Una aproximación práctica a las redes neuronales artificiales

Introducción

Capítulo 1
Generalidades sobre redes neuronales artificiales

Introducción
Breve reseña histórica

De la neurona biológica a la neurona artificial
La neurona biológica
La neurona artificial
Procesamiento matemático en la neurona artificial

Red neuronal artificial

Arquitecturas de redes neuronales artificiales
Redes monocapa
Redes multicapa
Redes feedforward
Redes recurrentes

El aprendizaje en las redes neuronales artificiales
Aprendizaje supervisado
Aprendizaje no-supervisado

Ejemplo de procesamiento de la información en una red neuronal
Nivel de aplicación

Capítulo 2
Redes neuronales perceptron y adaline

Introducción

Red neuronal perceptron
Arquitectura de un perceptron
Algoritmo de aprendizaje

Red neuronal adaline
Arquitectura
Algoritmo de aprendizaje

Limitaciones del perceptron

Aproximación práctica
Construcción de un perceptron usando MATLAB®
Solución de la función lógica AND con un perceptron
Exportando la red neuronal a simulink
Solución de la función lógica AND con UV-SRNA
Clasificador lineal con UV-SRNA
Reconocimiento de caracteres usando el Perceptron
Reconocimiento de caracteres con UV-SRNA
Filtro adaptativo usando una red adaline
Filtrado de señales biomédicas
Filtrado de señales de voz

Proyectos propuestos

Capítulo 3
Perceptron multicapa y algoritmo backpropagation

Introducción
Arquitectura general de un perceptron multicapa

Entrenamiento de un MLP
Nomenclatura del algoritmo backpropagation
Algoritmo backpropagation: regla delta generalizada
Pasos del algoritmo backpropagation
Algoritmo gradiente descendente con alfa variable
Pasos del algoritmo gradiente descendente con alfa variable

Algoritmos de alto desempeño para redes neuronales MLP
Algoritmo de aprendizaje del gradiente conjugado
Algoritmo de aprendizaje levenberg marquardt

Consideraciones de diseño
Conjuntos de aprendizaje y de validación  
Dimensión de la red neuronal

Velocidad de convergencia del algoritmo
Funciones de activación
Pre y pos-procesamiento de datos
Regularización

Aproximación práctica
Solución del problema de la función XOR con MATLAB®
Aprendizaje de una función seno con MATLAB®
Aprendizaje de la función silla de montar con MATLAB®
Solución del problema de la XOR con UV-SRNA
Identificación de sistemas usando redes neuronales MLP
Pronóstico de consumo de energía (demanda)
Aplicación a la clasificación de patrones (el problema de IRIS)

Proyectos propuestos

Capítulo 4
Red neuronal de hopfield

Introducción

Memoria autoasociativa bidireccional (BAM)
Arquitectura de la BAM
Memoria autoasociativa
Procesamiento de información en la BAM

Modelo discreto de hopfield
Procesamiento de aprendizaje
Principio de funcionamiento
Concepto de energía en el modelo discreto de hopfield
Ejemplo de procesamiento

Modelo continuo de hopfield
Modelo continuo de hopfield de una neurona
Función de energía para el modelo continuo de hopfield

Aproximación práctica
Red tipo hopfield con MATLAB®

Proyectos propuestos

Capítulo 5
Mapas auto-organizados de kohonen

Introducción
El modelo bioinspirado de kohonen
Arquitectura de la red

Algoritmo de aprendizaje
Consideraciones iniciales
Modelo matemático
Ejemplo

Principio de funcionamiento
Aproximación práctica
Capacidad para reconocer grupos de patrones de un mapa de kohonen
Capacidad de autoorganización de los mapas de kohonen usando MATLAB®
Capacidad de autoorganización de los mapas de kohonen usando UV-SRNA
Clasificación de patrones usando mapas de kohonen

Proyectos propuestos

Capítulo 6
Red neuronal de base radial (RBF)

Introducción
El problema de interpolación

Redes de base radial
Arquitectura de una red de base radial
Entrenamiento de la red RBF
Diferencias entre las redes MLP y RBF

Aproximación práctica
Ejemplo de interpolación exacta con MATLAB®
Aprendizaje de la función XOR
Aprendizaje de una función de una variable
Identificación de la dinámica de un sistema con una red RBF

Proyectos propuestos

Bibliografía