Redes Neuronales Artificiales

Red

es N

euro

nale

s Art

ifici

ales

Aplicaciones de RNA

Red

es N

euro

nale

s Art

ifici

ales

33

Aplicaciones

a) Modelización de sistemas. Determinar el modelode un sistema a partir de entradas y salidas que seconocen.b) Predicción. Determinar el valor de una secuenciatemporal en un tiempo a partir de valores en tiemposanteriores.Evolución de un número de consumidores para undeterminado producto.c) Clasificación. Clasificar el patrón de entrada enuna serie de clases definidas de antemano(Clasificación de tumores).

Red

es N

euro

nale

s Art

ifici

ales

44

Reconocimiento de imágenes

Características

• Clasifica imágenes• Busca imágenes por Internet• Reconoce patrones• Preediciones sobre una serie de datos• RNA basados en Hopfield•Se puede modificar la cantidad deNeuronas y su entrenamiento

10 mas buscados del FBI

Red

es N

euro

nale

s Art

ifici

ales

55

Manejo del programa

•El sospechoso•La base de datos de criminales conocidos•Resultados de la búsqueda

Red

es N

euro

nale

s Art

ifici

ales

66

Es un criminal

Glen Stewart Godwin was convicted of murder andsentenced to twenty-five years to life. On June 30, 1987he escaped from Folsom State Prison by accessing themain storm drain and thereby reaching the AmericanRiver where a raft was waiting. He is one of only threeprisoners to ever escape from this prison.

Recompensa de 10millones por

información quepermita su captura

Buscado por el FBIBuscado por el FBI

Red

es N

euro

nale

s Art

ifici

ales

77

Aplicación de redes neuronales para lamejora de la calidad del jamón

FunciónUtiliza un sistema electrónico que ayude a la determinación dela calidad del Jamón.

Características

•Conjunto de sensores olfativos (nariz electrónica)•Trabajan 16 sensores•Clasificados por un sistema de clasificación basado en redesneuronales•Entrenado usando los resultados ofrecidos por un experto.

Red

es N

euro

nale

s Art

ifici

ales

88

Detección de Cubierta Nubosa y Clasificación deNubes mediante Redes Neuronales

•Trata la segmentación de las imágenes meteorológicas•Nubes bajas, medias, altas, Nubes de desarrollo vertical yNieblas.•Cubierta nubosa es uno de los factores más importantes delbalance radiactivo terrestre y constituye un papel fundamentalen la modulación del clima.•Para la clasificación se utilizan algoritmos de redes neuronales

Perceptrones multicapaMapas autoorganizativos

•El entrenamiento de las redes se realiza a partir de un conjuntode ejemplos preclasificados por expertos en suscorrespondientes clases

Red

es N

euro

nale

s Art

ifici

ales

99

Evaluación Morfológicade Ganado Bovino

A partir de fotografías de campo (una lateral, otra de frente yuna posterior) se obtiene una evaluación morfológica del animal.El problema se centra en la segmentación de la imagen(localización del animal) y en la posterior evaluación delcontorno mediante redes neuronales.

Red

es N

euro

nale

s Art

ifici

ales

1010

Aplicacion de RNA en Robótica

La programación de robots se hace en relación a lascoordenadas cartesianas, por lo tanto caerá en el controladorla tarea de traducir dichas coordenadas en variablesarticulares o motoras que gobernaran las movimientos delrobot.Por lo tanto , el control de robots depende de ladisponibilidad de funciones que permitan pasar del espaciofísico al espacio de variables articulares o motoras.funciones tienen el problema de ser altamente no linealespor todo esto las redes neuronales ofrecen una buenarespuesta a este tipo de aplicaciones.

Red

es N

euro

nale

s Art

ifici

ales

1111

Reglas de aprendizaje

• Reglas correccionales. No usan ninguna realimentaciónderivan de la regla hebbiana, usadas en modelos deaprendizaje adaptativo, modelos de resonancia adaptativa, ymapas auto-organizativos de Kohonen.b) Reglas de minimización del error. Requieren una señal deerror exacta que usa como realimentación. Esto quiere decirque precisan conocer las salidas que corresponden a lasentradas.c) Reglas basadas en una señal de refuerzo. La señal derefuerzo proporciona información de cómo ha sido de buena omala la respuesta a un determinado estímulo, generalmenteadopta valores entre un máximo (premio) y un mínimo(castigo).

