MODELOS DE SIMULACION

Ing. Aldex Ortiz Londoo

Corporacin Universitaria Rmington
Popayn, 2010

Introduccin
Cuando alguien tiene la responsabilidad de conducir un sistema dado,
debe tomar continuamente decisiones acerca de las acciones que
ejecutar sobre el sistema. Estas decisiones deben ser tales que la
conducta resultante del sistema satisfaga de la mejor manera posible
los objetivos planteados.
Para poder decidir correctamente es necesario saber cmo
responder el sistema ante una determinada accin. Esto podra
hacerse por experimentacin con el sistema mismo; pero factores de
costos, seguridad y otros hacen que esta opcin generalmente no sea
viable. A fin de superar estos inconvenientes, se reemplaza el
sistema real por otro sistema que en la mayora de los casos es
una versin simplificada. Este ltimo sistema es el modelo a utilizar
para llevar a cabo las experiencias necesarias sin los inconvenientes
planteados anteriormente.

Al proceso de experimentar con un modelo se denomina

simulacin. Al proceso de disear el plan de
experimentacin para adoptar la mejor decisin se denomina
optimizacin. Si el plan de experimentacin se lleva a
cabo con el solo objeto de aprender a conducir el sistema,
entonces se denomina entrenamiento o capacitacin

Definiciones:

Sistema: Conjunto de objetos o ideas que estn interrelacionados

entre s como una unidad para la consecucin de un fin (Shannon,
1988). Tambin se puede definir como la porcin del Universo que
ser objeto de la simulacin.
Modelo: Un objeto X es un modelo del objeto Y para el observador
Z, si Z puede emplear X para responder cuestiones que le interesan
acerca de Y (Minsky).
Simulacin: es el proceso de disear un modelo de un sistema real
y llevar a cabo experiencias con l, con la finalidad de aprender el
comportamiento del sistema o de evaluar diversas estrategias para
el funcionamiento del sistema (Shannon, 1988).

Aplicaciones de la simulacin
La simulacin es conveniente cuando:
No existe una formulacin matemtica analticamente resoluble. Muchos sistemas reales no
pueden ser modelados matemticamente con las herramientas actualmente disponibles, por
ejemplo la conducta de un cliente de un banco.
Existe una formulacin matemtica, pero es difcil obtener una solucin analtica. Los
modelos matemticos utilizados para modelar un reactor nuclear o una planta qumica son
imposibles de resolver en forma analtica sin realizar serias simplificaciones.
No existe el sistema real. Es problema del ingeniero que tiene que disear un sistema
nuevo. El diseo del sistema mejorar notablemente si se cuenta con un modelo adecuado para
realizar experimentos.
Los experimentos son imposibles debido a impedimentos econmicos, de seguridad, de
calidad o ticos. En este caso el sistema real esta disponible para realizar experimentos, pero la
dificultad de los mismos hace que se descarte esta opcin. Un ejemplo de esto es la imposibilidad
de provocar fallas en un avin real para evaluar la conducta del piloto, tampoco se puede variar el
valor de un impuesto a para evaluar la reaccin del mercado.
El sistema evoluciona muy lentamente o muy rpidamente. Un ejemplo de dinmica lenta es
el problema de los cientficos que estudian la evolucin del clima. Ellos deben predecir la
conducta futura del clima dadas las condiciones actuales, no pueden esperar a que un tornado
arrase una ciudad para luego dar el mensaje de alerta. Por el contrario, existen fenmenos
muy rpidos que deben ser simulados para poder observarlos en detalles, por ejemplo una
explosin.

Desventajas:

El desarrollo de un modelo puede ser costoso, laborioso y lento.

Existe la posibilidad de cometer errores. No se debe olvidar que la

experimentacin se lleva a cabo con un modelo y no con el sistema
real; entonces, si el modelo est mal o se cometen errores en su
manejo, los resultados tambin sern incorrectos.

No se puede conocer el grado de imprecisin de los resultados. Por

lo general el modelo se utiliza para experimentar situaciones
nunca planteadas en el sistema real, por lo tanto no existe
informacin previa para estimar el grado de correspondencia entre
la respuesta del modelo y la del sistema real.

