Anda di halaman 1dari 14

“AÑO CONTRA DE LA LUCHA CONTRA LA CORRUPCIÓN Y LA IMPUNIDAD”

UNIVERSIDAD NACIONAL DE PIURA

FACULTAD DE ING. DE MINAS

ESCUELA PROFESIONAL DE ING DE MINAS

TEMA

MODELAMIENTO DE SISTEMAS INTELIGENTES

PRESENTADO POR

VÁSQUEZ SALINAS HECTOR MANUEL.

DOCENTE

ING. ZETA FLORES, MARTIN. MSc.

PIURA – PERÚ.

2019
INTRODUCCIÓN

Las Redes Neuronales son un campo muy importante dentro de la Inteligencia Artificial.

Inspirándose en el comportamiento conocido del cerebro humano (principalmente el

referido a las neuronas y sus conexiones), trata de crear modelos artificiales que

solucionen problemas difíciles de resolver mediante técnicas algorítmicas

convencionales.

Con las Redes Neuronales se busca la solución de problemas complejos, no como una

secuencia de pasos, sino como la evolución de unos sistemas de computación inspirados

en el cerebro humano, y dotados por tanto de cierta "inteligencia", los cuales no son sino

la combinación de elementos simples de proceso (neuronas - se dará una visión rápida

sobre el funcionamiento de las mismas en los seres vivos-) interconectados, que

operando de forma paralela en varios estilos que serán analizados detalladamente,

consiguen resolver problemas relacionados con el reconocimiento de formas o patrones,

predicción, codificación, control y optimización entre otras aplicaciones que finalizarán

con este documento.


MODELAMIENTO DE SISTEMAS INTELIGENTES.

Los computadores son capaces de ejecutar manipulaciones numéricas y simbólicas que

una persona ordinaria, pero en una forma más rápida y confiable. Tal y como sucede

con el manejo de grandes bases de información y con la implementación de modelos

matemáticos en el computador que tratan de reproducir comportamiento de fenómenos

procesos que tienen lugar en la naturaleza. Y aunque estos usos del computador son

impresionantes, en sí lo que este está realizando son operaciones sencillas, sólo que en

forma rápida. En tales aplicaciones, el computador es todavía una máquina de cálculo

compleja. Ladea intrigante ahora es si podemos construir un computador (o un programa

de computador que pueda pensar (Hopgood,2000).y como Pen rose (1989)ha

puntualizado, la mayoría de nosotros estamos bastante felices con máquinas que nos

permiten hacer cosas físicas en forma más fácil y rápida, tales como excavaron hueco,

lavar la ropa o volar. Sin embargo, la idea de un máquina queda "ensat" por nosotros es

una tarea ambiciosa que implica serios cuestionamientos éticos y filosóficos. En ese

contexto la inteligencia artificial (lA) se encuentra dirigida hacia la construcción de tal

máquina y al mejoramiento del entendimiento de la inteligencia. Nos encontramos lejos

de alcanzar tal objetivo, pero se ha avanzado cierto nivel de éxito en la reproducción de

ciertas tareas de la menta humana, tales como jugar ajedrez, interpretar frases habladas

y diagnosticar enfermedades en medicina, entre otros. En este camino modesto de

logros, la investigación dentro de la I.A junto con otras ramas de la ingeniería de

sistemas, ha permitido el desarrollo de varias herramientas computacionales útiles que

forman la base de los denominados sistemas inteligentes. Estos incluyen

aproximaciones simbólicas, en los cuales el conocimiento es explícitamente expresado

en palabras y símbolos, y las aproximaciones numéricas tales como las redes neurona

les artificiales, los algoritmos genéticos y la lógica difusa. En general, los sistemas
basados en el conocimiento, la inteligencia computacional ("Software Computing”) y

sus híbridos son colectivamente enmarcados en el campo de los sistemas inteligentes y

aunque no desarrollo ni promociono, no necesariamente ha encontrado su raíces desde

las hidrociencias, sí recientemente una gran cantidad de aplicaciones fortalecen cada día

su bondad en la aproximación de la compleja problemática hídrica. De esta forma, los

sistemas inteligentes cuando son aplicados al estudio de los hidrosistemas, incorporan

una gran proporción de temáticas dentro de la naciente y acertada disciplina de la

hidroinformática.
RED NEURONAL ARTIFICIAL.

El modelo de Rumelhart y McClelland (1986) define un elemento de proceso (EP), o

neurona artificial, como un dispositivo que, a partir de un conjunto de entradas,

xi (i=1...n) o vector X, genera una única salida Y.

