You are on page 1of 90

MODELOS DE SIMULACION

Ing. Aldex Ortiz Londoño

Corporación Universitaria Rémington
Popayán, 2010

Introducción
Cuando 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

. • Simulación: es el proceso de diseñar un modelo de un sistema real y llevar a cabo experiencias con él. si Z puede emplear X para responder cuestiones que le interesan acerca de Y (Minsky). • Modelo: Un objeto X es un modelo del objeto Y para el observador Z. También se puede definir como la porción del Universo que será objeto de la simulación. Definiciones: • Sistema: Conjunto de objetos o ideas que están interrelacionados entre sí como una unidad para la consecución de un fin (Shannon. 1988). 1988). con la finalidad de aprender el comportamiento del sistema o de evaluar diversas estrategias para el funcionamiento del sistema (Shannon.

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

Desventajas: • El desarrollo de un modelo puede ser costoso. . • Existe la posibilidad de cometer errores. Por lo general el modelo se utiliza para experimentar situaciones nunca planteadas en el sistema real. si el modelo está mal o se cometen errores en su manejo. laborioso y lento. los resultados también serán incorrectos. entonces. • No se puede conocer el grado de imprecisión de los resultados. No se debe olvidar que la experimentación se lleva a cabo con un modelo y no con 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 .

las tropas de todas las fuerzas estadounidenses que participaron (fuerza aérea. Otros plantean la posibilidad de un enfriamiento y predicen una nueva era glaciar. • Los modelos del planeta: Algunos plantean la posibilidad de un calentamiento global debido al efecto invernadero. . • Proyecto Monte Carlo: Von Newman y Ulam (1945) emplearon simulación para estudiar reacciones nucleares. 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. • Capacitación de tropas: En el operativo “Tormenta del desierto” llevado a cabo en la guerra contra Irak. • 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. marina y ejército) fueron entrenadas con simuladores. • El regreso del Apolo 13: La simulación jugó un rol fundamental en la determinación del plan de emergencia. • 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. 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. Actualmente se utilizan para entrenar pilotos de aviones comerciales y de combate.

• Laboratorio: Se utilizan modelos bajo las condiciones controladas de un laboratorio. Es la que utilizan las empresas automotrices cuando realizan ensayos de choques de automóviles utilizando unidades reales. Se pueden distinguir dos tipos de simulaciones: 1. En este grupo también se pueden incluir las simulaciones que utilizan modelos físicos. Juego operacional: Personas compiten entre ellas. los entrenamientos militares que incluyen movilización de equipos y tropas pero no se lleva a cabo una batalla real. sino que también la genera. maquinaria. La computadora no se limita a recolectar información. la otra parte consiste en computadoras. Analógica: Cuando se utiliza una computadora analógica. • Cuasi-identidad: Se utiliza una versión ligeramente simplificada del sistema real. ellas forman parte del modelo. 2. 2. Tipos de simulación • Identidad: Es cuando el modelo es una réplica exacta del sistema en estudio. etc. Las personas quedan excluidas del modelo. • Simulación por computadora: El modelo es completamente simbólico y está implementado en un lenguaje computacional. Las personas también forman parte del modelo. Un ejemplo de este tipo de simulación es la simulador de vuelo. Digital: Cuando se utiliza una computadora digital. . Este tipo de simulación a su vez puede ser: 1. 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. Un ejemplo es el simulador de un sistema de redes de comunicación donde la conducta de los usuarios está modelada en forma estadística. Hombre-Máquina: Se estudia la relación entre las personas y la máquina. Por ejemplo.

Taller en clase No 1: 1. Describa 2 ejemplos conforme a los siguientes tipos de simulación: – Identidad – Cuasi-identidad – Laboratorio (hombre-maquina) 4. 2. Mencione algunos campos (por lo menos 5) en donde crea usted que se puede aplicar un modelo de simulación 3. Simulación por computadora TIEMPO 30 MINUTOS . Describir por lo menos 5 campos en donde tenga cabida un modelos de simulación.

. 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.

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

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 .