Campos de aplicacin

Procesos de manufacturas
Plantas industriales
Sistemas pblicos
Sistemas de transportes
Construccin
Diseo
Educacin
Capacitacin

Algunos trabajos:

La Perestroyka: Estudios de simulacin efectuados en Rusia en las dcadas del 70 y 80 convencieron a los
dirigentes de la necesidad de plantear un fuerte cambio en la economa de ese pas.

La cada de la bolsa de New York en 1988: La utilizacin de programas de simulacin por parte de los
corredores de la bolsa caus una falsa inestabilidad que provoc la cada.

El regreso del Apolo 13: La simulacin jug un rol fundamental en la determinacin del plan de emergencia. La
nave retorn con xito a pesar de las graves averas.

Los Voyagers: Gracias a la simulacin se pudieron establecer los itinerarios ptimos para estas naves con un
mnimo consumo de energa aprovechando la atraccin gravitacional de los planetas.

Proyecto Monte Carlo: Von Newman y Ulam (1945) emplearon simulacin para estudiar reacciones nucleares.

Los modelos del planeta: Algunos plantean la posibilidad de un calentamiento global debido al efecto
invernadero. Otros plantean la posibilidad de un enfriamiento y predicen una nueva era glaciar.

Capacitacin de tropas: En el operativo Tormenta del desierto llevado a cabo en la guerra contra Irak, las
tropas de todas las fuerzas estadounidenses que participaron (fuerza area, marina y ejrcito) fueron
entrenadas con simuladores.

Capacitacin de policas: Se utiliza entornos virtuales para que el polica aprenda a conducirse en situaciones
de riesgo.

Simuladores de vuelos: Fue una de las primeras aplicaciones de los simuladores. Actualmente se utilizan para
entrenar pilotos de aviones comerciales y de combate.

Tipos de simulacin

Identidad: Es cuando el modelo es una rplica exacta del sistema en estudio. Es la que utilizan las
empresas automotrices cuando realizan ensayos de choques de automviles utilizando unidades
reales.
Cuasi-identidad: Se utiliza una versin ligeramente simplificada del sistema real. Por ejemplo, los
entrenamientos militares que incluyen movilizacin de equipos y tropas pero no se lleva a cabo una
batalla real.
Laboratorio: Se utilizan modelos bajo las condiciones controladas de un laboratorio. Se pueden
distinguir dos tipos de simulaciones:
1.
Juego operacional: Personas compiten entre ellas. ellas forman parte del modelo, la otra
parte consiste en computadoras, maquinaria, etc. Es el caso de una simulacin de
negocios donde las computadoras se limitan a recolectar la informacin generada por cada
participante y a presentarla en forma ordenada a cada uno de ellos.
2.
Hombre-Mquina: Se estudia la relacin entre las personas y la mquina. Las personas
tambin forman parte del modelo. La computadora no se limita a recolectar informacin,
sino que tambin la genera. Un ejemplo de este tipo de simulacin es la simulador de
vuelo.
Simulacin por computadora: El modelo es completamente simblico y est implementado en un
lenguaje computacional. Las personas quedan excluidas del modelo. Un ejemplo es el simulador de
un sistema de redes de comunicacin donde la conducta de los usuarios est modelada en forma
estadstica. Este tipo de simulacin a su vez puede ser:
1.
Digital: Cuando se utiliza una computadora digital.
2.
Analgica: Cuando se utiliza una computadora analgica. En este grupo tambin se
pueden incluir las simulaciones que utilizan modelos fsicos.

Taller en clase No 1:
1.

Describir por lo menos 5 campos en donde tenga cabida un modelos

de simulacin.
2.
Mencione algunos campos (por lo menos 5) en donde crea usted
que se puede aplicar un modelo de simulacin
3.
Describa 2 ejemplos conforme a los siguientes tipos de simulacin:

Identidad

Cuasi-identidad

Laboratorio (hombre-maquina)
4.
Simulacin por computadora

TIEMPO 30 MINUTOS

Etapas de una simulacin

Formulacin del problema
En este paso debe quedar perfectamente establecido el objeto de la
simulacin.
los resultados que se esperan del simulador
el plan de experimentacin
el tiempo disponible
las variables de inters
el tipo de perturbaciones a estudiar
el tratamiento estadstico de los resultados
la complejidad de la interfaz del simulador
Se debe establecer si el simulador ser operado por el usuario o si el
usuario slo recibir los resultados.

