Professional Documents
Culture Documents
CICLO: 2019 – 1
INDICE
INTRODUCCIÓN ............................................................................................................................. 4
OBJETIVO DE LA INVESTIGACIÓN .................................................................................................. 5
MARCO TEÓRICO ........................................................................................................................... 5
SISTEMA INTELIGENTE .................................................................................................................. 5
CAPACIDADES REQUERIDAS .......................................................................................................... 5
Inteligencia: ....................................................................................................................... 5
Sistematización ................................................................................................................. 5
Objetivo: ............................................................................................................................ 5
Capacidad sensorial:.......................................................................................................... 6
Conceptualización: ............................................................................................................ 6
Reglas de actuación:.......................................................................................................... 6
Memoria: ........................................................................................................................... 6
Aprendizaje: ...................................................................................................................... 6
EJEMPLO DE SISTEMA INTELIGENTE ............................................................................................. 6
SISTEMAS INTELIGENTES ARTIFICIALES ......................................................................................... 7
REDES NEURALES ARTIFICIALES .................................................................................................... 7
REDES NEURALES BIOLÓGICAS .............................................................................................. 7
Fundamentos Biológicos De Las Redes Neurales Naturales ..................................................... 7
DEFINICIÓN DE UNA RED NEURONAL ARTIFICIAL ................................................................. 8
ELEMENTOS BÁSICOS QUE COMPONEN UN RED NEURONAL .................................................... 10
Función De Entrada (Input Function). ..................................................................................... 10
Función De Activación (Activation Function). ......................................................................... 10
Función Lineal: .................................................................................................................... 11
Función De Sigmoidea: ........................................................................................................ 11
Función Tangente Hiperbólica: ........................................................................................... 12
Función De Salida (Output Function). ..................................................................................... 13
Aplicaciones De Las Redes Neuronales ....................................................................................... 13
Biología ................................................................................................................................ 13
Empresa ............................................................................................................................... 13
Medio ambiente .................................................................................................................. 14
Finanzas ............................................................................................................................... 14
Manufacturación ................................................................................................................. 14
Medicina .............................................................................................................................. 14
Militares .............................................................................................................................. 14
CASOS CONCRETOS DE APLICACIÓN ....................................................................................... 15
Planificación De La Demanda De Materiales .......................................................................... 15
Base De Datos Y Codificación .................................................................................................. 15
Topología De La Red:............................................................................................................... 16
Lógica Difusa (Fuzzy Logic) ......................................................................................................... 17
CARACTERÍSTICAS.................................................................................................................... 17
APLICACIONES ......................................................................................................................... 18
EJEMPLO .................................................................................................................................. 18
Ventajas ................................................................................................................................... 18
Los Algoritmos Genéticos ........................................................................................................... 18
Ventajas Y Desventajas ........................................................................................................... 19
Limitaciones ............................................................................................................................ 19
Aplicaciones............................................................................................................................. 19
INTRODUCCIÓN
MARCO TEÓRICO
SISTEMA INTELIGENTE
Un sistema inteligente es un programa de computación que reúne características y
comportamientos asimilables al de la inteligencia humana o animal.
La expresión "sistema inteligente" se usa a veces para sistemas inteligentes incompletos,
por ejemplo para una casa inteligente o un sistema experto.
Un sistema inteligente completo incluye "sentidos" que le permiten recibir información
de su entorno. Puede actuar, y tiene una memoria para archivar el resultado de sus
acciones. Tiene un objetivo e, inspeccionando su memoria, puede aprender de su
experiencia. Aprende cómo lograr mejorar su rendimiento y eficiencia.
CAPACIDADES REQUERIDAS
Para que un sistema inteligente pueda ser considerado completo, debe incluir diversas
funcionalidades que incluyan:
𝑦 = 𝑓(∑ 𝜔𝑘 𝑥𝑘 )
𝑘
Donde:
X k : señales de salida de otros nodos o entradas externas.
ω k : pesos de las ligas de conexión.
f(•): función no lineal simple.
La función f puede ser sigmoidal, tangente hiperbólica, escalón, entre otras. En MATLAB
® se tiene diferentes funciones de activación como tansig, hardlim y purelin, entre otras,
lo cual facilita las aproximaciones que se requieran hacer, empleando RNA.
Cada unidad de proceso tiene una tarea simple: recibe la entrada de otras unidades o
de fuentes externas y procesa la información para obtener una salida que se propaga a
otras unidades.
Una red puede tener una estructura arbitraria, pero las capas que contienen estas
estructuras están definidas de acuerdo con su ubicación en la topología de la red
neuronal. Las entradas externas son aplicadas en la primera capa, y las salidas se
consideran la última capa. Las capas internas que no se observan como entradas o
salidas se denominan capas ocultas. Por convención, las entradas no se consideran como
capa porque no realizan procesamiento.
