Fundamentos de las Redes Neuronales Artificiales<br />Universidad Juárez Autónoma de Tabasco	<br />División Académica de C...
Elementos de una Red Neuronal Artificial<br />Unidades de Proceso: La neurona artificial<br />Estado de activación<br />Co...
Unidades de Proceso: La neurona artificial<br />Si se tienen N unidades (neuronas), podemos ordenarlas arbitrariamente y d...
Estado de activación<br />Cada elemento del conjunto de unidades (neuronas) tiene asociado un valor que representa la acti...
Función de salida o de transferencia…<br />Entre las neuronas que forman una Red Neuronal existe un conjunto de conexiones...
Función de salida o de transferencia…<br />Existen cuatro funciones de transferencia típicas que determinan distintos tipo...
Función de salida o de transferencia…<br />Existen cuatro funciones de transferencia típicas que determinan distintos tipo...
Conexión entre neuronas (regla de propagación)<br />Las conexiones entre neuronas tienes asociado un peso. Sea yi el valor...
Función o regla de activación<br />Así como es necesario una regla que combine las entradas a una neurona con los pesos de...
Regla de Aprendizaje<br />Biológicamente, se acepta que la información memorizada en el cerebro está más relacionada con l...
Estructura de una Red Neuronal Artificial<br />Niveles o capas de neuronas<br />Formas de conexión entre neuronas<br />Uni...
Niveles o capas de neuronas<br />a) Conexiones hacia adelante (feedforward)<br />b) Conexiones laterales<br />c) Conexione...
Formas de conexión entre neuronas<br />Universidad Juárez Autónoma de Tabasco	<br />División Académica de Ciencias Biológi...
Topología de las Redes Neuronales<br />Redes Monocapa<br />Redes Multicapa<br />     Redes con conexiones hacia adelante (...
Mecanismo de Aprendizaje<br />Redes con aprendizaje supervisado <br />     Aprendizaje por corrección de error<br />     A...
Tipo de Asociación entre las informaciones de Entrada y Salida<br />Redes heteroasociativas<br />Redes Autoasociativas<br ...
El Perceptron<br />Universidad Juárez Autónoma de Tabasco	<br />División Académica de Ciencias Biológicas<br />Redes Neuro...
El Perceptron Multinivel<br />Universidad Juárez Autónoma de Tabasco	<br />División Académica de Ciencias Biológicas<br />...
Redes Adaline y Madaline<br />Suma ponderada de las entradas. Wo indica el umbral.<br />La red ADALINE se puede utilizar p...
La Red Backpropagation<br />Redes heteroasociativas<br />Redes Autoasociativas<br />Universidad Juárez Autónoma de Tabasco...
La Red de Hopfield<br />Redes heteroasociativas<br />Redes Autoasociativas<br />Universidad Juárez Autónoma de Tabasco	<br...
Modelo de Resonancia Adaptativa (ART)<br />Redes heteroasociativas<br />Redes Autoasociativas<br />Universidad Juárez Autó...
El Modelo de Kohonen<br />Redes heteroasociativas<br />Redes Autoasociativas<br />Universidad Juárez Autónoma de Tabasco	<...
Redes Neuronales y Lógica Borrosa<br />Redes heteroasociativas<br />Redes Autoasociativas<br />Universidad Juárez Autónoma...
Listado de Software de Redes Neuronales<br />Rochester Connectionist Simulator (implementa el algoritmo backpropagation)<b...
Upcoming SlideShare
Loading in …5
×

Taller rna

2,088 views
2,030 views

Published on

Published in: Education, Technology, Business
0 Comments
1 Like
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
2,088
On SlideShare
0
From Embeds
0
Number of Embeds
3
Actions
Shares
0
Downloads
90
Comments
0
Likes
1
Embeds 0
No embeds

