DOI:
https://doi.org/10.14483/22487638.9618Publicado:
2015-11-13Número:
Vol. 19 (2015): CITIESección:
InvestigaciónAnálisis gráfico de la neuro-dinámica En un robot capaz de realizar aprendizaje imitativo
Graphic analisys ofthe neural-dynamics in a robot able to do imitative learning
Palabras clave:
Red neuronal artificial, Perceptrón multicapa, Aprendizaje supervisado, Mapa auto-organizado de Kohonen, Perceptrón auto-supervisado, Aprendizaje imitativo, Atractor caótico. (es).Palabras clave:
Artificial neural network, Multilayer Perceptron, Supervised learning, Kohonen Self-organized Map, Self-supervised Perceptron, Imitative Learning, Chaotic Attractor. (en).Descargas
Resumen (es)
El Perceptrón multicapa es una red neuronal artificial capaz de aprender a funcionar de cierta forma deseable mediante ejemplos y, una vez entrenado, es capaz de responder correctamente en situaciones para las cuales no se le entrenó explícitamente, debido a su capacidad de generalización. Dichos ejemplos los especifica el diseñador o pueden asimilarse con el apoyo de un mapa auto-organizado. En el presente artículo se presentan la verificación del entrenamiento y el análisis del funcionamiento del Perceptrón multicapa empleado durante el desarrollo de un modelo de aprendizaje por imitación, enfocado al desplazamiento de un robot móvil en un espacio bidimensional. Esto se logró diseñando un método de comparación entre las gráficas de los atractores generados por el robot instructor y el robot aprendiz. Dicho método esta soportado en procesamiento digital de imágenes.
Resumen (en)
Multilayer Perceptron is an artificial neural network able to learn to work in a specific desired way through examples, and once it is trained, it is able to react correctly in situations for which it was not specifically trained, due to its generalization capability. These examples are specified by the designer or can be assimilated with the support of a self-organized map. This paper shows the training verification and the working analysis of the multilayer perceptron used during the development of an imitation learning model; which is focused to a mobile robot displacement over two-dimensional space. This was done designing a comparison method between the attractor’s graphs generated by the instructor robot and the apprentice robot. This method is supported in digital image processing.
Referencias
Borenstein, E. y Ruppin E. (2004). Envolving imitating agents and the emergence of a neural mirror system, En: Artificial life IX, pp. 146-151, Cambridge, MIT Press.
Castillo, D., Escobar, E., Hermosillo, J., y Lara, B. (2013). Modelado de un sistema de neuronas espejo en un agente autónomo artificial. Nova Scientia, 5 (2)(10), pp. 51-72.
Castillo, M. (2010). Control de motores de C.D. con aprendizaje por imitación basado en redes neuronales. México D.F.
Curran, D. y O’Riordan, C. (2004). A comparison of population learning and cultural learning in artificial life societies, En: Artificial life IX, pp. 152-157, Cambridge, MIT Press.
Fernando, C., Goldstein, R. y Szathmáry, E. (2010). The neuronal replicator hypothesis. Neural computation, Vol. 22, No. 11, pp. 2809-2857, MIT Press Journals.
Maldonado, C., & Gómez, N. (2010). Modelamiento y simulación de sistemas complejos. Documentos de investigación, No. 66, Bogotá.
Restrepo, C. (2007). Teoría del caos. Universidad del Cauca.
Sterpin, D. (2011). Perceptrón auto-supervisado: Una red neuronal artificial capaz de replicación memética. Revista Educación en Ingeniería, No. 12, pp. 90-101, Bogotá, ACOFI.
Sterpin, D. (2015). Cognición imitativa para un robot mediante una comunidad de replicadores neuro-meméticos. Revista Tecnura, Vol. 19, No. 44, pp. 15-31, Bogotá.
Cómo citar
APA
ACM
ACS
ABNT
Chicago
Harvard
IEEE
MLA
Turabian
Vancouver
Descargar cita
Licencia
Esta licencia permite a otros remezclar, adaptar y desarrollar su trabajo incluso con fines comerciales, siempre que le den crédito y concedan licencias para sus nuevas creaciones bajo los mismos términos. Esta licencia a menudo se compara con las licencias de software libre y de código abierto “copyleft”. Todos los trabajos nuevos basados en el tuyo tendrán la misma licencia, por lo que cualquier derivado también permitirá el uso comercial. Esta es la licencia utilizada por Wikipedia y se recomienda para materiales que se beneficiarían al incorporar contenido de Wikipedia y proyectos con licencias similares.
