patrones de aprendizaje de las funciones lógicas: OR NOT XNOR ~CONDICIONAL ~BICONDICIONAL El siguiente patrón de aprendizaje: X1 X2 D1 D2 -0.5 -1.0 1 0 1.0 1.0 1 1 1.0 0.5 0 1 -1.0 -0.5 0 0 -1.0 -1.0 0 1 0.5 1.0 1 1 r. Usando un Perceptron CLASIFICAR el siguiente patrón de aprendizaje. X1 X2 D -0.5 -1.0 1 1.0 1.0 1 1.0 0.5 0 -1.0 -0.5 0 -1.0 -1.0 1 0.5 1.0 1 s. Trate de resolver el problema de la XOR con una RNA Perceptron, ¿a qué conclusión llega?. t. Diseñe y entrene usando el toolbox de redes neuronales del MATLAB un Perceptron que pueda identificar los números del 0 al 9 donde cada número se puede definir en una matriz de 5*3, por ejemplo el número 2 sería :
  • 2. 111 001 111 100 111 u. Modifique el programa del Perceptron presentado de tal forma que permita trabajar un Perceptron de N neuronas en la capa de entrada y de M neuronas en la capa de salida, pruebe el Perceptron codificado con el ejercicio anterior.2. Red Perceptron. Responder forma clara y precisa. a. Que es una red Perceptron?. b. Describa las características de un Perceptron. c. Represente una red Perceptron con sus tres capas. Cuáles son las capas del red Perceptron?. d. Dibuje una red Perceptron de una capa y una multicapa, y explique sus características. e. En la red Perceptron dada con los pesos proporcionados ¿La red aprende?: Considerar: fT = hardlims pi = [-2 2; 2 1; 2 -1] wij = [1 1 -1; 2 -1 -2; -1 2 -1] Nota: Wij es el peso de la entrada i hacia la UP j. f. Porque la red Perceptron de la función AND aprende?. Justifique su respuesta con un análisis gráfico. Porque la red Perceptron de la función XOR no aprende?. Justifique su respuesta con un análisis gráfico. g. Entrenar la red Perceptron. Hallar Wij es el peso de la entrada i hacia la UP j. ¿Aprende la RNA? Considerar: fT = hardlim pi=[-1 1; -1 1;2 -2] oij=[1 1; 0 1; 1 1] f. Represente la red Perceptron: o La RNA tiene 11 neuronas y 08 UPs. o Tres CPs, o En la capa oculta hay 05 ups. o La primera CP tiene una UP más que la segunda. o Escriba sus matrices representativas g. En la red Perceptron dada con los pesos proporcionados ¿La red aprende?: Considerar: La neuronas de salida tienen bias b1=2 y b2=-1 respectivamente. fT = harlims pi = [1 1;-1 2; 2 1; 2 -1] wij = [1 -1;-1 1; -2 2;-1 1] Nota: Wij es el peso de la entrada i hacia la UP j de la siguiente capa. h. Entrenar la red Perceptron. Hallar Wij es el peso de la entrada i hacia la UP j. ¿Aprende la RNA? Considerar: fT = hardlim pi = [1 1;-1 1; 2 2;1 -1] oij = [1 1;1 0; 0 1;0 1] *UTP/FIEM/SIRN/ /JCBP/19-04-12