"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.
PREFACIO DE LOTFI A. ZADEH
FOREWORD BY LOTFI A. ZADEH
INTRODUCCIÓN
1 El largo y tortuoso camino hacia la construcción
de máquinas inteligentes
2 Microprocesadores, computadores y cerebro
3 Redes neuronales artificiales
4 Sistemas borrosos
5 Redes neuronales y sistemas borrosos
PARTE I. 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
1.3.1 Modelo general de neurona artificial
1.3.2 Modelo estándar 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
1.A 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 (Rosenblatt, 1959)
2.3.1 Algoritmo de aprendizaje del perceptrón
2.4 Adalina (Widrow, 1961)
2.4.1 Regla LMS
2.5 El perceptrón multicapa (grupo PDP, 1986)
2.5.1 El MLP como aproximador universal de funciones
2.5.2 Aprendizaje por retropropagación de errores (BP)
2.5.3 Aceleración del aprendizaje BP. Otros algoritmos
2.6 Capacidad de generalización de la red
2.7 Pinceladas sobre la relación del MLP con los métodos estadísticos
2.8 Ejemplos de aplicación del MLP-BP
CAPÍTULO 3. REDES AUTOORGANIZADAS
3.1 Modelos neuronales no supervisados
3.2 Modelo de mapas autoorganizados (Kohonen, 1982)
3.2.1 Introducción a los mapas autoorganizados
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 autoorganización
3.6 Modelos de neurona de Kohonen. Medidas de similitud
3.7 Modelos de aprendizaje en mapas autoorganizados
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 Función energía de la red
4.3 Aprendizaje en la red de Hopfield
4.3.1 Regla de Hebb
4.3.2 Reglas de aprendizaje óptimas
4.4 Ejemplo: reconocimiento de caracteres
4.5 Neuronas estocásticas. Máquina de Boltzmann
4.6 Modelo de Hopfield analógico (continuo)
4.6.1 Modelo de Hopfield de neuronas continuas
4.6.2 Aplicaciones del modelo de Hopfield
analógico. Optimización
4.7 Funciones de base radial (RBF)
4.8 LVQ
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