MODELOS DE SIMULACION

Ing. Aldex Ortiz Londoño

Corporación Universitaria RémingtonPopayán, 2010

IntroducciónCuando alguien tiene la responsabilidad de conducir un sistema dado, debe tomar continuamente decisiones acerca de las acciones que ejecutará 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 cómo responderá el sistema ante una determinada acción. Esto podría hacerse por experimentación con el sistema mismo; pero factores de costos, seguridad y otros hacen que esta opción generalmente no sea viable. A fin de superar estos inconvenientes, se reemplaza el sistema real por otro sistema que en la mayoría de los casos es una versión simplificada. Este último 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 simulación. Al proceso de diseñar el plan de experimentación para adoptar la mejor decisión se denomina optimización. Si el plan de experimentación se lleva a cabo con el solo objeto de aprender a conducir el sistema, entonces se denomina entrenamiento o capacitación

Definiciones:

• Sistema: Conjunto de objetos o ideas que están interrelacionados entre sí como una unidad para la consecución de un fin (Shannon, 1988). También se puede definir como la porción del Universo que será objeto de la simulación.

• 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).

• Simulación: es el proceso de diseñar un modelo de un sistema real y llevar a cabo experiencias con él, con la finalidad de aprender el comportamiento del sistema o de evaluar diversas estrategias para el funcionamiento del sistema (Shannon, 1988).

Aplicaciones de la simulación

•No existe una formulación matemática analíticamente resoluble. Muchos sistemas reales no pueden ser modelados matemáticamente con las herramientas actualmente disponibles, por ejemplo la conducta de un cliente de un banco.•Existe una formulación matemática, pero es difícil obtener una solución analítica. Los modelos matemáticos utilizados para modelar un reactor nuclear o una planta química son imposibles de resolver en forma analítica sin realizar serias simplificaciones.•No existe el sistema real. Es problema del ingeniero que tiene que diseñar un sistema nuevo. El diseño del sistema mejorará notablemente si se cuenta con un modelo adecuado para realizar experimentos.•Los experimentos son imposibles debido a impedimentos económicos, de seguridad, de calidad o éticos. En este caso el sistema real esta disponible para realizar experimentos, pero la dificultad de los mismos hace que se descarte esta opción. Un ejemplo de esto es la imposibilidad de provocar fallas en un avión real para evaluar la conducta del piloto, tampoco se puede variar el valor de un impuesto a para evaluar la reacción del mercado.•El sistema evoluciona muy lentamente o muy rápidamente. Un ejemplo de dinámica lenta es el problema de los científicos que estudian la evolución 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 fenómenos muy rápidos que deben ser simulados para poder observarlos en detalles, por ejemplo una explosión.

La simulación es conveniente cuando:

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

• Existe la posibilidad de cometer errores. No se debe olvidar que la experimentación se lleva a cabo con un modelo y no con el sistema real; entonces, si el modelo está mal o se cometen errores en su manejo, los resultados también serán incorrectos.

• No se puede conocer el grado de imprecisión de los resultados. Por lo general el modelo se utiliza para experimentar situaciones nunca planteadas en el sistema real, por lo tanto no existe información previa para estimar el grado de correspondencia entre la respuesta del modelo y la del sistema real.

Campos de aplicación

• Procesos de manufacturas• Plantas industriales• Sistemas públicos• Sistemas de transportes• Construcción• Diseño• Educación• Capacitación

Algunos trabajos:• La Perestroyka: Estudios de simulación efectuados en Rusia en las décadas del 70 y 80 convencieron a los

dirigentes de la necesidad de plantear un fuerte cambio en la economía de ese país.

• La caída de la bolsa de New York en 1988: La utilización de programas de simulación por parte de los corredores de la bolsa causó una falsa inestabilidad que provocó la caída.

• El regreso del Apolo 13: La simulación jugó un rol fundamental en la determinación del plan de emergencia. La nave retornó con éxito a pesar de las graves averías.

• Los Voyagers: Gracias a la simulación se pudieron establecer los itinerarios óptimos para estas naves con un mínimo consumo de energía aprovechando la atracción gravitacional de los planetas.

• Proyecto Monte Carlo: Von Newman y Ulam (1945) emplearon simulación 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.

• Capacitación 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 aérea, marina y ejército) fueron entrenadas con simuladores.

• Capacitación de policías: Se utiliza entornos virtuales para que el policía 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 simulación• Identidad: Es cuando el modelo es una réplica exacta del sistema en estudio. Es la que utilizan las

empresas automotrices cuando realizan ensayos de choques de automóviles utilizando unidades reales.

