Post on 16-Jun-2018
Sistemas Inteligentes en Ingenieria
Antonio Morán, Ph.D.
El Ser Humano es Inteligente
Tiene Capacidad Para:AprenderRazonar
IntuirMejorar
Es Capaz de Trabajar en Forma Autónoma
Diseño de Sistemas Inteligentes
Sistema Inteligente
Autónomo Hace su trabajo por si solo.Conoce objetivos. Los consigue.
AprendeAprende de la experiencia.Mejora cada vez.No repite errores.
Adaptivo Se adapta a situaciones diferentes.Responde en situaciones no previstas
Robusto Buena perfomance aun si cambian las condiciones
Inteligencia Artificial y Sistemas Inteligentes
Como representar artificialmente la inteligencia
del ser humano
Máquinas InteligentesMateriales InteligentesSoftware Inteligente
Anestesista en Operación
Presión arterial
Nivel adrenalina
Cantidad anestesia
Anestesista en Operación
Presión arterial
Nivel adrenalina
Cantidad anestesia
SistemaSuministroAutomáticoAnestesia
Suministro de Insulina
Paciente
Inyección de insulina cada
6 horas
Suministro de Insulina
Nivel Glucosa
Nivel adrenalina
Cantidad Insulina
SistemaSuministroAutomático
Insulina
Robot Inteligente
Diseño de Sistemas Inteligentes
Redes Neuronales
Lógica Difusa
Algoritmos Genéticos
Redes Neuronales
Sistemas con capacidad para estimar funciones no-lineales de varias entradas y varias salidas
usando datos de entrada y salida
Procesamiento No-LinealProcesamiento Paralelo
Auto-ajuste en Tiempo RealCapacidad para OptimizarCapacidad para Aprender
Pedro
PedroCerebro
y = Φ(x)
DosCerebro
y = (x)
Redes Neuronales
IngenieríaProcesamiento de señales, imágenes
Economía
Medicina
Modelamiento y control de sistemasDiagnósticos
Detección de fallasReconocimiento de patrones
PronósticosEstimaciones
Predictor de Petróleo en Pozos
Suelo
400 m
50 m
Predictor de Petróleo
Pozo 1 42 55 14 2 56 42 12 1 1
..
..
Tem Hum Ca Su Tem Hum Ca Su Petróleo
Pozo 2 39 62 20 4 54 40 18 1 0
Pozo 3 33 31 36 1 51 40 31 2 0
Pozo 50 45 51 19 5 60 48 21 3 1
..Predictor de
Petróleo
Análisis de Riesgo en Entidades Finacieras
Persona 1 Persona 2 Persona 3
Edad 39 35 40Ingres/mes 2000 2500 1800Esposa (trabaja) 1 0 0Número de hijos 1 2 3Casa propia 0 1 1 Casa (lugar) 2 3 1Carro (año) 1998 1988 2000
Pagó préstamo 1 0 1
Análisis de Riesgo en Entidades Finacieras
Estimador de RiesgoData
1.00.70.50.2
Función matematica de varias entradas y una salida
Red Neuronal
Tipos de Redes Neuronales
Código de una persona
Cara de la persona
y = Φ(x)
Matriz de 20x20
0101001101Diez dígitos
Código de una persona
Cara de la persona
y = Φ(x)
0101001101
0000000010……
1100101
Vector de 10 x 1
Vector de 400 x 1
Red Neuronal
Entrenamiento de la Red Neuronal
Inicio
Después de 1,000 etapas
Después de 10,000 etapas
¿Qué es el Entrenamiento?
x
y
x
y
y = ax + b
y = ax + bx + c2
Sistema de Reconocimiento de Números
Matriz de 9 x 6
Sistema de Reconocimiento de Números
9 x 6 = 54
Entradas 10 Salidas
1000000000
0100000000
0010000000
0000000001
…
Sistema de Reconocimiento de Números
0100000000
Reconocimiento de 100% en datos de entrenamiento
Reconocimiento de 88% en datos de validación
Detección de Anomalías Cardiacas
Detección de Anomalías Cardiacas
Normal
Fibrilosis auricular
Fibrilosis ventricular
Quistemia
Red Neuronal
620Entradas
4 Salidas
1000
0100
0010
0001
620 puntos de un periodo
Validación con Señales Cardiacas Ruidosas
Red Neuronal
620Entradas
4 Salidas
1000
0100
0010
0001
Reconocimiento al 90% en señales de ruido bajo y medio
Reconocimiento al 70% en señales de ruido alto
Detección y Diagnóstico de Enfermedades
Imagen
Compresora de Imágenes Neuronal
Imagen
Compresora de Imágenes Neuronal
Lima Miami
Compresor Expansor
Aplicaciones de Redes Neuronales en Robot Móviles
Auto-Conducción de Vehículos
Auto-Posicionamiento y Esquivameinto de Obstáculos
Automóvil que se Conduce Solo
Robots en Minería
Robots en Minería
Autoconducción de Vehículos
Autoconducción de Vehículos
Vehículoxy
x*y*
Estructura de Control
Trayectorias con Neuro-Control
Trayectorias con Neuro-Control
Robot Móvil que Esquiva Obstáculos
Posición Inicial
Posición FinalObstáculos
Robot móvil que esquiva obstáculos
Gracias por su atención !
amoran@ieee.org