Escolar Documentos
Profissional Documentos
Cultura Documentos
LOGICA FUNCIONAL
TECNOLOGICO
DE ACAPULCO
ALUMNO:
FREDDY JAHIR GARCIA CAMPOS
12320732
eria:
INSTITUTO
CONTENIDO
1. INTRODUCCION
1.1QUE ES LA IA?
1.2Aproximaciones a la Inteligencia
1.3Breve historia
Percepcin y accin
2.1.1. Percepcin
2.1.2
Accin
2. REDES NEURONALES
3.1 Introduccin
3.2 Entrenamiento de una ULU
3.2. 1. Interpretacin geomtrica del funcionamiento de una ULU
3.2.3. Mtodos del gradiente descendente
3.2.4. El procedimiento de Widrow-H of
3.2.5 El procedimiento delta generalizado
3.2.6 El procedimiento de correccin del error
1.3
BREVE HISTORIA
3.REDES NEURONALES
2.1 Percepcin y Accin
El robot debe seguir la siguiente pauta de comportamiento: ir a una celda
fronteriza, o que limite con un objeto, y seguir su permetro indefinidamente.
Para poder mostrar esta pauta de comportamiento, el robot debe ser capaz de
percibir si una determinada celda est libre para ser ocupada o no, y para
ello debe llevar a cabo las acciones primitivas que correspondan.
2.1.1 Percepcin
Las entradas sensoriales de nuestro robot estn representadas por los valores
de las variables x. Por tanto, existen 2' = 256 combinaciones posibles de estos
valores. En nuestro entorno, ciertas combinaciones pueden ser descartadas
debido a la condicin que prohbe la existencia de pasillos estrechos. Para la
tarea que estamos considerando, se pueden definir cuatro caractersticas
binarias, definidas sobre las variables sensoriales, que nos pueden ayudar para
el clculo de las acciones.
2.1.2.Accin
Dadas las cuatro caractersticas definidas en la seccin anterior, el siguiente
paso que debemos abordar consiste en la definicin de una funcin de dichas
caractersticas, que nos proporcione la accin adecuada para llevar a cabo la
tarea de seguimiento de bordes. Primero, nos damos cuenta de que si
ninguna de las caractersticas toma el valor l (es decir, el robot percibe que
todas las celdas que le rodean estn libres), entonces el robot puede moverse
en cualquier direccin hasta que encuentre un borde. Por defecto, vamos a
asignar a este caso la accin norte. Siempre que al menos una de las
caractersticas tome el valor 1,
2.1.3.Algebra booleana
Una funcin booleana, .x , .v , ..., .x,) hace corresponder a una n tupla de 0 y 1
un valor 0 o un valor 1. El lgebra booleana es el medio adecuado para la
representacin de este tipo de funciones. El lgebra booleana utiliza las
correctivas, , + y . Por ejemplo, la funcin y aplicada a dos variables se
escribe x,
x , aunque, por convenio, se omite la correctiva y la funcin y se
escribe x x . La funcin x x toma el valor 1 si, y slo si, .x, y .v tienen El valor 1;
en cualquier otro caso, tomar el valor 0. La funcin o (o inclusiva) de dos
variables se escribe .v, + .v y toma el valor 1 si alguna de las variables tiene el
valor 1; en cualquier otro caso, tomar el valor 0. El complemente o negacin
2.2.1.Sistemas de produccin
Los sistemas de produccin proporcionan una representacin adecuada para
las funciones de seleccin de acciones. Un sistema de produccin est formado
por un conjunto de reglas denominadas reglas de produccin, o simplemente
producciones
3. REDES NEURONALES
3.1 Introduccin
Las acciones que se asocian a los vectores del conjunto suelen denominarse
etiquetas o clases del vector, y al conjunto , junto con las etiquetas asociadas
a sus vectores, se le denomina conjunto de entrenamiento. Por tanto, para
resolver el problema de aprendizaje, hay que encontrar una funcin, f ( X), que
responda aceptablemente a los elementos del conjunto de entrenamiento.
Normalmente se intentar que las acciones calculadas por la funcin que
corresponde.
3.2.3.
Una forma de abordar el problema del entrenamiento de una ULU de forma que
este responda apropiadamente a los vectores del conjunto de entrenamiento
que consiste en definir una relacin de error que debe minimizarse ajustando el
valor de los pesos .
3.2.4.
El procedimiento de Widrow-H of
Supongamos que intentamos ajustar los pesos de ti forma que cada vector del
conjunto de entre Uno de los problemas con qu Ros encontramos al calcular
el gradiente de C es que el error depende de todos los vectores del conjunto de
entrenamiento ". Pala solventar este problema, es preferible aplicar un nico
vector de entrada a la ULU, hacer os ajustes corresponden en los pesos para
obtener una respuesta adecuada, y volver a repetir el proceso con el siguiente
vector de
Es decir, un proceso incremental de entrenamiento siguiendo una determinada
secuencia de vectores de entrada etiquetados con SU Correspondiente salida.