| Formatted contents note |
Prólogo, XV / Prefacio de Lotfi A. Zadeh, XIX / Foreword by Lotfi A. Zadeh, XXI / Introducción, XXIII / El largo y tortuoso camino hacia la construcción de máquinas inteligentes, XXIII / Microprocesadores, computadores y cerebro, XXVI / Redes neuronales artificiales, XXX / Sistemas borrosos, XXXII / Redes neuronales y sistemas borrosos, XXXIII / Redes neuronales, 1 / Fundamentos de las redes neuronales, 3 / Breve introducción biológica, 3 / Estructura de un sistema neuronal artificial, 10 / Modelo neuronal artificial, 13 / Modelo general de neurona artificial, 13 / Modelo estándar de neurona artificial, 18 / Arquitectura de redes neuronales, 21 / Modos de operación: recuerdo y aprendizaje, 26 / Clasificación de los modelos neuronales, 30 / Computabilidad neuronal, 32 / Un ejercicio de síntesis: sistemas conexionistas, 33 / Realización y aplicación de los ANS, 35 / Apéndice: de la neurona biológica a la artificial, 37 / Redes neuronales supervisadas, 41 / Redes unidireccionales, 41 / El asociador lineal: aprendizaje hebbiano, 42 / El perceptrón simple Rosenblatt, 1959, 47 / Algoritmo de aprendizaje del perceptrón, 51 / Adalina Widrow, 1961, 55 / Reglas LMS, 56 / El perceptrón multicapa grupo PDP, 1986, 63 / El MLP como aproximador universal de funciones, 64 / Aprendizaje por retropropagación de errores BP, 66 / Aceleracion del aprendizaje BP. Otros algoritmos, 69 / Capacidad de generalización de la red, 71 / Pinceladas sobre la relación del MLP con los métodos estadísticos, 76 / Ejemplos de aplicación del MLP-BP, 79 / Redes autoorganizadas, 85 / Modelos neuronales no supervisados, 85 / Modelo de mapas autoorganizados Kohonen, 88 / Introducción a los mapas autoorganizados, 88 / Algoritmo de aprendizaje, 92 / Algunas variantes de los SOFM, 98 / Ejemplos de aplicaciones, 100 / SOFM: cuantificación óptima de vectores, 106 / Análisis formal del proceso de autoorganizacion, 108 / Modelos de neurona de Kohonen. Medidas de similitud, 112 / Modelos de aprendizaje en mapas autoorganizados, 114 / Redes neuronales realimentadas, 121 / Modelo de Hopfield, 123 / Modelo de neurona y arquitectura. Dinamicas, 123 / Memoria asociativa, 127 / Función energía de la red, 129 / Aprendizaje en la red de Hopfield, 132 / Regla de Hebb, 133 / Reglas de aprendizaje óptimas, 137 / Ejemplo: reconocimiento de caracteres, 140 / Neuronas estocásticas. Maquina de Boltzmann, 142 / Modelo de Hopfield analógico continuo, 145 / Modelo de Hopfield de neuronas continuas, 145 / Aplicaciones del modelo de Hopfield analógico. Optimizacion, 148 / Funciones de base radial RBF, 152 / LVQ, 158 / Otros modelos de redes neuronales, 160 / Implementación de redes neuronales, 163 / Introducción, 164 / Simulación software de ANS, 165 / Emulación hardware de ANS, 170 / Neurocomputadores y chips neuronales, 171 / Especificaciones de un neuroprocesador, 173 / Aspectos generales de la realización VLSI, 176 / Bloques básicos en la realización de neuroprocesadores digitales, 178 / Sistema de control, 178 / Unidad de proceso, 179 / Unidad de almacenamiento, 181⁄ Unidad de comunicación, 182 / Arquitecturas reconfigurables, 186 / Realizaciones especiales: lógica de frecuencia de pulsos, 187 / Bloques básicos en la realización de neuroprocesadores analógicos, 188 / Unidad de proceso, 189 / Unidad de almacenamiento, 192 / ¿Realización analógica o digital?, 195 / Realizaciones analógicas de ANS, 200 / Realizaciones digitales de ANS, 202 / Ejemplo neuroemulador basado en FPGA, 205 / Resumen. Situación comercial y tendencias, 208 / Aplicaciones de las redes neuronales artificiales, 211 / Motivación e interés del empleo de ANS, 211 / Desarrollo de una aplicación con ANS, 214 / Programas de simulación de ANS, 222 / Programas comerciales, 222 / Programas de libre distribución, 224 / Comparación con otras técnicas, 225 / Redes neuronales e inteligencia artificial, 225 / Redes Neuronales y estadísticas, 227 / Inconvenientes de las redes neuronales, 229 / Aplicaciones reales de los ANS, 230 / Informes sobre el estado de la aplicación de ANS, 230 / Listado de aplicaciones, 231 / Ejemplo de aplicación de ANS: previsión de la demanda de consumo eléctrico, 237 / Conclusiones, 241 / Sistemas borrosos, 243 / Lógica borrosa, 245 / Introducción, 246 / Conjuntos borrosos, 250 / Funciones de inclusión de conjuntos borrosos, 251 / Variables lingüísticas, 255 / Particiones borrosas, 256 / Medidas borrosas, 256 / Operaciones borrosas, 257 / Inferencia borrosa, 259 / Principio de extensión, 260 / Relación borrosa, 260 / Modus Ponens Generalizado y Modus Tolens Generalizado, 261 / Implicaciones borrosas, 262 / Reglas borrosas, 263 / Dispositivos de inferencia borrosa, 264 / Borrosificador fuzzifier, 266 / Desborrosificador defuzzifier, 267 / Desarrollo de sistemas borrosos 268 / Borrosidad y probablidad, 270 / Sistemas de control borroso, 271 / Introducción al control borroso, 271 / Un primer ejemplo, 273 / Tipos de controladores borrosos, 278 / Controladores borrosos directos sin optimización, 278 / Controladores borrosos directos con optimización, 280 / Controladores borrosos híbridos, 283 / Aprendizaje en sistemas borrosos, 285 / Introducción, 285 / Retropropagación BP, 286 / Algoritmos genéticos, 289 / ¿Qué optimizar?, 292 / Codificación, 295 / Operadores cruzamiento y mutación, 297 / Diseño de la función de idoneidad, 299 / Algoritmos genéticos desordenados, 301 / Codificación, 302 / Operadores corta y empalma, 305 / Implementación de sistemas borrosos, 307 / Introducción, 307 / Entornos de desarrollo, 309 / Entornos de tipo matemático, 313 / Entornos de lógica borrosa, 317 / Codificación en C, 326 / Codificación en C⁺⁺, 328 / El modelo ARS Sistema de Respuesta Autónoma, 328 / Objeto Vinculo, 332 / Objeto World, 334 / Objeto FEN red borrosa equivalente, 334, Objeto ANN, 336⁄ Realización hardware de sistemas borrosos. Aceleradores, 336 / Aplicaciones de los sistemas borrosos, 343 / Introducción. Soft computing, o imitando a la naturaleza, 343 / Interés del empleo de la lógica borrosa. Fusión de tecnologías, 344 / Algunas aplicaciones de los sistemas borrosos, 346 / Robots móviles y navegación autónoma, 347 / Conclusión final, 350 / Complementos a los modelos de redes neuronales, 353 / Entrenamiento del perceptrón multicapa: mejoras al algoritmo BP, 353 / Maquinas de Vectores Soporte SVM, 355 / Redes neuronales para procesamiento temporal, 357 / Recursos en internet, 359 / Bibliografía, 361 / Índice Alfabético, 397. |
