Professional Documents
Culture Documents
EJEMPLOS
Zurada, 1992. Conjunto de elementos fsicos interconectados capaces de almacenar y utilizar conocimiento. Prez Delgado y Martn Martn, 2003. Arquitecturas de procesamiento paralelo que ofrecen nuevos mecanismos aplicables a una amplia gama de problemas.
Comienzos:
A partir de la dcada de 40s. McCulloch-Pitts (1943). Primer modelo matemtico de una RNA con salida binaria. Donald Hebb. Desarrolla el modelo matemtico de aprendizaje. Marvin Minsky (1951). Primeros resultados prcticos con RNAs. Frank Rosenblatt (1957). Desarrolla el percetrn.
No supervisado:
TOPOLOGA
Feedforward:
Son redes con conexiones hacia delante. No se forman bucles internos entre capas. Se forman bucles internos entre capas o intracapas. La salida de una capa depende de los valores anterioes. Feedback
Feedback:
TIPOS DE DATOS
Categricas
Variables discretas. Variables nmeros reales.
Conexin recurrente
Cuantitativas
Ventajas
Capacidad de aprendes a partir de ejemplos. Aroximador de funciones no lineales. Filtrar ruido.
Capa de entrada Variable 1 Capas ocultas
MLP
Inconvenientes:
Largo proceso de aprendizaje. Modelo no interpretable.
W22
Arquitectura:
Variable 2
W23
W 14 W24
Capa de entrada. Capas ocultas. Capa de salida. Funciones ms comunes (tansig, logsig, purelin).
B3
W42 W41
B4
Umbral Neurona
Diseo:
N de neuronas en la capa de entrada: Estudio previo del proceso.
Variables correlacionadas. Variables no relevantes.
N de neuronas de las capas ocultas y capas ocultas: Prueba y error. N de conexiones+n de neuronas<n de datos disponibles.
Red no definida matemticamente. No siempre se busca eso.
Capacidad de generalizacin:
Caracterstica ms importante. La red puede aprender los ejemplos pero no generalizarlos. Se debe evaluar la capacidad de generalizacin durante el proceso.
Conjunto de entrenamiento. Conjunto de validacin. Elegidos aleatoriamente Entrenamiento: 70-80%. Validacin: 20-30%. Deben ser representativos de la poblacin, no debe haber diferencias significativas entre ellos. Introduccin de datos anmalos.
Buena generalizacin
Mala generalizacin
Tcnica Early-stopping.
Entrenamiento
Validacin
Ciclos de entrenamiento
RBN
Capa de salida. N de neuronas de la capa de entrada: Variables implicadas en el proceso. N de neuronas de las capas ocultas y capas ocultas: Prueba y error. Aprendizaje hbrido
Capa oculta: No supervisado. Determinacin de los centros y amplitudes. Capa de salida: supervisado. Determinacin de pesos y umbrales de salida. Se pierde el carcter local de la red.
Diseo.
Proceso de aprendizaje.
Datos simulados.
Se puede recurrir a ellos en caso de que no dispongamos de muchos datos. Libres de ruido. Menor coste de todos. Exigen un modelado matemtico de la produccin y esto no siempre es posible.
Monitorizacin y control.
Control de calidad del producto final. Datos de entrada fciles y rpidos de obtener.
Tableros: Parmetros de fabricacin o ensayos de control de calidad rpidos. Cemento: Acortar el tiempo real de ensayos.
EJEMPLOS
INDUSTRIAS AGRARIAS INDUSTRIA CEMENTERA INDUSTRIA FORESTAL INDUSTRIA METALRGICA INDUSTRIA PAPELERA INDUSTRIA QUIMICA/FARMACETICA INDUSTRIA TEXTIL
INDUSTRIAS AGRARIAS
Reconocimiento y clasificacin de semillas y productos.
Burks, T.F.; Shearer, S.A.; Heath, J.R.; Donohue, K.D. (2005). Evaluation of Neural-network Classifiers for Weed Species Discrimination. Biosystems Engineering. vol. 91(3), 293-304.
Clasificacin de semillas. A partir de imgenes digitales Redes vs. Mtodos estadsticos de clasificacin Kohonen, Red Radial, MLP 97% de aciertos frente al 93% del mtodo estadstico.
Granitto, P.M.; Navone, H.D.; Verdes, P.F.; Ceccatto, H.A. (2002). Weed Seeds identification by machine vision. Computers and electronics in agriculture. vol. 33, 91-103.
