Redesneuronales

UNIVERSIDAD CONTINENTAL DE CIENCIASE INGENIERIA
FACULTAD INGENIERA
ESCUELA ACADEMICA PROFESIONAL INGENIERA DE SISTEMAS E
INFORMTICA
TITULO DEL PROYECTO:
DESARROLLO E IMPLEMENTACIN DE
UN SISTEMA BASADO EN REDES
NEURONALES ARTIFICIALES PARA
PREDICCIN DE HELADAS EN EL VALLE
DEL MANTARO
PARA OPTAR EL TITULO DE:
INGENIERO DE SISTEMAS E INFORMTICO
AUTORES:
PMELA SANTANA ACUA
GABRIEL TICSE QUINTANILLA
Noviembre del 2011
INTRODUCCIN
Uno de los objetivos del ser humano es poder prevenir todos aquellos eventos que
le afectan, es por esto que por medio de la ciencia se est buscando predecir lo que
pasar en el futuro, como ser: la prediccin de lluvias, prediccin de tiempo,
prediccin de reacciones adversas a los medicamentos y otros. La prediccin en un
elemento clave en el desarrollo de la ciencia. (Wittgenstein, 1989).
Dentro del estudio del campo meteorolgico tenemos fenmenos HELADA que
ocurre cuando la temperatura de la tierra o los objetos de la tierra en la superficie
alcanza los 0 C o menos provocando que cualquier tejido u rgano vegetal tienda a
congelarse, ocasionando prdidas a la agricultura y afectando a la poblacin de las
zonas rurales y ciudades. Este fenmeno (Helada) se manifiesta como un proceso
no lineal continuo, dependiente de un gran nmero de variables cuya funcin se
desconoce. Esto hace factible y adecuada la utilizacin de Redes Neuronales
Artificiales (RNAs), para la prediccin de la misma (Garay & Cicero, 2001)
Las Redes Neuronales Artificiales representan una tcnica de modelacin
matemtica no lineal, que intenta imitar el proceso de aprendizaje que ocurre en el
sistema nervioso. Dentro de las redes neuronales artificiales tenemos gran
variedad de modelos, uno de los ms usados es el denominado backpropagation,
tambin tenemos las redes backpropagation recurrente. (Freeman & Skapura,
1991).
Debe considerarse que el rendimiento ptimo de la RNA est supeditado por su
arquitectura, y el valor de los pesos. El Algoritmo Evolutivo ser utilizado para
ajustar los pesos de la Red Neuronal y encontrar la arquitectura ideal, y as superar
inconvenientes.
Las Redes Neuronales Artificiales Evolutivas (RNAEs) surgen a finales de los 80s
a partir de la idea de combinar dos paradigmas, con el fin de optimizar las Redes
Neuronales Artificiales empleando los Algoritmos Evolutivos, generando un campo
intenso de investigacin. Una de las caractersticas de las Redes Neuronales
Artificiales Evolutivas es que se adaptan al ambiente como a los cambios del
mismo. Las dos formas de adaptacin, la evolucin y aprendizaje en RNAEs hacen
que su adaptacin a un ambiente dinmico sea ms eficaz y eficiencia. (Yao, 1999)
En la presente investigacin se utilizaran las Redes Neuronales Artificiales
Evolutivas, con el fin de construir un modelo que pueda predecir el fenmeno
meteorolgico de la Helada.
DESARROLLO E IMPLEMENTACIN DE UN SISTEMA

BASADO EN REDES NEURONALES ARTIFICIALES PARA
PREDICCIN DE HELADAS EN EL VALLE DEL MANTARO
CAPITULO I
PLANTEAMIENTO DEL ESTUDIO
1.1. Determinacin del Problema:

Las heladas estn afectando a todo el mundo por los diversos cambios que
est sufriendo el globo terrqueo, debido a la contaminacin desmesurada de
grandes empresas y personas.
Un invierno glido como no se recuerda en aos ha sido el responsable de
que una helada seguida de un rpido deshielo reventara las caeras de agua
en toda la provincia, afectando a 40.000 hogares y empresas en Belfast y
otros 77 pueblos. Al menos 40.000 hogares se han quedado sin agua en
Irlanda del Norte. Algunas personas llevan sin agua ms de 10 das y otras,
en cambio, han sufrido graves inundaciones en sus hogares.
Un total de 101 mil 657 hectreas han sido afectadas en Puebla por heladas y
sequas. El mayor nmero de perjuicios lo caus el primer meteoro,
acontecido entre el 1 y 2 de junio, que devast totalmente 50 mil hectreas en
31 municipios y afect parcialmente a otras 35 mil 321. Por el segundo
desastre se tienen contabilizadas 16 mil 336 hectreas daadas en seis
municipios, segn evaluaciones de la Secretara de Agricultura, Ganadera,
Desarrollo Rural, Pesca y Alimentacin (Sagarpa) y del gobierno del estado.
90 por ciento de la superficie siniestrada por las heladas estaba sembrada
con maz, y el restante 10 por ciento con frijol y hortalizas, segn inform este
domingo en rueda de prensa el titular de la Secretara de Desarrollo Rural
estatal, Pedro Adalberto Gonzlez Hernndez.
Las heladas se acentuaron esta semana en el departamento de Junn, en la