La entrada total u de una unidad k es la suma de los pesos de las entradas conectadas,
más un bias θ:
𝑢 = ∑ 𝜔𝑗 𝑥𝑗 + 𝜃
𝑗
Función Lineal:
−1 𝑥 ≤ −1/𝑎
1 1
𝑓(𝑥) = {𝑎 ∗ 𝑥 − 𝑎 < 𝑥 < 𝑎}
1
1 𝑥≥
𝑎
Función De Sigmoidea:
1
f (x) = , con x = gini – Θi
1+ e−g x
Los valores de salida que proporciona esta función están comprendidos dentro de un
rango que va de 0 a 1. Al modificar el valor de g se ve afectada la pendiente de la función
de activación.
Fig. función de activación sigmoidea.
𝑒𝑔 𝑥 − 𝑒− 𝑔 𝑥
𝑓(𝑥 ) = , con x = gini – Θi
𝑒𝑔 𝑥 + 𝑒− 𝑔 𝑥
Los valores de salida de la función tangente hiperbólica están comprendidos dentro de
un rango que va de -1 a 1. Al modificar el valor de g se ve afectada la pendiente de la
función de activación.
Ninguna: este es el tipo de función más sencillo, tal que la salida es la misma que la
entrada. Es también llamada función identidad.
1 𝑠𝑖 𝑎𝑐𝑡𝑖 ≥ 𝜀𝑖
𝑏𝑖𝑛𝑎𝑟𝑖𝑎 = { } , donde el εi es el umbral.
0 𝑑𝑒 𝑙𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
Biología
- Aprender más acerca del cerebro y otros sistemas.
- Obtención de modelos de la retina.
Empresa
- Evaluación de probabilidad de formaciones geológicas y petrolíferas.
- Identificación de candidatos para posiciones específicas.
- Explotación de bases de datos.
- Optimización de plazas y horarios en líneas de vuelo.
- Optimización del flujo del tránsito controlando convenientemente la temporización
de los semáforos.
- Reconocimiento de caracteres escritos.
- Modelado de sistemas para automatización y control.
Medio ambiente
- Analizar tendencias y patrones.
- Previsión del tiempo.
Finanzas
- Previsión de la evolución de los precios.
- Valoración del riesgo de los créditos.
- Identificación de falsificaciones.
- Interpretación de firmas.
Manufacturación
- Robots automatizados y sistemas de control (visión artificial y sensores de presión,
temperatura, gas, etc.).
- Control de producción en líneas de procesos.
- Inspección de la calidad.
Medicina
- Analizadores del habla para ayudar en la audición de sordos profundos.
- Diagnóstico y tratamiento a partir de síntomas y/o de datos analíticos
(electrocardiograma, encefalogramas, análisis sanguíneo, etc.).
- Monitorización en cirugías.
Militares
- Clasificación de las señales de radar.
- Creación de armas inteligentes.
- Optimización del uso de recursos escasos.
- Reconocimiento y seguimiento en el tiro al blanco.
CASOS CONCRETOS DE APLICACIÓN
A continuación se detallan los siguientes casos concretos de aplicación de redes
neuronales:
Topología De La Red:
Sobre el ensayo de diferentes redes neuronales observaron que, sin importar la
predicción que se haga (mensualmente, semanalmente), más de dos capas ocultas
desfavorecía 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 más para la
estación; empleando 80 patrones para el entrenamientos y 53 para la validación. La
exactitud que lograron luego de varias corridas de la red neuronal, empleando
diferentes topologías, se muestran en la Tabla (error permitido: 20%, ciclos de
aprendizaje: 10000, algoritmos de aprendizaje: Quickpropagation o Resilient
Propagation).
Topología Exactitud
10-10-36-1 30.0 %
10-20-36-1 10.0 %
10-27-10-1 10.0 %
Tabla.
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 como entradas a la
red neuronal y además, asignaron tres neuronas de entrada para cada serie de tiempo,
lo que resultó en una capa de entrada de nueve neuronas; logrando para las diferentes
topologías una exactitud como la que exhibe en la Tabla.
Topología Error permitido Exactitud
9-27-1 10 % 86.36 %
20 % 89.39 %
9-9-18-1 10 % 87.88 %
20 % 90.15 % Los resultados
9-18-9-1 10 % 66.67 % citados no
20 % 70.45 % parecen ser
suficientemente buenos para la aplicación de una red neuronal real en el campo del
planeamiento de la demanda de materiales; no obstante, está claro que las técnicas de
las redes neuronales son prometedoras para la tarea. Actualmente se están ensayando
otros escenarios diferentes para mejorar las predicciones así obtenidas.