Red

es N

euro

nale

s Art

ifici

ales

1212

Utilización de RNA en control

a) Modelización inversa directa. Es el esquema mas simple.Usa el propio sistema para generar pares de entrada-salida y entrena el modelo inverso directamente medianteel intercambio de entradas y salidas.

b) Modelización hacia delante. Procede en dos etapas. 1) Sehace que la red aprenda el modelo del sistema a partir depares e/s. 2) Se antepone dicho modelo a otra redneuronal y se entrena el sistema formado por ambas paraque aproxime la función identidad, manteniendo lospesos del modelo fijos, ya que serán lo pesos delcontrolador los que se ajustan.

Red

es N

euro

nale

s Art

ifici

ales

1313

c) Aprendizaje basado en la señal f de error realimentada.Requiere disponer de un controlador convencional conectadoal sistema, siendo la función de este la de hacer que la señal deerror tienda a cero. Este enfoque no precisa fase deaprendizaje previa.

Red

es N

euro

nale

s Art

ifici

ales

1414

Problemas Matemáticos En Redes Neuronales

En el caso de ajuste de funciones, las RNA tienen la ventajade su rápida evaluación numérica y de la obtención,igualmente rápida, de derivadas de las funciones, sinnecesidad de tomar derivadas numéricas.Para las ecuaciones diferenciales, las RNA puedenemplearse, en general, para resolver ecuaciones que tengansoluciones continuas; para ello, se representa la solución pormedio de la red y se ajustan los parámetros de la misma pormedio de una minimización de una función de error quecuantifica la desviación de la solución.

Red

es N

euro

nale

s Art

ifici

ales

1515

Aspectos destacables. El empleo de las RNAreduce al mínimo el número de coeficientes autilizar para representar una función, con elconsiguiente ahorro de memoria.Así mismo, debido a la rapidez de la evaluaciónnumérica, se economiza tiempo de cálculo.

Red

es N

euro

nale

s Art

ifici

ales

1616

Compañías aseguradoras

Las RNA proporcionan varias herramientas para mejorar lacomercialización de productos propios de compañíasaseguradoras. Se destacan a continuación tres tipos de redesque ya se han empleado en este tipo de mercado. Predicción de bajasA partir de un histórico (accidentes, edad, nivel socio-económico) sobre anteriores bajas, una red puede serentrenada para detectar a un mes vista qué clientes tienenuna alta probabilidad de dejar la compañía. La red otorga acada cliente un nivel de fidelidad, mejorando la identificaciónde los clientes más proclives a dejar la entidad.

Red

es N

euro

nale

s Art

ifici

ales

1717

Compañías aseguradoras

Targeted marketing

Una red puede ser entrenada con los resultados deuna campaña anterior para mejorar la selección depotenciales clientes en una nueva oferta de producto.A partir de datos históricos, la red ofrece unapredicción de no compra y, por lo tanto, reduce elconjunto de posibles clientes a contactar. Estemétodo puede llegar a reducir a la mitad el númerode clientes contactados manteniendo en un 90% elnivel de aceptación de una campaña.

Red

es N

euro

nale

s Art

ifici

ales

1818

Detección de fraude

Una RNA puede ser entrenada con datoshistóricos para detectar fraude no evidente. La redbusca correlaciones entre fraudes detectados ydatos del cliente, para luego sondear los nuevoscasos de accidentes.

Las RNA proporcionan una herramientacuantitativa sólida para la utilización de bases dedatos de clientes en compañías aseguradoras.

Red

es N

euro

nale

s Art

ifici

ales

1919

Compañías del sector de la alimentación

La IA proporciona varias herramientas para mejorar lacomercialización de productos propios de compañías del sector de laalimentación. Se destaca a continuación tres problemas que se puedenatacar con métodos estadísticos, algoritmos genéticos y redes neuronalesque se han empleado en este tipo de mercado.

Distribución

Los algoritmos genéticos permiten rastrear un enorme número deopciones en el diseño de una red de distribución, encontrando unasolución optimizada. La necesidad de este tipo de técnicas de análisis sehace patente cuando la red de distribución es grande, como puede ser eldiseño de rutas de un distribuidor con decenas de camiones.

Red

es N

euro

nale

s Art

ifici

ales

2020

Compañías del sector de la alimentación

PredicciónUna RNA puede ser entrenada con datos históricospara hacer predicción de ventas. Es posible, porejemplo, alimentar a la red con datos de las ventasde tanto un camión como de todo un distribuidorpara luego proporcionar una ayuda en la estimaciónde la predicción de las ventas futuras a corto y largoplazo.