zona central del pas, al registrar temperaturas de ms de ocho grados bajo
cero. Eusebio Snchez, jefe regional encargado, indic que el ltimo lunes los
termmetros en las zonas altas de Junn, ubicadas por encima de los tres mil
500 metros, marcaron hasta 8.5 grados bajo cero.Esta situacin afect
localidades como Pampas de Junn, La Oroya, Yanacancha y Chongos Altos,
entre otras, mencion.
De igual manera, refiri que en el valle del Mantaro, donde se encuentra la
ciudad de Huancayo, capital departamental, el valor mnimo fue de 4.2 grados
bajo cero en horas de la madrugada.
De manera paralela al descenso de las temperaturas mnimas, los valores
mximos se incrementaron pasado el medioda hasta registrar 24.5 en el valle
del Mantaro por la presencia de cielo despejado. Es por ello que es necesario
desarrollar e implementar mediante redes neuronales artificiales la prediccin
de heladas en el Valle del Mantaro.
1.2. Formulacin del Problema:

Cmo desarrollar e implementar redes neuronales artificiales para la
prediccin de heladas en el Valle del Mantaro?
1.3. Objetivos:
a) Objetivo General:
Desarrollar e implementar redes neuronales artificiales para la
prediccin de heladas en el Valle del Mantaro.
b) Objetivos Especficos:
Realizar el diagrama de redes neuronales y cdigo fuente en Visual
Studio 2010.
1.4. Justificacin
Al desarrollar e implementar mediante redes neuronales artificiales la
prediccin de heladas en el Valle del Mantaro, resultara de gran ayuda para
diversas personas ya que se podra predecir si se manifestaran las heladas o
no.ste ejecutable podran utilizarlo diversos pobladores para que puedan
tener informacin rpida y eficaz acerca del clima, ya que se est en la

temporada de sembros.
Las redes neuronales artificiales (ANN) son modelos computacionales que
tratan de replicar, de manera simplificada, el complejo funcionamiento del
cerebro humano. Su capacidad de aprendizaje a travs de ensayos repetidos,
las ha hecho muy populares en una amplia variedad de aplicaciones en todas
las ciencias. Las ANN han demostrado ser una herramienta muy til por su
sorprendente habilidad para capturar relaciones no lineales entre variables.
CAPITULO II
MARCO TERICO
2.1. Antecedentes del problema:

SISTEMA DE PREDICCIN DE HELADAS EN EL ALTIPLANO
BOLIVIANO
UTILIZANDO
REDES
PROPAGACIN HACIA ATRS. Huayta
NEURONALES
Villanueva
DE
Vania
Pamela.- Bolivia 2007

La importancia de la red Propagacin hacia Atrs consiste en su
capacidad de auto-adaptar los pesos de las neuronas de las capas
intermedias para aprender la relacin que existe entre un conjunto de
patrones dados como ejemplo y sus salidas correspondientes. Es en
este sentido, que el uso de Redes Neuronales de propagacin hacia
atrs, conocidas por su capacidad de aprendizaje basndose en
errores o hechos histricos, puede ayudar en la prediccin de
heladas; brindando as una forma de proteccin contra las mismas
EVALUACIN
ASIMTRICA
DE
UNA
RED
NEURONAL
ARTIFICIAL: APLICACIN AL CASO DE LA INFLACIN EN

COLOMBIA, Maria Clara Aristizbal Restrepo -
Mayo, 2010.
MEXICO
El objetivo de este trabajo es explorar la relacin no lineal entre el
dinero y la inflacinen Colombia a travs de una red neuronal
artificial, utilizando informacin mensual de lavariacin del IPC y del

agregado monetario M3, desde enero de 1982 hasta febrero de2005.
REDES NEURONALES ARTIFICIALES; CASO DE ESTUDIO: LA
EPILEPSIA. Oscar Isidro Ramrez Hernndez - Espaa 2008:
Este trabajo de tesis tiene por objetivo
revisar y describir el
funcionamiento de algunos modelos de redes neuronales artificiales,

