Está en la página 1de 16

UNIVERSIDAD MAYOR DE SAN SIMN FACULTAD DE CIENCIAS Y TECNOLOGA CARRERA DE INGENIERA DE SISTEMAS

NOMBRES: BARRIENTOS JALDIN DIEGO COCA VARGAS MANUEL RODRIGO FLORES SORIA MIRIAN DOCENTE: LIC. CARMEN ROSA GARCIA PEREZ MATERIA: SISTEMAS EXPERTOS

Junio, 29 de 2013

1. Requerimiento de Software JDK 1.7 2. Requerimiento de Hardware Requerimientos mnimos: Procesador Intel Pentium R D. Tarjeta de memoria RAM de 512 MB. Tarjeta grfica NVIDIA GEFORCE 7300 de 512 MB. Capacidad en Disco duro de 250 MB. 3. Manual de Instalacin de NeurophStudio Pasos: 1. Ejecutar neurophstudio-windows-2.7.exe

2. Pulsar Next

3. Aceptar los trminos de la licencia y pulsar Next

4. Seleccionar el directorio de instalacin y pulsar Next

5. Pulsar Install

6. Proceso de Instalacin

7. Instalacin Completa

4. Manual de Usuario

1. En la barra de men, en File, escoger la opcin New Project para crear un nuevo proyecto

2. En Categories escoger Neuroph, en Projects Neuroph Project y pulsar Next

3. Nombrar el proyecto, darle ubicacin y pulsar Finish

4. En la barra de men, en File, escoger la opcin New File

5. En Categories escoger Neuroph, en File Types Neural Network y pulsar Next para crear una red neuronal

6. Dar nombre a la red neuronal y escoger el tipo de red, en este caso Multi Layer Perceptron

7. Ingresar el nmero de neuronas de entrada, el nmero de neuronas de la capa oculta, las neuronas de salida. Luego seleccionar Connect input to output neurons para conectar las salidas con las entradas. Finalmente elegir la funcin de transferencia, la regla de aprendizaje y pulsar Finish

8. Red creada

9. En la barra de men, en File, escoger la opcin New File

10. En Categories escoger Neuroph, en File Types Training Set y pulsar Next para crear un conjunto de entrenamiento

11. Nombrar el conjunto de entrenamiento, escoger el tipo de entrenamiento, ingresar el nmero de entradas y el nmero de salidas

12. Pulsar Load From File para cargar el archivo que contiene el conjunto de entrenamiento y no tener que poner los datos manualmente

13. Escoger la ruta del archivo pulsando Choose File, seleccionar el separador de valores (espacio, tabulacin, , o ;) dependiendo del archivo y finalmente pulsar Load

Archivo del conjunto de entrenamiento

14. Pulsar Finish para terminar de crear el conjunto de entrenamiento

15. Para entrenar a la red, pulsar Train

16. Ingresar el error mximo y el porcentaje de aprendizaje. Se puede limitar las iteraciones para que el entrenamiento no dure demasiado

17. El entrenamiento comienza y termina al alcanzar el error mximo. Finalmente guardar la red neuronal

5. Descripcin del Problema La produccin basada en series de tiempo es de gran inters prctico, pues permite conocer con un margen de error valores futuros de una serie basndose en sus valores pasados, lo cual podra facilitar la toma de decisiones y la planificacin. La estadstica clsica para poder predecir utiliza, con mucha frecuencia, las metodologas de box y Jenkins. Estas metodologas requieren del criterio de un experto, los pasos a realizar dependen del tipo de datos, estos datos deben ser estacionarios, se realizan los grficos de correlaciones, se evala la adecuacin del modelo, se mide el error de prediccin, etc. Estos procedimientos pueden resultar complejos, lo cual nos conduce a intentar dar solucin a este problema mediante las nuevas tcnicas computacionales que han tomado auge en los ltimos aos. La inteligencia artificial ha surgido como una nueva rea del conocimiento. Est formada por un conjunto de tcnicas que intentar imitar, en forma artificial, las habilidades relacionadas con la inteligencia humana. Una de estas tcnicas trata de simular el pensamiento humano mediante conexin de neuronas es la denominada redes neuronales, utilizada recientemente con relativo xito para prediccin de series de tiempo. 6. Diseo del problema con la herramienta Nuestro problema es estimar la produccin de bolsas de caf verde en Colombia. Para poder afrontarlo es que usamos redes neuronales artificiales. Uno de los mtodos ms usados es tener 3 capas: la capa de entrada, una capa oculta y una capa de salida. La capa de entrada tiene 13 neuronas, 12 por cada mes y una que se llama sesgo, que sirve para mejorar las estimaciones. La capa oculta tiene 7 neuronas porque un mtodo muy usado es promediar la capa de entrada y la capa de salida, en nuestro caso: (13+1)/2 = 7. Y la capa de salida tiene una sola neurona que representa el mes siguiente al ao de los datos de entrada. Los datos entrada fuero escalados siguiendo la frmula:

Siendo: zt: el resultado de la transformacin yt: el valor original Min: el valor mnimo del ao Max: el valor mximo del ao Usamos datos de la produccin de caf desde el ao 1956 hasta el 2000 para el entrenamiento y del 2001 hasta el 2011 para pruebas. Los pesos iniciales son elegidos aleatoriamente por Neuroph. La funcin de transformacin es la logstica o sigmoidal que es la que se usa en problemas de estimacin.

El tipo de entrenamiento es el de retropropagacin, ya que este es el que da mejores resultados, porque las neuronas de la capa oculta tambin son entrenadas.

Estimador de produccin de bolsas de caf, con datos para la estimacin del ao 2012 7. Conclusiones Para hacer estimaciones se debe escoger una red neuronal multicapa que sea entrenada con el algoritmo de retropropagacin siendo la funcin de activacin del tipo logstica. NeurophStudio es una herramienta perfecta para crear una red neuronal, por su interfaz grfica sencilla de aprender a usar, adems de no tener que preocuparse mucho por la RNA misma. Para determinar el nmero de nodos de la capa oculta se debe realizar un promedio entre las entradas y las salidas ((entradas + salidas)/2). Para el entrenamiento se deben usar una buena cantidad de datos que sean reales. En el uso de la RNA, mientras ms reales los datos de entrada, ms reales los datos de salida. Existe una diversa forma de clasificar la redes neuronales artificiales, entre la principal est segn las capas con las que cuenta una red. Luego podra subclasificarse segn el tipo de entrada ya sea binaria o continua, el tipo de entrenamiento supervisado y no supervisado y segn el tipo de conexin interna de las redes.