1. No category

UNIVERSIDAD NACIONAL DE INGENIERIA
FACULTAD DE INGENIERIA MECANICA
DEPARTAMENTO ACADEMICO DE INGENIERÍA APLICADA
SILABO P.A. 2012-I
1.
INFORMACION GENERAL
Nombre del curso
:
Código del curso
:
Especialidad
:
Condición
:
Ciclo de estudios
:
Pre-requisitos
:
Número de créditos
:
Total de horas semestrales:
Total de horas por semana
Teoría
:
Practica
:
Laboratorio
:
Duración
:
Sistema de evaluación
:
Subsistema de evaluación :
Profesor de teoría
:
Profesor de práctica
:
INTELIGENCIA ARTIFICIAL
MT 616
M6
OBLIGATORIO
9no
MT227
04
80
05
03
02
17 SEMANAS
F
M.Sc. Rodríguez Bustinza Ricardo
M.Sc. Rodríguez Bustinza Ricardo
2. SUMILLA
Introducción al control inteligente. Fundamentos básicos de las redes neuronales.
Algoritmos con aprendizaje supervisado. Modelamiento de sistemas mediante redes
neuronales. Diseño de neurocontroladores. Control neuronal. Algoritmos con
aprendizaje no supervisado. Fundamentos de la lógica difusa. Propiedades de los
conjuntos difusos. Operaciones con relaciones difusas. Variable lingüística. Principio
de extensión. Proposiciones difusas y reglas de inferencia. Implicaciones difusas.
Algoritmo de inferencia difusa de Mamdani y Sugeno. Control con lógica difusa lineal y
no lineal.
3. OBJETIVO
Al finalizar el curso el estudiante de Pregrado:

Utilizará las herramientas del software de simulación de MATLAB y LabVIEW para
resolver los algoritmos computacionales basados en inteligencia artificial en
aplicaciones de tiempo real.