y su posible analoga con una red neuronal biolgica bajo ciertos
mecanismos de funcionamiento por un lado y por otro la relacin
que pudiera establecerse entre la Inteligencia Artificial, y el rea de
la biomedicina (en especial la neurofisiologa, dedicada al estudio de
la epilepsia).
REDES NEURONALES PARA MODELAR PREDICCIN DE
HELADAS. Gustavo Ovando, Mnica Bocco y Silvina SayagoArgentina 2008
En este trabajo se desarrollaron modelos basados en redes
neuronales del tipo "backpropagation", para predecir la ocurrencia de
heladas, a partir de datos meteorolgicos de temperatura, humedad
relativa, nubosidad, direccin y velocidad del viento.. Se construyeron
diferentes modelos para evaluar el comportamiento de las redes
cuando se usan distintos nmeros de variables de entrada y/o
neuronas en la capa oculta y las probabilidades de aciertos en los
resultados de prediccin para los mismos, al considerar distintas
variables de entrada.
REDES NEURONALES ARTIFICIALES APLICADAS AL ANLISIS
DE DATOS. Montao Moreno, Juan Jos Colombia, 2006.
Este trabajo describe tres lneas de investigacin desarrolladas en
los ltimos cinco aos en torno a la aplicacin de las Redes
Neuronales Artificiales (RNA) en el mbito del anlisis de datos. Los
campos de aplicacin tratados son: el anlisis de datos aplicado a
conductas adictivas, el anlisis de supervivencia, y el estudio del
efecto de las variables de entrada en una red neuronal. Los
resultados obtenidos ponen de manifiesto, en primer lugar, que las
RNA son capaces de predecir el consumo de xtasis con un margen

de error pequeo a partir de las respuestas dadas a un cuestionario.
Desde una perspectiva explicativa, el anlisis de sensibilidad
aplicado al modelo de red ha identificado los factores asociados al
consumo de esta sustancia.
APLICACIN DE LAS REDES NEURONALES EN LOS SISTEMAS
DE CONTROL VECTORIAL DE LOS MOTORES DE INDUCCIN.
Mahmoud Ali Sowilam Gamal - Espaa 2001
Para el caso de los sistemas del control vectorial por el mtodo
indirecto, con y sin realimentacin de velocidad se han utilizado
redes neuronales artificiales de respuesta a impulso finito (FIRANN)
para emular algunos bloques de los sistemas del control vectorial
tales como la estimacin de referencia de corriente estator. Cada red
neuronal artificial se ha diseado, entrenado y probado como una
parte del conjunto del sistema de control.
2.2. Bases tericas:

1. Redes Neuronales:
1.1. Definicin:
Las redes
de
neuronas
artificiales
son
un paradigma de
aprendizaje y procesamiento automtico inspirado en la forma en que

funciona el sistema nervioso de los animales. Se trata de un sistema de
interconexin de neuronas en una red que colabora para producir un
estmulo de salida. En inteligencia artificial es frecuente referirse a ellas
como redes de neuronas o redes neuronales.
Una red neuronal consiste en un conjunto de elementos de procesamiento
llamados neuronas, las cuales e conectan entre s. [Koehn, 1994]
Las RN se basan en una estructura de neuronas unidas por enlaces que
transmiten informacin a otras neuronas, las cuales entregan un resultado
mediante funciones matemticas. Las RN aprenden de la informacin

histrica a travs de un entrenamiento, proceso mediante el cual se
ajustan los parmetros de la red, a fin de entregar la respuesta deseada,
adquiriendo entonces la capacidad de predecir respuestas del mismo
fenmeno. El comportamiento de las redes depende entonces de los pesos
para los enlaces, de las funciones de activacin que se especifican para
las neuronas, las que pueden ser de tres categoras: lineal, de umbral (o
escaln) y sigmoidea, y de la forma en que propagan el error (Freeman y
Skapura, 1991).
Existen varios algoritmos que permiten ir corrigiendo el error de pronstico;
uno de los ms usados es el denominado "backpropagation", que consiste
bsicamente en propagar el error hacia atrs, desde la capa de salida
hasta la de entrada, permitiendo as la adaptacin de los pesos con el fin
de reducir dicho error. (Hilera y Martnez, 2000).
1.2. Modelo de Red Neuronal Artificial:
Segn Haykin en (Neural Networks, 1994); una red neuronal artificial es
un procesador distribuido masivamente paralelo que es propenso por
naturaleza a almacenar conocimiento experimental y hacerlo disponible
para su uso.
1.3. Topologa
Una primera clasificacin de las redes de neuronas artificiales que se suele
hacer es en funcin del patrn de conexiones que presenta. As se definen
tres tipos bsicos de redes:
Dos tipos de redes de propagacin hacia delante o acclicas en las que
todas las seales van desde la capa de entrada hacia la salida sin existir
ciclos, ni conexiones entre neuronas de la misma capa.
o
Monocapa. Ejemplos: perceptrn, Adaline.
Multicapa. Ejemplos: perceptrn multicapa.
Las redes recurrentes que presentan al menos un ciclo cerrado de

activacin neuronal. Ejemplos: Elman, Hopfield, mquina de Boltzmann
1.4. Paradigma de Aprendizaje:
Se denomina paradigma de aprendizaje al modelo del entorno en el que la

