Download - Wi0 a sistemasinteligentesyredesneuronales
1
SÍLABO WOIA SISTEMAS INTELIGENTES Y REDES NEURONALES 2014-2
1. DATOS GENERALES Facultad: Ingeniería de Sistemas y Electrónica Carrera: Ingeniería Electrónica Número de créditos: 06 Coordinador: Alberto Alvarado Rivera Requisitos: WEE0 Procesamiento digital de señales
2. FUNDAMENTACIÓN La presente asignatura permitirá al estudiante conocer y desarrollar nuevos algoritmos para el reconocimiento de patrones, basado en la teoría de las redes neuronales artificiales. Asimismo, aprenderá el uso de una teoría alternativa de control de procesos a través de los conceptos de lógica difusa. De esta manera, podrá entender los principios básicos de la inteligencia artificial, así como le permitirá plantear temas de investigación aplicados en diferentes campos de la ingeniería.
3. SUMILLA El presente curso es teórico y práctico, inicia con una introducción a la inteligencia artificial, los fundamentos de las redes neuronales artificiales, redes neuronales supervisadas y no supervisadas, redes auto- organizativas y recurrentes. Asimismo los fundamentos de la lógica difusa, la fuzificación y defuzificación para los modelos Mandani. La aplicación de las reglas difusas y diseño de sistemas de control difuso asi como simulaciones en el software Matlab utilizando los toolbox Neural Networks y Fuzzy Logic.
4. LOGROS DE APRENDIZAJE a) El alumno estará en la capacidad de brindar soluciones en base a redes neuronales
artificiales, utilizando aplicaciones como el reconocimiento de patrones. b) El alumno Implementará algoritmos de un controlador difuso para un sistema de
control de procesos.
5. CONTENIDOS Introducción a la inteligencia artificial. Semana 01
Conceptos de redes neuronales artificiales. Semana 02
Redes neuronales artificiales. Tipos de entrenamientos y algoritmos de aprendizaje
Semana 03
Red Neuronal Perceptron. Semana 04 Algoritmos de aprendizaje y limitaciones de la red Perceptron. Semana 05
Red neuronal Perceptron multicapa MLP. Semana 06 Red neuronal competitiva. Semana 07 Red neuronal Recurrente. Semana 08
2
Conceptos de lógica difusa. Semana 09
Tipos de conjuntos difusos o funciones memberships. Semana 10
Operaciones entre grados de pertenencia: unión, intersección y complemento.
Semana 11
Métodos de fusificación y desfusificación. Método de correlación mínima y agregación máxima.
Semana 12
Aplicaciones de los controladores difusos. Sistemas de control a lazo abierto. Semana 13 Aplicaciones de los controladores difusos. Sistemas de control a lazo cerrado Semana 14
6. METODOLOGÍA El curso se realiza desde el enfoque teórico y práctico. El enfoque teórico comprende actividades individuales (exposición, explicación y solución de problemas), promoviendo la participación activa de los estudiantes a través del diálogo permanente, a fin de consolidar el aprendizaje de los temas. El enfoque práctico se desarrolla por medio de experiencias en el laboratorio de cómputo, con la ayuda de un software de simulación que permiten realizar la demostración de los temas tratados.
7. SISTEMA DE EVALUACIÓN
El promedio final del curso será Nota:
Sólo se podrá rezagar el Examen Final.
El examen rezagado incluye los contenidos de todo el curso.
No se elimina ninguna práctica calificada.
La nota mínima aprobatoria es 12 (doce).
