I n s t I t u t o p o L i t é c n I c o n a c I o n a L



Descargar 259.91 Kb.
Fecha de conversión07.02.2019
Tamaño259.91 Kb.


INSTITUTO POLITÉCNICO NACIONAL

SECRETARÍA ACADÉMICA

DIRECCIÓN DE EDUCACIÓN SUPERIOR

PROGRAMA SINTÉTICO

UNIDAD ACADÉMICA:

Unidad Profesional Interdisciplinaria en Ingeniería y Tecnología Avanzadas

CARRERA:

Tronco Común (Ing. Mecatrónica, Ing. Telemática e Ing. Biónica)

ASIGNATURA:

Sistemas Neurodifusos

SEMESTRE:

Quinto




OBJETIVO GENERAL:

El alumno diseñará redes neuronales artificiales monocapa y multicapa aplicadas en el reconocimiento de señales de una y dos dimensiones por medio de lenguajes de programación. Además, diseñará sistemas de control inteligentes basados en la teoría de la lógica difusa utilizando herramientas CAD.


CONTENIDO SINTÉTICO:

  1. Introducción a las Redes Neuronales Artificiales

  2. Redes Neuronales para Clasificación de Patrones

  3. Redes Neuronales para Asociación de Patrones

  4. Redes Neuronales Basadas en Competencia

  5. Redes Neuronales Multicapa

  6. Fundamentos de la Lógica Difusa

  7. Relaciones Difusas

  8. Inferencia Difusa

  9. Controladores Lógicos Difusos

  10. Introducción a los Sistemas Neurodifusos


METODOLOGÍA:

Presentación conceptual del tema y resolución de dudas por parte del profesor.

Búsqueda de información bibliográfica y cibergráfica por parte del alumno en temas relacionados con las aplicaciones de sistemas neurodifusos.

Discusiones grupales profesor/alumno sobre los avances tecnológicos respecto a los sistemas neurodifusos.

Integración de equipos de trabajo para la realización de prácticas de laboratorio.

Integración de equipos de trabajo para la realización de un proyecto semestral. Este proyecto consiste en desarrollar un prototipo electromecánico en donde se destaque los conocimientos aprendidos sobre el diseño de redes neuronales artificiales y/o sistemas de control difuso.

Técnicas grupales para solución de ejercicios.
EVALUACIÓN Y ACREDITACIÓN:

Se tienen 3 evaluaciones departamentales con los siguientes puntos a considerar: examen escrito, prácticas de laboratorio, proyecto semestral (que involucre el diseño de redes neuronales artificiales y/o sistemas de control difuso) y tareas.


BIBLIOGRAFÍA:

  1. Fausett, L. V. Fundamentals of Neural Networks: Architectures, Algorithms and Applications. Ed. Englewood Cliffs, Nj: Prentice Hall, 1994. ISBN: 0-13-334186-0. Pags. 1-214, 289-332. (Libro clásico de consulta).

  2. Hagan, Martin T., Demuth, H., Beale, M. Neural Network Design. Ed. Pws Publishing Company, 1995. ISBN: 7-111-10841-8. Pags. 734. (Libro clásico de consulta).

  3. Haykin, Simon. Neural Networks: A Comprehensive Foundation. Ed. Prentice Hall, 1998. ISBN: 0-02-352761-7. Pags. 1-87, 106-220, 352-434. (Libro clásico de consulta).

  4. Jang, J.-S.R., Sun, C.T., Mizutani, E. Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Ed. Prentice Hall, 1997. ISBN: 0-13-261066-3. Pags. 1-91. (Libro clásico de consulta).

  5. Ross, Timothy J. Fuzzy Logic with Engineering Applications. Ed. Wiley, 2004. ISBN: 0-07-114711-X. Pags. 600.


INSTITUTO POLITÉCNICO NACIONAL

SECRETARÍA ACADÉMICA

DIRECCIÓN DE EDUCACIÓN SUPERIOR


ESCUELA: Unidad Profesional Interdisciplinaria en Ingeniería y Tecnologías Avanzadas.

CARRERA: Tronco Común de las carreras: Ing. Mecatrónica, Ing. Telemática e Ing. Biónica.

OPCIÓN:.

COORDINACIÓN:. Academia Básicas de Ingeniería

DEPARTAMENTO: Ciencias Básicas.




ASIGNATURA: Sistemas Neurodifusos.