Los datos pueden ser provistos por: •Registros históricos •Experimentos de laboratorios •Mediciones realizadas en el sistema real. . Colección de datos La naturaleza y cantidad de datos necesarios están determinadas por la formulación del problema y del modelo. Los mismos deberán ser procesados adecuadamente para darles el formato exigido por el modelo.

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

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

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

Debe quedar claro cuando se formula el problema si lo que el cliente desea es un estudio de simulación o de optimización. el número de simulaciones. . Diseño de experimentos En esta etapa se decide las características de los experimentos a realizar: 1. el tiempo de arranque 2. el tiempo de simulación 3.

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

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

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. .

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

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

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

. Este alejamiento puede dar lugar a una respuesta acumulativa (crece o decrece continuamente. cuando inicia su funcionamiento pasa por un estado dinámico y luego alcanza un estado estacionario o de régimen. Un estado estacionario es inestable si el sistema se aleja de él luego de una perturbación. o alcanza otro estado estacionario) o a una respuesta oscilatoria (crece y decrece continuamente). Un estado estacionario es estable si el sistema retorna a él luego de una perturbación.Un sistema puede presentar los dos tipos de conductas. generalmente.

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.se fijan a voluntad. Las variables se clasifican a su vez en: •Variables de entrada o exógenas: Son fijadas por el medioambiente del sistema. •Variables internas: Son las variables del sistema que no son ni de entrada. o combinación de ellas. •Variables de estado (X): Conforman el conjunto mínimo de variables internas del sistema necesarias para describir completamente su estado interno. por ejemplo: la cilindrada del motor. ni parámetros. Pueden ser manipulables (U) . Una variable de entrada no manipulable se denomina perturbación. que son medidas o traspasan la frontera del sistema. •Variables de salida (Y): Son las variables de estado. la aceleración de la gravedad. ni de salida. .o no (D).

el estado cambia en infinitos puntos de tiempo. 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. para entradas conocidas no es posible asegurar los valores de salida. En este tipo de sistema.Clasificación de sistemas Deterministico : Si el sistema no contiene ningún elemento aleatorio es un sistema determinístico. Estocástico: Algún elemento del sistema tiene una conducta aleatoria. Es decir. Matemáticamente. las relaciones funcionales entre las variables del sistema están perfectamente definidas. . 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). 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 variables de salidas e internas quedan perfectamente determinadas al especificar las variables de entrada. Las causas instantáneas de los cambios de estados se denominan eventos. Un ejemplo de sistema estocástico es una máquina tragamonedas. Entonces. los parámetros y las variables de estado.

Debido a que imita un sistema que realmente funciona. . Modos de simulación Análisis: Es el modo más empleado. el modelo es matemáticamente más estable y se asegura la existencia de una solución. Este modo sirve para determinar los valores que deberán adoptar las entradas del sistema para producir los resultados deseados. Control: Las variables de salida del modelo representan a las variables de entrada del sistema real. Este modo se utiliza para estimar la respuesta del sistema real ante entradas especificadas. Se utiliza cuando se desea determinar las condiciones de operación de un sistema. 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 entradas especificadas. Diseño: En este modo las salidas del modelo representan a los parámetros del sistema real. en él las variables de salida del modelo representan a las variables de salida del sistema real.

Modos de simulación .

Taller en clase No 2: • Analizar la anterior figura y capturar : 1. Variables de salida: 3. Variables de entrada manipulables: 2. •la potencia disipada Wd TIEMPO 30 MINUTOS . Perturbaciones • Determinar su clasificación •la temperatura de la corriente de salida Ts. •interruptor p •la masa de agua M •el caudal de la corriente de entrada Fe •la temperatura del líquido T •temperatura Te •intensidad I •el caudal de la corriente de salida Fs •la potencia de calentamiento W •la temperatura Tm indicada por el termómetro •la temperatura ambiente Ta. Variables de estado: 4.

