Utp sirn_s0_generalidades

Sistemas Inteligentes
y Redes Neuronales
(SI01)

Sesión: 0
Ing. José C. Benítez P.

Sesión 0. Temas

Sistemas Inteligentes y Redes Neuronales

Datos
Objetivos
Resumen
Metodología
Evaluación
Bibliografía

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

Sesión 0. Temas


Datos
Objetivos
Resumen
Metodología
Evaluación
Bibliografía



Datos:
ESPECIALIDAD: Ing. Electrónica
CICLO: XI
CREDITOS: 04
AÑO: Sexto
HORAS/SEMANA: T2/P2/L2
REGIMEN: Obligatorio
EVALUACION: Tipo B
PROFESOR: Ing. José Benítez P.
jcbenitezp@gmail.com

Sesión 0. Temas


Datos
Objetivos
Resumen
Metodología
Evaluación
Bibliografía



Objetivos generales:

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 específicos:

Utilizar el Matlab como herramienta de simulación
en aplicaciones de redes neuronales artificiales.
en aplicaciones de sistemas difusos.
en aplicaciones de algoritmos genéticos.


Sesión 0. Temas


Datos
Objetivos
Resumen
Metodología
Evaluación
Bibliografía



Resumen:
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.


Sumilla Parte 1:
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 2:
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 Logic
Ejemplos 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


Sesión 0. Temas


Datos
Objetivos
Resumen
Metodología
Evaluación
Bibliografía



Método de enseñanza - aprendizaje

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


Sesión 0. Temas


Datos
Objetivos
Resumen
Metodología
Evaluación
Syllabus dosificado
Bibliografía


Sistema de Evaluación: Lab1 + Lab 2 + Lab3

B
PLab1 =
3
Trabajos de investigación Lab1 + Lab 2 + Lab3
PLab 2 =
Laboratorios 3
Tests P1 + P 2 + P3 + PLab1 + PLab 2
PP =
Practicas calificadas 4

Ex. Parcial
Ex. Final ExP + 2 ExF + PP
PF =
4
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.



Bibliografía básica
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”. Versión
2.1.2. User’s Guide. 2002.


Bibliografía avanzada
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.



Recursos de internet:
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


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

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.

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

Sesión 0. Generalidades del curso


http://utpsirn.blogspot.com

Utp sirn_s0_generalidades

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (20)

Similaire à Utp sirn_s0_generalidades

Similaire à Utp sirn_s0_generalidades (20)

Plus de jcbenitezp

Plus de jcbenitezp (20)

Utp sirn_s0_generalidades