Consideraciones Modelo Neuronal
-
Upload
xavier-barcia-rosero -
Category
Documents
-
view
39 -
download
0
Transcript of Consideraciones Modelo Neuronal
-
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