SEMESTRE: Quinto.

CLAVE: TCSINEU0530.

CRÉDITOS: 7.

VIGENTE: 28 de Julio de 1998.

TIPO DE ASIGNATURA: Teórico-Práctica.

MODALIDAD: Presencial.





TIEMPOS ASIGNADOS
HRS/SEMANA/TEORÍA: 3

HRS/SEMANA/PRÁCTICA: 1

HRS/SEMESTRE/TEORÍA: 45

HRS/SEMESTRE/PRÁCTICA: 15
HRS/TOTALES: 60





PROGRAMA ELABORADO O ACTUALIZADO

POR: Academia de Básicas de Ingeniería.

REVISADO POR: Subdirección Académica.


APROBADO POR: El Consejo Técnico Consultivo Escolar de la UPIITA.

M. en C. Arodí Rafael Carvallo Domínguez.



FECHA:







AUTORIZADO POR: Comisión de Programas Académicos del Consejo General Consultivo del IPN.

Dr. David Jaramillo Vigueras.

Secretario Técnico de la Comisión de Programas Académicos.




INSTITUTO POLITÉCNICO NACIONAL

SECRETARÍA ACADÉMICA

DIRECCIÓN DE EDUCACIÓN SUPERIOR



ASIGNATURA: Sistemas Neurodifusos


CLAVE:TCSINE0530


HOJA: 3 DE 16






FUNDAMENTACIÓN DE LA ASIGNATURA
En años recientes las redes neuronales artificiales y los sistemas difusos han sido utilizados como una alternativa para la solución de una infinidad de problemas de la ingeniería, tales como reconocimiento de patrones y sistemas de control. La razón de esto son las ventajas que estas disciplinas poseen sobre los métodos convencionales para el procesamiento de información, especialmente cuando se involucran datos ambiguos o conocimiento a priori. No obstante, ambas metodologías, adolecen de algunas limitaciones las cuales se pueden superar combinándolas entre sí, dando origen a los sistemas neurodifusos. Estos llamados sistemas neurodifusos, conservan los atributos de ambas disciplinas, produciendo sistemas con la habilidad de aprender y adaptarse a las observaciones del mundo real.
Las redes neuronales son esencialmente sistemas flexibles de tipo caja negra, capaces de aprender y adaptarse con éxito a las observaciones del mundo real. Su principal limitación, consiste en que el conocimiento que adquieren durante el proceso de adaptación o aprendizaje, se almacena, pero no es posible identificar. Por el contrario, los sistemas difusos, han sido desarrollados para manipular el conocimiento de manera natural y legible. Estos sistemas consisten básicamente de una serie de reglas inspiradas en el lenguaje humano por lo que el conocimiento que almacenan y procesan es identificable. No obstante, los sistemas difusos no pueden aprender.
En esta asignatura, se enseñarán las redes neuronales artificiales más utilizadas, junto con sus algoritmos de aprendizaje. Posteriormente se enseñará los principios y aplicaciones de la lógica difusa, concluyendo con una exposición de la combinación de ambas disciplinas. Esta asignatura provee al estudiante de métodos de cálculo inteligente para su aplicación en control y reconocimiento de patrones en el área de la Biónica, Mecatrónica y Telemática.

Asignaturas antecedentes: Física, y Matemáticas II, Teoría de los Circuitos, Teoría del Control, Teoría de las Comunicaciones y Herramientas Computacionales.


Asignaturas colaterales: Comunicaciones II, Circuitos Lógicos.
Asignaturas consecuentes: Procesamiento de Imágenes, Biónica II (Procesamiento de Señales Biológicas), Visión Artificial, Mecatrónica IX (Robótica II), Mecatrónica VIII (Diseño y Construcción de Dispositivos Mecatrónicos).



OBJETIVO DE LA ASIGNATURA
El alumno diseñará redes neuronales artificiales monocapa y multicapa aplicadas en el reconocimiento de señales de una y dos dimensiones por medio de lenguajes de programación. Además, diseñará sistemas de control inteligentes basados en la teoría de la lógica difusa utilizando herramientas CAD.