red neuronal trabaja. Una de las bases principales de las RNA es la de
responder a los estmulos del entorno mediante un proceso de aprendizaje.
El paradigma de aprendizaje indica la forma en que el entorno influye en
ese proceso de aprendizaje. La teora del aprendizaje mediante ejemplos
conlleva tres aspectos muy importantes a tener en cuenta: determinar la
capacidad de aprendizaje, la complejidad de los ejemplos utilizados y la
complejidad computacional del proceso en s.
a) Aprendizaje supervisado:
En este caso, a la red neuronal se le presentan tanto patrones de
entrenamiento como la respuesta correcta correspondiente. Cada
pareja patrn de entrada patrn de salida se denomina hecho. El
proceso consiste en comparar la respuesta que da la red ante cada
patrn de entrada con el valor de la respuesta real, siendo los pesos
sinpticos reajustados a partir del error obtenido, con el fin de obtener
una respuesta cada vez ms exacta. El reajuste de pesos se realiza
mediante algoritmos de aprendizaje, de forma que el algoritmo
converge cuando despus de sucesivos pasos la red ha estabilizado
sus pesos y responde correctamente ante los patrones de entrada. El
caso contemplado en el presente informe es de este tipo.
b) Aprendizaje no supervisado
Tambin llamado autoorganizado. En este aprendizaje no se le
especifica a la red la respuesta correcta, tan slo se suministran
grandes cantidades de datos para que sta sea capaz de construir sus
propias
asociaciones.
Este
aprendizaje
consiste
en
modificar
repetidamente los pesos sinpticos de una red en respuesta a modelos

de activacin de acuerdo a unas reglas predeterminadas, hasta
conseguir una configuracin de pesos estabilizada ante cualquier
estmulo.
c) Aprendizaje por reforzamiento

Es el aprendizaje a travs de un proceso de prueba y error diseado
para maximizar un ndice escalar llamado seal de reforzamiento. Si
una accin tomada por el sistema es satisfactoria, entonces la
tendencia del sistema a producir esta accin es reforzada.
1.5. Funcionamiento:
Las redes neuronales consisten en una simulacin de las propiedades
observadas en los sistemas neuronales biolgicos a travs de modelos
matemticos recreados mediante mecanismos artificiales (como un circuito
integrado, un ordenador o un conjunto de vlvulas). El objetivo es
conseguir que las mquinas den respuestas similares a las que es capaz
de dar el cerebro que se caracterizan por su generalizacin y su robustez.
Una red neuronal se compone de unidades llamadas neuronas. Cada
neurona recibe una serie de entradas a travs de interconexiones y emite
una salida. Esta salida viene dada por tres funciones:
1. Una funcin de
propagacin (tambin conocida
como funcin
de
excitacin), que por lo general consiste en el sumatorio de cada entrada

multiplicada por el peso de su interconexin (valor neto). Si el peso es
positivo, la conexin se denomina excitatoria; si es negativo, se
denomina inhibitoria.
2. Una funcin de activacin, que modifica a la anterior. Puede no existir,
siendo en este caso la salida la misma funcin de propagacin.
3. Una funcin de transferencia, que se aplica al valor devuelto por la
funcin de activacin. Se utiliza para acotar la salida de la neurona y
generalmente viene dada por la interpretacin que queramos darle a
dichas salidas.
1.6. Ventajas:
Las redes neuronales artificiales (RNA) tienen muchas ventajas debido a
que estn basadas en la estructura del sistema nervioso, principalmente
el cerebro.
Aprendizaje: Las RNA tienen la habilidad de aprender mediante una
etapa que se llama etapa de aprendizaje. Esta consiste en proporcionar a

la RNA datos como entrada a su vez que se le indica cul es la salida
(respuesta) esperada.
Auto organizacin: Una RNA crea su propia representacin de la
informacin en su interior, descargando al usuario de esto.

Tolerancia a fallos: Debido a que una RNA almacena la informacin de
forma redundante, sta puede seguir respondiendo de manera aceptable

aun si se daa parcialmente.
Flexibilidad: Una RNA puede manejar cambios no importantes en la
informacin de entrada, como seales con ruido u otros cambios en la

entrada (por ejemplo si la informacin de entrada es la imagen de un
objeto, la respuesta correspondiente no sufre cambios si la imagen
cambia un poco su brillo o el objeto cambia ligeramente).
Tiempo real: La estructura de una RNA es paralela, por lo cual si esto es
implementado
con
computadoras
en dispositivos
electrnicos especiales, se pueden obtener respuestas en tiempo real.
2. Heladas:
La helada es un fenmeno climtico que consiste en un descenso de la
temperatura ambiente a niveles inferiores al punto de congelacin del
agua y hace que el agua o el vapor que est en el aire se congele
depositndose en forma de hielo en las superficies. Ms precisamente,
la Organizacin Meteorolgica Mundial habla de helada en el suelo, en
referencia a diversos tipos de cobertura de hielo sobre el suelo,
producidas por la deposicin directa del vapor de agua.
2.1. Tipos de helada:
A. Helada por radiacin (hielo):
La helada por radiacin se debe a un enfriamiento progresivo
e intenso del suelo, por radiacin de su calor en las noches de
cielo despejado y limpio. La humedad atmosfrica, que puede
ser relativamente clida y seca, se condensa sobre las
superficies slidas en forma de roco o congelndose, si
aqullas se hallan a menos de 0 C. Este tipo es frecuente en

