Aplicaciones industriales de las redes neuronales

Seminario Científico Internacional 2008 de invierno (SCI 2008i) LAS REDES NEURONALES ARTIFICIALES Y SUS  APLICACIONES INDUSTRIALES INDUSTRIALES - Franc Francisco isco García García Fernández. Fernández. Dr. Dr. Ingeniero Ingeniero de Montes - Luis García García Esteban. Esteban. Dr. Ingenier Ingenieroo de Montes - Paloma de Palacios Palacios de de Palacios. Palacios. Dr. Ingeniero Ingeniero de de Montes - Antonio Guindeo Guindeo Casasús Casasús.. Dr. Ingeniero Ingeniero de Montes Montes

Cátedra de Tecnología de la Madera Escuela Técnica Superior de Ingenieros de Montes Universidad Politécnica de Madrid

APLICACIONES INDUSTRIALES DE LAS REDES NEURONALES •

INTRODUCCIÓN / HISTORIA

•

TIPOS DE REDES NEURONALES ARTIFICIALES

•

MODELOS MÁS UTILIZADOS EN LA INDUSTRIA  –  –  –  –

•

UTILIZACIÓN DE LAS REDES NEURONALES EN LA INDUSTRIA  –  –  –  –

•

PERCEPTRON MULTICAPA REDES DE BASE RADIAL REDES RECURRENTES MAPAS AUTOORGANIZATIVOS DE KOHONEN CONDICIONES DE USO PROCEDENCIA DE LOS DATOS DIVISIÓN DE LOS DATOS USOS

EJEMPLOS

TIPOS DE REDES NEURONALES • INTRODUCCIÓN.  – Estructura que intenta imitar algunas características de los sistemas biológicos.

Aprenden a resolver problemas en base al conocimiento extraído del entorno.

 – No hay una definición precisa de ellas: • Haykin, 1994. Conjunto de procesadores en paralelo capaces de almacenar 

información procedente de patrones conocidos y aplicarla a ejemplos desconocidos.  – El conocimiento se adquiere en la fase de entrenamiento.  – El conocimiento se almacena en las conexiones entre neuronas.

• Zurada, 1992. Conjunto de elementos físicos interconectados capaces de almacenar y

utilizar conocimiento. • Pérez Delgado y Martín Martín, 2003. Arquitecturas de procesamiento paralelo que ofrecen nuevos mecanismos aplicables a una amplia gama de problemas.  – Comienzos: • • • • •

A partir de la década de 40’s. McCulloch-Pitts (1943). Primer modelo matemático de una RNA con salida binaria. Donald Hebb. Desarrolla el modelo matemático de aprendizaje. Marvin Minsky (1951). Primeros resultados prácticos con RNAs. Frank Rosenblatt (1957). Desarrolla el percetrón.

TIPOS DE REDES NEURONALES •

DEPENDIENDO DEL TIPO DE APRENDIZAJE  –

Supervisado: •

 –

A la red se le presenta la solución a cada vector de entrada.

No supervisado: No se presenta la solución. • Clasificadores. •

Feedforward

•

TOPOLOGÍA  –

Feedforward: Son redes con conexiones hacia delante. • No se forman bucles internos entre capas. •

 –

Feedback: Se forman bucles internos entre capas o intracapas. • La salida de una capa depende de los valores anterioes. •

•

Feedback

TIPOS DE DATOS  –

Categóricas •

 –

Variables discretas.

Cuantitativas •

Variables números reales.

Conexión recurrente

MODELOS MÁS UTILIZADOS EN LA INDUSTRIA •

PERCEPTRON MULTICAPA  –  –

Arquitectura de neuronas con conexiones hacia delante. Aproximador universal para cualquier función continua y diferenciable en un compacto de

 –

Ventajas

n

• • •

 –

Inconvenientes: • •

 –

Capas ocultas

Capa de entrada

Largo proceso de aprendizaje. Modelo no interpretable.

Arquitectura: • • • •

 –

Capacidad de aprendes a partir de ejemplos. Aroximador de funciones no lineales. Filtrar ruido. W’’11

W’11 B1

Variable 1

W’21

W’’ 21

W’12

Capa de entrada. Capas ocultas. Capa de salida. Funciones más comunes (tansig, logsig, purelin).

W’’ 32 W’’42 B3

• •

W’’41

B4

Umbral Neurona

Nº de neuronas en la capa de entrada: Estudio previo del proceso.  –  –

Variables correlacionadas. Variables no relevantes.

Nº de neuronas de las capas ocultas y capas ocultas: Prueba y error. Nº de conexiones+nº de neuronas