8. FUENTES DE INFORMACIÓN Bibliografía Base:
BONIFACIO, MARTÍN DEL BRIO. “Redes Neuronales y Sistemas Borrosos”. Edición 2011
DEMUTH, HOWARD; HAGAN MARTIN AND BEALE “Neural Network TOOLBOX”. Edición 2010
Bibliografía Complementaria:
PASSINO KEVIN M. YURKOVICH STEPHEN. “Fuzzy Control”. Edición 2012
HAYKIN, SIMON. “Neural Networks. A Comprehensive Foundation”. 2010
0.1PC1 + 0.1PC2 + 0.2PC3 + 0.2PL + 0.4EF
PC1 es Práctica Calificada Grupal de 4 Estudiantes
PC2 y PC3 son Prácticas Calificadas Individuales
PL es Promedio de Laboratorios Calificados ([LC1 + LC2 + LC3] / 3)
EF es Examen Final
3
9. CRONOGRAMA DE ACTIVIDADES
Semana Contenidos o temas Actividad
Semana 1 Introducción a la inteligencia artificial. Aplicaciones y ejemplos en diferentes sectores.
El alumno entiende la importancia de la inteligencia artificial.
Semana 2 Conceptos de redes neuronales artificiales. Matriz de pesos sinápticos. Funciones de transferencia.
El alumno conoce las redes neuronales artificiales
Semana 3 Redes neuronales artificiales. Tipos de entrenamientos y algoritmos de aprendizaje
El alumno conoce y analiza los tipos de entrenamientos para las redes neuronales artificiales.
Semana 4 Red Neuronal Perceptron. Definiciones. Tipo de entrenamiento. Clasificación de padrones con redes de 1 y 2 neuronas.
El alumno conoce de la red neuronal Perceptron. Práctica Calificada 1.
Semana 5 Algoritmos de aprendizaje y limitaciones de la Red Perceptron. Ejemplo de la función XOR. Aplicaciones de reconocimiento de patrones
El alumno aprende los algoritmos de aprendizaje. Práctica de laboratorio No1. Grupo A. El grupo B realiza tarea domiciliaria
Semana 6 Red neuronal Perceptron multicapa MLP. Definiciones. Algoritmo de aprendizaje. Aplicaciones de reconocimiento de patrones.
El alumno conoce de la red neuronal Perceptron multicapa. Práctica Laboratorio No1. Grupo B. El grupo A realiza tarea domiciliaria
Semana 7 Red neuronal competitiva. Definiciones. Algoritmo de aprendizaje. Aplicaciones de compresión de señales.
El alumno conoce la red neuronal competitiva.
Semana 8 Red neuronal recurrente. Definiciones. Cálculo de la matriz de pesos sinápticos. Aplicaciones de reconocimiento de patrones.
El alumno conoce la red neuronal recurrente Práctica Calificada 2.
Semana 9 Conceptos de lógica difusa. Características y Aplicaciones en el área de control de procesos.
EL alumno conoce la importancia de la lógica difusa. Práctica de Laboratorio No2. Grupo A. El grupo B realiza tarea domiciliaria
4
Semana 10 Tipos de conjuntos difusos o funciones memberships. Representación gráfica y simulación con Matlab.
El alumno desarrolla tipos de conjuntos difusos. Práctica de Laboratorio No2. Grupo B. El grupo A realiza tarea domiciliaria
Semana 11 Operaciones entre grados de pertenencia: unión, intersección y complemento. Ejemplos de aplicación.
El alumno desarrolla operaciones entre grados de pertenencia.
Semana 12
Métodos de fusificación y desfusificación. Método de correlación mínima y agregación máxima. Método del centroide.
El alumno aplica los métodos de fusificación y desfusificación. Práctica Calificada 3.
Semana 13 Aplicaciones de los controladores difusos. Sistemas de control a lazo abierto.
El alumno conoce de las aplicaciones de los controladores difusos en lazo abierto. Práctica de Laboratorio No3. Grupo A. El grupo B realiza tarea domiciliaria
Semana 14 Aplicaciones de los controladores difusos. Sistemas de control a lazo cerrado
P El alumno conoce de las aplicaciones de los controladores difusos en lazo cerrado. Práctica de Laboratorio No3. Grupo B. El grupo A realiza tarea domiciliaria
Semana 15 Examen Final
FECHA DE ACTUALIZACIÓN: 27/05/2014.