Definicin del sistema

El
sistema
a
simular
debe
estar
perfectamente definido. El cliente y el
desarrollador deben acordar dnde estar la
frontera del sistema a estudiar y las
interacciones con el medioambiente que
sern consideradas

Formulacin del modelo

Comienza con el desarrollo de un modelo simple
que captura los aspectos relevantes del sistema
real. Los aspectos relevantes del sistema real
dependen de la formulacin del problema

Coleccin de datos
La naturaleza y cantidad de datos necesarios
estn determinadas por la formulacin del
problema y del modelo.
Los datos pueden ser provistos por:
Registros histricos
Experimentos de laboratorios
Mediciones realizadas en el sistema real.
Los mismos debern ser procesados
adecuadamente para darles el formato exigido por el
modelo.

Implementacin del modelo

en la computadora
El modelo es implementado utilizando algn lenguaje
de computacin. Existen lenguajes especficos de
simulacin que facilitan esta tarea; tambin, existen
programas
que
ya
cuentan
con
modelos
implementados para casos especiales.

Verificacin
En esta etapa se comprueba que no se hayan cometidos
errores durante la implementacin del modelo. Para ello,
se utilizan las herramientas de debugging provistas por el
entorno de programacin

Validacin
En esta etapa se comprueba la exactitud del modelo
desarrollado. Esto se lleva a cabo comparando las
predicciones del modelo con:
Mediciones realizadas en el sistema real
Datos histricos o datos de sistemas similares.
Como resultado de esta etapa puede surgir la
necesidad de modificar el modelo o recolectar datos
adicionales.

Diseo de experimentos
En esta etapa se decide las caractersticas de los experimentos a
realizar:
1. el tiempo de arranque
2. el tiempo de simulacin
3. el nmero de simulaciones.
Debe quedar claro cuando se formula el problema si lo que el
cliente desea es un estudio de simulacin o de optimizacin.

Experimentacin

En esta etapa se realizan las simulaciones de acuerdo el

diseo previo. Los resultados obtenidos son debidamente
recolectados y procesados.

Interpretacin.
Se analiza la sensibilidad del modelo con respecto a los
parmetros que tienen asociados la mayor incertidumbre. Si es
necesario, se debern recolectar datos adicionales para refinar la
estimacin de los parmetros crticos.

Implementacin

Conviene acompaar al cliente en la etapa de implementacin

para evitar el mal manejo del simulador o el mal empleo de los
resultados del mismo.

Documentacin
Incluye la elaboracin de la documentacin tcnica y
manuales de uso.
La documentacin tcnica: debe contar con una descripcin
detallada del modelo y de los datos; tambin, se debe incluir la
evolucin histrica de las distintas etapas del desarrollo. Esta
documentacin
ser
de
utilidad
para
el
posterior
perfeccionamiento del simulador.

Sistemas
Un sistema es una seccin de la realidad que es el foco primario
de un estudio y est compuesto de componentes que interactan
con otros de acuerdo a ciertas reglas dentro de una frontera
identificada para el propsito del estudio.
Un sistema puede realizar una funcin que no es realizable por
sus componentes individuales.

Los objetos o componentes que forman parte del sistema se

denominan entidades, por ejemplo: un auto est compuesto por un
motor, ruedas, carrocera, etc. Estas entidades poseen propiedades
denominadas atributos, por ejemplo: la potencia del motor, y se
relacionan entre s a travs de relaciones o funciones.
Estas relaciones pueden ser:
- Estticas o estructurales:
- Dinmicas o funcionales:

Los valores asumidos por los atributos de las entidades en

un momento dado determinan el estado del sistema.

El estado puede ser:

esttico o estacionario: esto significa que se
mantiene constante en el tiempo

dinmico o transitorio: si evoluciona con el

tiempo

Un sistema puede presentar los dos tipos de conductas;

generalmente, cuando inicia su funcionamiento pasa por un
estado dinmico y luego alcanza un estado estacionario o de
rgimen.
Un estado estacionario es estable si el sistema
retorna a l luego de una perturbacin.
Un estado estacionario es inestable si el sistema
se aleja de l luego de una perturbacin.
Este alejamiento puede dar lugar a una respuesta acumulativa
(crece o decrece continuamente, o alcanza otro estado
estacionario) o a una respuesta oscilatoria (crece y decrece
continuamente).

