Descargar la presentación
La descarga está en progreso. Por favor, espere
Publicada porMaría Victoria Redondo Blázquez Modificado hace 6 años
1
INTELIGENCIA ARTIFICIAL REDES NEURONALES
Fernando Jimenez Motte Ph.D.EE (c), MSEE, BSEE
2
EVOLUCION HACIA LA INTELIGENCIA ARTIFICIAL
Aumento exponencial de la capacidad computacional de las PC´s. Capacidad de manejo computacional masivo, paralelo y distribuído. Escalamiento de la ciencia a la nube Advenimiento de Sistemas Neuro y biomiméticos Neurocomputing Very large Scale Integrated SystemsVLSI Convergencia de las GRIN Technologies
3
Qué es una Red Neuronal ? Una Red Neuronal Artificial es un sistema de procesamiento de información, el cual tiene características de performance en común con redes neuronales biológicas. Han sido desarrolladas a través de generalizaciones de modelos matemáticos basados en cognición humana o biología neuronal y basadas en asunciones como: El procesamiento de información ocurre en muchos elementos simples llamados neuronas. Las señales son enviadas entre neuronas a través de conexiones. (LINKS)
4
Qué es una Red Neuronal ? Cada conexión (LINK) tiene un peso asociado, el cual, en una red neuronal típica multiplica la señal transmitida. Cada neurona aplica una función de activación (usualmente no lineal) a su entrada neta (net_input) para determinar la señal de salida.
5
Red Neuronal Biológica
6
Estructura de una neurona biológica
1 Nucleo; 2 Nucleoide; 3 Soma; 6 Membrana Celular; 7 Región Sináptica , 8 Axon; 11 Dendritas
7
Anología entre Redes Neuronales Biológicas y Redes Neuronales Artificiales
8
Recursos disponibles en computadoras y cerebro humano
9
Redes Neuronales en Procesamiento Digital de Señales DSP
10
Redes Neuronales en Ingeniería de Control
(Neural Network Adaptive Control Systems)
11
Redes Neuronales en Ingeniería de Control (Modelamiento Inverso)
12
Redes Neuronales en Ingeniería de Control (Navigation & Collition Avoidance)
13
NEURO COPTER 1.0 DESIGN
15
NEURO COPTER 1.0 Neural Network Controller
Final Diagram: Exogenous disturbance Noise measured by sensors Neural Network Optimal Estimator(LQE) W2 W1 + Kalman Filter LQG
16
Redes Neuronales en Ingeniería de Control (Pathfinder + Sojourner en Marte)
17
Redes Neuronales en Ingeniería de Control
(Control No Lineal de Manipuladores de Robot)
18
Redes Neuronales en Ingeniería de Control Inteligente
(“Upper backer Track Neural Network”)
19
Redes Neuronales en Reconocimiento de Patrones (Pattern Recognition)
20
Redes Neuronales en Medicina y Bio Ingeniería
21
Redes Neuronales en Interfase Hombre Máquina
“Human Machine Interfase/Bionics”
22
Redes Neuronales en Reconocimiento de lenguage y voz
23
Ventajas Aprendizaje: tienen la habilidad de aprender mediante una etapa de aprendizaje consistente en proporcionar a la RNA datos como entrada a su vez que se le indica cuál es la salida (respuesta) esperada. Auto organización: crea su propia representación de la información en su interior. Sin necesidad de una “programación explicita” . Tolerancia a fallas. Almacena la información de forma redundante, ésta puede seguir respondiendo aceptablemente aún si se daña parcialmente. Flexibilidad: puede manejar cambios no importantes en la información de entrada, como señales con ruido u otros cambios en la entrada por ejemplo si la información de entrada es la imagen de un objeto, la respuesta correspondiente es acertada inclusive si la imagen tiene parámetros de luz ligeramente distintos o el objeto cambia ligeramente de posición Tiempo real: es paralela, si se implementa con computadoras o en dispositivos electrónicos que utilicen dicha paralelización se pueden obtener respuestas en tiempo real , de la misma manera que el cerebro es capaz de procesar cantidades ingentes de información en paralelo sin un esfuerzo aparente: Compresión de imágenes Comprensión de sonidos Comprensión de parámetros tactiles, de calor y movimiento
24
Funciones de activación de una Neurona
25
Una Neurona como elemento computacional (Processing Element PE)
26
Single-layer two-input perceptron
28
Multilayer perceptron with two hidden layers
I n p u t S i g n a l s O u t p u t S i g n a l s
29
Perceptrón de múltiple capa para el modelamiento inverso de un Sistema de Control
30
MULTIPLE LAYER PERCEPTRON MLP
31
Red de Retropropagación de 3 capas
Presentaciones similares
© 2024 SlidePlayer.es Inc.
All rights reserved.