Esta neurona artificial consta de los siguientes elementos:

 Conjunto de entradas o vector de entradas x, de n componentes

 Conjunto de pesos sinápticos wij. Representan la interacción entre la neurona

presináptica j y la postsináptica i.

 Regla de propagación d(wij,xj(t)): proporciona el potencial postsináptico, hi(t).

 Función de activación ai(t)=f(ai(t-1), hi(t)): proporciona el estado de activación de

la neurona en función del estado anterior y del valor postsináptico.

 Función de salida Fi(t): proporciona la salida yi(t), en función del estado de

activación.

 Las señales de entrada y salida pueden ser señales binarias (0,1 – neuronas de

McCulloch y Pitts), bipolares (-1,1), números enteros o continuos, variables

borrosas, etc.

 La regla de propagación suele ser una suma ponderada del producto escalar del

vector de entrada y el vector de pesos:


 También se usa a menudo la distancia euclídea entre ambos vectores:

 Existen otro tipo de reglas menos conocidas como la distancia de Voronoi, de

Mahalanobis, etc.

 La función de activación no suele tener en cuenta el estado anterior de la neurona,

sino sólo el potencial hi(t). Suele ser una función determinista y, casi siempre,

continua y monótona creciente. Las más comunes son la función signo (+1 si

hi(t)>0, -1 en caso contrario), la función semilineal y las funciones sigmoides:

Una red neuronal artificial (RNA) se puede definir (Hecht – Nielssen 93) como un grafo

dirigido con las siguientes restricciones:

1. Los nodos se llaman elementos de proceso (EP).

2. Los enlaces se llaman conexiones y funcionan como caminos unidireccionales

instantáneos

3. Cada EP puede tener cualquier número de conexiones.

4. Todas las conexiones que salgan de un EP deben tener la misma señal.

5. Los EP pueden tener memoria local.

6. Cada EP posee una función de transferencia que, en función de las entradas y la

memoria local produce una señal de salida y / o altera la memoria local.

7. Las entradas a la RNA llegan del mundo exterior, mientras que sus salidas son

conexiones que abandonan la RNA.


ARQUITECTURA DE LAS RNA

La arquitectura de una RNA es la estructura o patrón de conexiones de la red. Es

conveniente recordar que las conexiones sinápticas son direccionales, es decir, la

información sólo se transmite en un sentido.

En general, las neuronas suelen agruparse en unidades estructurales llamadas capas.

Dentro de una capa, las neuronas suelen ser del mismo tipo. Se pueden distinguir tres

tipos de capas:

 De entrada: reciben datos o señales procedentes del entorno.

 De salida: proporcionan la respuesta de la red a los estímulos de la entrada.

 Ocultas: no reciben ni suministran información al entorno (procesamiento

interno de la red).

Generalmente las conexiones se realizan entre neuronas de distintas capas, pero puede

haber conexiones intracapa o laterales y conexiones de realimentación que siguen un

sentido contrario al de entrada-salida.

APRENDIZAJE DE LAS RNA


Es el proceso por el que una RNA actualiza los pesos (y, en algunos casos, la

arquitectura) con el propósito de que la red pueda llevar a cabo de forma efectiva una

tarea determinada.

Hay tres conceptos fundamentales en el aprendizaje:

 Paradigma de aprendizaje: información de la que dispone la red.

 Regla de aprendizaje: principios que gobiernan el aprendizaje.

 Algoritmo de aprendizaje: procedimiento numérico de ajuste de los

pesos.

Existen dos paradigmas fundamentales de aprendizaje:

 Supervisado: la red trata de minimizar un error entre la salida que calcula y la

salida deseada (conocida), de modo que la salida calculada termine siendo la

deseada.

 No supervisado o autoorganizado: la red conoce un conjunto de patrones sin

conocer la respuesta deseada. Debe extraer rasgos o agrupar patrones similares.

 En cuanto a los algoritmos de aprendizaje, tenemos cuatro tipos:

 Minimización del error: reducción del gradiente, retropropagación, etc. La

modificación de pesos está orientada a que el error cometido sea mínimo.

 Boltzmann: para redes estocásticas, donde se contemplan parámetros

aleatorios.

 Hebb: cuando el disparo de una célula activa otra, el peso de la conexión

entre ambas tiende a reforzarse (Ley de Hebb).

 Competitivo: sólo aprenden las neuronas que se acercan más a la salida deseada.
Los algoritmos, y en general el proceso de aprendizaje, son complejos y suelen llevar

bastante tiempo computacionalmente hablando. Su ventaja es que una vez ha aprendido,

la red puede congelar sus pesos y funcionar en modo recuerdo o ejecución.