Los atributos tambin se denominan variables o

parmetros

Los parmetros (P) son atributos que se fijaron durante el diseo del
sistema ya sea por el diseador o por la naturaleza, por ejemplo: la
cilindrada del motor, la aceleracin de la gravedad.
Las variables se clasifican a su vez en:
Variables de entrada o exgenas: Son fijadas por el medioambiente del
sistema. Pueden ser manipulables (U) - se fijan a voluntad- o no (D).
Una variable de entrada no manipulable se denomina perturbacin.
Variables de salida (Y): Son las variables de estado, o combinacin de ellas,
que son medidas o traspasan la frontera del sistema.
Variables internas: Son las variables del sistema que no son ni de entrada, ni
de salida, ni parmetros.
Variables de estado (X): Conforman el conjunto mnimo de variables internas
del sistema necesarias para describir completamente su estado interno.

Clasificacin de sistemas
Deterministico : Si el sistema no contiene ningn elemento aleatorio es un sistema
determinstico. En este tipo de sistema, las variables de salidas e internas quedan
perfectamente determinadas al especificar las variables de entrada, los parmetros y
las variables de estado. Es decir, las relaciones funcionales entre las variables del
sistema estn perfectamente definidas.
Estocstico: Algn elemento del sistema tiene una conducta aleatoria. Entonces, para
entradas conocidas no es posible asegurar los valores de salida. Un ejemplo de sistema
estocstico es una mquina tragamonedas.
Continuo: Se tiene un sistema continuo cuando las relaciones funcionales entre las
variables del sistema slo permiten que el estado evolucione en el tiempo en forma
continua (basta que una variable evolucione continuamente). Matemticamente, el estado
cambia en infinitos puntos de tiempo. El recipiente del calentador es un subsistema
continuo.
Discreto: Se tiene un sistema discreto cuando las relaciones funcionales del sistema
slo permiten que el estado vare en un conjunto finito (contable) de puntos
temporales. Las causas instantneas de los cambios de estados se denominan eventos. El
interruptor del calentador es un subsistema discreto porque la intensidad slo puede
variar en los instantes que se abre o se cierra el interruptor.

Modos de simulacin
Anlisis: Es el modo ms empleado, en l las variables de salida del
modelo representan a las variables de salida del sistema real. Este modo se
utiliza para estimar la respuesta del sistema real ante entradas
especificadas. Debido a que imita un sistema que realmente funciona, el
modelo es matemticamente ms estable y se asegura la existencia de una
solucin.
Diseo: En este modo las salidas del modelo representan a los parmetros
del sistema real. Se utiliza en la etapa de diseo de un equipo donde el
problema es determinar los parmetros para los cuales el sistema producir
las salidas deseadas para las entradas
especificadas.
Control: Las variables de salida del modelo representan a las variables de
entrada del sistema real. Este modo sirve para determinar los valores que
debern adoptar las entradas del sistema para producir los resultados
deseados. Se utiliza cuando se desea determinar las condiciones de
operacin de un sistema.

Modos de simulacin

Taller en clase No 2:

la temperatura de la corriente de salida Ts.

la masa de agua M
la temperatura del lquido T
intensidad I
la potencia de calentamiento W
la temperatura ambiente Ta.

Analizar la anterior figura y

capturar :

1.
2.
3.
4.

Variables de entrada
manipulables:
Variables de salida:
Variables de estado:
Perturbaciones

Determinar su clasificacin

interruptor p
el caudal de la corriente de entrada Fe
temperatura Te
el caudal de la corriente de salida Fs
la temperatura Tm indicada por el termmetro
la potencia disipada Wd

TIEMPO 30 MINUTOS

Modelado
El Modelado es el proceso de construccin de un modelo. Un modelo es una
representacin de un objeto, sistema, o idea. Usualmente, su propsito es ayudar
explicar, entender o mejorar un sistema

El arte de modelar consiste en:

la habilidad para analizar un problema,
resumir sus caractersticas esenciales,
seleccionar y modificar las suposiciones bsicas que caracterizan al sistema,
y luego enriquecer y elaborar el modelo hasta obtener una aproximacin til.