INSTITUTO POLITÉCNICO NACIONAL

SECRETARÍA ACADÉMICA

DIRECCIÓN DE EDUCACIÓN SUPERIOR



ASIGNATURA: Sistemas Neurodifusos


CLAVE:TCSINE0530


HOJA: 4 DE 16










No. UNIDAD TEMÁTICA: I

NOMBRE: Introducción a las Redes Neuronales Artificiales


OBJETIVOS PARTICULARES DE LA UNIDAD
El alumno diseñará arquitecturas de una red neuronal del tipo monocapa, así como también analizará la propiedad de aprendizaje de las redes neuronales.


No.

TEMA


T E M A S

HORAS

CLAVE BIBLIOGRÁFICA

T

P

EC

1.1


1.2

1.3


1.4
1.5

1.6
1.7



Introducción

Redes neuronales biológicas.

Redes neuronales artificiales

Arquitecturas y elementos fundamentales de una red neuronal artificial.

Representación de datos.

Extracción de características, a partir de patrones de datos.

Proceso de entrenamiento de una red neuronal artificial.


Subtotal de horas

0.5


0.5

0.5


0.5
0.5

1.0
0.5

4.0

0.0

2.0

2.0


4.0

1B, 2B, 8C.




ESTRATEGIA DIDÁCTICA
Exposición de los temas de la unidad por parte del profesor y elaboración de resúmenes, mapas conceptuales por parte del alumno. Búsqueda de información sobre los conceptos elementales de las redes neuronales artificiales por parte del alumno (esta información será revisada en clase por el profesor). El profesor integrará en equipos de trabajo a los alumnos para resolver ejercicios de redes neuronales artificiales monocapa.



PROCEDIMIENTO DE EVALUACIÓN
Los conceptos básicos de las redes neuronales artificiales monocapa serán evaluados en el primer examen departamental con una ponderación del 50%, una ponderación del 30% para el proyecto semestral y 20% de tareas.



INSTITUTO POLITÉCNICO NACIONAL

SECRETARÍA ACADÉMICA

DIRECCIÓN DE EDUCACIÓN SUPERIOR



ASIGNATURA: Sistemas Neurodifusos


CLAVE:TCSINE0530


HOJA: 5 DE 16










No. UNIDAD TEMÁTICA: II

NOMBRE: Redes Neuronales para Clasificación de Patrones.


OBJETIVOS PARTICULARES DE LA UNIDAD
El alumno aplicará tres métodos para entrenar redes neuronales de tipo monocapa, utilizadas en la clasificación de patrones linealmente separables.


No.

TEMA


T E M A S

HORAS

CLAVE BIBLIOGRÁFICA

T

P

EC

2.1


2.2

2.3


2.4
2.5
2.6
2.7

Introducción.

Separabilidad lineal.

Red de Hebb, arquitectura y algoritmo.

Red Perceptron, arquitectura, algoritmo y aplicaciones.

Redes Adaline, arquitecturas, algoritmos y aplicaciones.

Diseño y simulación eléctrica de una red neuronal monocapa.

Solución de problemas de separabilidad lineal.


Subtotal de horas

0.5


0.5

0.5


1.0
1.0
1.0
0.5

5.0


1.0
1.0
1.0

3.0


2.0

3.0

5.0



1B, 2B, 6C, 8C.


ESTRATEGIA DIDÁCTICA
Exposición de temas por parte del profesor y elaboración de mapas conceptuales por parte del alumno. Integración de alumnos en equipos para la solución de problemas de diseño de redes neuronales monocapa para clasificación de patrones, supervisados en clase por el profesor. Desarrollo de prácticas de laboratorio usando el aula de cómputo, supervisados por el profesor.



PROCEDIMIENTO DE EVALUACIÓN
El diseño y simulación de redes neuronales para clasificación de patrones será evaluado en el primer examen departamental con una ponderación del 30% para el examen escrito, una ponderación del 30% para el proyecto semestral, prácticas de laboratorio con ponderación del 30% y un 10% de tareas.




INSTITUTO POLITÉCNICO NACIONAL

SECRETARÍA ACADÉMICA

DIRECCIÓN DE EDUCACIÓN SUPERIOR


ASIGNATURA: Sistemas Neurodifusos


CLAVE:TCSINE0530


HOJA: 6 DE 16










No. UNIDAD TEMÁTICA: III

NOMBRE: Redes Neuronales para Asociación de Patrones.


OBJETIVOS PARTICULARES DE LA UNIDAD
El alumno aplicará los principios y el funcionamiento de las redes neuronales que permiten asociar patrones linealmente separables.


No.