tierras templadas y subtropicales. Se conoce normalmente
como escarcha.
B. Helada por adveccin:
La helada por adveccin es ocasionada por la invasin de una
corriente o masa de aire fro con temperatura inferior a 0 C.
La accin del aire fro, generalmente procedente de las
regiones polares, puede ser continua y durar por varios das.
Este tipo es frecuente en tierras norteas.
Helada por evaporacin: La helada por evaporacin es
debida al transporte de aire hmedo sobre una superficie
cuya temperatura est a 0 C o an menos. Es un tipo
bastante raro de helada.
Se conocen en los cultivos dos tipos de heladas:
Helada negra: se efecta un enfriamiento general en

la atmsfera que ataca, por su amplitud de accin,
hasta
especies
vegetales
"resistentes",
como
parrales, es por ello que el humo y el riego que se

pone en prctica, desde la madrugada puede dar
buenos resultados para combatirla.
Helada blanca: dado el estado de floracin de la

planta se impone introducir una buena poda, o
conviene que el agricultor practique dentro de cuatro
a ocho das y no postergarla ms all de veinte, de
modo que se desarrollen las yemas latentes que
existan en los brazos y los troncos, esta labor debe
ser ayudada por el riego inmediato y trabajos
superficiales que al mantener mullido el terreno
impidan la prdida de humedad, el desarrollo de
malas hierbas y la produccin de costra. Adems la
aplicacin de nitratos reforman el sistema vegetativo

tan daado. Conviene tambin la aplicacin de
calorficos
distribuidos
en
forma
adecuada
alimentados con petrleos, aplicados con frecuencia

en la regin.
2.2. Definicin de trminos bsicos:

1. Redes
neuronales:
de
neuronas
artificiales
(denominadas
habitualmente como RNA o en ingls como: "ANN"1 ) son un

paradigma de aprendizaje y procesamiento automtico inspirado en
la forma en que funciona el sistema nervioso de los animales. Se
trata de un sistema de interconexin de neuronas en una red que
colabora para producir un estmulo de salida.
2. Inteligencia Artificial: Capacidad de un artefacto de realizar los
mismos tipos de funciones que caracterizan al pensamiento humano.
3. Aprendizaje: Es el proceso por el cual una red neuronal modifica
sus pesos en respuesta a una informacin de entrada.
4. El aprendizaje supervisado: Consiste en entrenar la red a partir de
un conjunto de datos o patrones de entrenamiento compuesto por
patrones de entrada y salida.
5. Neuroshell: Programa que contiene el estado de la tcnica de
algoritmos que entrenar muy rpido, lo que le permite resolver de
manera efectiva la prediccin, previsin y problemas de estimacin
de una cantidad mnima de tiempo sin pasar por el tedioso proceso
de ajustar los parmetros de red.
6. Perceptrn: es un tipo de red neuronal artificial desarrollado por
Frank Rosenblatt, tambin puede entenderse como perceptrn la
neurona artificial y unidad bsica de inferencia en forma de
discriminador lineal, que constituye este modelo de red neuronal
artificial, esto debido a que el perceptrn puede usarse como
neurona dentro de un perceptrn ms grande u otro tipo de red

neuronal artificial.
7. Validacin: una vez que ha terminado el proceso de aprendizaje y
los pesos de la red neuronal han sido calculados, es importante
comprobar la calidad del modelo resultante. Alegre (2003),
8. Heladas: es un fenmeno climtico que consiste en un descenso de
la temperatura ambiente a niveles inferiores al punto de congelacin
del agua y hace que el agua o el vapor que est en el aire se
congele depositndose en forma de hielo en las superficies. Ms
precisamente.
9. Prediccin: Referido tanto a la accin y al efecto de predecir1
como a las palabras que manifiestan aquello que se predice; en
este sentido, predecir algo es anunciar por revelacin, ciencia o
conjetura algo que ha de suceder.
10. Sinapsis: es una unin intercelular especializada entre neuronas.1
En estos contactos se lleva a cabo la transmisin del impulso
nervioso.
11. Algoritmos Genticos: (AGs) son mtodos adaptativos que pueden
usarse para resolver problemas de bsqueda y optimizacin. Estn
basados en el proceso gentico de los organismos vivos.
12. Temperatura: es una magnitud referida a las nociones comunes de
caliente o fro.
13. Aire: mezcla de gases que constituye la atmsfera terrestre, que
permanecen alrededor de la Tierra por accin de la fuerza de
gravedad.
14. Humedad: cantidad de vapor de agua presente en el aire. Se puede
expresar de forma absoluta.
15. Altitud: distancia vertical a un origen determinado, considerado
como nivel cero, para el que se suele tomar el nivel medio del mar.
16. Congelacin: consiste en que una corriente de aire fro extrae el

calor hasta que se consigue la temperatura final.
17. Niebla: es un fenmeno meteorolgico consistente en nubes muy
bajas, a nivel del suelo y formadas por partculas de agua muy
pequeas.
18. Radiacin solar: es el flujo de energa que recibimos del Sol en
forma de ondas electromagnticas de diferentes frecuencias nivel del
suelo y formadas por partculas de agua muy pequea.
CAPITULO III
HIPTESIS Y VARIABLES
3.1. Hiptesis:
Al desarrollar e implementar mediante redes neuronales un sistema para la
prediccin de heladas en el Valle del Mantaro, se espera que entregue
resultados ptimos de acuerdo a las entradas ingresadas.
3.2. Variables - Operacionalizacin:
Variable independiente:
Sistema implementado mediante redes neuronales.
Variable dependiente:
Heladas en el Valle del Mantaro.
CAPITULO IV
METODOLOGA
4.1. Mtodo de la investigacin:

Cuantitativo
Mtodo universal: Eclctico (induccin-deduccin)
Mtodo general:Sistmico
Mtodo especifico:Modelacinideal.
Mtodo de desarrollo: Para la elaboracin del proyecto Desarrollo e
implementacin de un sistema basado en redes neuronales artificiales para
prediccin de heladas en el valle del Mantaro se utilizar el programa
Neuroshell y despus con el cdigo obtenido se realizar el ejecutable con
un interfaz amigable para el usuario en Visual Studio 2010.
4.2. Metodologa de desarrollo:

Se utiliza Redes Neuronales ya que al tratarse de un sistema con
diversas entradas y obtenindose un resultado se asemeja al Neural, se
trata de un sistema de interconexin de neuronas en una red que
colabora para producir un estmulo de salida. Adems las redes
neuronales tienen la capacidad de prediccin por el tiempo de
entrenamiento que se le da.
El Predictor NeuroShell contiene el estado de la tcnica de algoritmos
que entrenar muy rpido, lo que le permite resolver de manera efectiva la
prediccin, previsin y problemas de estimacin de una cantidad mnima
de tiempo sin pasar por el tedioso proceso de ajustar los parmetros de
red.
Los algoritmos de prediccin son la culminacin de varios aos de
investigacin. Atrs quedaron los das de decenas de parmetros que
deben ser artsticamente conjunto para crear un buen modelo, sin exceso
de ajuste. Atrs quedaron los das de la contratacin de un experto en
redes neuronales o un estadstico para construir sus modelos predictivos.
La herramienta NeuroShell 2 proporciona mediante un mdulo adicional

la posibilidades generar el cdigo que implementa el comportamiento de
la neurona. As con este cdigo se han aplicado las redes estudiadas
para comprobar la validez de su funcionamiento cuando se presentan
datos distintos a los que se utilizaron para su aprendizaje.
CAPTURAS DE PANTALLA
DISEO DE RED DE INFERENCIA
Inarrary(1)
Feature
(1)
Inarray(2)
Feature
(2)
Inarray(3)
Feature
(3)
Inarray(4)
Feature
(4)
Inarray(5)
Feature
(5)
Inarray(6)
Feature
(6)
Inarrary(7)
Feature
(7)
Outarray
(1)
Outarray
(2)
Outarray
(3)
CDIGO FUENTE EN VISUAL STUDIO 2010
Public Class Form1

Private Sub Button1_Click(ByVal sender As System.Object, ByVal e As
System.EventArgs) Handles Button1.Click
Dim Baja_radiacion_solar, Aire_frio_seco, Temperatura_baja,
Alta_humedad, Alta_altitud, Congelacion_alta, Niebla As Integer
Dim Helada_por_Evaporacion, Helada_por_Radiacion, Helada_por_Advencion
As Integer
Dim netsum As Double
Static feature2(8) As Double
Temperatura_baja = TextBox1.Text
Aire_frio_seco = TextBox2.Text
Alta_humedad = TextBox3.Text
Alta_altitud = TextBox4.Text
Congelacion_alta = TextBox5.Text
Niebla = TextBox6.Text
Baja_radiacion_solar = TextBox7.Text
'
If TextBox1.Text And TextBox2.Text And TextBox3.Text And
TextBox4.Text And TextBox5.Text And TextBox6.Text And TextBox7.Text = "Si"
Then
'TextBox1.Text = 1
'TextBox2.Text = 1
'TextBox3.Text = 1
'TextBox4.Text = 1
'TextBox5.Text = 1
'TextBox6.Text = 1
'TextBox7.Text = 1
'
Else
'TextBox1.Text
'TextBox2.Text
'TextBox3.Text
'TextBox4.Text
'TextBox5.Text
'TextBox6.Text
'TextBox7.Text
'
'
=
=
=
=
=
=
=
0
0
0
0
0
0
0
End If
If (Temperatura_baja < 0) Then Temperatura_baja = 0