Pasos:
1. Establecer una definicin clara de los objetivos.
2. Analizar el sistema real.
3. Dividir el problema del sistema en problemas simples.
4. Buscar analogas.
5. Considerar un ejemplo numrico especfico del problema.
6. Determinar las variables de inters.
7. Escribir los datos obvios.
8. Escribir las ecuaciones tericas o empricas que describen los
fenmenos presentes y relacionan las variables de inters.
9. Si se tiene un modelo manejable, enriquecerlo. De otra manera,
simplificarlo.

Generalmente, simplificar un modelo implica:

Convertir variables en constantes.

Eliminar o combinar variables.
Suponer linealidad.
Agregar suposiciones ms potentes y restricciones.
Restringir los lmites del sistema.

El mejor modelo, es el modelo ms simple que puede resolver el

problema con el grado de exactitud requerido.

Un modelo debe ser:

1. Fcil de entender por parte del usuario.
2. Dirigido a metas u objetivos.
3. Sensato, en cuanto no de respuestas absurdas.
4. Fcil de manipular y controlar por parte del usuario. Es decir, debe ser
sencillo comunicarse con el modelo.
5. Completo, en lo referente a asuntos importantes.
6. Adaptable, con un sencillo procedimiento para modificar o actualizar el
modelo.
7. Evolutivo, debe ser sencillo al principio y volverse ms complejo en el
tiempo.

MODELAMIENTO DE
SISTEMAS INTELIGENTES

Los Sistemas inteligente deberan ser capaces de:

(i) aprender de la experiencia o entender;

(ii) sentido a mensajes ambiguos o contradictorios;
(iii) responder rpidamente y con xito a una nueva situacin;
(iv) utilizar el razonamiento en la solucin de problemas de conducta y dirigir de manera
eficaz;
(v) hacer frente a situaciones de perplejidad;
(vi) entender y deducir en comn, formas racionales;
(vii) aplicar los conocimientos para manipular el medio ambiente;
(viii) de pensar y razonar, y
(ix) reconocer la importancia relativa de los diferentes elementos de una situacin.

Ejemplos de algoritmos
inteligentes
Artificial Neural Networks (ANN / RNA)
Inductive Learning
Case-based Reasoning and Analogical
Reasoning
Genetic Algorithms
Fuzzy Logic

REDES NEURONALES
ARTIFICIALES
Mientras los filsofos discuten si es
posible o no la inteligencia artificial,
los investigadores la construyen
C. Frabetti

Objetivo
Introducir a estudiantes en los tpicos
fundamentales de las Redes Neuronales
Artificiales (RNA).

41

NEURONA BIOLOGICA
El
elemento
fundamental
de
procesamiento en una red neuronal
es una neurona. Esta unidad del
conocimiento
humano
abarca
algunas capacidades generales.
Bsicamente, una neurona biolgica
recibe entradas de informacin de
otras fuentes, las combina de una
cierta manera, realiza una operacin
generalmente no lineal en el
resultado, y despus hace salir el
resultado final. Las dendritas son las
encargadas de recibir las entradas
(1), el soma procesa las entradas
(2), el axon convierte las entradas
procesadas en salidas (3) y las
sinapsis
son
el
contacto
electromecnico con otras neuronas
(4)

Caractersticas de una neurona

Dependiendo de la regin del cerebro y
su funcin, su dimetro va de una
dcima a una centsima de milmetro
(10 100 m)
Est formada de 3 partes principales:
Dentritas
Axon
Cuerpo

(c) 2009. P. Gmez-Gil, INAOE

43

Proceso de Desarrollo de Aplicaciones

con RNA
1. Recoger datos
2. Separados en grupos de entrenamiento y prueba
3. Definir una estructura de red
4. Seleccione un algoritmo de aprendizaje
5. Establecer los parmetros, valores, Inicialice Pesos
6. Configurar los datos a entradas de la RNA
7. Iniciar el entrenamiento, determinar y revisar los pesos
8. Detener y probar
9. Aplicacin: Usar la red con nuevos casos

