Redes neurnales

APLICACIONES DE REDES NEURONALES EN INGENIERÍA DE TRÁFICO

En la sección anterior se describieron aspectos relacionados a las Redes Neuronales Artificiales, área de la
Inteligencia Computacional, que desde que a mediados de la década de los 80s, el grupo PDP (Paralell Distributed Processing) popularizó el, influenciado también con la posterior propuesta de otros modelos y la comprobación de“Kolmorov de que arquitecturas de características similares algoritmo de aprendizaje de retropropagación hacia atrás, tuvo un interesante e imparable desarrollo al perceptrón multicapa, con una única capa oculta, resultaba ser un aproximador universal de funciones” [Del Brio, M., pg. 64]; es decir, formalmente cualquier problema real – generalmente complejos y no lineales- puede ser resueltos medianteeste tipo de sistemas.

El ámbito de aplicación de las Redes Neuronales Artificiales, RNA, en las Redes y Telecomunicaciones puede ser muy importante, considerando por un lado el tipo de problemas a resolver, por ejemplo, relacionados al tráfico de datos, y por otro lado, las soluciones que pueden ser proporcionas por las redes neuronales para este tipo de problemas. A continuación, se enlistaalgunas de las características de las RNA que pueden ser determinantes a la hora de considerarlas en la aplicación en áreas como la citada.

• Las redes neuronales artificiales, a través de su proceso de entrenamiento son capaces de determinar relaciones no lineales entre un conjunto de datos, asociando a patrones de entrada la o las salidas correspondientes. Es así, que algunos modelos de RNAson utilizados para determinar proyecciones a partir de una fuente de datos; esta característica puede ser aprovechada para realizar predicciones, por ejemplo, para determinar ancho de banda disponible, detectar patrones de congestión de tráfico, predecir el uso de recursos -como enlaces- e incluso para establecer o mejorar algoritmos de encaminamiento y en general para aplicar en tareasrelacionadas a la Ingeniería de Tráfico.

• Los tipos de aprendizaje disponibles para algunos modelos: aprendizaje por lotes (batch) y aprendizaje en
serie (on line) puede utilizarse para tareas de predicción y clasificación, dependiendo de los datos que se disponga y la capacidad de procesamiento disponible, por ejemplo, el aprendizaje en serie es habitualmente
empleado en aquellos problemas en losque se dispone de un muy numeroso conjunto de patrones de entrenamiento. Con estas capacidades se podría procesar -en tiempo real o fuera de línea- los archivos
de traza generados por algunos equipos y aplicaciones de comunicaciones sobre el uso de recursos en la red y
con las salidas proporcionadas por las RNA poder facilitar tareas de la Ingeniería de Trafico como: modelamiento del tráfico;control, optimización y dimensionamiento de la red.

• Modelos supervisados como el Perceptrón Multicapa mediante el algoritmo backpropagation o modelos no
supervisados como mapas de Kononen -por su capacidad de memorizar patrones-, pueden ser aplicados
para extraer o cancelar el ruido de las señales.

• Una red neuronal tiene en cuenta los cambios en las condiciones del entorno y puedeadaptarse por sí misma
a los cambios; es decir, una vez que la red ha sido entrenada y probada, será de capaz de establecer las
relaciones aprendidas sobre un nuevo conjunto da datos.

• Una aproximación basada en RNA puede aprender los modelos específicos de cada sistema de red y proporcionar aproximaciones aceptables de los sistemasAhora se citará algunas características de las tareas a
cubrir porla Ingeniería de Tráfico y más adelante se detallará algunos proyectos de aplicación de las RNA en éstaárea.

• Medir y predecir el rendimiento de la red. El uso de los recursos de red compartidos y el ancho de banda son dinámicos, varía con el tiempo [Eswaradass, A]. Por tanto, la predicción de ancho de banda resulta ser una tarea compleja para ser tratada con métodos tradicionales como la...