If (Temperatura_baja > 1) Then Temperatura_baja = 1
Temperatura_baja = Temperatura_baja
If (Aire_frio_seco < 0) Then Aire_frio_seco = 0
If (Aire_frio_seco > 1) Then Aire_frio_seco = 1
Aire_frio_seco = Aire_frio_seco
If (Alta_humedad < 0) Then Alta_humedad = 0
If (Alta_humedad > 1) Then Alta_humedad = 1
Alta_humedad = Alta_humedad
If (Alta_altitud < 0) Then Alta_altitud = 0
If (Alta_altitud > 1) Then Alta_altitud = 1
Alta_altitud = Alta_altitud
If (Congelacion_alta < 0) Then Congelacion_alta = 0
If (Congelacion_alta > 1) Then Congelacion_alta = 1
Congelacion_alta = Congelacion_alta
If (Niebla < 0) Then Niebla = 0
If (Niebla > 1) Then Niebla = 1
Niebla = Niebla
If (Baja_radiacion_solar < 0) Then Baja_radiacion_solar = 0
If (Baja_radiacion_solar > 1) Then Baja_radiacion_solar = 1
Baja_radiacion_solar = Baja_radiacion_solar
netsum = -0.723195
netsum = netsum + Temperatura_baja * -0.7983574
netsum = netsum + Aire_frio_seco * -0.6139477
netsum = netsum + Alta_humedad * -0.7837439
netsum = netsum + Alta_altitud * 0.8014902
netsum = netsum + Congelacion_alta * 0.07020642
netsum = netsum + Niebla * 1.30855
netsum = netsum + Baja_radiacion_solar * -0.4811229
feature2(1) = 1 / (1 + Math.Exp(-netsum))
netsum = -0.04504148
netsum = netsum + Aire_frio_seco * 1.70403
netsum = netsum + Alta_altitud * -1.186064
netsum = netsum + Congelacion_alta * -0.03335913
netsum = netsum + Baja_radiacion_solar * 1.503191
netsum = -0.0740281
netsum = -0.1520253
netsum = netsum + Alta_humedad * 0.8458483
netsum = 0.3360444
netsum = netsum
netsum = netsum
netsum = netsum
netsum = netsum
netsum = netsum
netsum = netsum
netsum = netsum
feature2(5) = 1
+
+
+
+
+
+
+
/
Temperatura_baja * 1.868454
Aire_frio_seco * 0.8144495
Alta_humedad * -1.796229
Alta_altitud * 1.352932
Congelacion_alta * -2.311966
Niebla * 0.6053027
Baja_radiacion_solar * 0.649767
(1 + Math.Exp(-netsum))
netsum = -0.5314908
netsum = netsum + Congelacion_alta * -0.6836843
netsum = -0.4078638
netsum = 0.162549
netsum = netsum +
netsum = netsum +
netsum = netsum +
netsum = netsum +
netsum = netsum +
netsum = netsum +
netsum = netsum +
feature2(8) = 1 /
Temperatura_baja * -1.402751
Aire_frio_seco * -1.320291
Alta_humedad * 1.581397
Alta_altitud * 0.4507797
Congelacion_alta * 0.9652248
Niebla * 0.1259096
Baja_radiacion_solar * -1.574118
(1 + Math.Exp(-netsum))
netsum = -1.980236
netsum = netsum + feature2(1)
Helada_por_Radiacion = 1 / (1
*
*
*
*
*
*
*
*
+
0.2785329
2.7616
3.539306
-0.9631032
-1.565938
1.017459
1.610966
-0.9916502
Math.Exp(-netsum))
netsum
netsum
netsum
netsum
netsum
netsum
netsum
netsum
netsum
*
*
*
*
*
*
*
*
0.7928572
1.337744
-1.323056
-0.5954668
3.351876
2.298326
-0.1144323
-2.015185
=
=
=
=
=
=
=
=
=
-0.9020997
netsum + feature2(1)
Helada_por_Advencion = 1 / (1 + Math.Exp(-netsum))
netsum = -1.606133
netsum = netsum + feature2(1) *
Helada_por_Evaporacion = 1 / (1
1.355419
-1.667662
1.047568
2.769881
-1.772958
1.901758
-0.6281651
2.12811
+ Math.Exp(-netsum))
Helada_por_Radiacion = (Helada_por_Radiacion - 0.1) / 0.8

If (Helada_por_Radiacion < 0) Then Helada_por_Radiacion = 0
If (Helada_por_Radiacion > 1) Then Helada_por_Radiacion = 1
Helada_por_Advencion = (Helada_por_Advencion - 0.1) / 0.8
If (Helada_por_Advencion < 0) Then Helada_por_Advencion = 0
If (Helada_por_Advencion > 1) Then Helada_por_Advencion = 1
Helada_por_Evaporacion = (Helada_por_Evaporacion - 0.1) / 0.8
If (Helada_por_Evaporacion < 0) Then Helada_por_Evaporacion = 0
If (Helada_por_Evaporacion > 1) Then Helada_por_Evaporacion = 1
TextBox8.Text = Helada_por_Radiacion
TextBox9.Text = Helada_por_Advencion
TextBox10.Text = Helada_por_Evaporacion
'If TextBox8.Text And TextBox9.Text And TextBox10.Text = 1 Then