TEMA


T E M A S

HORAS

CLAVE BIBLIOGRÁFICA

T

P

EC

3.1


3.2

3.3


3.4
3.5

Introducción.

Memoria Heteroasociativa.

Memoria Autoasociativa.

Reglas de aprendizaje para asociación de patrones.

Red de Hopfield, arquitectura, algoritmo y aplicaciones.


Subtotal de horas

0.5


0.5

0.5


0.5
2.0

4.0



1.0


1.0

2.0
2.0

4.0

1B, 2B, 8C, 6C, 7C.



ESTRATEGIA DIDÁCTICA
Exposición de temas por parte del profesor y elaboración de resúmenes y mapas conceptuales por parte del alumno. Integración de alumnos en equipos para la solución de problemas de diseño de redes neuronales para asociación de patrones, supervisados en clase por el profesor. Desarrollo de prácticas de laboratorio usando el aula de cómputo, supervisados por el profesor.



PROCEDIMIENTO DE EVALUACIÓN
El diseño y simulación de redes neuronales para la asociación de patrones será evaluado en el primer examen departamental con una ponderación del 40% para el examen escrito, una ponderación del 30% para el proyecto semestral, prácticas de laboratorio con ponderación del 20% y un 10% de tareas.



INSTITUTO POLITÉCNICO NACIONAL

SECRETARÍA ACADÉMICA

DIRECCIÓN DE EDUCACIÓN SUPERIOR



ASIGNATURA: Sistemas Neurodifusos


CLAVE:TCSINE0530


HOJA: 7 DE 16










No. UNIDAD TEMÁTICA: IV

NOMBRE: Redes Neuronales Basadas en Competencia.


OBJETIVOS PARTICULARES DE LA UNIDAD
El alumno analizará los principios y funcionamiento de las redes neuronales basadas en competencia, así como también programará los algoritmos de las redes auto-organizativas de Kohonen.


No.

TEMA


T E M A S

HORAS

CLAVE BIBLIOGRÁFICA

T

P

EC

4.1


4.2

4.3
4.4




Introducción.

Red de Hamming.

Redes auto-organizadas de Kohonen, arquitectura, algoritmos y aplicaciones.

Cuantización de vectores de aprendizaje, arquitectura, algoritmos, aplicaciones y variaciones.
Subtotal de horas

0.5


1.0

2.5
2.0


6.0



1.0


1.0
2.0

2.0
2.0


4.0

1B, 2B, 8C, 6C, 7C.



ESTRATEGIA DIDÁCTICA
Exposición de temas por parte del profesor y elaboración de mapas conceptuales por parte del alumno. Integración de alumnos en equipos para la solución de problemas de diseño de redes neuronales de competencia, supervisados en clase por el profesor. Desarrollo de prácticas de laboratorio usando el aula de cómputo, supervisados por el profesor.



PROCEDIMIENTO DE EVALUACIÓN
El diseño y simulación de redes neuronales de competencia será evaluado en el segundo examen departamental, con la siguiente ponderación:

Examen escrito con una ponderación del 30%, proyecto semestral con una ponderación del 30%, prácticas de laboratorio con una ponderación del 35% y tareas con una ponderación del 5%.






INSTITUTO POLITÉCNICO NACIONAL

SECRETARÍA ACADÉMICA

DIRECCIÓN DE EDUCACIÓN SUPERIOR


ASIGNATURA: Sistemas Neurodifusos


CLAVE:TCSINE0530


HOJA: 8 DE 16










No. UNIDAD TEMÁTICA: V

NOMBRE: Redes Neuronales Multicapa.


OBJETIVOS PARTICULARES DE LA UNIDAD
El alumno aplicará los principios de operación de las redes neuronales multicapa y el algoritmo de retropropagación para su uso en la clasificación de datos y aproximación de funciones.


No.

TEMA


T E M A S

HORAS

CLAVE BIBLIOGRÁFICA

T

P

EC

5.1


5.2
5.3
5.4
5.5

Introducción.

Desarrollo del algoritmo de Retropropagación estándar.

Red Neuronal de Retropropagación, arquitectura, algoritmo y aplicaciones.

Uso de la red de Retropropagación como aproximador universal.

Variantes de la red neuronal de Retropropagación.


Subtotal de horas

0.5


2.0
1.0
1.0
0.5

5.0



2.0
1.0

3.0


2.0
2.0
1.0

5.0

1B, 2B, 8C, 6C, 7C.



