Anda di halaman 1dari 5

Antecedentes del TFG

Las Redes Neuronales Artificiales (RNA) son sistemas de procesamiento de


la informacin cuya estructura y funcionamiento estn inspirados en las
redes neuronales biolgicas. Consisten en un conjunto de elementos simples
de procesamiento llamados nodos o neuronas conectadas entre s por
conexiones que tienen un valor numrico modificable llamado peso.
La actividad que una unidad de procesamiento o neurona artificial realiza en
un sistema de este tipo es simple. Normalmente, consiste en sumar los
valores de las entradas (inputs) que recibe de otras unidades conectadas a
ella, comparar esta cantidad con el valor umbral y, si lo iguala o supera,
enviar activacin o salida (output) a las unidades a las que est conectada.
Las RNA constituyen una lnea de investigacin en Inteligencia Artificial (IA),
la cual tiene como objetivo primario la construccin de mquinas
inteligentes (Grimson y Patil, 1987). Los orgenes de la IA hay que buscarlos
en el movimiento cientfico de la ciberntica de los aos cuarenta y
cincuenta. Este movimiento cientfico se articul en torno a la idea de que el
funcionamiento de muchos sistemas, vivos o artificiales, puede ser captado
mejor por modelos basados en la transferencia de informacin que por
modelos basados en la transferencia de energa.
La ciberntica se propuso estudiar los elementos comunes entre el
funcionamiento de mquinas automticas y el del sistema nervioso humano
(los procesos de control y comunicacin en el animal y en la mquina). Este
problema fue abordado en un esfuerzo interdisciplinar, en el que
intervinieron investigadores procedentes de reas como matemticas,
ingeniera electrnica, fisiologa y neurociencia, lgica formal, ciencias de la
computacin y psicologa. Una importante caracterstica de la ciberntica
fue la proliferacin de distintas perspectivas en torno al problema de las
relaciones entre cerebro y mquina. En la segunda mitad de la dcada de
los cincuenta comenzaron a destacar dos de entre estas perspectivas: la IA
basada en el procesamiento simblico, y la investigacin en redes
neuronales.
La evolucin de la investigacin en redes neuronales desde los aos 50 a
nuestros das ha estado condicionada por dos grandes acontecimientos: el
abandono de esta lnea de investigacin en la segunda mitad de los 60
debido a las limitaciones observadas en la red Perceptrn simple y la
emergencia del conexionismo en la segunda mitad de los 80 como
paradigma aceptado en IA, gracias, entre otros avances, a la aparicin de un
algoritmo, denominado Backpropagation error (propagacin del error hacia
atrs) o simplemente Backpropagation, que permite modificar las
conexiones de arquitecturas multiestrato.

Son mltiples los trabajos realizados que abordan este tema, que trata en
esencia de reproducir de manera artificial y con la utilizacin de los distintos
logaritmos existentes el comportamiento de un cerebro humano. Cito como
ejemplos

El motivo de la eleccin de este trabajo se basa en la realizacin en mi


estancia Erasmus en Grecia de una pequea aportacin a un proyecto que
trataba de comprobar la eficacia de estas redes en la prediccin de los
mltiples terremotos que se suceden da tras da en aquella zona, y de ah
mi inters en extrapolar un caso parecido al territorio espaol debido a que
tambin tenemos una zona de bastante actividad ssmica y porque las
Redes Neuronales se adecuan muy bien para realizar este tipo de
propsitos, ya que son muy eficaces en la solucin de mltiples problemas
relacionados con la Ingeniera, en este caso tratar de ver si existe algn
patrn que relacione algn tipo de magnitud anteriormente mencionadas y
que permita predecir futuros movimientos ssmicos.

Objetivos
La presente realizacin de mi Trabajo Fin de Grado pretende abordar el tema
de Redes Neuronales y sus aplicaciones. Las Redes Neuronales son tcnicas
no paramtricas muy utilizadas en diversos mbitos de la ciencia e
ingeniera porque permiten resolver problemas complejos, que muchas
veces no son fciles de resolver utilizando tcnicas tradicionales como la
regresin lineal o polinmica. Las redes neuronales permiten obtener un
modelo no explcito que relaciona un conjunto de variables salida con un
conjunto de variables entrada. As, estos modelos permiten predecir cul es
el valor de salida, dados unos valores de entrada del modelo. Para estimar
el modelo es necesario disponer de un conjunto de observaciones de las
variables. Estas observaciones son usadas como patrones de entrenamiento
para que la red aprenda y sea capaz de predecir una salida del modelo, ante
nuevas observaciones. Por tanto, las capacidades de la red van a depender
en gran medida de esta fase de entrenamiento. En la fase de entrenamiento
es necesario controlar muchos parmetros y distintos algoritmos de
optimizacin, por lo que el usuario de una red neuronal debe tener
conocimiento suficiente de cules son estos parmetros y cmo funcionan.
Por otro lado, una vez entrenada la red, es muy importante tambin evaluar
la robustez del modelo creado, comprobando que es adecuado para nuevos
datos. Es importante, realizar un buen anlisis de los resultados obtenidos.