-Las RNA puede ayudar a automatizar la toma de

decisiones complejas
- Aprenden de la experiencia del pasado y mejorar sus
niveles de rendimiento
- Mquina de aprendizaje: los mtodos que ensean las
mquinas para resolver problemas, o para apoyar la
resolucin de problemas, mediante la aplicacin de casos
histricos
-Simular sistemas que no son fcilmente simulables
con los mtodos lineales convencionales

Recogida de datos y preparacin

Recopilar los datos y separarlos en sets de entrenamiento y sets de prueba
Utilice los casos de entrenamiento para ajustar los pesos
utilizar casos de prueba para validar la RNA
Seleccionar un algoritmo de aprendizaje
Determinar parmetros como
Learning rate
Valor umbral para la forma de la salida
Valores iniciales de los pesos
Otros parmetros
Seleccione la estructura de la red (nodos y capas)
Seleccione las condiciones ideales
Transformar lo datos de entrenamiento y prueba al formato ideal del sistema

Ejemplo: la aprobacin del prstamo de toma de decisiones.

La aprobacin del prstamo de toma de decisiones uso de muchas
variables: clientes de ingresos, historial laboral, historial de crdito,
las deudas pendientes, y as sucesivamente. La captura de ellos en un
programa informtico es difcil
Una Rpida toma de decisiones sobre los prstamos es beneficioso:
tomar la decisin, mientras que el cliente se encuentra todava en la
oficina!
Una red neuronal puede ser entrenada para reconocer patrones de xito y
los fracasos de los prstamos basados en la historia pasada. La RNA se
alimenta con el riesgo, el tipo de inters, los datos de los clientes, y otras
variables.

Una RNA rpidamente puede recomendar la aprobacin o

denegacin de un prstamo. Tambin puede detectar el
fraude

X1
X2

Denegacion 0

X3

X4

Prestamo 1

X5

DISEO DE LA RNA. Para el ejemplo anterior

Fundamentos de Redes Neuronales

Estructura y componentes
-Elementos de procesamiento
-Red
-Estructura de la Red
Procesamiento de la Informacin por la Red
-Entradas
-Resultados
-Pesos
-Funcin suma

ENTRENAMIENTO DE LA
RNA
Presentar los patrones de entrenamiento a
la Red
Ajustar los pesos para producir la salida
deseada de la RED
Llevar a cabo muchas interacciones para
poder las neuronas puedan aprender el set
de patrones de entrenamiento

Pruebas
Probar la red despus del entrenamiento
Examinar el rendimiento de la red
hacer que las entradas produzcan las
salidas apropiadas
No necesariamente el 100% de exactitud
Podar la red si es necesario

Que Son las Redes Neuronales

Artificiales?
Las
Redes
Neuronales
Artificiales
(R.N.A.)
son modelos matemticos
inspirados en sistemas biolgicos,
adaptados
y
simulados
en
computadoras convencionales.
Los elementos que las conforman se
asemejan a las neuronas biolgicas.

52


tienen habilidades de aprendizaje
automtico, generalizacin y abstraccin.
Con estos modelos pueden resolverse y
simularse una gran variedad de
problemas de reconocimiento,
aproximacin, prediccin, clasificacin,
optimizacin etc.

53

Componentes bsicos de las RNA

1.
2.
3.
4.
5.
6.

Elementos de procesamiento: Neurones o

Neuronas
Regla de activacin de los elementos.
Topologa de interaccin entre los elementos de
procesamiento.
Regla de propagacin a travs de las
conexiones.
Regla de aprendizaje.
Medio ambiente en el que el sistema opera.

54

Caractersticas Principales de Las RNA

1. APRENDIZAJE. Una red neuronal puede

modificar su comportamiento en respuesta al
medio ambiente.
2. GENERALIZACION. Una vez entrenada, la red
neuronal puede ser insensible a cambios en sus
entradas.
3. ABSTRACCION. Una red neuronal puede
determinar la esencia o caractersticas principales
de un conjunto de datos.
55

OTROS NOMBRES DE LAS

R.N.A.
Modelos Conexionistas
(Connectionist Models)
Procesamiento distribudo en
paralelo
(Parallel Distributed Processing)
Sistemas neuronales artificiales
(Artificial Neural Systems or ANS)
56

Ejemplos de Profesionales
Involucrados con RNA

Bilogos
Psiclogos
Ingenieros Electrnicos
Ingenieros Civiles
Fisilogos
Ingenieros de Sistemas
Educadores
Etc.

