S01.s1Redes Neuronales y Lógica Difusa

Redes Neuronales
y Lógica Difusa
Sesión 1
Prof. Ing. Eduardo S. Rodriguez Canales
Universidad Tecnológica del Perú
2022
Datos generales
Carrera: Ing. Mecatrónica
Créditos: 4
Enseñanza: Presencial (adaptado a la educación no presencial)
Horas semanales: 4
Fundamentación
● El presente curso permitirá al estudiante comprender y desarrollar algoritmos para el

reconocimiento de patrones, basado en la teoría de las redes neuronales artificiales.
● Asimismo, aprende el uso de una teoría alternativa de control de procesos a través de
los conceptos de lógica difusa.
Tópicos generales
● Introducción a la inteligencia artificial

● Fundamentos e implementación de redes neuronales artificiales supervisadas y no
supervisadas.
● Aplicación de las redes neuronales en el reconocimiento de patrones.
● Fundamentos y características de la lógica difusa y su aplicación para el control de
procesos industriales.
Contenido
1. Fundamentos de las redes neuronales. Semana 1, 2, 3 y 4
Analiza los fundamentos de las redes ● Introducción al curso, las redes neuronales y lógica difusa.
● Aplicaciones actuales las redes neuronales y lógica difusa.
neuronales en base a su comparativa en forma
● Fundamentos biológicos de neurona, inspiración biológica para las redes
biológica y su representación neuronales.
matemática. ● Procesamiento neuronal biológico y artificial.
● Redes neuronales: conceptos, características, topologías. Tipos de entrenamiento,
funciones de transferencia
● Tipos de entrenamiento, funciones de transferencia en redes neuronales.
Aplicaciones
● Red Perceptrón. Características, topología y función de transferencia. Algoritmo de
aprendizaje, clasificación con 01 y
● 02 neuronas.
● Practica Calificada 1
Contenido
2. Redes Neuronales Supervisadas y Semana 5, 6, 7, 8, 9, 10, 11, 12 y 13
no Supervisadas.
Conoce las diferentes redes neuronales ● Red Perceptrón. Clasificación con 03 o más neuronas y representación del
Hiper-espacio.
organizadas y no organizadas con
● Limitaciones de Perceptron. Uso de la función XOR.
diferentes aplicaciones en la mecatrónica. ● Red neuronal Perceptrón Multicapa (MLP): necesidad de su creación, arquitectura,
topologías, función de
● transferencia, limitaciones. Algoritmo Least Mean Square y Back-Propagation.
● Aplicaciones de la red MLP como aproximador universal de funciones y reconocimiento
de patrones.
● Aplicaciones para el reconocimiento de patrones
● Redes Auto-organizadas: fundamentos y características. Red neuronal auto-organizada:
Kohonen. Arquitectura,
● algoritmo de aprendizaje.
● Aplicaciones como reductor de dimensiones para datos de visión artificial.
● Aplicaciones y ejercicios de la red neuronal Kohonen en la industria y en la parte medica
● Redes auto-organizadas: ejercicios de aplicación como compresor de imágenes,
clustering de información.
● Redes auto-organizadas: clustering de información.
● Redes neuronales Radial Basic: RBF. Arquitectura, algoritmo de aprendizaje, ventajas,
desventajas
● Aplicaciones como aproximador de funciones. Comparación con la red MLP.
● Se realizarán aplicaciones y ejercicios de la red neuronal Radial
● Análisis de la comparativa entre la red Radial Basic y la Kohonen, ejercicio analitico
● Comparativa entre la red Radial Basic y la Kohonen, ejercicio mediante simulación
Contenido
3. Fundamentos y aplicaciones de la Semana 14,15,16,17 y 18
lógica difusa.
Analiza y aplica los conceptos de la lógica difusa ● Lógica difusa: introducción, conjuntos difusos, variables
para aplicaciones en los procesos de control. lingüísticas
● Lógica difusa: Operaciones entre grados de pertenencia.
● Codificación (fuzzification). Métodos de implicación y agregación.
Evaluación de reglas. Estructura de controlador
● difuso modelo Mandani.
● Aplicación de un controlador difuso para el caso de un péndulo
Invertido.
● Decodificación (Defuzzification). Evaluación de reglas. Métodos
del centroide.
● Aplicación de un controlador difuso para el caso de un péndulo
Invertido.
● Aplicaciones de la Lógica Difusa en la automatización industrial
● Aplicaciones de la Lógica Difusa en el control de procesos.
● Examen Final
Sistema de evaluación
(10%)PC1 + (10%)PC2 + (10%)PC3 + (15%)PC4 + (15%)PC5 + (40%)EXFI
● Nota min. aprobatoria: 12

