utp sirn_s0_generalidades

Sistemas Inteligentes y Redes Neuronales

(SI01)

Sesión: 0

Ing. José C. Benítez P.

Sistemas Inteligentes y Redes Neuronales - Prof. Ing. Jose C. Benitez P. 2

Sesión 0. Temas


� Datos� Objetivos� Resumen� Metodología� Evaluación� Bibliografía


Sesión 0. Temas





ESPECIALIDAD: Ing. Electrónica

CICLO: XI

CREDITOS: 04

AÑO: Sexto

HORAS/SEMANA: T2/P2/L2

REGIMEN: Obligatorio

EVALUACION: Tipo B

PROFESOR: Ing. José Benítez P.

[email protected]

� Datos:


Sesión 0. Temas




Iniciar al alumno en el campo de:

� las redes neuronales,

� los sistemas difusos y

� algoritmos genéticos

aplicando estas tecnologías en el control automático de procesos.


� Objetivos generales:


� Utilizar el Matlab como herramienta de simulación en aplicaciones de redes neuronales artificiales.

� Utilizar el Matlab como herramienta de simulación en aplicaciones de sistemas difusos.

� Utilizar el Matlab como herramienta de simulación en aplicaciones de algoritmos genéticos.


� Objetivos específicos:


Sesión 0. Temas




� Introducción a los sistemas Inteligentes.

� Fundamentos de las redes neuronales artificiales.

� Redes neuronales supervisadas y no supervisadas.

� Redes auto-organizadas.

� Implementación de redes neuronales.

� Aplicaciones de las redes neuronales.

� Lógica difusa.

� Sistemas de control difuso.

� Aprendizaje en sistemas difusos.

� Implementación de sistemas difusos.

� Aplicaciones de los sistemas difusos.

� Fundamentos de Algoritmos genéticos.

� Solución de problemas de búsqueda y optimización.


� Resumen:


1. Inteligencia Artificial. Objetivos. Conceptos de Redes Neuronales Artificiales, Sistemas Difusos y Computación Evolutiva.

2. Redes Neuronales Artificiales. Conceptos. Características. Tipos de Aprendizaje y de Arquitectura. Funciones de Transferencia.

3. Red Perceptron. Definición. Algoritmo de aprendizaje. Ejemplos de Red Perceptron.

4. Limitaciones de la Red Perceptron. Problema de representación de la función XOR.

5. Red Lineal y Perceptron Multicapa. Concepto y características.

6. Algoritmo Least Mean Square y algoritmo Backpropagation para redes lineales y multicapas.

7. Ejemplos y simulaciones de redes lineales y multicapas.

8. Red Competitiva y Auto Organizativa. Definición. Algoritmo de Aprendizaje. Ejemplos.

9. Red Function Radial Basis. Definición. Algoritmo de Aprendizaje. Ejemplos.

EXAMEN PARCIAL


� Sumilla Parte 1:


11. Definición de Conjuntos difusos. Función de pertenencia. Operaciones entre funciones de pertenencia.

12. Variables Lingüísticas. Codificación (Fuzzification). Decodificación (Defuzzification). Evaluación de reglas.

13. Estructura de un controlador difuso: Modelo Mandani. Toolbox Fuzzy LogicEjemplos de aplicación.

14. Estructura de un controlador difuso: Modelo Sugeno. Toolbox Fuzzy Logic. Ejemplos de aplicación.

15. Implementación de un Controlador difuso para un intercambiador de calor.

16. Implementación de un: Control difuso para el péndulo invertido.

17. Definición de Algoritmos Genéticos. Características y aplicaciones.

18. Algoritmo genético simple. Función objetivo. Cruce. Mutación. Ejemplo de

optimización en sistemas de control.

EXAMEN FINAL


� Sumilla Parte 2:


Sesión 0. Temas




El desarrollo del curso es principalmente inductivo - deductivo mediante el uso intensivo de los laboratorios y la parte teórica en el aula.


� Método de enseñanza - aprendizaje


Sesión 0. Temas


� Datos� Objetivos� Resumen� Metodología� Evaluación� Syllabus dosificado� Bibliografía


� Sistema de Evaluación:

B

Nota:

� No se elimina ningún laboratorio (6/6).� Se elimina una sola practica calificada (3/4).� Los Trabajos de Investigación/Informe de Laboratorio se presentan impreso (papel) y

en digital (USB).� Las fuentes son por cada tema (03 *.pdf, 03 *.doc, 03 *.ppt) solo se presentan en USB.� Una fuente valida es aquella que tenga como mínimo 15 paginas o proviene de una

universidad.� La fuente debe conservar su nombre original y agregar _tema.

