IMPRESIONES 3D

1. INTRODUCCIN:
2.

1.Introduccin

3.

2.Panorama histrico

4. ANALISIS DE LA SITUACIN
ACTUAL
5. 3.El Modelo biolgico
6. 4.Elementos de una red neuronal
artificial
7. 5. Caractersticas de las redes
neuronales
8.
9. Topologa
10. Consiste en la organizacin y
disposicin de las neuronas en la
red
formando
capas
o
agrupaciones de neuronas. Los
parmetros fundamentales de la
red son: nmero de capas,
nmero de neuronas por capa,
grado de conectividad y tipo de
conexin entre neuronas.
Redes
monocapa:
se
establecen
conexiones
laterales entre las neuronas
que pertenecen a la nica
capa que constituye la red.
Ejemplos de redes de este
tipo son la rede HOPPFIELD y
la rede BRAIN-STATE-IN-ABOX. Las redes monocapa se
utilizan tpicamente en tareas
relacionadas con lo que se
conoce como autoasociacin;
por ejemplo, para regenerar
informaciones de entrada que
se presenta como incompleta
o distorsionada.
Redes multicapa: disponen
las neuronas agrupadas en
varios niveles. Dado que este
tipo de redes disponen de

varias capas, las conexiones

entre neuronas pueden ser
del tipo feedforward (conexin
hacia adelante) o del tipo
feedback (conexin hacia
atrs).
11.
Mecanismo
aprendizaje

de

12.
El aprendizaje es el
proceso por el cual una red
neuronal modifica sus pesos en
respuesta a una informacin de
entrada. Los cambios que se
producen durante la etapa de
aprendizaje se reducen a la
destruccin (el peso de la
conexin toma el valor 0),
modificacin y creacin (el peso
de la conexin toma un valor
distinto de 0) de conexiones entre
las neuronas.
13.
Tipo de asociacin entre
las informaciones de entrada y
salida
14.
Las redes neuronales son
sistemas que almacenan cierta
informacin aprendida; esta se
registra de forma distribuida en
los pesos asociados a las
conexiones entre neuronas. Hay
que establecer cierta relacin o
asociacin entre la informacin
presentada a la red y la salida
ofrecida por esta. Es lo que se
conoce como memoria asociativa.
15. Representacin
de
la
informacin de entrada y salida
16.
17. Redes continuas: En un gran
nmero de redes, tanto los datos

de entrada como de salida son de

naturaleza analgica (valores
reales continuos y normalmente
normalizados, por lo que su valor
absoluto ser menor que la
unidad). En este caso las
funciones de activacin de las
neuronas
sern
tambin
continuas, del tipo lineal o
sigmoidal.
18.
19. Redes discretas: Por el contrario,
otras redes slo admiten valores
discretos [0,1] a la entrada,
generando tambin en la salida
respuestas de tipo binario. La
funcin de activacin en este
caso es del tipo escaln.
20.
21. Redes hbridas: La informacin
de entrada es continua pero a la
salida
ofrecen
informacin
binaria.
22.
23. 6. Implementacin de las redes
neuronales
24.
25. A partir de la estructura de una
neurona, se disea el sistema
completo mediante
26. la adicin de una memoria RAM
que almacena el resultado del
cmputo de una neurona y las
entradas x a la red y una memoria
ROM para almacenar la topologa
de la red.

27.

28. Algoritmo de la implementacin.

29. Software para ingresar el diseo
de la red: El software para el
diseo de la red por parte del
usuario tiene como fin principal
crear un archivo tipo VHDL que
cumpla con las caractersticas de
los lenguajes para descripcin de
hardware,
para
as
poder
implementar
30. a travs de ste la red neuronal
31. en un FPGA.
32.
33. 7. Ventajas de las redes
neuronales
34.
35.
36.
37.
38.
39.
40. 8. Tipos de redes neuronales
41. .
42. RESULTADOS
43. 9. Aplicaciones de las redes
neuronales
44.
45. DISCUSIN
46.
47. 10. Redes neuronales a futuro
48. 11.Herramentas de sftware
49.
50. CONCLUSIONES
51.

52. Conclusones
53.

54.REFERENCIA