ESTRATEGIA DIDÁCTICA
Exposición de temas por parte del profesor y elaboración de mapas conceptuales por parte del alumno. Integración de alumnos en equipos para la solución de problemas de diseño de redes neuronales multicapa, supervisados en clase por el profesor. Desarrollo de prácticas de laboratorio usando el aula de cómputo, supervisados por el profesor.



PROCEDIMIENTO DE EVALUACIÓN
El diseño y programación de redes multicapa será evaluado en el segundo examen departamental, con la siguiente ponderación:

Examen escrito con una ponderación del 30%, proyecto semestral con una ponderación del 30%, prácticas de laboratorio con una ponderación del 35% y tareas con una ponderación del 5%.




INSTITUTO POLITÉCNICO NACIONAL

SECRETARÍA ACADÉMICA

DIRECCIÓN DE EDUCACIÓN SUPERIOR



ASIGNATURA: Sistemas Neurodifusos


CLAVE:TCSINE0530


HOJA: 9 DE 16










No. UNIDAD TEMÁTICA: VI

NOMBRE: Fundamentos de la Lógica Difusa.


OBJETIVOS PARTICULARES DE LA UNIDAD
El alumno aplicará los principios y características de la lógica difusa para establecer las diferencias de la teoría de conjunto clásico versus teoría de conjunto difuso.


No.

TEMA


T E M A S

HORAS

CLAVE BIBLIOGRÁFICA

T

P

EC

6.1


6.2

6.3
6.4


6.5
6.6

Introducción,

Conjuntos difusos y conjuntos certeros.

Diagramas de Venn extendidos y funciones de membresía.

Características, tipos y propiedades de los conjuntos difusos.

Operaciones elementales aplicables a los conjuntos difusos.

T-normas y S-normas.
Subtotal de horas

0.5


0.5

0.5
0.5


1.0
1.0
4.0

0.0

2.0

2.0

4.0

1B, 3B, 9C.




ESTRATEGIA DIDÁCTICA
Exposición de temas por parte del profesor y elaboración de mapas conceptuales por parte del alumno. Búsqueda de información sobre los fundamentos de la lógica difusa, por parte del alumno, supervisado y comentado en clase con el profesor. Integración de alumnos en equipos para la solución de ejercicios de la teoría de lógica difusa supervisados en clase por el profesor.



PROCEDIMIENTO DE EVALUACIÓN
La teoría de la lógica difusa será evaluada en el segundo examen departamental, con la siguiente ponderación:

Examen escrito con una ponderación del 50%, proyecto semestral con una ponderación del 30% y tareas con una ponderación del 20%.





INSTITUTO POLITÉCNICO NACIONAL

SECRETARÍA ACADÉMICA

DIRECCIÓN DE EDUCACIÓN SUPERIOR




ASIGNATURA: Sistemas Neurodifusos


CLAVE:TCSINE0530


HOJA: 10 DE 16










No. UNIDAD TEMÁTICA: VII

NOMBRE: Relaciones Difusas


OBJETIVOS PARTICULARES DE LA UNIDAD
El alumno resolverá ecuaciones que contengan conjuntos difusos en forma matricial.


No.

TEMA


T E M A S

HORAS

CLAVE BIBLIOGRÁFICA

T

P

EC

7.1


7.2

7.3


7.4

Introducción.

Relaciones clásicas y relaciones difusas.

Composición difusa.

Principio de extensión.
Subtotal de horas

0.5


1.0

1.0


1.5
4.0


0.0


2.0

2.0

1B, 3B, 9C.




ESTRATEGIA DIDÁCTICA
Exposición de temas por parte del profesor y elaboración de mapas conceptuales por parte del alumno. Búsqueda de información sobre las relaciones y transformaciones difusas por parte del alumno, supervisado y comentado en clase con el profesor. Integración de alumnos en equipos para la solución de ejercicios sobre relaciones difusas, composición difusa y el principio de extensión, supervisados en clase por el profesor.



PROCEDIMIENTO DE EVALUACIÓN
Las ecuaciones de conjuntos difusos en forma matricial serán evaluadas en el segundo examen departamental, con la siguiente ponderación:

Examen escrito con una ponderación del 50%, proyecto semestral con una ponderación del 30% y tareas con una ponderación del 20%.