RNA
Color Identificacin de semillas a partir de imgenes Morfologa y tamao Se clasificaron correctamente el 99.5% de las imgenes. Textura
Especie
Kavdir, I. (2004). Discrimination of sunflower, weed and soil by artificial neural networks. Computers and electronics in agriculture. vol. 44, 153-160.
Discriminacin a partir de imgenes. MLP Error: 10-15%
INDUSTRIAS AGRARIAS
Reconocimiento y clasificacin de semillas y productos.
Marini, F.; Baliestrieri, F.; Bucci, R.; Magri, A.D.; Magri, A.L.; Marini, D. (2004). Supervised pattern recognition to autenticate Italian extra virgin olive oil. Chenometrics and intelligent laboratory systems. vol. 73, 85-93.
Identificacin de 14 variedades de aceite (segn especie y procedencia) a partir de 10 parmetros qumicos.
Acidez Palmtico Oleico Esterico .....
Marini, F.; Magri, A.L; Bucci, R.; Magri, A.D.; Magri, A.L. (2007). Use of different artificial neural networks to resolve binary blends of monocultivar Italian olive oils. Analytica Chimica Acta. vol. 599, 232-240.
Diferenciacin de tipos de mezclas de aceites. Combinacin de dos tipos de red.
Kohonen para seleccin de muestras MLP para la diferenciacin
INDUSTRIAS AGRARIAS
Modelizacin de procesos de secado.
Ceylan, , Akta. (2008). Modeling of a hazenut dryer assisted heat pump by using artificial neural networks. Applied Energy. vol. 85, 841-854.
Modelizacin del proceso. Dos redes: MLP
Control de velocidad de secado y humedad final: MLP [3-4-2] Control del tiempo de secado: MLP [3-2-1]
T aire T aire
RNA
Tiempo de secado
RNA
R2: 0.84-0.95
Hernndez-Prez, J.A.; Garca-Alvarado, M.A.; Trystram, G.; Heyd, B. (2004). Neural networks for the heat and mass transfer prediction during drying of cassava and mango. Innovative Food Science & Emerging Technologies. vol. 5, 57-64.
MLP [5-3-2] Variables entrada:
Temperatura, Tiempo, Contraccin volumtrica, Veloc. aire, %HR Temperatura y humedad de las muestras
INDUSTRIAS AGRARIAS
Modelizacin de curvas de sorcin.
Myhara, R.M.; Sablani, S. (2001). Unification of fruit water sorption isoterms using artificial neural networks. Drying Technology. vol. 19(8), 1543-1554.
GAB vs. RNA para 10 tipos de frutas.
Entrada T y aw Salida: EMC
La RNA da resultado inferior a la curva GAB La RNA permite incluir datos de la composicin qumica.
Myhara, R.M.; Sablani, S.; Al-Alawi, S.M.; Taylor, S.M. (1998). Water Sorption Isotherms of Dates: Modeling Using GAB Equation and Artificial Neural Network Approaches. Lebensn-Wiss. u Technol. vol 31, 699-706.
MLP vs. GAB
MLP: R2=0.998 GAB: R2=0.996
MLP permite incluir datos de la composicin qumica MLP no proporciona los valores de K, Cg y Xm.
Peng, G.; Chen, X.; Wu, W.; Jiang, X. (2007). Modeling of water sorption isotherm for corn starch. Journal of Food Engineering. vol. 80, 562-567.
MLP vs. varios modelos de sorcin (GAB, Peleg, Henderson, Smith)
MLP: 3% error GAB: 6% error
INDUSTRIA CEMENTERA
Obtencin de las propiedades fsicas del hormign.
Baykasolu, A.; Dereli, T.; Tani, S. (2004). Prediction of cement strength using soft computing techniques. Cement and Concrete Research. vol. 34, 2083-2090.
MLP para la obtencin de la resistencia a la compresin a los 28 das. Frente a mtodos tradicionales de envejecimiento acelerado. Datos procedentes de produccin 19 parmetros qumicos y fsicos de entrada MLP vs. Modelo lineal de regresin.
MLP: R2=0.697 Regresin lineal: R2=0.357
Gonzlez, B.; Martnez, M.I.; Carro, D. (2006). Prediction of the Consistency of Concrete by Means of the Use of Artifical Neural Networks. Artificial Neural Networks in Real-Life Applications. Ed. IDEA GROUP. London, UK. ISBN. 1-59140-904-7.