● El examen final puede reemplazarse por uno de rezagados.
● Una práctica calificada puede reemplazarse por la nota del examen final.
Bibliografía
Base
● MARTÍN DEL BRÍO, BONIFACIO (2010) Redes neuronales y sistemas borrosos
Complementaria
● PASSINO KEVIN M. YURKOVICH STEPHEN (2010) Fuzzy Control
● DEMUTH, HOWARD; HAGAN MARTIN AND BEALE (2009) Neural Network
TOOLBOX
● HAYKIN, SIMON (2009) Neural Networks
Breve contexto histórico
● Podemos remontar los primeros referentes

hacia el año 1936 en el que el matemático
Alan Turing introduce el concepto de
algoritmo.
● En 1941 Konrad Zuse crea Z3, la primera
computadora programable y completamente
automática. Se considera el primer ordenador
de la historia moderna.
● En 1950 Alan Turing propone en su ensayo
titulado Computing Machinery and Intelligence
el que sería conocido como el Test de Turing,
una prueba de comunicación verbal hombre
máquina que evalúa la capacidad de las
segundas de hacerse pasar por humanos.
● El informático John McCarthy acuña por primera
vez el término Inteligencia Artificial durante la
conferencia de Darmouth de 1956, considerada el
germen de la disciplina.
● En 1957 Frank Rosenblat diseña la primera red
neuronal artificial.
● En 1969 Marvin Misnky el cofundador del MIT
escribe Perceptrones el trabajo fundamental del
análisis de las redes neuronales artificiales.
● En 1997 La supercomputadora Deep

Blue, creada por IBM, vence al
campeón del mundo de ajedrez Gary
Kasparov.
● En 1979 se presenta el cart de
Stanforf. Este vehículo, uno de los
primeros vehículos autónomos de la
historia se convirtió en el primero en
recorrer con éxito un espacio
ocupado por obstáculos de forma
autónoma.
● En 2011, el supercomputador Watson de IBM gana en el

concurso televisivo de Estados Unidos Jeopardy.
● En 2012 Google crea un superordenador capaz de aprender a
través de YouTube a identificar gatos así como caras y
cuerpos humanos.
● En 2014 un bot computacional llamado Eugene Goostman fue
capar de engañar a 30 de los 150 jueces a los que se sometió
durante el test de Turing haciéndoles creer que estaban
hablando con un niño ucraniano de 13 años.
Redes neuronales artificiales
Una red neuronal es un procesador distribuido

masivamente en paralelo compuesto por unidades
de procesamiento simples que tiene una propensión
natural a almacenar conocimiento experiencial y
ponerlo a disposición para su uso. Se parece al
cerebro en dos aspectos:
● El conocimiento es adquirido por la red de su

entorno a través de un proceso de
aprendizaje.
● Las fuerzas de conexión de las
interneuronas, conocidas como pesos
sinápticos, se utilizan para almacenar el
conocimiento adquirido.
Beneficios de la redes neuronales
1. No linealidad
2. Mapeamiento de entrada-salida
3. Adaptitividad
4. Respuesta probatoria
5. Información contextual
6. Tolerancia a fallos
7. Implementabilidad VLSI (very-large-scale-integrated)
8. Uniformidad de análisis y diseño
9. Analogía neurobiológica.
Aplicaciones
Control por lógica difusa
● Nace de la necesidad de controlar sistemas complejos, de los cuales es difícil obtener modelos matemáticos fiables.
● Aprovecha la “heurística” y reglas para diseñar leyes de control.
Sigue el conjunto de pasos:
1. La "base de reglas" contiene el conocimiento, en forma de un conjunto de reglas, de cómo controlar mejor el sistema.
2. El mecanismo de inferencia evalúa qué reglas de control son relevantes en el momento momento y luego decide cuál debe ser la
entrada a la planta.
3. La interfaz de fuzzificación simplemente modifica las entradas para que puedan ser interpretadas y comparadas con las reglas de la
base de reglas.
4. La interfaz de defuzzificación convierte las conclusiones alcanzadas por el mecanismo de inferencia en las entradas de la planta.
Aplicaciones
Ejemplo
Problema: Un "control de velocidad"

