3. Núcleo estimador con salida conocida Múltiples entradas-salidas Entradas conocidas y desconocidas Entrada desconocida Salida de núcleo estimador con nivel de jerarquía precedente ( M -1) Nivel M -1 Nivel M Salida conocida
5. Descripción de términos Representación de núcleo estimador j =1.. M Niveles de jerarquía; k =1.. P Núcleos en cada nivel Vector de parámetros Entradas conocidas y desconocidas
6. Adaptación de los parámetros (capa de salida) Mecanismo de adaptación Error : Disponible en nivel M
7. Adaptación de los parámetros (capas intermedias) Mecanismo de adaptación Retropropagación del error Diferencial de salida con respecto a parámetros Diferencial de salida (NE) con respecto a variable de entrada
8. Ejemplo: Núcleo estimador borroso Parámetros Variables de entrada Es necesario obtener el diferencial con respecto a las variables de entrada y los parámetros
9. Adaptación de los parámetros Descripción extendida Centros Anchos Consecuentes Aplicación del gradiente
10. Diferencial con respecto a las variables de entrada (I) Descripción extendida Resolver el diferencial
13. Ejemplo de derivada con respecto a las variables de entrada Función a modelar Derivada con respecto a x 1
14. ¿Redes Neuronales? Función de coste Diferencial con respecto a los parámetros De forma similar se determina el diferencial con respecto a la variable de entrada Tangente sigmoidal hiperbólica
15. Pasos generales en el aprendizaje supervisado [Paso 1] Definir la estructura del modelo y las condiciones iniciales [Paso 2] Obtener los datos de entrada-salida ( x1, x2, . . .,xn; y ) [Paso 3] Aplicar el núcleo estimador [Paso 4] Adaptar los parámetros [Paso 5] Determinar la condición de finalización en la obtención del modelo, si este no se cumple, repetir a partir del [Paso 2] [Paso 6] Aplicar el criterio para validación del modelo. Si los resultados no son los deseados, repetir a partir del [Paso 1]
16. Sistemas jerárquicos: Condiciones iniciales 1.- Definir las variables de entrada-salida del sistema. Evaluar la conveniencia de normalizar y/o adecuar las variables. 2.- Agrupar las variables que representen determinado “conocimiento”, o brinden información complementaria 3.- Definir los núcleos estimadores , ubicarlos en niveles de jerarquía. a) Definir el método de adaptación paramétrica . b) Determinar el diferencial con respecto a las variables de entrada. 4.- Identificar las variables de entrada conocidas y desconocidas. 5.- Definir los universos de discurso a la salida de los núcleos estimadores. 6.- Definir las condiciones iniciales de los parámetros . 7.- Revisar los pasos para obtener un modelo .
17. Ejemplos en robótica Sónares Infrarrojos Cámara Motores Considerar : Tiempo de adquisición y procesamiento, ubicación espacial, etc.
18. Sistemas jerárquicos: Obtención del conocimiento (I) I.- Proyectar el sistema jerárquico hacia adelante : Obtener el valor de todas las variables del sistema Variables conocidas Variables desconocidas
19. Sistemas jerárquicos: Obtención del conocimiento (II) II.- Calcular el error a la salida y los diferenciales con respecto a las variables de entrada