INSTITUTO POLITÉCNICO NACIONAL

SECRETARÍA ACADÉMICA

DIRECCIÓN DE EDUCACIÓN SUPERIOR



ASIGNATURA: Sistemas Neurodifusos


CLAVE:TCSINE0530


HOJA: 11 DE 16










No. UNIDAD TEMÁTICA: VIII

NOMBRE: : Inferencia Difusa.


OBJETIVOS PARTICULARES DE LA UNIDAD
El alumno diseñará y programará sistemas de inferencia difusa.


No.

TEMA


T E M A S

HORAS

CLAVE BIBLIOGRÁFICA

T

P

EC

8.1


8.2

8.3


8.4

8.5
8.6



Introducción.

Modus ponens generalizado para la lógica difusa.

Regla composicional de inferencia.

Inferencia difusa de tipo Mamdani.

Generalización de inferencias difusas de tipo Mamdani, usando normas-T y normas-S.

Arquitectura Sugeno-Takagi-Kang
Subtotal de horas

0.5


0.5

0.5


1.0

0.5
2.0

5.0


1.0

1.0


2.0

1.0


2.0
2.0

5.0

1B, 3B, 4B, 9C.



ESTRATEGIA DIDÁCTICA
Exposición de temas por parte del profesor y elaboración de resúmenes y mapas conceptuales por parte del alumno. Integración de alumnos en equipos para la solución de ejercicios de distintos sistemas de inferencia difusa, supervisados en clase por el profesor, desarrollo de prácticas de laboratorio usando el aula de cómputo, supervisados por el profesor.



PROCEDIMIENTO DE EVALUACIÓN
Los sistemas de inferencia difusa serán evaluados en el tercer examen departamental, con la siguiente ponderación:

Examen escrito con una ponderación del 30%, proyecto semestral con una ponderación del 35%, prácticas de laboratorio con una ponderación del 30% y tareas con una ponderación del 5%.





INSTITUTO POLITÉCNICO NACIONAL

SECRETARÍA ACADÉMICA

DIRECCIÓN DE EDUCACIÓN SUPERIOR




ASIGNATURA: Sistemas Neurodifusos


CLAVE:TCSINE0530


HOJA: 12 DE 16










No. UNIDAD TEMÁTICA: IX

NOMBRE: Controladores Lógicos Difusos


OBJETIVOS PARTICULARES DE LA UNIDAD
El alumno diseñará un controlador lógico difuso e implementará diversas técnicas de fusificación y defusificación aplicables a la solución de problemas de control difuso.


No.

TEMA


T E M A S

HORAS

CLAVE BIBLIOGRÁFICA

T

P

EC

9.1


9.2

9.3
9.4

9.5

9.6


9.7
9.8

Introducción.

Reglas difusas de tipo “si-entonces”.

Partición de variables de entrada, mediante conjuntos difusos.

Fusificación.

Evaluación de reglas.

Defusificación.

Función de transferencia de un controlador lógico difuso.

Ejemplos de simulación de un sistema de control difuso.
Subtotal de horas

0.5


0.5

0.5
0.5

0.5

0.5


0.5
0.5

4.0



2.0


2.0

4.0


4.0

1B, 3B, 4B, 9C.




ESTRATEGIA DIDÁCTICA
Exposición de temas por parte del profesor y elaboración de resúmenes y mapas conceptuales por parte del alumno. Búsqueda de información acerca de los controladores difusos, por parte del alumno, comentados y revisados en clase por el profesor. Integración de alumnos en equipos para la solución de ejercicios de control inteligente empleando lógica difusa, supervisados en clase por el profesor, desarrollo de prácticas de laboratorio usando el aula de cómputo, supervisados por el profesor.



PROCEDIMIENTO DE EVALUACIÓN
Los controladores lógicos difusos serán evaluados en el tercer examen departamental, con la siguiente ponderación:

Examen escrito con una ponderación del 30%, proyecto semestral con una ponderación del 35%, prácticas de laboratorio con una ponderación del 30% y tareas con una ponderación del 5%.





INSTITUTO POLITÉCNICO NACIONAL

SECRETARÍA ACADÉMICA

DIRECCIÓN DE EDUCACIÓN SUPERIOR



ASIGNATURA: Sistemas Neurodifusos


CLAVE:TCSINE0530


HOJA: 13 DE 16










No. UNIDAD TEMÁTICA: X

NOMBRE: Introducción a los Sistemas Neurodifusos


OBJETIVOS PARTICULARES DE LA UNIDAD
El alumno integrará las redes neuronales artificiales y la lógica difusa empleando diversas alternativas.



