REDES NEURONALES VS LOGICA DIFUSA

REDES NEURONALES VS LOGICA DIFUSA

REDES NEURONALES LOGICA DIFUSA

VENTAJAS DESVENTAJAS VENTAJAS DESVENTAJAS

APRENDIZAJE ADAPTATIVO SU HABILIDAD RADICA EN PROCESAR INFORMACION EN PARALELO FACILIDAD DE IMPLEMENTACION PRECISA UN TIEMPO DE APRENDIZAJE

TOLERANCIA A FALLOS LA FALTA DE REGLAS DEFINITORIAS BUENOS RESULTADOS EN PROCESOS NO LINEALES Y DE DIFICIL MODELACION ANTE UN PROBLEMA QUE TIENE UNA SOLUCION MEDIANTE UN MODELO MATEMATICO OBTENEMOS PEORES RESULTADOS USANDO LOGICA DIFUSA.

OPERACIÓN EN TIEMPO REAL MODO DE FUNCIONAMIENTO SIMILAR AL COMPORTAMIENTO HUMANO MAYOR PRECISION = AUMENTO DEL TIEMPO DE RESPUESTA

FACIL INSERCION EN LA TECNOLOGIA FORMARAPIDA Y ECONOMICA DE RESOLVER UN PROBLEMA AUMENTO DEL COSTO SEGÚN LA PRESICION Y VELOCIDAD REQUERIDA

RNA SON SISTEMAS DINAMICOS AUTOADAPTATIVOS NO SE NECESITA CONOCEL EL MODELO MATEMATICO QUE RIGE SU FUNCIONAMIENTO REQUIEREN AJUSTES ANTES DE SER PUESTOS EN OPERACION

CAPACIDAD INHERENTE DE TOLERANCIA A FALLOS ESTABILIDAD: LA CAIDA DEL SISTEMA SE PRODUCE LENTAMENTE

PERMITEN GRAN PRESICION

Aprendizaje adaptativo: capacidad de aprender a realizar tareas basadas en un entrenamiento o en una experiencia inicial.

auto-organización: una red neuronal puede crear su propia organización o representación de la información que recibe mediante una etapa de aprendizaje.

Tolerancia a fallos: la destrucción parcial de una red conduce a una degradación de su estructura; sin embargo, algunas capacidades de la red se pueden retener, incluso sufriendo un gran daño.

Operación en tiempo real: los cómputos neuronales pueden ser realizados en paralelo; para esto se diseñan y fabrican máquinas con hardware especial para obtener esta capacidad.

Fácil inserción dentro de la tecnología existente: se pueden obtener chips especializados para redes neuronales que mejoran su capacidad en ciertas tareas. Ello facilitará la integración modular en los sistemas existentes.

La capacidad de aprendizaje adaptativo es una de las características más atractivas de redes neuronales. Esto es, aprenden a llevar a cabo ciertas tareas mediante un entrenamiento con ejemplos ilustrativos. Como las redes neuronales pueden aprender a diferenciar patrones mediante ejemplos y entrenamientos, no es necesario elaborar modelos a priori ni necesidad de especificar funciones de distribución de probabilidad.

Las redes neuronales son sistemas dinámicos auto adaptativos. Son adaptables debido a la capacidad de autoajuste de los elementos procesales (neuronas) que componen el sistema. Son dinámicos, pues son capaces de estar constantemente cambiando para adaptarse a las nuevas condiciones.

En el proceso de aprendizaje, los enlaces ponderados de las neuronas se ajustan de manera que se obtengan ciertos resultados específicos. Una red neuronal no necesita un algoritmo para resolver un problema, ya que ella puede generar su propia distribución de pesos en los enlaces mediante el aprendizaje.

Sin embargo, sí es necesario que desarrolle un buen algoritmo de aprendizaje que le proporcione a la red la capacidad de discriminar, mediante un entrenamiento con patrones.

Las redes neuronales fueron los primeros métodos computacionales con la capacidad inherente de tolerancia a fallos. comparados con los sistemas computacionales tradicionales, los cuales pierden su funcionalidad cuando sufren un pequeño error de memoria, en las redes neuronales, si se produce un fallo en un número no muy grande de neuronas y aunque el comportamiento del sistema se ve influenciado, no sufre una caída repentina.

Hay dos aspectos distintos respecto a la tolerancia a fallos:

a) las redes pueden aprender a reconocer patrones con ruido, distorsionados o incompletos. Esta es una tolerancia a fallos respecto a los datos.

b) las redes pueden

...