No notes for slide

Taller rna

  1. 1. Fundamentos de las Redes Neuronales Artificiales<br />Universidad Juárez Autónoma de Tabasco <br />División Académica de Ciencias Biológicas<br />Redes Neuronales Artificiales<br />
  2. 2. Elementos de una Red Neuronal Artificial<br />Unidades de Proceso: La neurona artificial<br />Estado de activación<br />Conexiónentre neuronas<br />Función o regla de activación<br />Función de salida o de transferencia<br />Regla de Aprendizaje<br />Universidad Juárez Autónoma de Tabasco <br />División Académica de Ciencias Biológicas<br />Redes Neuronales Artificiales<br />
  3. 3. Unidades de Proceso: La neurona artificial<br />Si se tienen N unidades (neuronas), podemos ordenarlas arbitrariamente y designar la j-ésima unidad como Uj.<br />Su trabajo es simple y único, y consiste en escribir las entradas de las células vecinas y calcular un valor de salida el cual es enviado a todas las células restantes.<br />Universidad Juárez Autónoma de Tabasco <br />División Académica de Ciencias Biológicas<br />Redes Neuronales Artificiales<br />
  4. 4. Estado de activación<br />Cada elemento del conjunto de unidades (neuronas) tiene asociado un valor que representa la activación de la unidad en un tiempo t.<br />La activación de la unidad Ui en el tiempo t se designa por ai(t) y al vector de N números reales como A(t).<br />A(t) = (a1(t), a2(t), … , ai(t), …., aN(t) )<br />Universidad Juárez Autónoma de Tabasco <br />División Académica de Ciencias Biológicas<br />Redes Neuronales Artificiales<br />
  5. 5. Función de salida o de transferencia…<br />Entre las neuronas que forman una Red Neuronal existe un conjunto de conexiones que unen unas con otras. Cada unidad transmite señales a aquellas que están conectadas a su salida.<br />Asociada a cada unidad Ui hay una función de salida fi(ai(t)) que transforma el estado actual de activación ai(t) en una señal de salida yi; es decir:<br />yi=fi(ai(t))<br />Y(t) = (f1 ( a1(t)), f2( a2(t)), … , fi(ai(t)), …., fN(aN(t)) )<br />Universidad Juárez Autónoma de Tabasco <br />División Académica de Ciencias Biológicas<br />Redes Neuronales Artificiales<br />
  6. 6. Función de salida o de transferencia…<br />Existen cuatro funciones de transferencia típicas que determinan distintos tipos de neuronas:<br />Función escalón<br />Función lineal y mixta<br />Universidad Juárez Autónoma de Tabasco <br />División Académica de Ciencias Biológicas<br />Redes Neuronales Artificiales<br />
  7. 7. Función de salida o de transferencia…<br />Existen cuatro funciones de transferencia típicas que determinan distintos tipos de neuronas:<br />Función sigmoidal<br />Función gaussiana<br />Universidad Juárez Autónoma de Tabasco <br />División Académica de Ciencias Biológicas<br />Redes Neuronales Artificiales<br />
  8. 8. Conexión entre neuronas (regla de propagación)<br />Las conexiones entre neuronas tienes asociado un peso. Sea yi el valor de salida de una neurona i en un instante dado. Cada conexión (sinapsis) entre la neurona i y la neurona j está ponderada por un peso wij. <br />La entrada neta que recibe una neurona netj es la suma del producto de cada señal individual por el valor de la sinapsis que conecta ambas neuronas.<br />Universidad Juárez Autónoma de Tabasco <br />División Académica de Ciencias Biológicas<br />Redes Neuronales Artificiales<br />
  9. 9. Función o regla de activación<br />Así como es necesario una regla que combine las entradas a una neurona con los pesos de las conexiones, también es necesario una regla que combine las entradas con el estado actual de la neurona para producir un nuevo estado de activación.<br />Universidad Juárez Autónoma de Tabasco <br />División Académica de Ciencias Biológicas<br />Redes Neuronales Artificiales<br />
  10. 10. Regla de Aprendizaje<br />Biológicamente, se acepta que la información memorizada en el cerebro está más relacionada con los valores sinápticos de las conexiones entre las neuronas que con ellas mismas.<br />En las redes neuronales artificiales, se puede considerar que el conocimiento se encuentra representado en los pesos de las conexiones entre neuronas.<br />Universidad Juárez Autónoma de Tabasco <br />División Académica de Ciencias Biológicas<br />Redes Neuronales Artificiales<br />
  11. 11. Estructura de una Red Neuronal Artificial<br />Niveles o capas de neuronas<br />Formas de conexión entre neuronas<br />Universidad Juárez Autónoma de Tabasco <br />División Académica de Ciencias Biológicas<br />Redes Neuronales Artificiales<br />