(c) 2009. P. Gmez-Gil, INAOE

57

VENTAJAS DE LAS RNA

Son sistemas que aprenden lo que tienen que hacer a partir
de ejemplos sin necesidad de escribir una sola lnea de
cdigo.
Son sistemas especiales para trabajar en ambientes donde
la informacin a procesar no est muy bien definida o tiene
mucho ruido.
Son sistemas que, dadas las condiciones, pueden llegar a
ofrecer soluciones de muy bajo costo y en un tiempo record
de desarrollo.
La alta tolerancia a fallos

NEURONA ARTIFICIAL
La unidad bsica de las Redes
Neuronales Artificiales, la neurona
artificial, simula las cuatro funciones
bsicas de las neuronas biolgicas.

Modelo de neurona artificial de McCullock-Pitts.

1.Las seales son presentadas a la

entrada, representada por X1, X2, ...
XP
2.Cada seal es multiplicada por un
nmero, o peso, que indica su
influencia en la salida de la neurona,
representados por W1, W2, ... WP
3.Se realiza la suma ponderada de las
seales que produce un nivel de
actividad,
4.Si este nivel de actividad excede un
cierto limite (umbral), por el
resultado de la funcin de
activacin (f(a)) la unidad produce
una determinada respuesta de
salida (y).

FUNCION DE ACTIVACION
Las funciones de activacin tambin
llamadas funciones de transferencia,
son las responsables de determinar la
forma y la intensidad de variacin de
los valores transmitidos de una
neurona a otra.

FUNCION LINEAL

Funcin de activacin lineal.

FUNCIONES SIGMOIDE

Funcin sigmoidal logstica.

Funcin sigmoidal tangente hiperblica.

TOPOLOGIA
Basndose en el patrn de conexiones
(arquitectura), las RNA pueden ser
agrupadas en dos categoras:
Redes no recurrentes (feed-forward)
Redes recurrentes (recurrent o feedback)

TOPOLOGIA
a) Conexiones hacia
delante.
b) Conexiones laterales.
c) Conexiones hacia atrs
(o recurrentes).

REDES NO RECURRENTES
Las seales de entrada son
simplemente
transformadas
en
seales
de
salida,
no
hay
conexiones cerradas y se sigue
siempre un flujo continuo hacia el
frente

REDES NO RECURRENTES

Las seales son alteradas en

diversas transiciones de estado,
siendo la salida alimentada tambin
de la entrada, igualmente se tienen
loops debido a las conexiones de
retorno

APRENDIZAJE
Una RNA necesita ser entrenada para que pueda
funcionar correctamente
Poseen alguna regla de entrenamiento
Ellas aprenden a travs de ejemplos
El desempeo es mejorado con el pasar del tiempo por
un proceso iterativo de actualizacin de los pesos en la
red
Saber qu informacin estar disponible para la red (de
esta informacin dependen todos los dems aspectos
del diseo e implementacin de una RNA )

METODOS DE APRENDIZAJE O
ENTRENAMIENTO
SUPERVISADO

NO SUPERVISADO

ENTRENAMIENTO SUPERVISADO
Es el tipo ms comn
La entrada y salida deseadas para la red
son formuladas por un supervisor externo
El objetivo es ajustar los parmetros de la
red
Set (patrones)
Target (objetivos)

DESVENTAJA: en ausencia de un
supervisor o profesor, la red no consigue
aprender
nuevas
estrategias
para
situaciones no cubiertas por los ejemplos
de entrenamiento de la red.
VENTAJA: se ejecutan mucho mas rpido
que las de entrenamiento no supervisado

ENTRENAMIENTO NO SUPERVISADO
No hay un supervisor para acompaar el
proceso de aprendizaje.
Slo estn disponibles los patrones de entrada
para la red.
La red modifica sus pesos de tal forma que los
valores de entrada ms similares son
relacionados a un mismo patrn de salida (o
cluster). Con esto la red es capaz de producir un
valor ejemplar (representativo) para cada cluster
formado

ENTRENAMIENTO COMPETITIVO
Las neuronas o unidades de salida de una
red compiten entre si para volverse
activas (dispararse).
Slo una neurona de salida est activa en
un instante determinado.

