Los sistemas digitales de cómputo actuales presentan problemas al abordar tareas del mundo real, donde la información es masiva, redundante e imprecisa. Por ello, desde hace unos años se vienen proponiendo nuevos modelos de procesamiento inspirados en las soluciones encontradas por la naturaleza durante millones de años de evolución, que podrían ayudar a resolver importantes problemas tecnológicos como los de visión, habla, control e inteligencia artificial. De entre estos nuevos modelos destacan las redes neuronales artificiales, que imitan la estructura del cerebro para reproducir algunas de sus capacidades y aprenden a realizar tareas a partir de ejemplos. Por otro lado, los sistemas borrosos (fuzzy) emulan el razonamiento aproximado de nuestro cerebro, permitiendo manejar conceptos vagos e imprecisos como los empleados en la vida cotidiana. Ambos modelos, junto con otros como los algoritmos genéticos, se enmarcan en la denominada inteligencia computacional o soft computing, complementando disciplinas clásicas como el tratamiento de señal o la inteligencia artificial, aplicándose ya a problemas muy diversos como reconocimiento de caracteres, electrodomésticos inteligentes, procesado de imagen, predicción bursátil, etc. Este libro se dirige a todo aquel que esté interesado en iniciarse en estas cuestiones, especialmente estudiantes, docentes y personal de la empresa; el único requisito es contar con una mínima base matemática, como la adquirida en estudios de ciencias, ingenierías o económicas. La primera edición (1997) fue el primer libro en español dedicado a ambos temas; desde entonces ha sido adoptado como texto de clase en diversas universidades españolas y americanas. En esta tercera edición (2006) se han actualizado algunos de sus capítulos y referencias bibliográficas, añadiéndose algunos modelos novedosos. "Redes Neuronales y Sistemas Borrosos supone una valiosa contribución a la literatura de la soft computing y de los sistemas neuroborrosos. Su fácil lectura, amplio tratamiento de ejemplos reales, y la gran competencia de los autores en la materia, hacen de este texto una importante fuente de información para todo aquel interesado en comprender y familiarizarse con las herramientas básicas que proporcionan las metodologías neuronales y borrosas. Los autores y la editorial merecen nuestro agradecimiento y aplauso". Prof. Lotfi A. Zadeh, catedrático emérito de la Universidad de California en Berkeley.
.
PRÓLOGO DE LA 2ª EDICIÓN
PREFACIO DE LOTFI A. ZADEH
INTRODUCCIÓN
1 El largo y tortuoso camino hacia la construcción de máquinas inteligentes xxiii
2 Microprocesadores, computadores y cerebro
3 Redes neuronales artificiales
4 Sistemas borrosos
5 Redes neuronales y sistemas borrosos
PRIMERA PARTE. REDES NEURONALES
CAPÍTULO 1. FUNDAMENTOS DE LAS REDES NEURONALES ARTIFICIALES
1.1 Breve introducción biológica
1.2 Estructura de un sistema neuronal artificial
1.3 Modelo de neurona artificial
1.4 Arquitecturas de redes neuronales.
1.5 Modos de operación: recuerdo y aprendizaje
1.6 Clasificación de los modelos neuronales
1.7 Computabilidad neuronal.
1.8 Un ejercicio de síntesis: sistemas conexionistas
1.9 Realización y aplicaciones de los ANS.
Apéndice: de la neurona biológica a la artificial.
CAPÍTULO 2. REDES NEURONALES SUPERVISADAS
2.1 Redes unidireccionales
2.2 El asociador lineal: aprendizaje hebbiano
2.3 El perceptrón simple (Rosenblatz, 1959).
2.3.1 Algoritmo de aprendizaje del perceptrón
2.4 La adalina (Widrow, 1961)
2.5 El perceptrón multicapa (grupo PDP, 1986)
2.6 El MLP como aproximador universal de funciones
2.7 Aprendizaje por retropropagación de errores (BP)
2.8 Aceleración del aprendizaje BP. Otros algoritmos
2.9 Capacidad de generalización de la red
2.10 Pinceladas sobre la relación del MLP con los métodos estadísticos
2.11 Ejemplos de aplicación del MLP-BP
CAPÍTULO 3. REDES AUTO-ORGANIZADAS
3.1 Modelos neuronales no supervisados.
3.2 Modelo de mapas auto-organizados (Kohonen, 1982).
3.2.1 Introducción a los mapas auto-organizados.
3.2.2 Algoritmo de aprendizaje.
3.2.3 Algunas variantes de los SOFM
3.3 Ejemplos de aplicaciones
3.4 SOFM: cuantificación óptima de vectores
3.5 Análisis formal del proceso de auto-organización
3.6 Modelos de neurona de Kohonen. Medidas de similitud
3.7 Modelos de aprendizaje en mapas auto-organizados
CAPÍTULO 4. OTROS MODELOS DE REDES NEURONALES.
