Consideracionespara disear un modelo

El modelo y el cerebro

Modelo basado en aprendizaje: Modelo obtenido a partir de datos que identifican a las variables involucradas en un proceso o sistema, representado a travs de funciones lineales o no lineales que relacionan tales variables a travs de parmetros adaptables

Semejanza con el cerebro: El conocimiento se adquiere a travs de un proceso de aprendizajeLa sinapsis (conexin entre neuronas), tiene su equivalencia en los parmetros adaptables o pesos sinpticos del modelo resultante

PI: Tipo de aplicacin del modelo

En este paso se determina qu tipo de modelo se pretende obtener, basado en los tipos de aplicaciones ms usadas:

Aproximacin funcionalClasificacin o reconocimiento de patronesSerie temporal o PrediccinClustering

Aproximacin funcional

Aproximacin funcional: Se aplica un mtodo de aprendizaje supervisado donde la salida se define a travs de valores continuos

Ejemplos: Modelo de plantas Control de procesos Estimacin de la produccin agrcola Consumo de combustible Sabor de la cerveza

Clasificacin

Clasificacin o reconocimiento de patrones: Se aplica un mtodo de aprendizaje supervisado donde la salida se define a travs de clases o valores discretosSalida con ms de dos clases: Cada salida se identifica con cada clase,

A:*1, 0, 0,..,0+B:[0, 1, 0,..,0]C:[0, 0, 1,..,0]

.

.Z:[0, 0, 0,..,1+

Ejemplos de Clasificacin

Deteccin de fallos en mquinas:{Encendido, Apagado} [0, 1]

Diagnstico mdico: ,Sano, Enfermo-; ,Gordo, Flaco, Sano-Diagnstico del cncer de mama

Reconocimiento de caracteres y firma Sexo de las especies Detectar transacciones fraudulentas en tarjetas de crdito Clasificacin de la planta de Iris xito de una pelcula

Prediccin/Series temporales

Prediccin: Se aplica un mtodo de aprendizaje supervisado. Las variables involucradas tienen una fuerte dependencia del tiempo

Aproximacin esttica: Toda la informacin necesaria est contenida en la muestra actual (Ej.: Procesamiento de imgenes) Aproximacin dinmica: Es necesaria la informacin del pasado (retrasos) o valores estimados (adelantos) para predecir la salida(Ej.: Prediccin de inundaciones)

Ejemplos de Prediccin

Prediccin del tiempo Precio de cotizacin de acciones Crecimiento de ros Anticipar picos en red elctrica Resultados de eventos deportivos Distribucin de fuerzas policiales para prevencin Evolucin de variables caticas

Clustering

Clustering o minera de datos: Se aplica un mtodo de aprendizaje no supervisado. Toda la informacin necesaria para obtener el modelo est incluida en los datos de entrada

Ejemplos: Compresin de datos (Imagen, Anlisis de componentes principales) Diagramas de Voronoi Segmentar el mercado Reconocer genes

PII: Anlisis y procesamiento de las variables involucradas

En este paso se analiza cada variable por separado, con el objetivo de preparar los datos para obtener un mejor modelo, lo cual puede incluir Unidades de cada variable (imagen, sensores, datos) Dependencia temporal (perodo de muestreo) Anlisis visual del comportamiento de la variable (histograma, grupos 2D) Intervalos de definicin (magnitud, tamao, ) Suavizado de la variable (Modelado de una entrada) Utilizacin de filtros Reduccin de la dimensionalidad: Clustering Normalizacin de las variables

Anlisis y procesamiento de las variables involucradas (II)

Variables y Unidades

Girscopo

Sistema de medicin inercial

Odometra

Cmaras

Comps magntico

GPS

Snares

Infrarrojos

Lidar

Posicin

Orientacin

Velocidad

Aceleracin

Mapas 2D, 3D

Obstculos

Planificador de

trayectoriaControl

Anlisis y procesamiento de las variables involucradas (III)

Consideraciones temporales

Cmaras

GPS

Snares

Infrarrojos

0.2 seg

0.04 seg

0.00075 seg

0.00005 seg

Cada 2 datos del GPS existen

4000 del sensor infrarrojo

Anlisis y procesamiento de las variables involucradas (IV)

Anlisis visual: Variable ruidosa, existencia de grupos

Anlisis y procesamiento de las variables involucradas (V)

Anlisis visual: Presencia de seis grupos en una estructura de datos

0 2 4 6 8 10 12 14 16 18 20-6

-4

-2

0

2

4

6

0 2 4 6 8 10 12 14 16 18 20-5

-4

-3

-2

-1

0

1

2

3

4

5

Diagrama de Voronoi

Anlisis y procesamiento de las variables involucradas (VI)

Modelado de una entrada: Suavisado de una variable ruidosa

Anlisis y procesamiento de las variables involucradas (VII)

Reduccin de dimensionalidad: 300 datos (de 1000) representativos de la serie de Mackey-Glass despus de aplicar clustering

0 1 2 3 4 5 6 7 8 9 10-60

-40

-20

0

20

40

60

80

Normalizar?

PIII: Definir la estructura de entrada-salida adecuada

Analizar todas las variables como un sistema

Diferencias entre perodos de muestreo Nmero de muestras e intervalos de definicin Variables que sern retrasadas Variables que incluyan retardo Realimentacin del error Prediccin en el futuro

PIV: Distribuir de forma aleatoria los datos disponibles

Ao Mes Humedad Temperatura

1990 1 80 15

1990 2 75 17

1990 3 60 20

.

.

1990 12 75 13

1991 1 82 17

1991 2 80 20

PV: Definir la estructura del modelo

Mtodos para obtener el modelo

Redes Neuronales Sistemas Borrosos Sistemas Jerrquicos

Cmaras

Snares

Infrarrojos

LidarMapas 2D, 3D

Obstculos

Planificador de

trayectoriaControl

Ncleos estimadores/

Jerarqua

Mtodos para obtener el modeloRedes Neuronales

Perceptrn multicapas Red de base radial Redes competitivas Mapas autoorganizados .

Sistemas borrosos Sistema heurstico Red borrosa basada en datos Clustering borroso .

PVI: Adaptar el Modelo

Nmero de parmetrosCondiciones iniciales de los parmetrosMecanismos de adaptacin paramtricaCriterios de validacin..

PVII: Validacin y pruebaDatos

EntrenamientoComprobacin, validacinPrueba

PVII: Validacin y prueba

Datos por grupos

Interfaz grfica Matlab

Redes Neuronales

Aproximacin de funciones: nftool Reconocimiento de patrones: nprtool Clustering: nctool General: nntool (Ejemp1)(Ejemp2)

Interfaz grfica Matlab (II)

Lgica borrosa Sistema borroso:anfisedit(Ejemp1)(Ejemp2) Clustering: findcluster

Identificacin de sistemas Identificacin de sistemas: ident (Ejemp)

Obtencin de ecuaciones representativas aplicables a otras plataformas

Recursos

Series temporalesFunciones, clustering, patrones

Matlab:1.- Reconocimiento de caracteres: appcr1.

2.- Prediccin del sexo de un cangrejo a partir de su tamao: crabclassify.

3.- Prediccin de serie catica de Mackey-Glass: mgtsdemo.

4.- Prediccin de consumo de combustible: gasdemo.

5.- Clasificacin de Iris: fisheriris

Recursos (II)

Software: Alyuda Synapse Neurodimension Brainmaker Matlab

Aplicaciones: Alyuda Synapse Megaputer Brainmaker Statsoft