
Una aproximación práctica a las redes neuronales artificiales
By Eduardo Francisco Caicedo BravoLength5h 33m
About this audiobook
El propósito general de este libro es ser una guía para que el lector interesado en trabajar con redes neuronales artificiales (RNA), esté en capacidad de solucionar problemas propios de su disciplina usando esta técnica de la inteligencia computacional. La estructura del libro se concibe desde los tipos de aprendizaje, ya que es la característica más importante que poseen las redes neuronales artificiales y en ella radica su principal fortaleza para solucionar y adaptarse a diversos problemas. En este libro se encuentran contenidos teóricos básicos que lo dejarán preparado para afrontar el estudio de libros y artículos de carácter avanzado, acompañado de problemas resueltos que afianzan el saber y el saber hacer.
Audiobook details
GenreTechnology
Length5 hrs 33 mins
Narrated byListen with 1,000+ voices
FormateBook with Audio
Publish dateDec 9, 2009
LanguageSpanish
Table of contents
1UNA APROXIMACIÓN PRÁCTICA A LAS REDES NEURONALES ARTIFICIALES
2Colección Ingeniería Colección Ciencias Naturales y Exactas
3INTRODUCCIÓN
4Los Autores
5Breve reseña hIstórIca
Show all chaptersShow less
6Fig. 1.1 La neurona biológica
7Procesamiento matemático en la neurona artificial
8ronal artificial con varios niveles.
9Fig. 1.6 Red Neuronal Artificial Monocapa
10les artificiales tenemos:
11capítulo 2
12la salida de la red es
13Fig. 2.5. Estructura de una red tipo ADALINE
14p dp yp
15Paso 4. Calculamos la salida de la red ADALINE
16Figura 2.9 Estructura de una Red Neuronal Multicapa
17Fig. 2.11 Perceptron multicapa propuesto para la solución la función XOR
185.2 Solución de la función lógica and con un perceptron
19red
20Significado
21Caracter
22Vector de Patrones
23Patrón Salidas D
24Fig. 2.24 Evolución del error de entrenamiento en UVSRNA
25PÁGINA EN BLANCO EN LA EDICIÓN IMPRESA
26IntroduccIón
27arquItectura general de un perceptron multIcapa
28Backpropagation, revisemos su funcionamiento de manera conceptual:
29y la entrada neta:
30Para el caso de una función de activación sigmoidal, resulta la ecuación
31Pasos del algoritmo backpropagation
32Pasos del algoritmo gradiente descendente con α variable
33Condición_parar = Verdadera y salir Sino Condición_parar = Falsa
34Actualización de pesos y determinación de la dirección conjugada
35Pasos del algoritmo gradiente conjugado
36Recordemos la expresión para calcular el error para una neurona de sali-
37vector gradiente y de la matriz Hessiana.
38Solución de la ecuación para determinar la variación de pesos ∆
39Pasos del algoritmo levenberg marquardt
40al paso 14.
41Velocidad de convergencia del algoritmo
42Pre y pos-procesamiento de datos
43Error Cuadrático
44‘Ver Superficie’,’Si’,’No’,’No’); if strcmp (button,’Si’)
45Aprendizaje de una función seno con MATLAB®
46Fig. 3.14 Superficie aprendida por la red al inicio del aprendizaje
47Solución del problema de la xor con uv-srna
48Recomendaciones:
49% Inicialización de la Red Neuronal.
50>> gensim(red,Ts)