4.1 Redes neuronales realimentadas
4.2 Modelo de Hopfield
4.2.1 Modelo de neurona y arquitectura. Dinámicas.
4.2.2 Memoria asociativa.
4.2.3 Energía de la red.
4.3 Aprendizaje en la red de Hopfield
4.3.1 Regla de Hebb.
4.3.2 Reglas óptimas.
4.4 Ejemplo: reconocimiento de caracteres
4.5 Neurona estocástica. Máquina de Boltzmann
4.6 Modelo de Hopfield analógico (continuo)
4.6.1 Modelo de Hopfield de neuronas continuas.
4.6.2 Aplicaciones. Optimización.
4.7 Funciones de base radial (RBF)
4.8 LVQ 158
4.9 Otros modelos de redes neuronales.
CAPÍTULO 5. IMPLEMENTACIÓN DE REDES NEURONALES
5.1 Introducción
5.2 Simulación (software) de ANS
5.3 Emulación (hardware) de ANS
5.4 Realización hardware de ANS
5.5 Neurocomputadores y chips neuronales
5.5.1 Especificaciones de un neuroprocesador
5.5.2 Aspectos generales de la realización VLSI
5.6 Bloques básicos en la realización de neuroprocesadores digitales
5.6.1 Sistema de control.
5.6.2 Unidad de proceso.
5.6.3 Unidad de almacenamiento.
5.6.4 Unidad de comunicación
5.6.5 Arquitecturas reconfigurables
5.6.6 Realizaciones especiales: lógica de frecuencia de pulsos
5.7 Bloques básicos en la realización de neuroprocesadores analógicos
5.7.1 Unidad de proceso
5.7.2 Unidad de almacenamiento
5.8 ¿Realización analógica o digital?
5.9 Realizaciones analógicas de ANS
5.10 Realizaciones digitales de ANS
5.11 Ejemplo: neuroemulador basado en FPGA
5.12 Resumen. Situación comercial y tendencias
CAPÍTULO 6. APLICACIONES DE LAS REDES NEURONALES ARTIFICIALES
6.1 Motivación e interés del empleo de ANS.
6.2 Desarrollo de una aplicación con ANS
6.3 Programas de simulación de ANS
6.3.1 Programas comerciales
6.3.2 Programas de libre distribución
6.4 Comparación con otras técnicas
6.4.1 Redes neuronales e inteligencia artificial
6.4.2 Redes neuronales y estadística
6.4.3 Inconvenientes de las redes neuronales
6.5 Aplicaciones reales de los ANS
6.5.1 Informes sobre el estado de la aplicación de ANS
6.5.2 Listado de aplicaciones
6.6 Ejemplo de aplicación de ANS: previsión de demanda eléctrica
6.7 Conclusiones
SEGUNDA PARTE. SISTEMAS BORROSOS
CAPÍTULO 7. LÓGICA BORROSA
7.1 Introducción.
7.2 Conjuntos borrosos.
7.3 Funciones de inclusión de conjuntos borrosos.
7.4 Variable lingüística.
7.5 Particiones borrosas.
7.6 Medidas borrosas.
7.7 Operaciones borrosas
7.8 Inferencia borrosa.
7.8.1 Principio de extensión.
7.8.2 Relación borrosa.
7.8.3 Modus Ponens Generalizado y Modus Tolens Generalizado.
7.8.4 Implicación borrosa.
7.9 Reglas borrosas
7.10 Dispositivos de inferencia borrosa.
7.11 Borrosificador (fuzzifier).
7.12 Desborrosificador (defuzzifier).
7.13 Desarrollo de sistemas borrosos
7.14 Borrosidad y probabilidad
CAPÍTULO 8. SISTEMAS DE CONTROL BORROSO
8.1 Introducción al control borroso
8.2 Un primer ejemplo.
8.3 Tipos de controladores borrosos.
8.3.1 Controladores borrosos directos sin optimización
8.3.2 Controladores borrosos directos con optimización.
8.3.3 Controladores borrosos híbridos
CAPÍTULO 9. APRENDIZAJE EN SISTEMAS BORROSOS
9.1 Introducción.
9.2 Retropropagación (BP).
9.3 Algoritmos genéticos.
9.3.1 ¿Qué optimizar?.
9.3.2 Codificación.
9.3.3 Operadores cruzamiento y mutación.
9.3.4 Diseño de la función de idoneidad.
9.4 Algoritmos genéricos desordenados.
9.4.1 Codificación.
9.4.2 Operadores corta y empalma.
CAPÍTULO 10. IMPLEMENTACIÓN DE SISTEMAS BORROSOS
10.1 Introducción.
10.2 Entornos de desarrollo
10.2.1 Entornos de tipo matemático
10.2.2 Entornos de lógica borrosa.
10.3 Codificación en C
10.4 Codificación en C++
10.4.1 El modelo ARS (Sistemas de Respuesta Autónoma).
10.4.2 Objeto Vinculo.
10.4.3 Objeto World.
10.4.4 Objeto FEN (red borrosa equivalente).
10.4.5 Objeto ANN.
10.5 Realización hardware de sistemas borrosos. Aceleradores
CAPÍTULO 11. APLICACIONES DE LOS SISTEMAS BORROSOS
11.1 Introducción. Soft computing, o imitando a la naturaleza
11.2 Interés del empleo de la lógica borrosa. Fusión de tecnologías
11.3 Algunas aplicaciones de los sistemas borrosos
11.4 Robots móviles y navegación autónoma
11.5 Conclusión final
APÉNDICE A. CONTENIDO DEL CD-ROM
APÉNDICE B. RECURSOS EN INTERNET
BIBLIOGRAFÍA
ÍNDICE ALFABÉTICO
.
B. Martin del brio
A. Sanz
.