• Cuasi-identidad: Se utiliza una versión ligeramente simplificada del sistema real. Por ejemplo, los entrenamientos militares que incluyen movilización 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 simulación de negocios donde las computadoras se limitan a recolectar la información generada por cada participante y a presentarla en forma ordenada a cada uno de ellos.

2. Hombre-Máquina: Se estudia la relación entre las personas y la máquina. Las personas también forman parte del modelo. La computadora no se limita a recolectar información, sino que también la genera. Un ejemplo de este tipo de simulación es la simulador de vuelo.

• Simulación por computadora: El modelo es completamente simbólico y está implementado en un lenguaje computacional. Las personas quedan excluidas del modelo. Un ejemplo es el simulador de un sistema de redes de comunicación donde la conducta de los usuarios está modelada en forma estadística. Este tipo de simulación a su vez puede ser:

1. Digital: Cuando se utiliza una computadora digital.

2. Analógica: Cuando se utiliza una computadora analógica. En este grupo también se pueden incluir las simulaciones que utilizan modelos físicos.

Taller en clase No 1:1. Describir por lo menos 5 campos en donde tenga cabida un modelos

de simulación.2. Mencione algunos campos (por lo menos 5) en donde crea usted

que se puede aplicar un modelo de simulación3. Describa 2 ejemplos conforme a los siguientes tipos de simulación:

– Identidad– Cuasi-identidad– Laboratorio (hombre-maquina)

4. Simulación por computadora

TIEMPO 30 MINUTOS

Etapas de una simulación

Formulación del problema

En este paso debe quedar perfectamente establecido el objeto de la simulación.

•los resultados que se esperan del simulador•el plan de experimentación•el tiempo disponible•las variables de interés•el tipo de perturbaciones a estudiar•el tratamiento estadístico de los resultados•la complejidad de la interfaz del simulador

Se debe establecer si el simulador será operado por el usuario o si el usuario sólo recibirá los resultados.

Definición del sistema

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

Formulación 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 formulación del problema

Colección de datos

La naturaleza y cantidad de datos necesarios están determinadas por la formulación del problema y del modelo. Los datos pueden ser provistos por:

•Registros históricos•Experimentos de laboratorios•Mediciones realizadas en el sistema real.

Los mismos deberán ser procesados adecuadamente para darles el formato exigido por el

modelo.

Implementación del modelo en la computadora

El modelo es implementado utilizando algún lenguaje de computación. Existen lenguajes específicos de simulación que facilitan esta tarea; también, existen programas que ya cuentan con modelos implementados para casos especiales.

Verificación

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

Validación

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 históricos o datos de sistemas similares.

Como resultado de esta etapa puede surgir la necesidad de modificar el modelo o recolectar datos

adicionales.

Diseño de experimentos

En esta etapa se decide las características de los experimentos a realizar:

1. el tiempo de arranque2. el tiempo de simulación3. el número de simulaciones.

Debe quedar claro cuando se formula el problema si lo que el cliente desea es un estudio de simulación o de optimización.

Experimentación

En esta etapa se realizan las simulaciones de acuerdo el diseño previo. Los resultados obtenidos son debidamente recolectados y procesados.

Interpretación.

Se analiza la sensibilidad del modelo con respecto a los parámetros que tienen asociados la mayor incertidumbre. Si es necesario, se deberán recolectar datos adicionales para refinar la estimación de los parámetros críticos.

Implementación

Conviene acompañar al cliente en la etapa de implementación para evitar el mal manejo del simulador o el mal empleo de los resultados del mismo.

Documentación

Incluye la elaboración de la documentación técnica y manuales de uso.

La documentación técnica: debe contar con una descripción detallada del modelo y de los datos; también, se debe incluir la evolución histórica de las distintas etapas del desarrollo. Esta documentación será de utilidad para el posterior perfeccionamiento del simulador.

Sistemas

Un sistema es una sección de la realidad que es el foco primario de un estudio y está compuesto de componentes que interactúan con otros de acuerdo a ciertas reglas dentro de una frontera identificada para el propósito del estudio.

Un sistema puede realizar una función que no es realizable por sus componentes individuales.

Los objetos o componentes que forman parte del sistema se denominan entidades, por ejemplo: un auto está compuesto por un motor, ruedas, carrocería, etc. Estas entidades poseen propiedades denominadas atributos, por ejemplo: la potencia del motor, y se relacionan entre sí a través de relaciones o funciones.

Estas relaciones pueden ser:

- Estáticas o estructurales: - Dinámicas o funcionales:

Los valores asumidos por los atributos de las entidades en un momento dado determinan el estado del sistema.

