1/9/2019 Redes neuronales y lógica difusa

Más Crear un blog Acceder

Redes neuronales y lógica difusa

Buscar

Redes neuronales aplicadas a la computación Puntos

▼ 2011 (16)
Antecedentes y Funcionamiento Redes Neuronal…
Neuronal… ▼ abril (16)
15) Análisis del algoritmo del
tren bala
14) Ejemplo del potenciómetro.
13) Diseño de un sistema de
lógica difusa.
12) Ejercicio en copias.
11) Características
fundamentales del centroide
de...
10) Operadores, operaciones y
reglas básicas de la...
9) Funciones de membrecía.
8) Aplicaciones de la lógica
difusa y las redes ne...
7) Como se complementan la
lógica difusa y las red...
6) Lógica difusa y su diferencia
con la lógica sim...
5) Características de los
algoritmos de entrenamie...
1) Diferencias y semejanzas entre una red neuronal un
4) Aprendizaje neuronal.
sistema experto y un programa de computadora.
3) Conducción eléctrica a nivel
de las neuronas.
2) Neurona biológica versus
neurona artificial.
1) Diferencias y semejanzas
entre una red neuronal...
Redes neuronales aplicadas a la
computación

Seguidores

Seguidores (0)

Seguir

2) Neurona biológica versus neurona artificial.

redneuronalfuzzylogic.blogspot.com 1/5
1/9/2019 Redes neuronales y lógica difusa

3) Conducción eléctrica a nivel de las neuronas.

Las señales eléctricas son conducidas de una célula a otra por medio de conexiones
llamadas sinópicas, las señales son recibidas por las dendritas de la célula receptora estas se
encargan de la recepción de las señales para su ingreso al soma, este procesa las señales y
envía señales se salida a través de axón, para ser enviada a otras células vecinas a través de
la sinapsis el cual es un proceso químico.

4) Aprendizaje neuronal.
El aprendizaje de las redes neuronales, es el proceso de presentar los patrones a aprender, a
la red y el cambio de los pesos de las conexiones sinápticas usando una regla de aprendizaje.
La regla de aprendizaje consiste en algoritmos basados en formulas matemáticas, que usando
técnicas como minimización del error o la optimización de alguna "función de energía",
modifican el valor de los pesos sinápticos en función de las entradas disponibles y con ello
optimizan la respuesta de la red a las salidas que deseamos.

5) Características de los algoritmos de entrenamiento

de redes neuronales.

El entrenamiento de las redes neuronales puede realizarse de dos formas, fuera de línea o en tiempo
real. La elección de cualquiera de ellos o ambos implica velocidades de proceso diferentes que
afectan a los algoritmos y hardware utilizados. De acuerdo al tipo de entrenamiento, pueden
clasificarse en:

Algunos de los algoritmos utilizados son:

Bloques: puede utilizar datos ruidosos y tiene la posibilidad de utilizar funciones de coste no
cuadráticas; se puede utilizar en redes progresivas, redes dinámicas o redes realimentadas.

Simulated Annealing: La modificación de los pesos y vías con un algoritmo de entrenamiento de un

perceptrón multicapa es un problema clásico de programación no lineal irrestricto; El desempeño del
“Simulated Annealing” como algoritmo de entrenamiento de una red neuronal resuelve dos
problemas clásicos en las redes neuronales, el problema de la “Codificación” y el problema de la
“Doble Espiral”, adicionalmente entrega resultados de buena calidad que son obtenidos cuando se
compara esta propuesta frente a algoritmos clásicos de entrenamiento.

Back-propagation: El método de back-propagation (o entrenamiento hacia atrás) es un sistema

automático de entrenamiento de redes neuronales con capas ocultas, perfeccionado en la década de
los 80. En este tipo de redes, el problema a la hora de entrenarlas radica en que sólo conocemos la
salida de la red y la entrada, de forma que no se pueden ajustar los pesos sinápticos asociados a las
neuronas de las capas ocultas, ya que no podemos inferir a partir del estado de la capa de salida
como tiene que ser el estado de las capas ocultas.

redneuronalfuzzylogic.blogspot.com 2/5
1/9/2019 Redes neuronales y lógica difusa

6) Lógica difusa y su diferencia con la lógica simbólica

formal.

