Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Introducción
Entrenamiento
Elementos:
Conjunto de entradas, xj
Pesos sinápticos, wi a
Función de activación: y
w1·x1+ w2·x2 + ... + wn·xn = a
Función de transferencia:
y = F (w1·x1+ w2·x2 + ... + wn·xn )
Bias o polarización: entrada constate de magnitud 1, y peso b
que se introduce en el sumador
NEURONA ARTIFICIAL
Sigmoide
Gaussiana.
RNA de una capa
a1
y1
a2
y2
an
yn
RNA Multicapa
Salida
Oculta
Tipos de entrenamiento:
Supervisado.
Algoritmo supervisado:
Aplicar patrón de entrada y calcular salida de la red
Si salida incorrecta
Di =d lr xi
Wi (n+1) = Wi (n) + D i
Razón de aprendizaje lr
Si las neuronas son
lineales=> un único
mínimo
Redes Neuronales Lineales.
Descripción:
Tras inicializar los pesos de forma aleatoria y con valores
Adelante
Detalles:
SSE: E=SEp=S (ypk-opk)2
Pasos:
Inicialización:
Construcción de la red.
Inicialización aleatoria de pesos y umbrales (-0.5, 0.5)
Criterio de terminación (número máximo de iteraciones,…).
Contador de iteraciones n=0.
Fase hacia delante:
Parálisis de la red.
Mínimos locales.
Algoritmo Backpropagation IV
Underfitting.
Memorización o Sobreaprendizaje.
Caracterización de la red. ¿Cuantas capas, cuantas neuronas en
cada capa,…?
Redes Neuronales no supervisadas I
Aprendizaje:
Inicialización de los pesos wij
Detección de patrones.
Filtrado de señales
Segmentación de datos
Control
Identificación.
Redes Neuronales en
identificación de sistemas
Identificación de sistemas
Pasos:
Seleccionar una clase de modelos (CARIMA, Box-Jenkis,...)
Control de sistemas.
Redes dinámicas:
Respuesta a:
No problemas de realimentación
Desventajas
Información útil debe “caber” en la ventana temporal
u(t)
u(t-1)
u(t-2) ym (t)
…
u(t-m)
y(t-1)
y(t-2)
…
Redes neuronales recurrentes
Jordan
Elman
Ventajas:
Puede aproximar cualquier sistema no-lineal arbitrariamente
bien
No recurrente.
Desventajas:
Vector de regresión puede ser grande
No se modela el ruido
yt
yˆ (t )
g yt yˆ (t ) g (q , (t )),
ut
ŷ t yˆ (t )
t
y g yt
ut
yˆ (t | q ) g ( (t ),q )
Validación
Enfoque neuronal:
Conjunto de datos de entrenamiento
…
Ejemplo I
Salidas:
A B Ca Cb Tl Tr
Perturbaciones medibles:
Ca0 Tl0 Tr0
Ejemplo II
Fl R.N.A. Elman Ca
Fr R.N.A. Elman Cb
Ca0
R.N.A. Elman Tl
Tl0
Tr0 R.N.A. Elman Tr
Ejemplo IV