de automóvil proporciona al
automóvil la capacidad de regular su
propia velocidad a un punto de
referencia especificado por el
conductor (por ejemplo, 90 km/h).
1ra solución (clásica)
1. Desarrollar un modelo de la dinámica del automóvil (que puede modelar la dinámica

del vehículo y la dinámica del tren de potencia, la dinámica de los neumáticos y la
suspensión, el efecto de las variaciones de la pendiente de la carretera, etc. de la
carretera, etc.).
2. Utilizar el modelo matemático, o una versión simplificada del mismo, para diseñar un
controlador (por ejemplo, mediante un modelo lineal, desarrollar un controlador lineal
con técnicas de control clásico).
3. Utilizar el modelo matemático del sistema de bucle cerrado y el análisis matemático o
basado en la simulación para estudiar su rendimiento (lo que puede llevar a un
rediseño).
4. Implementar el controlador mediante, por ejemplo, un microprocesador, y evaluar el
rendimiento del sistema de bucle cerrado (de nuevo, posiblemente para rediseñar).
2da solución (lógica difusa)
Para implementar soluciones en lógica difusa podemos basarnos en reglas simples que un
ser humano podría entender.
● Una regla sencilla que puede proporcionar un conductor humano es "Si la velocidad es
inferior a la consigna, pise más el pedal del acelerador".
● Otras reglas pueden depender del ritmo de aumento o disminución del error, o pueden
proporcionar formas de adaptar las reglas cuando hay variaciones significativas de los
parámetros de la planta (por ejemplo, si hay un aumento significativo de la masa del
vehículo, ajustar las reglas para pisar más fuerte el pedal del acelerador).
Ejercicio
Un sistema híbrido de distribución de energía debe

suministrar la cantidad de energía óptima a cada
hogar para calefacción e iluminación.
1. Usando el enfoque de la lógica difusa,
imagine dos reglas (leyes de control) para la
optimización del sistema.
2. Cuál sería el beneficio de usar un control
basado en lógica difusa en comparación a
controladores clásicos.
Pregunta
En el campo del control y la optimización ¿Qué característica comparten los sistemas

basados en redes neuronales y los basados en lógica difusa?

S01.s1Redes Neuronales y Lógica Difusa

Cargado por

Copyright:

Formatos disponibles

S01.s1Redes Neuronales y Lógica Difusa

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

S01.s1Redes Neuronales y Lógica Difusa

Cargado por

Copyright:

Formatos disponibles

Redes Neuronales

Prof. Ing. Eduardo S. Rodriguez Canales

Universidad Tecnológica del Perú

Carrera: Ing. Mecatrónica

Enseñanza: Presencial (adaptado a la educación no presencial)

● El presente curso permitirá al estudiante comprender y desarrollar algoritmos para el

● Introducción a la inteligencia artiﬁcial

(10%)PC1 + (10%)PC2 + (10%)PC3 + (15%)PC4 + (15%)PC5 + (40%)EXFI

● Nota min. aprobatoria: 12

● MARTÍN DEL BRÍO, BONIFACIO (2010) Redes neuronales y sistemas borrosos

● Podemos remontar los primeros referentes

● En 1997 La supercomputadora Deep

● En 2011, el supercomputador Watson de IBM gana en el

Una red neuronal es un procesador distribuido

● El conocimiento es adquirido por la red de su

Sigue el conjunto de pasos:

Problema: Un "control de velocidad"

1. Desarrollar un modelo de la dinámica del automóvil (que puede modelar la dinámica

Un sistema híbrido de distribución de energía debe

En el campo del control y la optimización ¿Qué característica comparten los sistemas

También podría gustarte