TY  - BOOK
AU  - Hilera González,José Ramón
AU  - Martínez Hernando,Víctor José
TI  - Redes neuronales artificiales : : fundamentos, modelos y aplicaciones / 
T2  - Paradigma
SN  - 020187895X
PY  - 1995///
CY  - Wilmington : 
PB  - Addison-Wesley, 
KW  - COMPUTACION NEURONAL
KW  - REDES NEURONALES
KW  - REDES ESTOCASTICAS
KW  - RED ART
KW  - MODELO DE KOHONEN
KW  - MODELO DE HOPFIELD
KW  - RED ADALINE
KW  - RED MADALINE
KW  - RED BACKPROPAGATION
N1  - CONTENIDO
CAPITULO 1: UNA INTRODUCCION A LA COMPUTACION NEURONAL 1
1.1. Panorama histórico 2
1.2. Definición de red neuronal 9
1.3. Ventajas de las redes neuronales 11
1.3.1. Aprendizaje adaptativo 12
1.3.2. Autoorganización 13
1.3.3. Tolerancia a fallos 14
1.3.4. Operación en tiempo real 14
1.3.5. Fácil inserción dentro de la tecnología existente 15
1.4. Redes neuronales y computadores digitales 15
1.5. Redes neuronales e inteligencia artificial 16
1.6. Aplicaciones de las redes neuronales 21
1.6.1. Reconocimiento de patrones 23
1.6.2. Bases de datos de conocimiento para información estocástica 26
1.6.3. Control de robots 27
1.6.4. Toma de decisiones 28
1.6.5. Filtrado de señales 28
1.6.6. Segmentación, compresión y fusión de datos 29
1.6.7. Interfaces adaptativas para sistemas hombre/máquina 29
1.7. Tipos de redes neuronales más importantes 30
1.8. Implementación de las redes neuronales 32
1.8.1. Realización de redes neuronales 34
1.8.2. Herramientas software de desarrollo 36
1.8.3. Neurocomputadores de propósito general 38
1.8.4. Neurocomputadores de propósito especial 41
1.8.5. Implementación microelectrónica (VLSI) 42
CAPITULO 2. FUNDAMENTOS DE LAS REDES NEURONALES 45
2.1. El modelo biológico 45
2.1.1. Estructura de la neurona 45
2.1.2. Naturaleza bioeléctrica de la neurona 46
2.2. Elementos de una red neuronal artificial 49
2.2.1. Unidades de proceso: La neurona artificial 51
2.2.2. Estado de activación 52
2.2.3. Función de salida o de transferencia 53
2.2.4. Conexiones entre neuronas 57
2.2.5. Función o regla de activación 58
2.2.6. Regla de aprendizaje 63
2.2.7. Representación vectorial 64
2.3. Estructura de una red neuronal artificial 65
2.3.1. Niveles o capas de neuronas 65
2.3.2. Formas de conexión entre neuronas 67
CAPITULO 3. CARACTERISTICAS DE LAS REDES NEURONALES 69
3.1. Topología de las redes Neuronales 69
3.1.1. Redes monocapa 70
3.1.2. Redes multicapa 71
3.2. Mecanismo de aprendizaje 75
3.2.1. Redes con aprendizaje supervisado 76
3.2.2. Redes con aprendizaje no supervisado 82
3.3. Tipo de asociación entre las informaciones de entrada y salida 90
3.3.1. Redes heteroasociativas 91
3.3.2. Redes autoasociativas 91
3.4. Representación de la información de entrada y salida 93
3.5. Características de los modelos de redes neuronales más conocidos 95
CAPITULO 4. REDES NEURONALES CON CONEXIONES HACIA DELANTE 101
4.1. El Perceptron 101
4.1.1. Regla de aprendizaje del Perceptron 103
4.1.2. Solución al problema de la separabilidad lineal 110
4.2. El Perceptron multinivel 113
4.3. Las redes ADALINE y MADALINE 116
4.3.1. Aprendizaje de la red ADALINE 118
4.3.2. Aplicaciones de la red ADALINE 126
4.3.3. La red MADALINE 128
4.4. La red Backpropagation 131
4.4.1. La regla delta generalizada 132
4.4.2. Estructura y aprendizaje de la red Backpropagation 136
4.4.3. Consideraciones sobre el algoritmo de aprendizaje 142
4.4.4. Deducción de la regla Backpropagation 146
4.4.5. Aplicaciones de las redes Backpropagation 154
CAPITULO 5. EL MODELO DE HOPFIELD 181
5.1. Arquitectura 181
5.2. Funcionamiento 185
5.3. Aprendizaje 189
5.3.1. La función energía 193
5.4. Limitaciones del modelo de Hopfield 196
5.5. Aplicaciones 198
5.5.1. Reconocimiento de imágenes 199
5.5.2. Resolución de problemas de optimización 201
5.5.3. Diseño de circuitos conversores analógico-digitales 213
CAPITULO 6. EL MODELO DE RESONANCIA ADAPTATIVA (ART) 219
6.1. Arquitectura de una red ART 221
6.2. Funcionamiento 227
6.3. Aprendizaje 231
6.4. Limitaciones de la red ART 237
6.4.1. Una mejora del modelo. La red ART2 238
6.5. Aplicaciones del modelo ART 242
6.5.1. Reconocimiento de imágenes 243
6.5.2. Reconocimiento de señales analógicas 248
CAPITULO 7. EL MODELO DE KOHONEN 253
7.1. Arquitectura 254
7.2. Funcionamiento 256
7.3. Aprendizaje 258
7.4. Aplicaciones 267
7.4.1. Reconocimiento de voz 267
7.4.2. Reconocimiento de texto manuscrito 268
7.4.3. Codificación de datos 270
7.4.4. Resolución de problemas de optimización 272
7.4.5. Combinación con un Perceptron: Red Counterpropagation 277
CAPITULO 8. REDES ESTOCASTICAS 285
8.1. Máquina de Boltzmann 286
8.2. Máquina de Cauchy 293
8.3. Aprendizaje estocástico 295
8.3.1. Redes con arquitectura monocapa 296
8.3.2. Redes con arquitectura multicapa y conexiones hacia atrás 301
8.3.3. Redes con arquitectura multicapa y conexiones hacia adelante 302
8.4. Mecánica estadística y redes estocásticas 308
8.5. Aplicaciones de las redes estocásticas 318
CAPITULO 9. REDES NEURONALES y LOGICA BORROSA 321
9.1. Conceptos básicos sobre lógica borrosa 322
9.2. Neuronas borrosas y aprendizaje borroso 325
9.3. Implementación neuronal de mapas cognitivos borrosos 328
9.4. Sistemas de control borroso 337
9.5. Redes neuronales como memorias asociativas borrosas (FAM) 349
9.6. Generación neuronal de reglas de control borroso 364
9.7. Ajuste neuronal de funciones de pertenencia borrosas 366
APENDICE: BIBLIOGRAFIA 371
INDICE ALFABETICO 385
ER  -