000			05729nam a2200313 i 4500
999			_c1086 _d1086
003			DO-SlITS
005			20190513064744.0
007			ta
008			170809s2009 c ad gr |||| ||spa d
020			_a9789586707671
040			_aDO-SlITS _bspa _cDO-SlITS _erda
041	0		_aspa
082	0	4	_a006.3 _bC133u 2009 _221
100			_aCaicedo Bravo, Eduardo Francisco, _eautor _9861
245	1	4	_aUna aproximación práctica a las redes neuronales artificiales / _cEduardo Francisco Caicedo Bravo, Jesús Alfonso López Sotelo.
250			_aPrimera edición.
264	3	1	_aSantiago de Cali : _bPrograma Editorial Universidad del Valle, _c2009.
300			_a217 páginas : _bilustraciones, gráficas ; _c24 x 17 cm. + _e1 disco compacto (CD-ROM).
336			_atexto _btxt _2rdacontent.
337			_asin mediación _bnc _2rdamedia.
338			_avolumen _bnc _2rdacarrier.
490	0		_a(Colección libros de investigación)
504			_aIncluye bibliografía.
505	0		_aIntroducción página, 9 / Generalidades sobre redes neuronales artificiales, 13 / Introducción, 13 / Breve reseña histórica, 14 / De la neurona biológica a la neurona artificial, 17 / La neurona biológica, 20 / La neurona artificial, 21 / Procesamiento matemático en la neurona artificial, 22 / Red neuronal artificial, 23 / Arquitecturas de redes neuronales artificiales, 25 / Redes monocapa, 25 / Redes multicapa, 26 / Redes feedfoward, 27 / Redes recurrentes, 27 / El aprendizaje en las redes neuronales artificiales, 28 / Aprendizaje supervisado, 29 / Aprendizaje no supervisado, 31 / Ejemplo de procesamiento de la información en una red neuronal, 31 / Nivel de aplicación, 32 / Redes neuronales perceptron y adaline, 37 / Introducción, 37 / Red neuronal perceptron, 38 / Arquitectura de perceptron, 38 / Algoritmo de aprendizaje, 40 / Red neuronal adaline, 43 / Arquitectura, 43 / Algoritmo de aprendizaje, 45 / Limitaciones del perceptron, 48 / Aproximación práctica, 50 / Construcción de un perceptron usando MATLAB, 50 / Solución de la función lógica AND con un perceptron, 51 / Exportando la red neuronal a simulink, 56 / Solución de la función lógica AND con UV-SRNA, 56 / Clasificador lineal con UV-SRNA, 57 / Reconocimiento de caracteres usando el Perceptron, 58 / Reconocimiento de caracteres con UV-SRNA, 64 / Filtro adaptativo usando una red adaline, 66 / Filtrado de señales biomédicas, 69 / Filtrado de señales de voz, 71 / Proyectos propuestos, 72 / Perceptron multicapa y algoritmo backpropagation, 75 / Introducción, 75 / Arquitectura general de un perceptron multicapa, 76 / Entrenamiento de un MLP, 77 / Nomenclatura del algoritmo backpropagation, 78 / Algoritmo backpropagation: regla delta generalizada, 79 / Pasos del algoritmo backpropagation, 85 / Algoritmo gradiente descendente con alfa variable, 85 / Pasos del algoritmo gradiente descendente con alfa variable, 86 ⁄ Algoritmos de alto desempeño para redes neuronales MLP, 87 / Algoritmo de aprendizaje del gradiente conjugado, 88 / Algoritmo de aprendizaje levenberg marquardt, 93 / Consideraciones de diseño, 99 / Conjuntos de aprendizaje y de validación, 99 / Dimensión de la red neuronal, 100 / Velocidad de convergencia del algoritmo, 101 / Funciones de activación, 102 / Pre y pos-procesamiento de datos, 102 / Regularización, 103 / Aproximación Práctica, 107 / Solución del problema de la función XOR con MATLAB, 107 / Aprendizaje de una función seno con MATLAB, 110 / Aprendizaje de la función silla de montar con MATLAB, 112 / Solución del problema de la XOR con UV-SRNA, 116 / Identificación de sistemas usando redes neuronales MLP, 119 / Pronóstico de consumo de energía, 126 / Aplicación a la clasificación de patrones, 131 / Proyectos propuestos, 135 / Red neuronal de hopfield, 137 / Introducción, 137 / Memoria autoasociativa bidireccional BAM, 138 / Arquitectura de la BAM, 138 / Memoria autoasociativa, 139 / Procesamiento de información en la BAM, 140 / Modelo discreto de hopfield, 141 / Procesamiento de aprendizaje, 141 / Principio de funcionamiento, 142 / Concepto de energía en el modelo discreto de hopfield, 143 / Ejemplo de procesamiento, 143 / Modelo continuo de hopfield, 147 / Modelo continuo de hopfield de una neurona, 148 ⁄ Función de energía para el modelo continuo de hopfield, 151 / Aproximación práctica, 152 / Red tipo hopfield con MATLAB, 152 / Proyectos propuestos, 154 / Mapas auto-organizados de kohonen, 157 / Introducción, 157 / El modelo bioinspirado de kohonen, 159 / Arquitectura de la red, 160 / Algoritmo de aprendizaje, 163 / Consideraciones iniciales, 163 / Modelo matemático, 163 / Ejemplo, 165 / Principio de funcionamiento, 171 / Aproximación práctica / Capacidad para reconocer grupos de patrones de un mapa kohonen, 172 / Capacidad de autoorganización de los mapas de kohonen usando MATLAB, 174 / Capacidad de autoorganización usando UV-SRNA, 178 / Clasificación de patrones usando mapas de kohonen , 182 / Proyectos propuestos, 185 / Red neuronal de base radial RBF, 187 / Introducción, 187 / El problema de interpolación, 187 / Redes de base radial, 191 / Arquitectura de una red de base radial, 192 / Entrenamiento de la red RBF, 194 / Diferencias entre las redes MLP y RBF, 196 / Aproximación práctica, 201 / Ejemplo de interpolación exacta con MATLAB, 201 / Aprendizaje de la función XOR, 203 / Aprendizaje de una función de una variable, 203 / Identificación de la dinámica de un sistema con una red RBF, 206 / Proyectos propuestos, 211 / Bibliografía, 213.
650	1	4	_aInteligencia artificial
650	1	4	_aRedes neurales (Informática)
700	1		_aLópez Sotelo, Jesús Alfonso, _913193 _eautor
942			_2ddc _cBK