El estado puede ser:• estático o estacionario: esto significa que se

mantiene constante en el tiempo

• dinámico 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 dinámico y luego alcanza un estado estacionario o de régimen.

Un estado estacionario es estable si el sistema retorna a él luego de una perturbación.

Un estado estacionario es inestable si el sistema se aleja de él luego de una perturbación.

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 también se denominan variables o parámetros

Los parámetros (P) son atributos que se fijaron durante el diseño del sistema ya sea por el diseñador o por la naturaleza, por ejemplo: la cilindrada del motor, la aceleración de la gravedad.

Las variables se clasifican a su vez en:

•Variables de entrada o exógenas: 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 perturbación.

•Variables de salida (Y): Son las variables de estado, o combinación 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 parámetros.

•Variables de estado (X): Conforman el conjunto mínimo de variables internas del sistema necesarias para describir completamente su estado interno.

Clasificación de sistemas

Deterministico : Si el sistema no contiene ningún elemento aleatorio es un sistema determinístico. En este tipo de sistema, las variables de salidas e internas quedan perfectamente determinadas al especificar las variables de entrada, los parámetros y las variables de estado. Es decir, las relaciones funcionales entre las variables del sistema están perfectamente definidas.

Estocástico: Algún elemento del sistema tiene una conducta aleatoria. Entonces, para entradas conocidas no es posible asegurar los valores de salida. Un ejemplo de sistema estocástico es una máquina tragamonedas.

Continuo: Se tiene un sistema continuo cuando las relaciones funcionales entre las variables del sistema sólo permiten que el estado evolucione en el tiempo en forma continua (basta que una variable evolucione continuamente). Matemáticamente, 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 sólo permiten que el estado varíe en un conjunto finito (contable) de puntos temporales. Las causas instantáneas de los cambios de estados se denominan eventos. El interruptor del calentador es un subsistema discreto porque la intensidad sólo puede variar en los instantes que se abre o se cierra el interruptor.

Modos de simulación

Análisis: Es el modo más empleado, en él 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 matemáticamente más estable y se asegura la existencia de una solución.

Diseño: En este modo las salidas del modelo representan a los parámetros del sistema real. Se utiliza en la etapa de diseño de un equipo donde el problema es determinar los parámetros para los cuales el sistema producirá las salidas deseadas para las entradasespecificadas.

Control: Las variables de salida del modelo representan a las variables de entrada del sistema real. Este modo sirve para determinar los valores que deberán adoptar las entradas del sistema para producir los resultados deseados. Se utiliza cuando se desea determinar las condiciones de operación de un sistema.

Modos de simulación

Taller en clase No 2:

• Analizar la anterior figura y capturar :

1. Variables de entrada manipulables:

2. Variables de salida:3. Variables de estado:4. Perturbaciones

• Determinar su clasificación

•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 termómetro•la potencia disipada Wd

•la temperatura de la corriente de salida Ts.•la masa de agua M•la temperatura del líquido T•intensidad I•la potencia de calentamiento W •la temperatura ambiente Ta.

TIEMPO 30 MINUTOS

Modelado

El Modelado es el proceso de construcción de un modelo. Un modelo es una representación de un objeto, sistema, o idea. Usualmente, su propósito es ayudar explicar, entender o mejorar un sistema

El arte de modelar consiste en:

•la habilidad para analizar un problema,

•resumir sus características esenciales,

•seleccionar y modificar las suposiciones básicas que caracterizan al sistema,

•y luego enriquecer y elaborar el modelo hasta obtener una aproximación útil.

Pasos:1. Establecer una definición clara de los objetivos.

2. Analizar el sistema real.

3. Dividir el problema del sistema en problemas simples.

4. Buscar analogías.

5. Considerar un ejemplo numérico específico del problema.

6. Determinar las variables de interés.

7. Escribir los datos obvios.

8. Escribir las ecuaciones teóricas o empíricas que describen los fenómenos presentes y relacionan las variables de interés.

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 más potentes y restricciones.· Restringir los límites del sistema.

El mejor modelo, es el modelo más simple que puede resolver el problema con el grado de exactitud requerido.

Un modelo debe ser:

1. Fácil de entender por parte del usuario.

2. Dirigido a metas u objetivos.

3. Sensato, en cuanto no de respuestas absurdas.

4. Fácil 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 más complejo en el tiempo.

MODELAMIENTO DE SISTEMAS INTELIGENTES

(i) aprender de la experiencia o entender; (ii) sentido a mensajes ambiguos o contradictorios; (iii) responder rápidamente y con éxito a una nueva situación; (iv) utilizar el razonamiento en la solución de problemas de conducta y dirigir de manera eficaz; (v) hacer frente a situaciones de perplejidad; (vi) entender y deducir en común, 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 situación.