Solucionara problemas de inteligencia artificial usando las redes neuronales y la lógica
difusa.
Realizara modelamiento neuronal de sistemas lineales.
Diseñara sistemas de control inteligente usando redes neuronales y la lógica difusa.
4. PROGRAMA
1° SEMANA
Introducción a la inteligencia artificial. Definiciones. Terminología básica. Historia de la
inteligencia artificial. Alcances de la inteligencia artificial. Áreas de la inteligencia
artificial. Percepción y acción. Implementación de sistemas básicos con inteligencia
artificial.
2° SEMANA
Fundamentos básicos de las redes neuronales. Acontecimientos históricos de las redes
neuronales. Red neuronal biológica. Modelo de una red neuronal artificial. Tipos de
funciones de activación.
3° SEMANA
Unidad lógica threshold y vectores. Espacio de patrones. Red neuronal perceptron.
Aplicaciones y limitaciones del perceptron. Algoritmos con aprendizaje supervisado
corrección de error: perceptron con momentum. Red Adaline y el algoritmo de Widrow
Hoff.
4° SEMANA
PRACTICA CALIFICADA 1.
5° SEMANA
Algoritmos basados en gradiente. Algoritmo LMS. Algoritmo propagación inversa. Redes
neuronales multicapa (MLP). Capacidad de generalización de una red. Algoritmo
propagación inversa.
6° SEMANA
Aplicaciones del perceptron multicapa como clasificador de patrones y como
aproximador de funciones no lineales. Función de la red neuronal como polinomio
multivariable. Análisis y diseño de sistemas de control no lineal. Función descriptiva del
neurocontrolador. Ciclos límites del neurocontrolador. Diseño del neurocontrolador.
7° SEMANA
PRACTICA CALIFICADA 2.
8° SEMANA
EXAMEN PARCIAL
9° SEMANA
Redes con aprendizaje no supervisado. Redes asociativas. Redes recurrentes. Red de
Hopfield. Aplicaciones con algoritmos no supervisados. Identificación paramétrica de
sistemas lineales y no lineales. Modelado de sistemas dinámicos no lineales.
Aproximación funcional de un modelo NARMAX usando redes neuronales recurrentes.
10° SEMANA
Introducción a la lógica difusa. Crisp y lógica difusa. Porque usar la lógica difusa en
control. Metodologías usadas en el control difuso. Diferencias entre un conjunto difuso y
no difuso. Conjunto difusos. Funciones de pertenencia. Operadores elementales para
lógica difusa. Aplicaciones.
11° SEMANA
PRACTICA CALIFICADA 3.
12° SEMANA
Relaciones difusas y sus aplicaciones. Teoría del razonamiento aproximado.
Fuzzyficador. Maquina de inferencia difusa. Defuzzyficador. Razonamiento de Mamdani.
Razonamiento de Takagi--Sugeno.
13° SEMANA
Estructuras básicas de un controlador difuso. Obtención de la base de reglas.
Comportamiento de los controladores difusos. Representación usando características
2D. Influencia de la funciones de pertenencia en la base de reglas. Representación
usando las características 3D.
14° SEMANA
Diseño del controlador difuso-P. Diseño del controlador difuso-PID. Diseño del
controlador difuso No lineal. Control difuso de línea base. Aplicaciones.
15° SEMANA
PRACTICA CALIFICADA 4
16° SEMANA
EXAMEN FINAL
17° SEMANA
EXAMEN SUSTITUTORIO
5.
ESTRATEGIAS DIDACTICAS
5.1 Método. Inductivo, deductivo y experimental
5.2 Procedimiento. Análisis y síntesis.
5.3 Formas. Exposición, diálogo, motivación, trabajo grupal.
6.
MATERIALES EDUCATIVOS Y OTROS RECURSOS DIDACTICOS
6.1 Para el desarrollo de las clases teóricas se utilizara pizarra y proyector
multimedia
7.- EVALUACIÓN
a. SISTEMA DE EVALUACIÓN SISTEMA F
8.- BIBLIOGRAFIA
1. Maynard Kong. “Inteligencia Artificial”. Fondo Editorial, 1993
2. Nils J. Nilsson. “Inteligencia Artificial”. Mc GrawHill, 2001.
3. K.S Narenda and K. Parthasarathy. “Identification and control of Dynamical System
using Neural Networks”. IEEE Transactions Neural Networks 4-27, 1990.
4. Liu Xing. “Neural Networks and Identification, Prediction and Control”. SpringerVerlag, London Limited, 1997.
5. Martín del Brío y Sanz Molina. “Redes Neuronales y Sistemas Difusos”.
Alfaomega, 2001.
6. Freeman y Skapura. “Redes Neuronales, Algoritmos, Aplicaciones y Técnicas de
Programación”. Addison-Wesley, 1993.
7. Davis Skapura. “Building Neuronal Networks”. Addison-Wesley Publishing
Company. 1996.
8. T. Kohonen. “Self-Organizing Maps”. Springer, 1997.
9. Bart Kosko. “Neural Networks and Fuzzy Systems”. Prentice Hall. 1992.
10. Jyh-Shing Roger Jang. “Neuro-Fuzzy and Soft Computing”. Ed Prentice Hall,
1997.
11. Ben . J.A. Krose. “An Introduction to Neural Networks”. University of Amsterdam,
1993.
12. Jhon Yen and Reza Langari. “Fuzzy Logic: Intelligence, Control, and Information”.
Prentice Hall Upper Saddle River, New Jersey, 1999.
13. M.J. Patyra. “Fuzzy Logic Implementation and Application”. Wiley Teubner, 1996.
14. MathWorks. “Fuzzy Logic Toolbox, Math Works”. 1999.
15. Stephen T. Welstead. “Neural Networks and Fuzzy Logic Applications in C++”.
Editorial John Wiley, 1994.
16. Li-Xin Wang. “A Course in Fuzzy System and Control”. Prentice Hall, 1997.
17. Mamdani, E.H. “Application of Fuzzy Control Algorithms for Control a Simple
Dynamic Plant”. Proc IEEE, 121,12,1585-8, 1974.