La lógica difusa es un método de razonamiento estadístico que permite especificar los

problemas de control del mundo real en términos probabilísticos, sin necesidad de recurrir a
modelos matemáticos y con un nivel de abstracción mucho más elevado.
Se diferencia de la lógica simbólica en los conceptos que utiliza para referirse a una realidad,
en la lógica formal se utilizan conceptos absolutos mientras que la lógica difusa la define la
realida en grados variables de pertenencia a los mismos, siguiendo patrones de razonamiento
similares a los del pensamiento humano. Las condiciones extremas o absolutas asumidas
por la lógica formal son solo un caso particular dentro de lógica difusa.

7) Como se complementan la lógica difusa y las redes

neuronales.

Partimos de que los sistemas Inteligentes basados en redes neuronales y los sistemas
difusos se están constituyendo en herramientas fundamentales para modelar sistemas
complejos no lineales. Las redes neuronales necesitan de la lógica difusa por que necesitan
disponer de sistemas expertos capases de procesar información, tomar decisiones y
responder a estímulos de forma similar al cerebro humano, basados en que Los conjuntos
difusos y la lógica difusa, que son el fundamento de los sistemas difusos, han sido
desarrolladas buscando modelar la forma como el cerebro manipula información inexacta. Las
sistemas basados en lógica difusa necesitan de las redes neuronales para aprender nuevos
hábitos mediante el desarrollo dinámico de nuevas reglas.

8) Aplicaciones de la lógica difusa y las redes

neuronales en los campos del conocimiento.

9) Funciones de membrecía.

redneuronalfuzzylogic.blogspot.com 3/5
1/9/2019 Redes neuronales y lógica difusa

10) Operadores, operaciones y reglas básicas de la

lógica difusa.

Los tres operadores básicos de la lógica difusa son:

CONJUNCION: La operación AND (y) de dos valores fuzzy µa y µb produce como resultado el
menor de los valores de entrada µx. Por ejemplo si µa=8 y µb=3 entonces µx=3. Se aplica para
valores de entrada mayores que µ0.

INTERSECCION: La operación OR (o) de dos valores fuzzy µa y µb produce como resultado x el

mayor de los valores de entrada. Por ejemplo, si µa=12 µb= 6 entonces µx=12. Se aplica para
valores de entrada mayores que 0.

DISYUNSION: La operación NOT (no) de un valor fuzzy µa produce como resultado un valor fuzzy µx
igual a 1-µx. Por ejemplo si µa= 0.1 entonces µx=0.

A partir de funciones de membresía creamos reglas que no son más que combinaciones de una o
más funciones de membresía mediante los anteriores operadores difusos. A partir de las reglas se
crean salidas. El numero de reglas requerido depende delo número de entradas del sistema y las
formas o funciones de membresía de cada una.

11) Características fundamentales del centroide de una

función.

Entre las principales características del centroide es que se encuentra en el centro de gravedad de la
función, por esta razón es muy usado en la definición de lógica difusa.

Enlace relacionado:
http://translate.google.com.co/translate?hl=es&langpair=en|es&u=http://en.wikipedia.org/wiki/Centroid

redneuronalfuzzylogic.blogspot.com 4/5
1/9/2019 Redes neuronales y lógica difusa

12) Ejercicio en copias.

Salida H = 0.3

13) Diseño de un sistema de lógica difusa.

Los pasos básicos pueden ser los siguientes.

Determinar la situación actual del proceso.

Interpretar los fundamentos técnicos de la Lógica Difusa y su aplicación en el proceso.

Analizar los basamentos teóricos que permitan el diseño de un sistema basado en

Lógica difusa a partir de la interpretación del resultados.

Diseñar un modelo computacional de un sistema.

Elaborar un análisis técnico-económico para la implementación del sistema

14) Ejemplo del potenciómetro.

15) Análisis del algoritmo del tren bala

La mayoría de valores retornados están en un rango entre 0 y 1.

La toma de decisiones es tomada a partir de rangos de valores.

No se utilizan valores exactos.

Los cambios son graduales y sin sobresaltos.

Página principal

Suscribirse a: Entradas (Atom)

Estudiantes 8AN de ingeniería de sistemas ECCI. Tema Fantástico, S.A.. Con la tecnología de Blogger.

redneuronalfuzzylogic.blogspot.com 5/5