Existen muchos tipos diferentes de redes neuronales, pero en este proyecto


se trabajar esencialmente con las Redes Backpropagation (o Perceptrn
multicapa) por ser stas las ms utilizadas en la prctica, y la ms adecuada
para nuestro propsito, ya que la interfaz grfica que utilizaremos en el
programa Matlab, desarrolla este tipo de Red Neuronal.
Se trata de analizar los distintos tipos de Redes Neuronales existentes y
despus exponer un caso prctico, en cuyo caso, ser el anlisis,
entrenamiento e interpretacin de distintos parmetros(fecha, hora, latitud,
longitud, profundidad, magnitud) de terremotos en Espaa, concretamente
en la zona del sureste de Espaa, que corresponde con la zona de ms
movimiento ssmico de la Pennsula.
Se desarrollar el carcter terico de los principales tipos de Redes
Neuronales, centrando el desarrollo del mismo
en las Redes
Backpropagation, previamente mencionadas, para la creacin de una
aplicacin dirigida, principalmente, a usuarios que no han trabajado nunca
con redes neuronales o no muy expertos, con el fin de que puedan realizar
el entrenamiento y evaluacin de redes neuronales backpropagation de
manera sencilla y cmoda. El software utilizado para el desarrollo de la red
neuronal ser MATLAB , que tiene una herramienta muy cmoda e
intuitiva para facilitar la creacin de redes neuronales . Utilizaremos Neural
Network Toolbox, y en particular, la interfaz grfica de Red Neuronal de
inicio ( nnstart ) , que utiliza Redes Backpropagation para la implementacin
de Redes Neuronales y que en su inicio expone 4 tipos de herramientas para
4 tipo de problemas diferentes. He aqu una vista de la interfaz grafica
nnstart en su inicio y la exposicin de las 4 herramientas:

Se seleccionar la herramienta apropiada y se justificar su eleccin en


base a los criterios que necesitemos para valorar la eficacia de nuestra Red
Neuronal.

Temporizacin del TFG

Para empezar, se recopilar informacin sobre los distintos tipos de Redes


Neuronales Artificiales .
Despus se desarrollar toda la base terica en base a esa informacin y se
expondrn los modelos ms importantes.
Se desarrollar la Red Neuronal Artificial BackPropagation , su estructura
Se pasar al caso prctico, como tratar la base de datos ssmica, como
realizar la seleccin de eventos en base a los distintos parmetros, como
introducirlos en Matlab y en concreto en su herramienta con entorno grfico
Neural Network Start (nnstart como comando en matlab).

Desarrollo de la Red y entrenamiento de la misma (el paso quizs ms


importante) para la obtencin de resultados. No se descarta la comparacin
entre dos herramientas del entorno grfico nnstart para valorar la eficacia
de resultados y elegir la ms apropiada.
Interpretacin de dichos resultados, valoracin y conclusiones.

Resultados esperados del TFG

Los resultados esperados dependern de la eficacia de la Red Neuronal,


pero en principio, deberamos ser capaces de ver si existe correlacin entre
latitudes y longitudes con intensidad de los terremotos, o ver si existe
correlacin entre las horas del da con la intensidad de los mismos, es decir,
ver si existe alguna correlacin entre los distintos parmetros de entrada y
despus ver si la Red implementada consigue predecir con el menor error
posible terremotos y comprobar que esas predicciones tienen sentido

Bibliografa

MATLAB help. Version 7.11.0 (R2010b). MATLAB and Neural Network


Toolbox Users Guide
http://en.wikipedia.org/wiki/Neural_network. Neural network .
http://www.mathworks.com/.
Desarrollo de una interfaz grfica de Redes Neuronales usando Matlab.
Alfonso Moreno Rodrguez (UNIVERSIDAD CARLOS III MADRID).
Redes Neuronales Artificiales aplicadas al anlisis de datos. Juan Jos
Montao Moreno(UNIVERSITAT DE LES ILLES BALEARS)