LA NEURONA BIOLÓGICA

Fue Ramón y Cajal (1888) quién descubrió la estructura celular (neurona) del sistema

nervioso. Defendió la teoría de que las neuronas se interconectaban entre sí de forma

paralela, y no formando un circuito cerrado como el sistema sanguíneo.

Una neurona consta de un cuerpo celular (soma) de entre 10 y 80 mm, del que surge un

denso árbol de ramificaciones (dendritas) y una fibra tubular (axón) de entre 100 mm

y un metro.

De alguna forma, una neurona es un procesador de información muy simple:

 Canal de entrada: dendritas.

 Procesador: soma.

 Canal de salida: axón.

Una neurona cerebral puede recibir unas 10.000 entradas y enviar a su vez su salida a

varios cientos de neuronas.

La conexión entre neuronas se llama sinapsis. No es una conexión física, si no que hay

unos 2 mm de separación. Son conexiones unidireccionales, en la que la transmisión de

la información se hace de forma eléctrica en el interior de la neurona y de forma química

entre neuronas; gracias a unas sustancias específicas llamadas neurotransmisores.

No todas las neuronas son iguales, existen muchos tipos diferentes según el número de

ramificaciones de sus dendritas, la longitud del axón y otros detalles estructurales. Sin

embargo, como hemos visto, todas ellas operan con los mismos principios básicos.
APLICACIONES CON RNA

Las redes neuronales pueden utilizarse en un gran número y variedad de aplicaciones,

tanto comerciales como militares.

Se pueden desarrollar redes neuronales en un periodo de tiempo razonable, con la

capacidad de realizar tareas concretas mejor que otras tecnologías. Cuando se

implementan mediante hardware (redes neuronales en chips VLSI), presentan una alta

tolerancia a fallos del sistema y proporcionan un alto grado de paralelismo en el

procesamiento de datos. Esto posibilita la inserción de redes neuronales de bajo coste

en sistemas existentes y recientemente desarrollados.

Hay muchos tipos diferentes de redes neuronales; cada uno de los cuales tiene una

aplicación particular más apropiada. Algunas aplicaciones comerciales son:

 Biología:

1. Aprender más acerca del cerebro y otros sistemas.

2. Obtención de modelos de la retina.

 Empresa:

1. Evaluación de probabilidad de formaciones geológicas y petrolíferas.

2. Identificación de candidatos para posiciones específicas.

3. Explotación de bases de datos.

4. Optimización de plazas y horarios en líneas de vuelo.

5. Optimización del flujo del tránsito controlando convenientemente la

temporización de los semáforos.

6. Reconocimiento de caracteres escritos. - Modelado de sistemas para

automatización y control.
 Medio ambiente:

1. Analizar tendencias y patrones.

2. Previsión del tiempo.

 Finanzas:

1. Previsión de la evolución de los precios.

2. Valoración del riesgo de los créditos.

3. Identificación de falsificaciones.

4. Interpretación de firmas.

 Manufacturación:

1. Robots automatizados y sistemas de control (visión artificial y sensores

de presión, temperatura, gas, etc.).

2. Control de producción en líneas de procesos.

3. Inspección de la calidad.

 Medicina:

1. Analizadores del habla para ayudar en la audición de sordos profundos.

2. Diagnóstico y tratamiento a partir de síntomas y/o de datos analíticos

(electrocardiograma, encefalogramas, análisis sanguíneo, etc.).

3. Monitorización en cirugías.

4. Predicción de reacciones adversas en los medicamentos. - Entendimiento

de la causa de los ataques cardíacos.

 Militar:

1. Clasificación de las señales de radar.

2. Creación de armas inteligentes.

3. Optimización del uso de recursos escasos


4. Reconocimiento y seguimiento en el tiro al blanco.

La mayoría de estas aplicaciones consisten en realizar un reconocimiento de patrones,

como ser: buscar un patrón en una serie de ejemplos, clasificar patrones, completar una

señal a partir de valores parciales o reconstruir el patrón correcto partiendo de uno

distorsionado. Sin embargo, está creciendo el uso de redes neuronales en distintos tipos

de sistemas de control.

Desde el punto de vista de los casos de aplicación, la ventaja de las redes neuronales

reside en el procesado paralelo, adaptativo y no lineal.

El dominio de aplicación de las redes neuronales también se lo puede clasificar de la

siguiente forma: asociación y clasificación, regeneración de patrones, regresión y

generalización, y optimización.

Anda mungkin juga menyukai