3

3211

LabLabLabPLab

++=

3

3212

LabLabLabPLab

++=

4

2 PPExFExPPF

++=


� Trabajos de investigación� Laboratorios� Tests� Practicas calificadas� Ex. Parcial� Ex. Final

4

21321 PLabPLabPPPPP

++++=


1. BONIFACIO, Martín del Brio. “Redes Neuronales y Sistemas Borrosos”. 2da Edición. Alfa y Omega. 2007

2. DEMUTH, Howard, HAGAN Martin and BEALE, Mark. “Neural Network TOOLBOX User’s Guide”. The MathWorks Inc. 2005.

3. VELLASCO, Marley. “Ementa de Redes Neurais”. Material del Curso de Redes Neuronales Artificiales en el Programa de Maestría. PUC- RIO. 1995. Brasil.

4. The MATHWORKS Inc. 2002. “Fuzzy Logic Toolbox”. Versión2.1.2. User’s Guide. 2002.


� Bibliografía básica


1. WASSERMAN, Philip D. “Neural Computing: Theory and Practice”. Van Nostrand Preinhold. 1989.

2. WASSERMAN, Philip D. “Advanced Methods in Neural Computing”. Computer Library. 1993

3. LI – XIN WANG. “A Course in Fuzzy Systems and Control”. Ed. Prentice Hall PTR, 1997.

4. HUNG T. NGUYEN, NADIPURAM R. PRASAD, CAROL L. WALKER, ELBERT A. WALKER. “A First Course in FUZZY and NEURAL CONTROL”. Ed. Chapman & Hall /CRC, 2003.

5. HAYKIN, Simon. “Neural Networks. A Comprehensive Foundation”. 2da Edición. Prentice Hall 1999.

6. HAYKIN, Simon. “Adaptive Filter Theory”. Cuarta Edición. Prentice Hall 2001.


� Bibliografía avanzada


1. http://es.wikipedia.org

2. http://ants.dif.um.es/staff/juanbot/ml/files/20022003/fuzzy.pdf

3. http://sisbib.unmsm.edu.pe/bibvirtualdata/Tesis/Ingenie/chahuara_qj/Cap2.pdf

4. http://sisbib.unmsm.edu.pe/BibVirtualData/publicaciones/risi/N1_2004/a11.pdf

5. http://www.gc.ssr.upm.es/inves/neural/ann2/anntutorial.html

6. http://www.statsoft.com/textbook/neural-networks/

7. http://www.cs.stir.ac.uk/~lss/NNIntro/InvSlides.html

8. http://www.willamette.edu/~gorr/classes/cs449/intro.html


� Recursos de internet:


Sesión 0. Tarea1


Con la ayuda de fuentes y mediante mapas conceptuales y/o semánticos responda las siguientes preguntas:

1. ¿Qué es y cuáles son los objetivos la Inteligencia Artificial?2. ¿Qué es y cómo esta formado el Sistema Nervioso en el ser humano?. 3. ¿Qué es y cuales son los tipos de las neuronas biológicas?4. ¿Qué son y como están formados las Redes Neuronales Biológicas?5. ¿Qué son y como están formados las Redes Neuronales Artificiales?6. ¿Que son los Sistemas Difusos y la Computación Evolutiva?

Presentación:

• Resumen impreso y en USB.• Adjuntar fuentes (03 PDFs, 03 PPTs y 01 video.) en USB de cada tema.• La fuente debe conservar el nombre original y agregar al final _tema.

Presentación

20Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P.

�Todas las fuentes y tareas deben presentarse en formato digital (USB), dentro de una carpeta que lleve las iniciales del curso,

sus Apellidos, guion bajo y luego el numero de la tarea.Ejemplo:

SIRN_BenitezPalacios_T1

� La fuente debe conservar el nombre original y agregar _tema.

Las Tareas que no cumplan las indicaciones no serán

recepcionados por el profesor.


Sesión 0. Generalidades del curso


http://utpsirn.blogspot.com

utp sirn_s0_generalidades

Documents