_________________
Estoy entre la Luz y la Oscuridad, pero no importa, porque soy lo que hay entre la Luz y la Oscuridad.

_________________
Estoy entre la Luz y la Oscuridad, pero no importa, porque soy lo que hay entre la Luz y la Oscuridad.

_________________
"Al igual que todos los jovenes, me proponía ser un genio, pero afortunadamente intervino la risa." Clea, Lawrence DURRELL;
X 43 y un cheese norris que me regaló JGlez

_________________
Depurar código es el doble de duro que escribirlo. Por tanto, si escribes el código lo más inteligentemente que te sea posible, no eres, por definición, lo suficientemente inteligente para depurarlo.

-- Brian Kernighan

* 17

_________________
<a href="http://ocularis.es"><img src="http://ocularis.es/blog/pics/barra.png"></a>

Pero al menos sabemos que no funciona como un ordenador.


Yo tambien opino que podemos hacer mejores cosas que intentar imitar a la naturaleza (lo que no impide que podamos sacar ideas buenas de ella).

_________________
<a href="http://ocularis.es"><img src="http://ocularis.es/blog/pics/barra.png"></a>

He usado redes rbf con funciones lineales en los nodos, de hecho el nodo de salida siempre suele ser lineal debido a que, por ejemplo la función gaussiana no alcanza nunca el cero,.. y si un sistema tiene referencia cero, lo normal es que la salida sea cero, por aquello de la estabilidad... si quiero que un motor se pare, le meto una entrada 0 y si me salen 0.2 voltios... pues imagina si el sistema está realimentado; tenemos un sistema inestable.

En control de procesos, aún no se usan redes neuronales, sólo en el 5% de las aplicaciones salimos de controladores lineales, y solo en un 1% de ese restante se usan métodos complejos.

Un sistema lineal (reguladores clásicos) podría darte la solución si el sistema fuese lineal, si no, depende del punto de funcionamiento (del rango de los datos introducidos), nunca y repito nunca un regulador lineal te dara una solución exacta para un sistema no lineal en todo el rango por muuuuuy buenos que sean tus datos y tu modelo incluso siendo perfectos. Es simple, calcula con funciones lineales un regulador inverso para un sistema que atiende a y=x^2... dificil... y mira que tienes el modelo y todos los datos perfectos que quieras.

No tiene nada que ver un sistema de red con un sistema fuzzi:

Las fuzzi se basan en funciones de pertenencia (calculan un estado el grado de pertenencia a un conjunto borroso), y sentencias if-then. Y de la misma manera las funciones de pertenencia tienen distribuciones gaussianas, trapezoidales, triangulares o impulsos.

Las redes neuronales realizan calculos con los datos de entrada, ya sean funciones gaussianas, sumas, restas, multiplicaciones...

Imagino que serás matemático, y por eso piensas que las redes neuronales están tan atrasadas, pero en los campos industriales, créeme, están empezando a surgir. Control complejo y no lineal sobre todo, biorreactores, estimaciones de tráfico en comunicaciones móviles,...

Y lo del ruido, depende de la naturaleza del ruido. Si el ruido es blanco, con reguladores lineales se puede solventar. Si es rosa, se ha de mirar el caso.

Puedes pensar lo que quieras y créeme, no tengo inconveniente, lo que me ha molestado es la forma de decirlo.

Pues resulta que soy ingeniero industrial, asi que precisamente mi conociemiento es basicamente aplicado. Y se lo que se maneja en la industria.

A ver, para empezar, me estabas hablando de dos cosas distintas. Antes hablabamos de clasificacion, ahora me hablas de regulacion. Son dos problemas totalmente distintos. De hecho, son los dos problemas en aprendizaje.

Por otro lado, y eso es lo bonito de los sistemas basados en nucleos, un regulador (llamalo red neural, fuzzy o lo que quieras) que usa funciones lineales, puede dar una salida totalmente no lineal. Ya que la salida realmente es un funcion ponderada a trozos y recursiva de todas las funciones base que uses.

Esa es la gracia de los metodos de aprendizaje. Que con funciones base muy sencillas (gausianas, lineales, etc), puede producir una respuesta totalmente arbitraria.

Por ultimo, toda red neuronal se puede mapear (transformar) en un sistema fuzzy y viceversa, si se hace con cuidado. Solo hay que transformar bien las funciones base (funciones de pertencia en un lado y funciones de respuesta en otro). Las relaciones if...then del fuzzy te dan la conectividad de la red y viceversa.

Y como apunte final, una gaussiana alcanza el cero si le añades un offset adecuado. De hecho, puedes controlar el punto donde quieres que corte al cero.

_________________
Estoy entre la Luz y la Oscuridad, pero no importa, porque soy lo que hay entre la Luz y la Oscuridad.

_________________
<a href="http://ocularis.es"><img src="http://ocularis.es/blog/pics/barra.png"></a>