  12. 12. Niveles o capas de neuronas<br />a) Conexiones hacia adelante (feedforward)<br />b) Conexiones laterales<br />c) Conexiones hacia atrás o recurrentes<br /> (feedforward / feedback)<br />Universidad Juárez Autónoma de Tabasco <br />División Académica de Ciencias Biológicas<br />Redes Neuronales Artificiales<br />
  13. 13. Formas de conexión entre neuronas<br />Universidad Juárez Autónoma de Tabasco <br />División Académica de Ciencias Biológicas<br />Redes Neuronales Artificiales<br />
  14. 14. Topología de las Redes Neuronales<br />Redes Monocapa<br />Redes Multicapa<br /> Redes con conexiones hacia adelante (feedforward)<br /> Redes con conexiones hacia adelante y hacia atrás (feedforward/feedback)<br />Universidad Juárez Autónoma de Tabasco <br />División Académica de Ciencias Biológicas<br />Redes Neuronales Artificiales<br />
  15. 15. Mecanismo de Aprendizaje<br />Redes con aprendizaje supervisado <br /> Aprendizaje por corrección de error<br /> Aprendizaje por refuerzo<br /> Aprendizaje estocástico<br />Redes con aprendizaje no supervisado<br /> Aprendizaje hebbiano<br /> Aprendizaje competitivo y cooperativo<br />Universidad Juárez Autónoma de Tabasco <br />División Académica de Ciencias Biológicas<br />Redes Neuronales Artificiales<br />
  16. 16. Tipo de Asociación entre las informaciones de Entrada y Salida<br />Redes heteroasociativas<br />Redes Autoasociativas<br />Universidad Juárez Autónoma de Tabasco <br />División Académica de Ciencias Biológicas<br />Redes Neuronales Artificiales<br />
  17. 17. El Perceptron<br />Universidad Juárez Autónoma de Tabasco <br />División Académica de Ciencias Biológicas<br />Redes Neuronales Artificiales<br />
  18. 18. El Perceptron Multinivel<br />Universidad Juárez Autónoma de Tabasco <br />División Académica de Ciencias Biológicas<br />Redes Neuronales Artificiales<br />
  19. 19. Redes Adaline y Madaline<br />Suma ponderada de las entradas. Wo indica el umbral.<br />La red ADALINE se puede utilizar para generar una salida analógica utilizando un conmutador sigmoidal, en lugar de binario; en tal caso, la salida y se obtendrá aplicando una función tipo sigmoidal, como la tangente hiperbólica (tanh(s)) o la exponencial (1/1+ ).<br />Universidad Juárez Autónoma de Tabasco <br />División Académica de Ciencias Biológicas<br />Redes Neuronales Artificiales<br />
  20. 20. La Red Backpropagation<br />Redes heteroasociativas<br />Redes Autoasociativas<br />Universidad Juárez Autónoma de Tabasco <br />División Académica de Ciencias Biológicas<br />Redes Neuronales Artificiales<br />
  21. 21. La Red de Hopfield<br />Redes heteroasociativas<br />Redes Autoasociativas<br />Universidad Juárez Autónoma de Tabasco <br />División Académica de Ciencias Biológicas<br />Redes Neuronales Artificiales<br />
  22. 22. Modelo de Resonancia Adaptativa (ART)<br />Redes heteroasociativas<br />Redes Autoasociativas<br />Universidad Juárez Autónoma de Tabasco <br />División Académica de Ciencias Biológicas<br />Redes Neuronales Artificiales<br />
  23. 23. El Modelo de Kohonen<br />Redes heteroasociativas<br />Redes Autoasociativas<br />Universidad Juárez Autónoma de Tabasco <br />División Académica de Ciencias Biológicas<br />Redes Neuronales Artificiales<br />
  24. 24. Redes Neuronales y Lógica Borrosa<br />Redes heteroasociativas<br />Redes Autoasociativas<br />Universidad Juárez Autónoma de Tabasco <br />División Académica de Ciencias Biológicas<br />Redes Neuronales Artificiales<br />
  25. 25. Listado de Software de Redes Neuronales<br />Rochester Connectionist Simulator (implementa el algoritmo backpropagation)<br />NeurDs<br />PlaNet5.7<br />GENESIS (implementa el algoritmo backpropagation)<br />CascadeCorrelation Simulator<br />QuickProp (variación del algoritmo backpropagation)<br />Aspirin/MIGRAINES<br />NeuronalShell<br />Xerion<br />Neocognitron Simulator<br />Multi-Module Neuronal Computing Environment (MUME)<br />LVQ_PAK, SOM_PAK.<br />SESAME<br />Nevada Backpropagation<br />FuzzyARTmap<br />PYGMALION (implementa el algoritmo backpropagation)<br />Matriz Backpropagation (implementa el algoritmo backpropagation)<br />WinNN<br />BIOSIM<br />TheBrain<br />FuNeGen 1.0<br />NeuDL- Neuronal Network DescriptionLanguage<br />NeoC Explorer (implementación de Fukushima´sNeocognitron)<br />SNNSv4.2.Win32-bin<br />SprinN 2.5<br />xdemo32<br />Teruel<br />Tiberius<br />

×