ALGUNAS ARQUITECTURAS

PERCEPTRON
Es la forma ms simple de
una red neuronal usada
para la clasificacin de
patrones
linealmente
separables.
Consiste bsicamente de
una nica neurona con
pesos sinpticos ajustables
y bias.

PERCEPTRON MULTICAPA (MLP)

Bsicamente, la red consiste de
un
conjunto
de
unidades
sensoriales que constituyen la
capa de entrada, una o ms
capas intermedias u ocultas y
una capa de salida de nodos
computacionales. La seal de
entrada se propaga hacia el
frente a travs de la red, capa
por
capa.
Estas
redes
neuronales son normalmente
llamadas perceptrones multicapa
o Multi-Layer Perceptron (MLP).

Red MLP

RED ELMAN
La arquitectura de una red
Elman, permite considerar el
uso de esta para una
variedad de problemas donde
interviene el procesamiento
de entradas, las cuales son
naturalmente presentadas en
secuencia. Como por ejemplo
el anlisis de llamados al
sistema
operativo
para
determinar
patrones
de
comportamiento y detectar
as ataques en progreso.

El objetivo principal era encontrar una solucin con respecto al uso de redes neuronales en
ambientes donde el tiempo adems de las entradas era un aspecto relevante.

Actualmente, existen unos 40 paradigmas

de RNA que son usados en diversos
campos de aplicacin (Taylor, 1996; Arbib,
Erdi y Szentagothai, 1997; Sarle, 1998).
Entre estos paradigmas, podemos destacar
la red backpropagation (Rumelhart, Hinton
y Williams,
1986)
y los
mapas
autoorganizados de Kohonen (Kohonen,
1982a, 1982b).

Los Mapas Autoorganizados de Kohonen.

Este tipo de red neuronal, mediante un aprendizaje no
supervisado, puede ser de gran utilidad en el campo
del anlisis exploratorio de datos, debido a que son
sistemas capaces de realizar anlisis de clusters,
representar densidades de probabilidad y proyectar un
espacio de alta dimensin sobre otro de dimensin
mucho menor.

La red backpropagation
Mediante
un
esquema
de
aprendizaje
supervisado, ha sido utilizada satisfactoriamente
en la clasificacin de patrones y la estimacin
de funciones.

PROBLEMAS DEL ALGORITMO

APLICACIONES
Biologa:
Aprender ms acerca del cerebro y otros sistemas.
Obtencin de modelos de la retina.
Empresa
Reconocimiento de caracteres escritos.
Identificacin de candidatos para posiciones especficas.
Optimizacin de plazas y horarios en lneas de vuelo.
Explotacin de bases de datos.
Evaluacin de probabilidad de formaciones geolgicas y
petrolferas.
Sintess de voz desde texto.

APLICACIONES
Manufacturacin
Robots automatizados y sistemas de
control (visin artificial y sensores de
presin, temperatura, gas, etc.)
Control de produccin en lneas de
proceso.
Inspeccin de calidad.
Filtrado de seales.

APLICACIONES
Medicina
Analizadores del habla para la ayuda de audicin de
sordos profundos.
Diagnstico y tratamiento a partir de sntomas y/o
de datos analticos (encefalograma, etc.).
Monitorizacin en ciruga.
Prediccin de reacciones adversas a los
medicamentos.
Lectoras de Rayos X.
Entendimiento de causa de ataques epilpticos.

APLICACIONES
Militares
Clasificacin de las seales de
radar .
Creacin de armas inteligentes.
Optimizacin del uso de
recursos escasos.

Representacion de la estructura
de una proteina
Visualizacion
de diferentes
aspectos de
la estructura

Problem Definition
Dada una secuencia de
proteina,
queremos
encontrar la salida en 3D
de su estructura

Asociaciones Importantes
Relacionadas a RNA
IEEE Computational Intelligence:
http://ieee-cis.org/

Captulo Mxico de la IEEE-CIS

http://www.hafsamx.org/cis-chmexico/

Neural Networks Society

http://www.inns.org/

Sociedades de Reconocimiento de Patrones,

Control, Visin, etc.

89

Taller No 3.

En grupo, proponer un sistema, el cual pueda ser candidato a ser

modelado e implementado mediante una RNA

TRABAJO FINAL