No.

TEMA


T E M A S

HORAS

CLAVE BIBLIOGRÁFICA

T

P

EC

10.1


10.2

10.3
10.4

10.5

Introducción

Sistemas cooperativos neurodifusos.

Modelos de razonamiento difuso asistidos por redes neuronales.

Sistemas neurodifusos híbridos.

Agrupamiento difuso.


Subtotal de horas

0.5


0.5

0.5


1.0

0.5


1.0
4.0


2.0
2.0


2.0


2.0
4.0

1B, 3B, 4B, 5C, 9C.




ESTRATEGIA DIDÁCTICA
Exposición de temas por parte del profesor y elaboración de mapas conceptuales por parte del alumno. Búsqueda de información acerca de los fundamentos de los sistemas neurodifusos, por parte del alumno y revisados en clase por el profesor. Integración de alumnos en equipos para la solución de problemas de diseño de sistemas neurodifusos, supervisados en clase por el profesor. Desarrollo de prácticas de laboratorio usando el aula de cómputo, supervisados por el profesor.



PROCEDIMIENTO DE EVALUACIÓN
La integración de sistemas neurodifusos será evaluada en el tercer examen departamental, con la siguiente ponderación:

Examen escrito con una ponderación del 30%, proyecto semestral con una ponderación del 35%, prácticas de laboratorio con una ponderación del 30% y tareas con una ponderación del 5%.





INSTITUTO POLITÉCNICO NACIONAL

SECRETARÍA ACADÉMICA

DIRECCIÓN DE EDUCACIÓN SUPERIOR

ASIGNATURA: Sistemas Neurodifusos

CLAVE:TCSINE0530

HOJA: 14 DE 16



PRACT.
No.


NOMBRE DE LA PRÁCTICA

UNIDAD

DURACIÓN

LUGAR DE

REALIZACIÓN

1

2

3


4

5

6



7
8



Red monocapa para clasificación de patrones.
Red de Hopfield discreta.

Redes de Competencia.


Red neuronal de retropropagación estándar.
Sistema de inferencia difusa de tipo Mamdani.
Sistema de inferencia difusa de tipo Sugeno-Takagi-Kang.
Controlador lógico difuso.
Agrupamiento de datos por algoritmo Fuzzy C-Means.


II

III


IV
V

VIII


VIII

IX
X




3

1

2


3

1

1



2
2



Laboratorio de Cómputo o Electrónica
Laboratorio de Cómputo

(de la práctica 2 a la 8)






INSTITUTO POLITÉCNICO NACIONAL

SECRETARÍA ACADÉMICA

DIRECCIÓN DE EDUCACIÓN SUPERIOR

ASIGNATURA: Sistemas Neurodifusos

CLAVE:TCSINE0530

HOJA: 15 DE 16




PERÍODO

UNIDAD

PROCEDIMIENTO DE EVALUACIÓN

1
2

3


I, II y III
IV, V, VI y VII

VIII, IX y X



La ponderación que se aplicará en la primera evaluación es la siguiente:

Examen escrito – 30%

Proyecto semestral (Evaluación parte mecánica)- 30%

Prácticas de laboratorio – 30%

Tareas – 10%

La ponderación que se aplicará en la segunda evaluación es la siguiente:

Examen escrito – 30%

Proyecto semestral (Evaluación sistema neurodifuso) – 30%

Prácticas de laboratorio – 35%

Tareas - 5%

La ponderación que se aplicará en la tercera evaluación es la siguiente:

Examen escrito – 30%

Proyecto semestral (Evaluación final) – 35%

Prácticas de laboratorio – 30%

Tareas – 5%

La evaluación de la asignatura es el promedio de las tres calificaciones anteriores.



CLAVE

B

C

BIBLIOGRAFÍA

1

2

3



4

5
6


7

8


9

X

X

X



X

X
X


X

X


X

Karray, Fakhreddine O., De Silva, Clarence W. Soft Computing and Intelligent Systems Design: Theory, Tools and Applications. Ed. Addison Wesley, 2004. ISBN: 0-12-646490-1.

Hagan, Martin T., Demuth, H., Beale, M. Neural Network Design. Ed. Pws Publishing Company, 1995. ISBN: 7-111-10841-8. (Libro de teoría clásico).

