Identificación de procesos no-lineales usando un nuevo modelo de neurona dinámica
Tipo de material:
TextoDetalles de publicación: Valparaíso; UTFSM, 2003Descripción: vii, 60 h. : ilTema(s): NEURONAS | REDES NEURONALES (ciencia de la computación) | RETROPROPAGACION (Inteligencia artificial) | BC / MEM (memorias UTFSM con resúmenes)Clasificación CDD: M 006.3 Nota de disertación: Tesis (Ing. Civil Electrónico, mención Control Automático) - - Prof guía : Alejandro Suárez Sotomayor Tema: [Resumen de autor]Tema: Las neuronas y las redes neuronales artificiales (RNA) han sido modeladas y estudiadas desde hace varias décadas. Las RNA dinámicas son particularmente interesante y han sido extensamente investigadas en los últimos años debido a que se ha demostrado que son muy útiles en la resolución de problemas no-lineales. Dentro de estas redes, destacan las arquitecturas del tipo LRGF (Locally Recursive, Globally Feedforward) debido a su topología, potencia y simpleza. Este trabajo propone un nuevo modelo de neurona dinámica, del tipo LRGF, con dinámi<U+00AC>ca en la sinapsis, en el núcleo, y que en la salida posee un filtro FIR (Respuesta a Impulso Finita), el que representa al axón del modelo equivalente de la neurona biológica. Además, se presentan los algoritmo de entrenamiento RBP (Recursive Backpropagation) y CRBP (Causal Recursive Backpropagatiou) aplicado al entrenamiento de redes de neuronas del tipo propuesto. El algo<U+00AC>ritmo RBP es la extensión del conocido algoritmo BP (Backpropagation) a redes recursivas, mientras que el algoritmo CRBP es la versión en línea del algoritmo RBP, considerando la restricción de causalidad. Finalmente se presentan distintos experimentos donde se estudia el desempeño de la neu<U+00AC>rona propuesta frente a neuronas existentes, utilizando para ésto distintos modelos no-lineales. Temas Relacionados: Neuronas dinámicas, RNA (redes neuronales artificiales), LRGF (Lo<U+00AC>cally Recurrent Globally Feedforward), filtros FIR, filtros IIR, BP (Backpropagation), RBP (Recursive Backpropagation), CRBP (Causal Recursive Backpropagation).
| Tipo de ítem | Biblioteca actual | Colección | número de clasificación | Copia número | Estado | Fecha de vencimiento | Código de barras |
|---|---|---|---|---|---|---|---|
Memorias
|
Biblioteca Central | Memorias | M 006.3 T759 (Navegar estantería(Abre debajo)) | 1 | Disponible | 35609000956927 |
[Resumen de autor]
Las neuronas y las redes neuronales artificiales (RNA) han sido modeladas y estudiadas desde hace varias décadas. Las RNA dinámicas son particularmente interesante y han sido extensamente investigadas en los últimos años debido a que se ha demostrado que son muy útiles en la resolución de problemas no-lineales. Dentro de estas redes, destacan las arquitecturas del tipo LRGF (Locally Recursive, Globally Feedforward) debido a su topología, potencia y simpleza. Este trabajo propone un nuevo modelo de neurona dinámica, del tipo LRGF, con dinámi<U+00AC>ca en la sinapsis, en el núcleo, y que en la salida posee un filtro FIR (Respuesta a Impulso Finita), el que representa al axón del modelo equivalente de la neurona biológica. Además, se presentan los algoritmo de entrenamiento RBP (Recursive Backpropagation) y CRBP (Causal Recursive Backpropagatiou) aplicado al entrenamiento de redes de neuronas del tipo propuesto. El algo<U+00AC>ritmo RBP es la extensión del conocido algoritmo BP (Backpropagation) a redes recursivas, mientras que el algoritmo CRBP es la versión en línea del algoritmo RBP, considerando la restricción de causalidad. Finalmente se presentan distintos experimentos donde se estudia el desempeño de la neu<U+00AC>rona propuesta frente a neuronas existentes, utilizando para ésto distintos modelos no-lineales. Temas Relacionados: Neuronas dinámicas, RNA (redes neuronales artificiales), LRGF (Lo<U+00AC>cally Recurrent Globally Feedforward), filtros FIR, filtros IIR, BP (Backpropagation), RBP (Recursive Backpropagation), CRBP (Causal Recursive Backpropagation).
CONSULTE EN LINEA A TRAVES DE REPOSITORIO INSTITUCIONAL
Tesis (Ing. Civil Electrónico, mención Control Automático) - - Prof guía : Alejandro Suárez Sotomayor
h. 49
2