APLICACIONES DE LAS REDES NEURONALES ARTIFICIALESPresentado por:

Lennys SolorzanoRoberto VeltriCUMAN, JULIO DE 2007

INTRODUCCINRedes Neuronales Biolgicas.Redes Neuronales Artificiales (RNA).Caractersticas de las RNA.Aplicaciones de las Redes Neuronales Artificiales.

REDES NEURONALES BILOGICASElementos altamente interconectados a travs de miles de conexiones que forman parte primordial del cerebro humano.

REDES NEURONALES ARTIFICIALESSistemas que emulan el funcionamiento de las Redes Neuronales Biolgicas, mediante organizacin jerrquicas.

CARACTERSTICASPoseen pesos.Dos tipos de aprendizajes. Supervisadas y no supervisadas.Dos fases de operacin. Entrenamiento y recuperacin.No son algortmicas.Asocian y generalizan sin reglas.Requieren de un patrn.

VENTAJASAprendizaje: Habilidad de aprender, etapa de aprendizaje. Auto organizacin: Crea su propia representacin de la informacin.Tolerancia a fallos: Puede seguir respondiendo aceptablemente an si se daa. Flexibilidad: Maneja cambios no importantes en la informacin de entrada. Tiempo real: Se pueden obtener respuestas en tiempo real. Las redes neuronales artificiales (RNA) tienen muchas ventajas debido a que estn basadas en la estructura del sistema nervioso, principalmente el cerebro.

ESTRUCTURA DE LA RNAEl modelo formal de una neurona artificial se inspira en la operacin de la biolgica, en el sentido que integra una serie de entradas y proporciona cierta respuesta.Conjunto de entradas: Todos los datos que entran a la neurona. Funcin de activacin: Proporciona el estado actual de activacin.Pesos sinpticos: Representan la intensidad de iteracin entre cada neurona.Funcin de salida: Proporciona la salida actual.

FUNCIN DE ACTIVACINSe utiliza para acotar la salida de la neurona y generalmente viene dada por la interpretacin que se quiera dar a dichas salidas.HARDLIM: Esta funcin crea neuronas que clasifican las entradas en dos categoras diferentes.PURELIN: Esta funcin crea neuronas que clasifican las entradas igual a la salida.

TIPOS DE REDES NEURONALESPerceptronAdalineBackPropagationAprendizaje Asociativo (Regla de Hebb)Redes Competitivas (Red de Kohonen y Red de Hamming)Redes Recurrentes (Red de Hopfield, Red multicapa, Red de Elman)

APLICACIONES

APLICACIONES

AUTOMATIZACIN Y CONTROL

ROBOTNet=newp([-1 1;-1 1;-1 1;-1 1],2,'hardlims');net.adaptParam.passes=200;Wi;[net,a,e]=adapt(net,P,t);Wf=net.IW{1,1};bf=net.b{1};

CONTROLADORP=proceso(:,2)';T=proceso(:,1)';plot(P,T,'+')net=newff(minmax(P),[20,1],{'tansig','purelin'},'trainlm');net.trainParam.show = 50;net.trainParam.lr = 0.05;net.trainParam.epochs = 500;net.trainParam.goal = 1e-3;%Train networknet1 = train(net, P, T);a=sim(net1,P); plot(P,a,P,a-T,P,T)% Simulinkgensim(net1,-1)

La Mejor forma de aprender :Es Haciendo ...vamos al ejemplo .