Yen, John, Langari, Reza. Fuzzy Logic: Intelligence, Control and Information. Ed. Pearson, 1999. ISBN: 0-13-525817-0. (Libro de teoría clásico).

Jang, J.-S.R., Sun, C.-T., Mizutani, E. Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Prentice Hall, 1997. ISBN: 0-13-261066-3. (Libro de teoría clásico).

Ross, Thimothy J. Fuzzy Logic with Engineering Applications. Ed. Wiley, 2004. ISBN: 0-07-114711-X.

Haykin, Simon. Neural Networks: A Comprehensive Foundation. Ed. Prentice Hall, 1998. ISBN: 0-02-352761-7. (Libro de teoría clásico).

Bishop, Christopher M. Neural Networks for Pattern Recognition. Ed. Oxford University Press, 2004. ISBN: 0-19-853864-2.

Fausett, L. V. Fundamentals of Neural Networks: Architectures, Algorithms and Applications. Ed. Englewood Cliffs, Nj: Prentice Hall, 1994. ISBN: 0-13-334186-0. (Libro de teoría clásico).

Klir, George J., Folger, Tina A. Fuzzy Sets Uncertainty and Information. Ed. Prentice Hall, 1988. ISBN: 0-13-345984-5. (Libro de teoría clásico).



INSTITUTO POLITÉCNICO NACIONAL

SECRETARÍA ACADÉMICA

DIRECCIÓN DE EDUCACIÓN SUPERIOR

PERFIL DOCENTE POR ASIGNATURA


1. DATOS GENERALES


ESCUELA:

Unidad Profesional Interdisciplinaria en Ingeniería y Tecnologías Avanzadas






CARRERA:

Tronco Común de las carreras de Ing. Mecatronica, Telemática y Biónica

SEMESTRE : Quinto







ÁREA:

C. BÁSICAS

C. INGENIERÍA

D. INGENIERÍA

C. SOC. y HUM.




ACADEMIA: Básicas de ingeniería.




ASIGNATURA: Sistemas Neurodifusos







ESPECIALIDAD Y NIVEL ACADÉMICO REQUERIDO:




Ingeniero egresado de alguna rama de las Ciencias Físico Matemáticas, con grado de maestría en área científica o de la ingeniería, preferentemente con doctorado.


2.- OBJETIVOS DE LA ASIGNATURA:
El alumno diseñará redes neuronales artificiales monocapa y multicapa aplicadas en el reconocimiento de señales de una y dos dimensiones por medio de lenguajes de programación. Además, diseñará sistemas de control inteligentes basados en la teoría de la lógica difusa utilizando herramientas CAD.




3.- PERFIL DOCENTE:




CONOCIMIENTOS

EXPERIENCIA

PROFESIONAL

HABILIDADES

ACTITUDES

Sistemas Digitales

Álgebra Lineal

Teoría de Conjuntos

Programación

Electrónica Analógica

Teoría de control



Un año de experiencia en docencia o dos años de experiencia en programación

Dominio de la asignatura.

Manejo de grupos.

Comunicación.

Motivación.

Capacidad de análisis y síntesis.

Manejo de materiales didácticos, y equipos o sistemas con los componentes de la asignatura.

Organización.

Creatividad.

Desarrollo de proyectos.


Vocación por la docencia.

Honestidad.

Ejercicio de la crítica fundamentada.

Respeto (Buena relación maestro alumno).

Tolerancia.

Ética.


Responsabilidad científica.

Espíritu de colaboración.

Superación profesional y docente.

Solidaridad.

Compromiso social.

Puntualidad.

Justicia y equilibrio.





ELABORÓ




REVISÓ




AUTORIZÓ



















PRESIDENTE DE ACADEMIA

Dr. Luis Martín Reséndiz Mendoza

M. en C. Yesenia E. González Navarro

Dr. Victor Hugo Ponce Ponce

Dr. Herón Molina Lozano





SUBDIRECTOR ACADÉMICO

M. en C. Saúl Puga Manjarrez






DIRECTOR DEL PLANTEL

M. en C. Arodí Rafael Carvallo Domínguez











FECHA:

6 de Enero del 2009






Compartir con tus amigos:


La base de datos está protegida por derechos de autor ©composi.info 2017
enviar mensaje

    Página principal