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.
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.
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
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
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.
Suscribirse a:
Entradas (Atom)