Redes Neuronales y Sistemas Borrosos (3ª Edición)

Bonifacio Martin Del Brio

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.

Escritor

Bonifacio Martin Del Brio

Colección

Profesional

Materia

Robótica educativa

Idioma

Castellano

EAN

9788478977437

ISBN

978-84-7897-743-7

Páginas

442

Ancho

17 cm

Alto

24 cm

Peso

811 g

Edición

Fecha publicación

28-11-2006

Edición en papel

26,51 €

Descuento 5%27,90 €

543,03 MX$26,92 US$

Reseñas

Disponible en Argentina y México

Índice de contenido

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