5. Algoritmos de entrenamiento y característica
Un algoritmo de entrenamiento nos permite agilizar el aprendizaje. Este proceso consiste en ir ajustando los pesos W gradualmente hasta que el vector de salida resultante coincida con el vector de salida deseado.
Se define como algoritmo de aprendizaje al conjunto de reglas bien definidas para la solución de un problema de aprendizaje,estos algoritmos difieren entre sí en la forma como se formulan los cambios en los pesos sinápticos.
CARACTERÍSTICAS:
- El entrenamiento supervisado parte de un vector de entrada del cual se conoce su vector de salida deseada o al menos una aproximacion a el. al par de vectores reperesentado los valores de entrada se les denomina par de entrenamiento. Este proceso consiste en aplicar el vector de entrada a la red.
- buscan simular las tres características básicas de una red neuronal biológica :
procesamiento paralelo, memoria distribuida y adaptabilidad - permite a las redes neuronales artificiales aprender y generalizar a partir de un conjunto de datos de relación matemática desconocida.
- capacidad para aprender de su ambiente, y mejorar su desempeño a través del aprendizaje
- El entrenamiento no supervisado se desconoce la salida,únicamente se proporciona un vector de entrada. Lo que se busca es generar después de varios vectores de entrada salidas que sean consistentes. Es decir que los pesos se vallan ajustando poco a poco a travez del reconocimiento de patrones, regularidades, propiedades estáticas, etc.
- Actualmente el a mayoría de los algoritmos de entrenamiento se basan en el trabajo desarrollado por D.O .Hebb, quien propuso aun algoritmos de entrenamiento sin supervicion donde los pesos W se incrementan si tanto el neuron emisor como el receptor están activados.Este tipo de aprendizaje se adquiere cuando un humano repite una misma tarea.
- Los algoritmos de dividen en dos tipos:
Corrección de errores: Mediante este método, se alteran los pesos de las conexiones de la red para corregir el error de salida durante la presentación de cada pareja de entrada o salida
Gradiente: Modifica el peso de las conexiones de la red durante la presentación de cada pareja entrada/salida minimizando el error cuadrático medio sobre todos los patrones.
6. Lógica difusa
La lógica difusa es una metodología que proporciona una manera simple de obtener una conclusión a partir de información de entrada vaga, ambigua , imprecisa, con ruido o incompleta, en general la lógica difusa imita como un persona toma decisiones basada en información con las características ya mencionadas. en inteligencia artificial so métodos de razonamiento que intentan imitar el comportamiento humano procesando información incompleta o incierta a través de términos probabilisticos .
LÓGICA DIFUSA VS LOGICA TRADICIONAL
Una de las diferencias que podemos encontrar entre la lógica difusa y la lógica tradicional es que la lógica tradicional solo acepta dos valores, verdadero o falso en una proposición , mientras que la lógica difusa toma varios valores de verdad posibles entre 0 y 1 , por tal motivo la lógica difusa se acopla mas al mundo real ya que acepta valores como hace mucho calor, no es muy alto etc, en general puede manejar valores no exactos.
La lógica tradicional tiene un razonamiento exacto mientras que la fuzzy utiliza un razonamiento aproximado
7. Complemento lógica difusa y redes neuronales
Las redes neuronales artificiales y la lógica difusa o borrosa son dos de los avances científicos recientes mas importantes del conocimiento. Mediante estas herramientas se ha intentado similar dos de las características mas importantes con que cuenta el cerebro humano: la capacidad de aprendizaje y el poder procesar información incompleta o que no es precisa. Estas técnicas se han podido utilizar para la solución de problemas tanto científicos como de la vida diaria.Con una buena combinacion de estas dos técnicas es posible un desarrollo tecnológico mas amplio en diversos campos, desde la medicina hasta el mejoramiento de electrodomésticos.
La lógica difusa es aplicada en cualquier sistema en el cual se trabaje con conceptos vagos o imprecisos complementado así modelos controlados por expertos humanos.
8. Aplicacion lógica difusa-redes neuronales
