Professional Documents
Culture Documents
contener 2 capas ocultas, con la primera formada por tantas neuronas como la
capa de entrada y la segunda por un nmero menor que la primera
(exactamente la mitad como mucho). Resultados obtenidos a partir de los
ensayos: El primer resultado que consiguieron al intentar predecir la cifra
representativa correcta fue relativamente mala. Asumieron que esto fue
causado por el hecho de que el nmero de neuronas de entrada en proporcin
al nmero de ejemplos dados en el conjunto de datos de entrenamiento fue
elevado. La pequea base de datos, conforme con la gran capa de entrada, fue
suficiente para realizar una tosca prediccin, pero no para dar la correcta cifra
representativa. Lo mencionado en el prrafo anterior hizo que enfocaran toda
la atencin en reducir el nmero de neuronas de entradas en forma apropiada.
Tambin examinaron la red con la cual se logr el mejor resultado, en funcin
de conseguir indicadores de las entradas que demostraran ser importantes y
cales no. Entonces, reduciendo el nmero de neuronas de entrada y formando
nuevas redes, consiguieron un resultado bastante bueno para la prediccin de
las clases y an para la prediccin de la cifra representativa correcta. En otra
serie de test, examinaron los resultados que podran favorecer a un
mejoramiento por agrupacin de las neuronas de entrada para las preguntas
interdependientes. Cada grupo, que representaba una habilidad especial, fue
conectado exactamente a una neurona en la primer capa oculta. La razn para
esto fue que haciendo ciertas conexiones se reduce beneficiosamente el
espacio de bsqueda, si y solo si, las conexiones representan la estructura
correcta, pero puede reducir el espacio de bsqueda inapropiadamente por
prohibicin de otras conexiones.
7.2.2 Planificacin de la demanda de materiales. La tarea de planificar la
demanda de materiales es justamente predecir en forma segura la necesidad
de los mismos, o ms exactamente, de los factores de consumo. Esto involucra
tener una correcta informacin de los volmenes aproximados de produccin,
as como de los factores de tiempo. Principalmente para resolver esta tarea
pueden distinguirse los siguientes procedimientos: - Programacin orientada
(program-oriented). - Consumo orientado (consumption-oriented). En el mtodo
de programacin orientada la prediccin de la cantidad demandada se basa
sobre los resultados del planeamiento de produccin. Mientras que el mtodo
de consumo orientado toma en cuenta el consumo observado en perodos
anteriores y sobre la base de dicha informacin intenta predecir las futuras
demandas. Como primera aproximacin utilizaron una red neuronal por
prediccin del consumo orientado; centralizando la investigacin en la
determinacin de las 39 habilidades de las redes para producir salidas
correctas cuando analizan un dato real. El proyecto lo realizaron conjuntamente
con la compaa que lo solicit, la cual se dedica a la fabricacin de bicicletas y
por ende, necesita de tubos para la construccin de las mismas; cuyo consumo
deban predecir. Base de datos y codificacin: En la Figura 7.1 se muestran las
series de tiempo que utilizaron para la planificacin de la demanda de
materiales. Figura 7.1: series de tiempo empleadas en la planificacin de la
demanda de materiales. Cada serie de tiempo incluye datos desde 1992 a
1994 (semanalmente). Las series, pedido y stock, fueron codificados dentro del
intervalo [0.0, 0.9], para lo cual utilizaron una funcin de transformacin lineal.
Mientras que al consumo lo codificaron en dos pasos, porque esta serie de
tiempo vara, en partes, de manera muy brusca. Para el primer paso emplearon
la frmula: std(x) x m z old x new = siendo mx el promedio de las series de
tiempo y std(x) la desviacin estndar de las series de tiempo. Y para el
segundo aplicaron una transformacin lineal a la nueva serie de tiempos z.
Topologa de la red: Sobre el ensayo de diferentes redes neuronales observaron
que, sin importar la prediccin que se haga (mensualmente, semanalmente),
ms de dos capas ocultas desfavoreca el resultado obtenido. Primero
experimentaron solamente con la serie de tiempo del consumo, y con una red
neuronal constituida por nueve neuronas de entrada y una neurona ms para
la estacin; empleando 80 patrones para el entrenamientos y 53 para la
validacin. La exactitud que lograron luego de varias corridas de la red
neuronal, empleando diferentes topologas, se muestran en la Tabla 7.1 (error
permitido: 20%, ciclos de aprendizaje: 10000, algoritmos de aprendizaje:
Quickpropagation o Resilient Propagation). Tiempo Cantidad [103 ]40 Topologa
Exactitud 10-10-36-1 30.0% 10-20-36-1 10.0% 10-27-10-1 10.0% Tabla 7.1
Como se puede observar, dando solo el consumo como una entrada no es
suficiente para predecir la demanda. Luego, utilizaron todas las series de
tiempo descriptas en la Figura 7.1 como entradas a la red neuronal y adems,
asignaron tres neuronas de entrada para cada serie de tiempo, lo que result
en una capa de entrada de nueve neuronas; logrando para las diferentes
topologas una exactitud como la que exhibe en la Tabla 5.1: Topologa Error
permitido Exactitud 9-27-1 10 % 20 % 86.36 % 89.39 % 9-9-18-1 10 % 20 %
87.88 % 90.15 % 9-18-9-1 10 % 20 % 66.67 % 70.45 % Tabla 7.2 Los resultados
citados no parecen ser suficientemente buenos para la aplicacin de una red
neuronal real en el campo del planeamiento de la demanda de materiales; no
obstante, est claro que las tcnicas de las redes neuronales son prometedoras
para la tarea. Actualmente se estn ensayando otros escenarios diferentes
para mejorar las predicciones as obtenidas.