APLICACIONES INDUSTRIALES DE REDES

NEURONALES
Desde el punto de vista de la
ingeniería las redes neuronales
pueden ser consideradas como
sistemas dinámicos que trabajan
extraordinariamente
paralelamente.
Evidentemente los sectores de
aplicación más obvios son las tareas
en las cuales se necesitan
transformaciones de ciertos datos
entrantes a ciertos datos salientes y
estas transformaciones no pueden ser
descubierto analíticamente.
las aplicaciones más eficaces se
encuentran en los sectores
• Reconocimiento de patrones

• Procesamiento de imágenes

• time series procesan

• Unsupervised clustering

• Visualización de datos complejos
compresión de datos

• Procesamiento de señales

• Control, modelación y monitorización de
procesos industriales.
Gran parte de la investigación
de redes neuronales enfoca en
modelos de redes individuales.
Pero en las aplicaciones
industriales típicas se prefiere un
punto de vista del nivel del
sistema entorno.
Las Redes neuronales particulares
forman parte de un sistema más
extenso que contiene aún más
técnicas de procesamiento de datos,
como por ejemplo la filtración de
señales.
Esta manera de aplicación de las
redes neuronales lleva a una
arquitectura híbrida en la cual se usa
en cualquier módulo un procedimiento
basado en redes neuronales.
Entonces la tarea del diseñador de una aplicación industrial es decidir.
• En qué partes de las aplicaciones se pueden usar redes neuronales.
• Qué beneficios conllevará el uso de redes neuronales en esta aplicación.
• Qué tipos de redes neuronales son adecuados.
Muchos modelos de redes neuronales corresponden a técnicas
estadísticas populares como Generalized Linear Models,
Polynomial Regression, Nonparametric Regression y Discrimant
Analysis,
por ejemplo el Multilayer Perceptron (PLC) o el Principal Component
Analysis (PCA).
Pero hay también modelos que no tienen
ningún equivalente en el mundo de los
métodos estadísticos como el Self-
Organizing Map que es útil en el dominio de
Data Analysis. Sin embargo, las redes
neuronales deberían ser tratados como
dispositivos estadísticos y empleados así.
LOS PUNTOS FUERTES DE LAS REDES
NEURONALES EN LA INDUSTRIA SON
• La habilidad para resolver problemas con muchos datos

• Desarrollo rápido de prototipos

• Adaptación a cambios, aprendizaje

• Variable en escalas

• No linealidad
ÁREAS DE APLICACIÓN SON:
 Donde un procedimiento convencional no es apto o no puede ser
desarrollado fácilmente o no puede capturar completamente la
complejidad en los datos.
 Donde un comportamiento estocástico es importante.
 Donde no hace falta una explicación de la decisión de la red
neuronal.
 Donde es preferible encontrar una solución buena rápidamente a
encontrar la solución mejor en más tiempo.
 Donde hay que evaluar muchos datos históricos.
SECTORES INDUSTRIALES Y ÁREAS DE APLICACIÓN DE LAS REDES
NEURONALES
EJEMPLOS DE APLICACIONES INDUSTRIALES DE LAS REDES
NEURONALES
Aplicación en las telecomunicaciones
Hay muchas aplicaciones diferentes en
el área de las telecomunicaciones,
tanto en el procesamiento de las
señales como en el control del tráfico,
en el diseño de las arquitecturas de las
redes de comunicación y en la gestión
de redes de telecomunicación.
Para el procesamiento de señales se
usan Equalizers como procesadores
programables de redes neuronales
para la igualación de canales
digitales.
Otra aplicación es la
asignación de rutas en las
redes de comunicación. En
grandes redes conviene el
uso de rutas adaptables
empleando redes
neuronales.
Así los routers pueden
aprender autónomamente y
organizar las rutas entre sí.
Aparte de las aplicaciones intrínsecas
se emplean redes neuronales para la
provisión de servicios de valor añadido
para suministrar interfaces de usuarios,
interpretación de los datos
transportados y seguridad adicional.

Ejemplos son la identificación del
idioma en tiempo real, el
reconocimiento de la huella,
verificación de la firma, sistemas
seguros de entrada y alarmas
inteligentes.
Neuropipe – un sistema de inspección de
gaseoducto/oleoductos
Gaseoductos y oleoductos
respectivamente deben ser
examinados de corrosión y
otras averías regularmente.
El centro de investigación de
informática de Karlsruhe (FZI) y la
empresa Pipetronix han desarrollado
un sistema de inspección automática
denominado Neuropipe.
Modelling y control de procesos
industriales
Por un lado debían mejorar los
productos, reducir desechos, eliminar
toxinas y sobre todo aumentar los
beneficios.
Una solución para lograr esto es la
implementación de redes neuronales
en el control, el modelling y la
monitorización de procesos existentes
La aplicación de redes
neuronales como sensores de
software inteligentes (soft
sensors) puede medir variables
del proceso los cuales no
pueden ser medidos “online”.
La ventaja de esto es que
habrá una estimación
temprana de la calidad del
proceso con costes bajos
DIFICULTADES.PERSPECTIVAS
• El uso de una red neuronal es
verdaderamente compleja.
• No hay tanta ganancia respecto a
los factores tolerancia en el error,
adaptabilidad, habilidad para
generalización y aprendizaje en vez
de programación como algunos
informes sostienen.
• El esfuerzo para implementar redes
neuronales es más alto que para
técnicas convencionales.
• La capacidad de una red neuronal
respecto a una aplicación puede
ser demostrado solamente
mediante.
ORGANIZACIONES DEDICÁNDOSE A LA INVESTIGACIÓN Y EL
DESPLIEGUE INDUSTRIAL DE LAS REDES NEURONALES
NEuroNet (Network of Excellence in
Neural Networks) es una organización
financiado por la Unión Europea y
se encarga de la fomentación de la
aplicación de redes neuronales y del
intercambio de las experiencias entre
usuarios y investigadores.
http://www.kcl.ac.uk/neuronet
IEEE Neural Networks Society es una
subdivisión de IEEE encargándose de
la coordinación y la promoción de la
investigación y de la aplicación de
redes neuronales en los diferentes
grupos de IEEE.
http://ieee-nns.org
European Neural Network Society
(ENNS) es una asociación de
científicos, ingenieros, estudiantes y
otros queriendo aprender más sobre el
modelling y la aplicación de redes
neuronales.
http://www.snn.kun.nl/enns
ARQUITECTURAS UTILIZADAS
 Perceptrones

 Perceptrones multicapa(backpropagation)

 Redes counterpropagation

 Memorias asociativas bidireccionales

 Redes de cohonen.