Red

es N

euro

nale

s Art

ifici

ales

2121

Clasificación

Las RNA pueden aprender criterios de propensión ala compra de un determinado producto. Permitentambién crear cestas de compra, es decir predecirqué nuevo producto se debe ofrecer a undeterminado cliente dada su respuesta en el pasado.Las RNA, los algoritmos genéticos y otros métodosestadísticos avanzados proporcionan pues unaherramienta cuantitativa sólida para la utilizaciónde bases de datos de clientes en compañías del sectorde la alimentación.

Red

es N

euro

nale

s Art

ifici

ales

2222

Tipo dered. Objetivo Problema

Clasificación ypredicción

Ayuda al proceso de toma dedecisiones en la demandaenergética

Determinar la cantidad deelectricidad que se consumirámañana durante cada hora del día enfunción del tipo de día.

DATOS ORIGINALES: Se han recopilado datos de varios años de losque puede verse una breve muestra a continuación en "ele.raw". Eneste fichero encontramos la fecha, el día de la semana (1=lunes, ....), y elconsumo horario durante las 24 horas.

Consumo eléctrico

Red

es N

euro

nale

s Art

ifici

ales

2323

Red

es N

euro

nale

s Art

ifici

ales

2424

Consumo eléctrico

2.-Datos input de la red

Para el aprendizaje por parte de la red neuronal los datosoriginales se han procesado y se ha creado el fichero "ele.dat",del que ofrecemos una muestra.

Red

es N

euro

nale

s Art

ifici

ales

2525

Red

es N

euro

nale

s Art

ifici

ales

2626

Consumo eléctrico

Variables elegidas para esteestudio:

Variable a PREDECIR:

Parametrización en únicamentedos variables de: 1-24) Perfilnormalizado del consumohorario durante todo el día.Esta parametrización es halladaautomáticamente por la red.

1) Consumo total. 2-25) Perfilnormalizado del consumohorario durante todo el día.La red debe buscar la mejorparametrización (ejemplo declasificación), para poderutilizarla posteriormente comopredicción (ejemplo depredicción)

Red

es N

euro

nale

s Art

ifici

ales

2727

Consumo eléctrico

Red

es N

euro

nale

s Art

ifici

ales

2828

RESULTADOS

Los resultados se encuentranen el fichero "ele.tes". Lascolumnas 1 y 2 contienen laparametrización que haencontrado la red.En la grafica adjunta podemosver esta parametrizacionobtenida por la red. Los lunesse situan automaticamente enla parte superior derecha, losdomingos en la inferiorizquierda, y el resto entreellos.Esta parametrización es lautilizada para efectuar lapredicción del consumohorario

Red

es N

euro

nale

s Art

ifici

ales

2929

Aplicaciones Médicas

Las RNA proporcionan varias herramientas para ayudar en eldiagnóstico de pacientes y la predicción de su evolución.

DiagnósticoUna RNA puede ser entrenada a partir de datos históricos depacientes y su diagnóstico consolidado, el proceso corresponde auna clasificación.

A diferencia de otros métodos empleados en sistemas expertos, lared se adapta mediante reentrenamiento a cambios de tests, técnicasde diagnosis e incluso evolución de la población. Es unaherramienta de ayuda en el proceso de clasificación versátil ydinámica.

Red

es N

euro

nale

s Art

ifici

ales

3030

Aplicaciones Médicas

Evolución de un paciente

Una red puede ser entrenada con datos que reflejan la evolución depacientes aquejados de una cierta enfermedad. La red permite realizaruna predicción de la evolución de la misma enfermedad en nuevospacientes. La red es capaz de adaptase a cambios en el tratamiento eincluso proporcionar predicciones del resultado de aplicar diferentestratamientos. Grupos de riesgoA menudo se caracterizan ciertos grupos de riesgo (SIDA, cáncer depecho, etc..) con técnicas estadísticas sencillas. Las redes neuronalespermiten realizar clasificaciones mucho más elaboradas (no lineales)en base a ejemplos. La red actúa como una herramienta de"clusterización".

Red

es N

euro

nale

s Art

ifici

ales

3131

Futuro redes neuronales artificiales

Las redes neuronales alcanzan cada vez mayorauge, teniendo multitud de aplicaciones en camposdiversos y dando soluciones sencillas a problemascuya resolución resulta complicada cuando seemplean máquinas algorítmicas. Aún así, el futurode las redes neuronales no está todavía claro y seráen los próximos años cuando se determine suevolución.

Red

es N

euro

nale

s Art

ifici

ales

3232