Los Sistemas inteligente deberían ser capaces de:

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 filósofos discuten si esposible o no la inteligencia artificial,

los investigadores la construyenC. Frabetti

41

Objetivo

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

NEURONA BIOLOGICAEl elemento fundamental de procesamiento en una red neuronal es una neurona. Esta unidad del conocimiento humano abarca algunas capacidades generales. Básicamente, una neurona biológica recibe entradas de información de otras fuentes, las combina de una cierta manera, realiza una operación generalmente no lineal en el resultado, y después 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 electromecánico con otras neuronas (4)

(c) 2009. P. Gómez-Gil, INAOE 43

Características de una neurona

– Dependiendo de la región del cerebro y su función, su diámetro va de una décima a una centésima de milímetro (10 – 100 μm)

– Está formada de 3 partes principales:• Dentritas• Axon• Cuerpo

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 parámetros, 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. Aplicación: 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

- Máquina de aprendizaje: los métodos que enseñan las máquinas para resolver problemas, o para apoyar la resolución de problemas, mediante la aplicación de casos históricos

-Simular sistemas que no son fácilmente simulables con los métodos lineales convencionales

Recogida de datos y preparación

•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 parámetros como

–Learning rate–Valor umbral para la forma de la salida–Valores iniciales de los pesos–Otros parámetros

•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 aprobación del préstamo de toma de decisiones.

La aprobación del préstamo de toma de decisiones uso de muchas variables: clientes de ingresos, historial laboral, historial de crédito, las deudas pendientes, y así sucesivamente. La captura de ellos en un programa informático es difícil

Una Rápida toma de decisiones sobre los préstamos es beneficioso: tomar la decisión, mientras que el cliente se encuentra todavía en la oficina!

Una red neuronal puede ser entrenada para reconocer patrones de éxito y los fracasos de los préstamos basados en la historia pasada. La RNA se alimenta con el riesgo, el tipo de interés, los datos de los clientes, y otras variables.

Una RNA rápidamente puede recomendar la aprobación o denegación de un préstamo. También puede detectar el fraude

X4

X3

X5

X1

X2Denegacion 0

Prestamo 1

DISEÑO DE LA RNA. Para el ejemplo anterior

Estructura y componentes -Elementos de procesamiento -Red -Estructura de la Red

Procesamiento de la Información por la Red -Entradas -Resultados -Pesos -Función suma

Fundamentos de Redes Neuronales

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 después 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

52

Que Son las Redes NeuronalesArtificiales?

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

53

…

• tienen habilidades de aprendizaje automático, generalización y abstracción.

• Con estos modelos pueden resolverse y simularse una gran variedad de problemas de reconocimiento, aproximación, predicción, clasificación, optimización etc.

54

Componentes básicos de las RNA

1. Elementos de procesamiento: Neurones o Neuronas

2. Regla de activación de los elementos.3. Topología de interacción entre los elementos de

procesamiento.4. Regla de propagación a través de las

conexiones.5. Regla de aprendizaje.6. Medio ambiente en el que el sistema opera.

55

Características 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 características principales de un conjunto de datos.

56

OTROS NOMBRES DE LAS R.N.A.

• Modelos Conexionistas (Connectionist Models)

• Procesamiento distribuído en paralelo(Parallel Distributed Processing)

• Sistemas neuronales artificiales (Artificial Neural Systems or ANS)

(c) 2009. P. Gómez-Gil, INAOE 57

Ejemplos de Profesionales Involucrados con RNA

• Biólogos• Psicólogos• Ingenieros Electrónicos• Ingenieros Civiles• Fisiólogos• Ingenieros de Sistemas• Educadores• Etc.

VENTAJAS DE LAS RNA

•Son sistemas que aprenden lo que tienen que hacer a partir de ejemplos sin necesidad de escribir una sola línea de código.•Son sistemas especiales para trabajar en ambientes donde la información a procesar no está 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 ARTIFICIALLa unidad básica de las Redes Neuronales Artificiales, la neurona artificial, simula las cuatro funciones básicas de las neuronas biológicas.

1.Las señales son presentadas a la entrada, representada por X1, X2, ... XP

2.Cada señal es multiplicada por un número, 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 señales que produce un nivel de actividad,

4.Si este nivel de actividad excede un cierto limite (umbral), por el resultado de la función de activación (f(a)) la unidad produce una determinada respuesta de salida (y).

Modelo de neurona artificial de McCullock-Pitts.