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

(vi) entender y deducir en común. y (ix) reconocer la importancia relativa de los diferentes elementos de una situación. Los Sistemas inteligente deberían ser capaces de: (i) aprender de la experiencia o entender. (ii) sentido a mensajes ambiguos o contradictorios. (v) hacer frente a situaciones de perplejidad. formas racionales. (viii) de pensar y razonar. (iii) responder rápidamente y con éxito a una nueva situación. (vii) aplicar los conocimientos para manipular el medio ambiente. (iv) utilizar el razonamiento en la solución de problemas de conducta y dirigir de manera eficaz. .

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

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

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

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

Características de una neurona – Dependiendo de la región del cerebro y su función. INAOE 43 . su diámetro va de una décima a una centésima de milímetro (10 – 100 μm) – Está formada de 3 partes principales: • Dentritas • Axon • Cuerpo (c) 2009. P. Gómez-Gil.

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

o para apoyar la resolución de problemas.Máquina de aprendizaje: los métodos que enseñan las máquinas para resolver problemas.Aprenden de la experiencia del pasado y mejorar sus niveles de rendimiento . mediante la aplicación de casos históricos -Simular sistemas que no son fácilmente simulables con los métodos lineales convencionales .-Las RNA puede ayudar a automatizar la toma de decisiones complejas .

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 .

historial laboral. los datos de los clientes. 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. las deudas pendientes. el tipo de interés. Una RNA rápidamente puede recomendar la aprobación o denegación de un préstamo. y otras variables. y así sucesivamente. También puede detectar el fraude .Ejemplo: la aprobación del préstamo de toma de decisiones. La aprobación del préstamo de toma de decisiones uso de muchas variables: clientes de ingresos. La captura de ellos en un programa informático es difícil Una Rápida toma de decisiones sobre los préstamos es beneficioso: tomar la decisión. historial de crédito. La RNA se alimenta con el riesgo.

Para el ejemplo anterior . X1 X2 Denegacion 0 X3 Prestamo 1 X4 X5 DISEÑO DE LA RNA.

Fundamentos de Redes Neuronales Estructura y componentes -Elementos de procesamiento -Red -Estructura de la Red Procesamiento de la Información por la Red -Entradas -Resultados -Pesos -Función 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 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 .

A. Los elementos que las conforman se asemejan a las neuronas biológicas. 52 .) son modelos matemáticos inspirados en sistemas biológicos.Que Son las Redes Neuronales Artificiales? Las Redes Neuronales Artificiales (R.N. adaptados y simulados en computadoras convencionales.

aproximación. predicción. clasificación. generalización y abstracción. 53 . • Con estos modelos pueden resolverse y simularse una gran variedad de problemas de reconocimiento.… • tienen habilidades de aprendizaje automático. optimización etc.

Elementos de procesamiento: Neurones o Neuronas 2. Componentes básicos de las RNA 1. 4. 5. 6. 3. Regla de activación de los elementos. Medio ambiente en el que el sistema opera. 54 . Regla de aprendizaje. Topología de interacción entre los elementos de procesamiento. Regla de propagación a través de las conexiones.

APRENDIZAJE. ABSTRACCION. Una red neuronal puede modificar su comportamiento en respuesta al medio ambiente. Una red neuronal puede determinar la esencia o características principales de un conjunto de datos. Una vez entrenada.Características Principales de Las RNA 1. GENERALIZACION. la red neuronal puede ser insensible a cambios en sus entradas. 3. 2. 55 .

A.N. OTROS NOMBRES DE LAS R. • Modelos Conexionistas (Connectionist Models) • Procesamiento distribuído en paralelo (Parallel Distributed Processing) • Sistemas neuronales artificiales (Artificial Neural Systems or ANS) 56 .

Gómez-Gil. Ejemplos de Profesionales Involucrados con RNA • Biólogos • Psicólogos • Ingenieros Electrónicos • Ingenieros Civiles • Fisiólogos • Ingenieros de Sistemas • Educadores • Etc. (c) 2009. P. INAOE 57 .

•Son sistemas especiales para trabajar en ambientes donde la información a procesar no está muy bien definida o tiene mucho ruido. pueden llegar a ofrecer soluciones de muy bajo costo y en un tiempo record de desarrollo. •Son sistemas que.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. dadas las condiciones. •La alta tolerancia a fallos .

