Los sistemas digitales de cómputo actuales presentan problemas al abordar tareas del mundo real, donde la información es masiva, redundante e imprecisa. Por ello, desde hace unos años se vienen proponiendo nuevos modelos de procesamiento inspirados en las soluciones encontradas por la naturaleza durante millones de años de evolución, que podrían ayudar a resolver importantes problemas tecnológicos como los de visión, habla, control e inteligencia artificial. De entre estos nuevos modelos destacan las redes neuronales artificiales, que imitan la estructura del cerebro para reproducir algunas de sus capacidades y aprenden a realizar tareas a partir de ejemplos. Por otro lado, los sistemas borrosos (fuzzy) emulan el razonamiento aproximado de nuestro cerebro, permitiendo manejar conceptos vagos e imprecisos como los empleados en la vida cotidiana. Ambos modelos, junto con otros como los algoritmos genéticos, se enmarcan en la denominada inteligencia computacional o soft computing, complementando disciplinas clásicas como el tratamiento de señal o la inteligencia artificial, aplicándose ya a problemas muy diversos como reconocimiento de caracteres, electrodomésticos inteligentes, procesado de imagen, predicción bursátil, etc. Este libro se dirige a todo aquel que esté interesado en iniciarse en estas cuestiones, especialmente estudiantes, docentes y personal de la empresa; el único requisito es contar con una mínima base matemática, como la adquirida en estudios de ciencias, ingenierías o económicas. La primera edición (1997) fue el primer libro en español dedicado a ambos temas; desde entonces ha sido adoptado como texto de clase en diversas universidades españolas y americanas. En esta tercera edición (2006) se han actualizado algunos de sus capítulos y referencias bibliográficas, añadiéndose algunos modelos novedosos. "Redes Neuronales y Sistemas Borrosos supone una valiosa contribución a la literatura de la soft computing y de los sistemas neuroborrosos. Su fácil lectura, amplio tratamiento de ejemplos reales, y la gran competencia de los autores en la materia, hacen de este texto una importante fuente de información para todo aquel interesado en comprender y familiarizarse con las herramientas básicas que proporcionan las metodologías neuronales y borrosas. Los autores y la editorial merecen nuestro agradecimiento y aplauso". Prof. Lotfi A. Zadeh, catedrático emérito de la Universidad de California en Berkeley.
Leer todo
Leer menos
Índice
PRÓLOGO PREFACIO DE LOTFI A. ZADEH FOREWORD BY LOTFI A. ZADEH INTRODUCCIÓN 1 El largo y tortuoso camino hacia la construcción de máquinas inteligentes 2 Microprocesadores, computadores y cerebro 3 Redes neuronales artificiales 4 Sistemas borrosos 5 Redes neuronales y sistemas borrosos PARTE I. REDES NEURONALES CAPÍTULO 1. FUNDAMENTOS DE LAS REDES NEURONALES ARTIFICIALES 1.1 Breve introducción biológica 1.2 Estructura de un sistema neuronal artificial 1.3 Modelo de neurona artificial 1.3.1 Modelo general de neurona artificial 1.3.2 Modelo estándar de neurona artificial 1.4 Arquitecturas de redes neuronales 1.5 Modos de operación: recuerdo y aprendizaje 1.6 Clasificación de los modelos neuronales 1.7 Computabilidad neuronal 1.8 Un ejercicio de síntesis: sistemas conexionistas 1.9 Realización y aplicaciones de los ANS 1.A Apéndice: de la neurona biológica a la artificial CAPÍTULO 2. REDES NEURONALES SUPERVISADAS 2.1 Redes unidireccionales 2.2 El asociador lineal: aprendizaje hebbiano 2.3 El perceptrón simple (Rosenblatt, 1959) 2.3.1 Algoritmo de aprendizaje del perceptrón 2.4 Adalina (Widrow, 1961) 2.4.1 Regla LMS 2.5 El perceptrón multicapa (grupo PDP, 1986) 2.5.1 El MLP como aproximador universal de funciones 2.5.2 Aprendizaje por retropropagación de errores (BP) 2.5.3 Aceleración del aprendizaje BP. Otros algoritmos 2.6 Capacidad de generalización de la red 2.7 Pinceladas sobre la relación del MLP con los métodos estadísticos 2.8 Ejemplos de aplicación del MLP-BP CAPÍTULO 3. REDES AUTOORGANIZADAS 3.1 Modelos neuronales no supervisados 3.2 Modelo de mapas autoorganizados (Kohonen, 1982) 3.2.1 Introducción a los mapas autoorganizados 3.2.2 Algoritmo de aprendizaje 3.2.3 Algunas variantes de los SOFM 3.3 Ejemplos de aplicaciones 3.4 SOFM: cuantificación óptima de vectores 3.5 Análisis formal del proceso de autoorganización 3.6 Modelos de neurona de Kohonen. Medidas de similitud 3.7 Modelos de aprendizaje en mapas autoorganizados CAPÍTULO 4. OTROS MODELOS DE REDES NEURONALES 4.1 Redes neuronales realimentadas 4.2 Modelo de Hopfield 4.2.1 Modelo de neurona y arquitectura. Dinámicas 4.2.2 Memoria asociativa 4.2.3 Función energía de la red 4.3 Aprendizaje en la red de Hopfield 4.3.1 Regla de Hebb 4.3.2 Reglas de aprendizaje óptimas 4.4 Ejemplo: reconocimiento de caracteres 4.5 Neuronas estocásticas. Máquina de Boltzmann 4.6 Modelo de Hopfield analógico (continuo) 4.6.1 Modelo de Hopfield de neuronas continuas 4.6.2 Aplicaciones del modelo de Hopfield analógico. Optimización 4.7 Funciones de base radial (RBF) 4.8 LVQ 4.9 Otros modelos de redes neuronales CAPÍTULO 5. IMPLEMENTACIÓN DE REDES NEURONALES 5.1 Introducción 5.2 Simulación (software) de ANS 5.3 Emulación (hardware) de ANS 5.4 Realización hardware de ANS
Leer todo
Leer menos
Opiniones
Opiniones
No hay comentarios, sé el primero en comentarValoración media
¿Has leído este libro?
Valóralo y comparte tu opinión con otros usuarios
Escribir mi opinión