FUNCION DE ACTIVACION

Las funciones de activación también llamadas funciones de transferencia, son las responsables de determinar la forma y la intensidad de variación de los valores transmitidos de una neurona a otra.

FUNCION LINEAL

Función de activación lineal.

FUNCIONES SIGMOIDE

Función sigmoidal logística. Función sigmoidal tangente hiperbólica.

TOPOLOGIABasándose en el patrón de conexiones (arquitectura), las RNA pueden ser agrupadas en dos categorías:

•Redes no recurrentes (feed-forward)

•Redes recurrentes (recurrent o feedback)

TOPOLOGIA

a) Conexiones hacia delante.

b) Conexiones laterales.

c) Conexiones hacia atrás (o recurrentes).

REDES NO RECURRENTES

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

REDES NO RECURRENTES

Las señales son alteradas en diversas transiciones de estado, siendo la salida alimentada también 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 través de ejemplos• El desempeño es mejorado con el pasar del tiempo por

un proceso iterativo de actualización de los pesos en la red

• Saber qué información estará disponible para la red (de esta información dependen todos los demás aspectos del diseño e implementación de una RNA )

METODOS DE APRENDIZAJE O ENTRENAMIENTO

• SUPERVISADO

• NO SUPERVISADO

ENTRENAMIENTO SUPERVISADO

• Es el tipo más común

• La entrada y salida deseadas para la red son formuladas por un supervisor externo

• El objetivo es ajustar los parámetros 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 rápido que las de entrenamiento no supervisado

ENTRENAMIENTO NO SUPERVISADO

• No hay un supervisor para acompañar el proceso de aprendizaje.

• Sólo están disponibles los patrones de entrada para la red.

• La red modifica sus pesos de tal forma que los valores de entrada más similares son relacionados a un mismo patrón 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).

• Sólo una neurona de salida está activa en un instante determinado.

ALGUNAS ARQUITECTURAS

PERCEPTRON

Es la forma más simple de una red neuronal usada para la clasificación de patrones linealmente separables.

Consiste básicamente de una única neurona con pesos sinápticos ajustables y bias.

PERCEPTRON MULTICAPA (MLP)

Básicamente, la red consiste de un conjunto de unidades sensoriales que constituyen la capa de entrada, una o más capas intermedias u ocultas y una capa de salida de nodos computacionales. La señal de entrada se propaga hacia el frente a través 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 análisis de llamados al sistema operativo para determinar patrones de comportamiento y detectar así ataques en progreso.

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

Actualmente, existen unos 40 paradigmas de RNA que son usados en diversos campos de aplicación (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 análisis exploratorio de datos, debido a que son sistemas capaces de realizar análisis de clusters, representar densidades de probabilidad y proyectar un espacio de alta dimensión sobre otro de dimensión mucho menor.

La red backpropagation

Mediante un esquema de aprendizaje supervisado, ha sido utilizada satisfactoriamente en la clasificación de patrones y la estimación de funciones.

PROBLEMAS DEL ALGORITMO

APLICACIONESBiología:• Aprender más acerca del cerebro y otros sistemas. • Obtención de modelos de la retina.

Empresa• Reconocimiento de caracteres escritos.• Identificación de candidatos para posiciones específicas.• Optimización de plazas y horarios en líneas de vuelo.• Explotación de bases de datos.• Evaluación de probabilidad de formaciones geológicas y

petrolíferas.• Sintesís de voz desde texto.

APLICACIONES

Manufacturación• Robots automatizados y sistemas de

control (visión artificial y sensores de presión, temperatura, gas, etc.)

• Control de producción en líneas de proceso.

• Inspección de calidad.• Filtrado de señales.

APLICACIONES

Medicina• Analizadores del habla para la ayuda de audición de

sordos profundos.• Diagnóstico y tratamiento a partir de síntomas y/o

de datos analíticos (encefalograma, etc.).• Monitorización en cirugía.• Predicción de reacciones adversas a los

medicamentos. • Lectoras de Rayos X.• Entendimiento de causa de ataques epilépticos.

APLICACIONES

Militares• Clasificación de las señales de

radar .• Creación de armas inteligentes.• Optimización 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

89

Asociaciones Importantes Relacionadas a RNA

• IEEE Computational Intelligence:http://ieee-cis.org/

• Capítulo México de la IEEE-CIShttp://www.hafsamx.org/cis-chmexico/

• Neural Networks Societyhttp://www.inns.org/

• Sociedades de Reconocimiento de Patrones, Control, Visión, etc.

Taller No 3.• En grupo, proponer un sistema, el cual pueda ser candidato a ser

modelado e implementado mediante una RNA

TRABAJO FINAL