WP Modelo de neurona artificial de McCullock-Pitts. por el resultado de la función de activación (f(a)) la unidad produce una determinada respuesta de salida (y).. o peso.Si este nivel de actividad excede un cierto limite (umbral). que indica su influencia en la salida de la neurona. 4..Cada señal es multiplicada por un número. .Se realiza la suma ponderada de las señales que produce un nivel de actividad.. XP 2. simula las cuatro funciones básicas de las neuronas biológicas. 1. X2. .Las señales son presentadas a la entrada. la neurona artificial. W2. .. representados por W1. NEURONA ARTIFICIAL La unidad básica de las Redes Neuronales Artificiales. 3. representada por X1.

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. .

. Función sigmoidal tangente hiperbólica. FUNCIONES SIGMOIDE Función sigmoidal logística.

TOPOLOGIA Basándose en el patrón de conexiones (arquitectura). las RNA pueden ser agrupadas en dos categorías: •Redes no recurrentes (feed-forward) •Redes recurrentes (recurrent o feedback) .

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

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

igualmente se tienen loops debido a las conexiones de retorno .REDES NO RECURRENTES Las señales son alteradas en diversas transiciones de estado. siendo la salida alimentada también de la entrada.

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) .

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

• 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 . • Sólo están disponibles los patrones de entrada para la red. ENTRENAMIENTO NO SUPERVISADO • No hay un supervisor para acompañar el proceso de aprendizaje.

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

ALGUNAS ARQUITECTURAS .

Consiste básicamente de una única neurona con pesos sinápticos ajustables y bias.PERCEPTRON Es la forma más simple de una red neuronal usada para la clasificación de patrones linealmente separables. .

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

Red MLP .

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

1996. 1998). 1997. podemos destacar la red backpropagation (Rumelhart. Arbib. existen unos 40 paradigmas de RNA que son usados en diversos campos de aplicación (Taylor. Hinton y Williams. Entre estos paradigmas. Sarle. 1982a. Erdi y Szentagothai.Actualmente. 1986) y los mapas autoorganizados de Kohonen (Kohonen. . 1982b).

Este tipo de red neuronal. representar densidades de probabilidad y proyectar un espacio de alta dimensión sobre otro de dimensión mucho menor. . 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.Los Mapas Autoorganizados de Kohonen.

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 .

• Sintesís de voz desde texto. • Identificación de candidatos para posiciones específicas. • Evaluación de probabilidad de formaciones geológicas y petrolíferas. APLICACIONES Biología: • Aprender más acerca del cerebro y otros sistemas. . • Explotación de bases de datos. Empresa • Reconocimiento de caracteres escritos. • Optimización de plazas y horarios en líneas de vuelo. • Obtención de modelos de la retina.

etc. temperatura. . • Inspección de calidad. APLICACIONES Manufacturación • Robots automatizados y sistemas de control (visión artificial y sensores de presión. gas. • Filtrado de señales.) • Control de producción en líneas de proceso.

• Lectoras de Rayos X. • Diagnóstico y tratamiento a partir de síntomas y/o de datos analíticos (encefalograma.). • Monitorización en cirugía. . • Predicción de reacciones adversas a los medicamentos. • Entendimiento de causa de ataques epilépticos. etc. APLICACIONES Medicina • Analizadores del habla para la ayuda de audición de sordos profundos.

• Creación de armas inteligentes. . APLICACIONES Militares • Clasificación de las señales de radar . • Optimización del uso de recursos escasos.

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

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

inns. Control. etc. Visión. Asociaciones Importantes Relacionadas a RNA • IEEE Computational Intelligence: http://ieee-cis.org/ • Capítulo México de la IEEE-CIS http://www.org/cis-chmexico/ • Neural Networks Society http://www.hafsamx.org/ • Sociedades de Reconocimiento de Patrones. 89 .

Taller No 3. • En grupo. el cual pueda ser candidato a ser modelado e implementado mediante una RNA TRABAJO FINAL . proponer un sistema.