Tarea sobre control inteligente

Solo disponible en BuenasTareas
  • Páginas : 7 (1611 palabras )
  • Descarga(s) : 0
  • Publicado : 9 de diciembre de 2010
Leer documento completo
Vista previa del texto
Charla: Redes Neuronales para el Desarrollo de Sensores Virtuales con aplicaciones en Procesos Biotecnológicos y Mineros
I. Resumen
La charla efectuada por el Dr. Gonzalo Acuña trata sobre el funcionamiento, aprendizaje y aplicaciones de las Redes Neuronales para el Desarrollo de Sensores Virtuales en Procesos Biotecnológicos y Mineros.
Primero se define lo que son las Redes Neuronales(RNs) como proceso de aprendizaje y procesamiento, y a través de modelos matemáticos se construyen RNs para la práctica del Control en diferentes sistemas.

II. La Neurona
A. Neurona Biológica
La neurona es un elemento de procesamiento capaz de recibir información, ya sea proveniente de otras neuronas o sensores que posee el cuerpo humano a través de axones. En la Figura 1 se muestra unesquema de una neurona biológica, con sus principales partes y conexiones.
Una sinapsis es una especie de hueco que permite modular información y convertirla en información excitatoria o inhibitoria. Las dendritas son las que reciben los axones que vienen de neuronas anteriores.
B. Neurona Artificial
Los investigadores McCulloch y Pitts plantearon en 1943 un modelo de una neurona artificial, querecorre casi todos los elementos mencionados anteriormente. En la Figura 2 se tiene una neurona, la cual está compuesta de dos etapas o elementos principales, primero por una función llamada función de activación y la otra por una función de transferencia de la activación.
En la gran mayoría de las neuronas la función de activación es una sumatoria, y es una sumatoria de información ponderadapor los pesos, los cuales hacen la acción de la sinapsis. La sumatoria pasa posteriormente por la función de transferencia que, en el modelo de McCulloch y Pitts, consiste en una función tipo umbral que cambia entre dos estados, -1 y +1, ó 0 y 1, siendo esta la salida de la neurona. McCulloch y Pitts demostraron que con este modelo de neurona se podían realizar varias funciones booleanas, entoncespostularon que la construcción de una computadora podía basarse en esa neurona.

Figura [ 1 ]: Neurona Biológica.

Figura [ 2 ]: Neurona Artificial planteada por McCulloch y Pitts (1943)

III. Red Neuronal
Una red neuronal se define como un aproximador de funciones y se puede utilizar en dos tareas principales, la tarea de clasificación y la tarea de regresión.
En la Figura 3 semuestra un conjunto de neuronas, conformando lo que se llama una red neuronal. Esta red posee tres capas, la capa de entrada con dos variables de entrada y una variable adicional llamada bias y que permite de alguna manera modelar la componente continua que trae la información, se tiene también la llamada capa oculta y la capa de salida con una sola variable de salida.

Figura [ 3 ]: Perceptrons deRossenblatt generalizado, con la capa de entrada (i), la capa oculta (j) y la de salida (k)

El diseño de una red neuronal de este tipo consiste básicamente en encontrar cuántas neuronas colocar en la capa para aproximar bien la función generadora, dada las entradas, y en diseñar las funciones de transferencia que van dentro de las neuronas.
El aprendizaje de estas redes neuronales consiste enmostrarle a la red neuronal las entradas y las salidas que se desean. Las entradas se multiplican por los pesos, que inicialmente poseen valores aleatorios, de tal manera que la salida, va a ser muy distinta al valor esperado. Ese error entre el valor deseado y el valor que la red neuronal entrega se retropropaga y sirve para modificar el valor de los pesos sinápticos. Luego, la información seintroduce en la entrada y así el ciclo se repite muchas veces hasta que se converge a los valores deseados.
A través del método de retropropagación se van encontrando los pesos adecuados de tal manera de ir bajando la función de costo, que tiene relación con el error, hasta un mínimo satisfactorio, que no siempre es global. En la Figura 4 se muestra en detalle la arquitectura de la retropropagación...
tracking img