Figura III - uploaded by Lino Manjarrez
Content may be subject to copyright.
4. Capas de una Red Neuronal  Capa de entrada: neuronas que reciben datos o señales procedentes del entorno.  Capa oculta: no tiene conexión directa con el entorno, esta puede ser precedida por otras capas ocultas, o bien, por la capa de entrada.  Capa de salida: neuronas que proporcionan la solución de la RN. El primer modelo neuronal fue propuesto por McCulloch y Pitts (1943) en términos de un sistema computacional de " actividad nerviosa " , que sirvió de ejemplo para los modelos posteriores de Jhon Von Neumann, Marvin Minsky (Minsky y Papert, 1969), Frank Rosenblatt (Rosenblatt, 1959), entre otros. En los años 80, Rumelhart y McClellant construyeron la primer RN bajo el concepto de Procesamiento Distribuido en Paralelo PDP, cuya naturaleza era no-lineal (Rumelhart y McClelland, 1986). A partir de entonces, las RN han sido utilizadas con mayor interés en tareas de predicción y clasificación en un gran número de campos de la ciencia. III.1.1. Neurona Artificial Las Redes Neuronales Artificiales son modelos que intentan reproducir el funcionamiento del cerebro a través de redes numéricas que identifican y simplifican los elementos relevantes de un sistema (fenómeno) y adquieren conocimiento a partir de comportamientos conocidos (datos obtenidos a partir de mediciones). No hay una definición general de redes neuronales RN, existiendo diferentes según el texto o artículo consultado. A continuación se presentan definiciones propuestas por diferentes autores:  Una RN es un modelo computacional en paralelo, compuesto de unidades procesadoras adaptativas con una alta interconexión entre ellas (Hassoun, 1995).  Sistemas de procesado de información que hacen uso de algunos de los principios que organizan la estructura del cerebro humano (Lin y Lee, 1996).  Modelos matemáticos desarrollados para emular el cerebro humano (Chen y Chang, 1996). 

4. Capas de una Red Neuronal  Capa de entrada: neuronas que reciben datos o señales procedentes del entorno.  Capa oculta: no tiene conexión directa con el entorno, esta puede ser precedida por otras capas ocultas, o bien, por la capa de entrada.  Capa de salida: neuronas que proporcionan la solución de la RN. El primer modelo neuronal fue propuesto por McCulloch y Pitts (1943) en términos de un sistema computacional de " actividad nerviosa " , que sirvió de ejemplo para los modelos posteriores de Jhon Von Neumann, Marvin Minsky (Minsky y Papert, 1969), Frank Rosenblatt (Rosenblatt, 1959), entre otros. En los años 80, Rumelhart y McClellant construyeron la primer RN bajo el concepto de Procesamiento Distribuido en Paralelo PDP, cuya naturaleza era no-lineal (Rumelhart y McClelland, 1986). A partir de entonces, las RN han sido utilizadas con mayor interés en tareas de predicción y clasificación en un gran número de campos de la ciencia. III.1.1. Neurona Artificial Las Redes Neuronales Artificiales son modelos que intentan reproducir el funcionamiento del cerebro a través de redes numéricas que identifican y simplifican los elementos relevantes de un sistema (fenómeno) y adquieren conocimiento a partir de comportamientos conocidos (datos obtenidos a partir de mediciones). No hay una definición general de redes neuronales RN, existiendo diferentes según el texto o artículo consultado. A continuación se presentan definiciones propuestas por diferentes autores:  Una RN es un modelo computacional en paralelo, compuesto de unidades procesadoras adaptativas con una alta interconexión entre ellas (Hassoun, 1995).  Sistemas de procesado de información que hacen uso de algunos de los principios que organizan la estructura del cerebro humano (Lin y Lee, 1996).  Modelos matemáticos desarrollados para emular el cerebro humano (Chen y Chang, 1996). 

Similar publications

Preprint
Full-text available
The generalised extreme value (GEV) distribution is a three parameter family that describes the asymptotic behaviour of properly renormalised maxima of a sequence of independent and identically distributed random variables. If the shape parameter $\xi$ is zero, the GEV distribution has unbounded support, whereas if $\xi$ is positive, the limiting d...
Preprint
Full-text available
Resumo A presente nota tem como objetivo descrever a dinâmica da disseminação da Covid19 no Brasil, com recortes para Mato Grosso e Cuiabá, fornecendo projeções para o número de indivíduos infectados nos próximos dias bem como estimar a data em que ocorrerá o ponto máximo de infectados e a quantidade máxima de infectados para tais regiões.
Article
Full-text available
La integración de la antena microstrip al sensor SAW representa una atractiva solución para monitorear altas temperaturas a distancia. En aplicaciones donde se utilizan hornos industriales es indispensable supervisar la temperatura a través de sensores operados con tecnología infrarroja o inalámbrica. El propósito de éste estudio fue caracterizar e...
Article
Full-text available
la industria radiofónica se halla en pleno proceso de transformación y adaptación a un entorno de consumo digital determinado por la convergencia tecnológica, la hibridación de narrativas y lenguajes y unos hábitos cada vez más ligados a la personalización del contenido y el acceso. este nuevo escenario resulta particularmente disruptivo para los f...

Citations

Conference Paper
Full-text available
RESUMEN: En este artículo se presenta un modelo neuronal de atenuación sísmica capaz de estimar los valores de la aceleración máxima en superficie para sismos, registrados en sitios en roca, provenientes de zonas de subducción. El modelo está constituido por tres módulos neuronales de alimentación al frente y propagación rápida hacia atrás cuya construcción se realizó sobre 354 series de tiempo de aceleraciones en la estación Ciudad Universitaria CU (estación en superficie). La base de datos comprende sismos ocurridos desde la década de los 60 hasta el año 2013. ABSTRACT: In this paper, a neural seismic-attenuation model to estimate values of peak ground acceleration, registered in rock sites due to earthquakes originated on subduction zones, is presented. The model is constituted by three neural feed forward and quick back propagation modules which were developed using 354 acceleration time series recorded in Ciudad Universitaria CU station (surface station).The database includes earthquakes occurred from the early 60’s until 2013.