Muestras preparadas en laboratorio. MLP Entrada: Composicin qumica y granulometra. Salida: Asentamiento del cono de Abrams (cm)
Asentamiento
Despus
30cm
Antes
INDUSTRIA CEMENTERA
Obtencin de las propiedades fsicas del hormign.
Sbarti, Z.M.; Laurens, S.; Viriyametanont, K.; Balayssac, J.P.; Arligie, G. Non-destructive evaluation of concrete physical condition using radar and artificial neural networks. Construction and Building Materials. In press.
Amplitu d de la seal directa Amplitud de la seal reflejada
Tiempo (ns)
Contenido de agua Amplitud de la seal reflejada Amplitud de la seal directa Retraso en la seal de reflexin Contenido de cloruro Idem Contenido de agua R2(agua)=0.93; R2(Cl)=0.98 sobre el conjunto de validacin.
0 -0.6 0
Amplitud normalizada
+0.8
Retraso
Yeh, I.C. (1998). Modeling of strength of high-performance concrete using artifical neural networks. Cement and Concrete Research. vol. 28, 1797-1808.
Muestras preparadas ad hoc. MLP vs. Regresin mltiple
MLP: R2=0.85-0.92 Regresion: R2=0.71-0.79
Entrada: densidad, contenido en agua, cenizas, % de finos, momento del ensayo. Salida: Resistencia a la compresin.
INDUSTRIA FORESTAL
Control de produccin.
Cook, D.F.; Chiu, C-C. (1997). Predicting the internal bond strength of particleboard utilizing a radial basis function neural network. Engng. Applic. Artif. Intell. vol 10(2), 171-177.
Red Radial Obtencin de la cohesin interna a partir de parmetros de produccin
MC, T prensas, Tiempo de prensado, T del secadero...
Error: 12.5%
Cook, D.F.; Whittaker, A.D. (1992). Neural network models for prediction of process parameters in wood products manufacturing. First Industrial Engineering Research Conference Proceedings. 209-211.
MLP Entrada: Parmetros de produccin Salida: Por encima de especificacin-Perteneciente a especificacin-Por debajo de especificacin.
Garca Fernndez, F.; Garca Esteban, L.; de Palacios, P.; Navarro, N.; Conde, M. (2008). Prediction of standard particleboard mechanical properties utilizing an artificial neural network and subsequent comparison with a multivariate regression model. Investigacion Agraria: Sistemas y Recursos Forestales In press.
A partir de propiedades fsicas rpidas de medir Datos procedentes de produccin MLP vs Regresin Multivariante
MLP: RIB=0.87; RMOR=0.87; RMOE=0.87 Regresin: RIB=0.0.70; RMOR=0.65; RMOE=0.52
Esquema de la Red
INDUSTRIA FORESTAL
Clasificacin.
Drake, P.R.; Packianather, M.S.; (1998). A decission Tree of Neural Networks for Classifying Images of Wood Veneer. The International Journal of Advanced Manufacturing Technology. vol. 14, 280-285.
Entrada de imgenes tratadas digitalmente Salida: Tipo de defecto:
Nudo, corteza, decoloracin, desviacin de la fibra....
Ramirez Alonso, G.MJ.; Chacn Murgua, M.I.; (2005). Clasificacin de los defectos en la Madera utilizando Redes Neuronales Artificiales. Computacin y Sistemas. vol. 9 (1), 17-27.
MLP Clasificacin de 7 tipos de defectos Tratamiento de imgenes por filtros digitales Aciertos: 83.9%
IMAGEN
TRAN SFORMACION POR FILTROS GABOR
MLP
Nordmark, U. (2002). Knot identification from CT images of young Pinus sylvestris sawlogs using artificial neural networks. Scandinavian Journal Forest Research. vol. 17, 72-78.
MLP Tratamiento digital de las imgenes Aciertos: 97-98%
Filtro
Esquema de la Red
INDUSTRIA FORESTAL
Varios.
Diamantopoulou, M.J. (2005). Artificial Neural Networks as an alternative tool in pine bark volume estimation. Computers and electronics in agriculture. vol. 48, 235-244.
MLP vs. Regresin multivariante
MLP: Error= 5-7% Regresin: Error=18-23%
Mansfield, S.D.; Iiadis, L.; Avramidis, S. (2007). Neural network prediction of bending strength and stiffness in western hemlock (Tsuga heterophylla Raf.) Holzforschung vol. 61, 707-716.
