Escolar Documentos
Profissional Documentos
Cultura Documentos
Redes Neuronales
Modelo biológico: Modelo matemático:
Redes Neuronales
Redes Neuronales
z Por tanto A x + B y > C y A x + B y < C son dos regiones en el plano
x y separados por la línea A x + B y + C = 0.
z Si consideramos la entrada (x,y) como un punto del plano entones
el perceptrón nos dice a que región del plano pertenece el punto de
entrada. Estas regiones, se llaman linealmente separables.
z Este resultado es útil ya que algunas funciones lógicas como AND,
OR o NOT son operadores linealmente separables por D. Es cedir
se pueden representar utilizando un perceptrón simple
Redes Neuronales
z Unión de diferentes regiones linealmente
separables.
z Fase de Aprendizaje y Fase de prueba.
z Modificación de los pesos entre las uniones de las
diferentes neuronas.
Redes Neuronales
z Fase de Aprendizaje: Aprenden por la actualización o cambio de
los pesos sinápticos que caracterizan a las conexiones.
z Los pesos son adaptados de acuerdo a la información extraída de
los patrones de entrenamiento nuevos que se van presentando.
Normalmente, los pesos óptimos se obtienen optimizando
(minimizando o maximizando) alguna "función de energía". Por
ejemplo, un criterio popular en el entrenamiento supervisado es
minimizar el least-square-error (error cuadratico medio) entre el
valor deseado y el valor de salida de la red.
z Aprendizaje supervisado vs Aprendizaje no-supervisado.
z Fase de Prueba: Una vez calculados los pesos de la red, las
neuronas de la última capa se comparan con la salida deseada para
determinar la validez del diseño.
Redes Neuronales
Redes Neuronales
z Descenso de Gradiente:
Inicialmente se eligen valores
aleatorios para los pesos. La idea
de este método es utilizar un
proceso iterativa que minimice la
función de error.
z En el caso lineal f(x) =x
z En general se tiene:
Redes Neuronales
Redes Neuronales
Redes Neuronales
Redes Neuronales
z Aprendizaje de
comportamientos, eventos.
Seguimiento, seguridad,
etc..
Redes Neuronales
z Simulación del
movimiento de
objetos (juegos,
realidad virtual, etc..)
Redes Neuronales
Redes Neuronales
z Aplicaciones Industriales