MLP vs Modelos lineares de regresin Modelos de regresin:
MOR: R2=0.33 MOE: R2=0.43 MOR: R2=0.56 MOE: R2=0.70
MLP:
INDUSTRIA METALRGICA
MLP Entrada: Composicin, Microestructura (12 tipos), T ensayo. Salida: Propiedades mecnicas. R2=0.97 (Grupo de validacin)
Mn Nb C
RNA
Composicin
Cr V
Elongacin MOE
Pu, Y.; Mesbahi, E. (2006. Application of artificial neural networks to evaluation of ultimate strength of steel panels. Engineering Structures. vol. 28, 1190-1196.
Planchas destinadas a la industria naval MLP vs. modelos empricos. Entrada: Anchura de la plancha, espesor, lmite de fluencia, esfuerzo residual Salida: Resistencia mxima Error MLP: 4.3%
Resistencia de soldadura
Martin, O.; Lpez, M.; Martn, F. (2007. Artificial neural networks for quality control by ultrasonic testing in resistance spot welding. Journal of Materials Processing Technology. vol. 183, 226-233.
MLP [3-6-6-1] Entrada: Tiempo de soldadura, Intensidad de corriente y tipo de electrodo Salida: Punto vlido/no vlido Aciertos: 96.8%
INDUSTRIA PAPELERA
Optimizacin de procesos
Aguiar, H.E.; Maciel, A.; Maciel, R. ( 1998). Modeling and optimization of pulp and paper processes using neural networks. Computers Chem. Engng. vol 22 Suppl, S981-S984.
Modelizacin del digestor Kraft Modelo terico vs. MLP Entrada: Alcalinidad, espesor de la partcula de madera, temperatura inicial, temperatura de cocido, densidad, contenido en lignina, contenido en celulos, contenido en hemicelulosa Salida: Cantidad de lignina de la pasta. El modelo terico proprciona una interpretacin del proceso La RNA proporciona una herramienta de experimentacin con bajo coste.
INDUSTRIA QUIMICA/FARMACEUTICA
Qumica.
Ramadhas, A.S.; Jayaraj, S.; Muraleedharan, C.; Padmakurami, K. (2006). Artificial neural networks used for the prediction of the cetane number of biodiesel. Renewable Energy. vol 31, 2524-2533.
Obtencin del CN (ASTM D613) Es un procedimiento muy complejo que involucra fuentes de incertidumbre no atribuibles al error de experimentacin. Entrada: Composicin en cidos grasos (palmtico, esterico, oleico, linoleico, linolenico) 4 tipos de RNA:
MLP: Error=3.4% RB: Error=5.0% GRNN: Error=3.8% RNN: Error=3.6%
Farmaceutica.
Domnguez Rubio, J.L.; Castro Bleda, M.J.; Daz Villanueva, W. (2003). Discriminacin y prediccin de propiedades de frmacos mediante redes neuronales. Inteligencia Artificial, Revista Iberoamericana de Inteligencia Artificial. vol 18, 7-16.
Herramienta de ayuda a la investigacin. 4 MLP segn la propiedad estudiada Entrada:
Datos topolgicos moleculares: presencia de ciertos tomos, su posicin tipos de enlaces y posicin... Presencia/ausencia de efecto analgsico: Aciertos=86.18% Presencia/ausencia de efecto antidiabtico: Aciertos=94.19% [64-4-4-1] Actividad bactericida: RMS=0.45 [52-64-1] Solubilidad: RMS=1.74 [52-32-1]
Salida:
INDUSTRIA TEXTIL
Propiedades de materiales textiles.
Yuen, C.W.M.; Wong, W.K.; Qian, S.Q.; Chan, L.K.; Fung, E.H.K. (2008). A hybrid model using genetic algorithm and neural network for classifying garment defects. Expert Systems with Applications. In press.
RNA
Round Round
(0,1) (0,1)
(0,1) (0,1)
Wong , W.K.; Yuen, C.W.M, Fan D.D.; Chan, L.K.; Fung, E.H.K. (2008). Stitching defect detection and classification using wavelet transform and BP neural network . Expert Systems with Applications. In press.
A partir de imgenes tratadas digitalmete MLP Salida: 5 defectos de cosido
Pliegues: Aciertos=100% Arrugas: Aciertos=100% Tirantez en costura: Aciertos=100% Ausencia de puntada: Aciertos=100% Agujeros: Aciertos=100%
AGRADECIMIENTOS
Ctedra de Tecnologa de la Madera. Ing. Santiago Izquierdo Izquierdo. rea de Metodologa de ISBAN. Ing. Rosa Cabedo Galln. Tcnico e-Learning Proyecto AVE (Aula Virtual de Espaol) Instituto Cervantes.