'TextBox8.Text = "Si"
'Else
'TextBox8.Text = "No"
End Sub
End Class
CONCLUSIONES
La evolucin como una forma de adaptacin es un factor fundamental en el
sistema neuronal predictivo de heladas.
Considerando la respuesta de la red neuronal propuesta, podemos asegurar

que la dependencia de estas variables con la ocurrencia de heladas
responder a una funcin no lineal.
El proceso de modelacin utilizando las redes neuronales es eficiente para

la prediccin de heladas y permite la utilizacin de un bajo nmero de
variables.
Durante la implementacin de este programa hemos profundizado ms en el

de un sistema
disfrutando en su programacin y aumentando nuestro
inters en el campo de las redes neuronales. Por otro lado, consideramos

que aplicaciones de este tipo son tiles para el ser humano.
El sistema propuesto modela el conocimiento especfico (de predecir las

heladas) mediante relaciones entre conceptos explicitados en las variables
evidnciales y sus valores y los factores de la helada (variable objetivo).El
prototipo de redes neuronales descripto ofrece diversas funcionalidades:
Puede tener un uso en nuestro Geofsico de nuestra ciudad, ayudando a los
expertos de este lugar a predecir las Heladas de Nuestro Valle.
RECOMENDACIONES
Las recomendaciones futuras es poder trabajar en la prediccin de

heladas con otros modelos de redes neuronales evolutivas.
Entrenar la red neuronal con una cantidad mayor de datos diarios.
Entrenar la rede neuronal un mayor nmero de pocas para que el

error encontrado disminuya.
El prototipo realizado puede ser implementado en la institucin del

GEOFISICO del Senamhi.
REFERENCIAS BIBLIOGRFICAS
1.
Abonyi, J.; Babuska, R.; Szeifert, F.(2001). Fuzzy Modeling with Multivariate
Membership Functions: Gray-Box Identification and Control Design. IEEE
Transactions on Systems, Man, and Cybernetics Part B: Cybernetics, Vol. 31, No.
5, pp. 755-767.
2.
Daz Q.F. (1983). Prctica de la defensa Contra Heladas. Espaa, Milagro. 450 p.
3.
Ojeda Bustamante W. y A. Ramirez Arias (2007). Las heladas en la agricultura,
4.
principios y mtodos. Archivo: 3-3Heladas.pdf, divulgado en Internet.
5.
Snyder L.F. y J.F. Thompson (1987). Passive Frost Protection of trees and Vines.
USA.
6.
University of California Cooperative Extension, Division of Agriculture and Natural
7.
Resources. 7p.
8.
Soza P. J.A. y Leon Fuenzalida M. (2005). Apuntes de control de heladas en vides y
9.
frutales. Archivo: Control de Heladas JASoza Sept 2005.pdf, divulgado en Internet.
10. Valli V.J. Basic Principles Freeze Occurrence and the prevention of Freeze Damage
to
11. Crops. Published by Spot Heaters, Inc. USA. 20p.
12. Burgos J. J., (1963). Las Heladas en la Argentina. Coleccin Cientfica del Instituto
Nacional de Tecnologa, 30 pp.
13. Hopkins Patricio, (1965). Filosofa, Buenos Aires, Ediciones Almagro.
14. Garca Amaro E. (1989). Apuntes de climatologa. Offset Larios, 6 ed., 153 pp.
15. Jordan
Michael
I.
(1998)
Recurrent
Network.
Disponible:
www.pubserv.com/mite/pdf/jordan2.pdf
16. Bertona, Luis Federico, (2005). Entrenamiento de Redes Neuronales basado en
Algoritmos Evolutivos, Laboratorios en Sistemas inteligentes.

Redesneuronales

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Redesneuronales

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD CONTINENTAL DE CIENCIASE INGENIERIA

TITULO DEL PROYECTO:

Noviembre del 2011

DESARROLLO E IMPLEMENTACIN DE UN SISTEMA

1.1. Determinacin del Problema:

Las heladas se acentuaron esta semana en el departamento de Junn, en la

1.2. Formulacin del Problema:

tener informacin rpida y eficaz acerca del clima, ya que se est en la

2.1. Antecedentes del problema:

PROPAGACIN HACIA ATRS. Huayta

Pamela.- Bolivia 2007

ARTIFICIAL: APLICACIN AL CASO DE LA INFLACIN EN

artificial, utilizando informacin mensual de lavariacin del IPC y del

funcionamiento de algunos modelos de redes neuronales artificiales,

RNA son capaces de predecir el consumo de xtasis con un margen

2.2. Bases tericas:

aprendizaje y procesamiento automtico inspirado en la forma en que

mediante funciones matemticas. Las RN aprenden de la informacin

Monocapa. Ejemplos: perceptrn, Adaline.

Multicapa. Ejemplos: perceptrn multicapa.

Las redes recurrentes que presentan al menos un ciclo cerrado de

Se denomina paradigma de aprendizaje al modelo del entorno en el que la

repetidamente los pesos sinpticos de una red en respuesta a modelos

c) Aprendizaje por reforzamiento

propagacin (tambin conocida

excitacin), que por lo general consiste en el sumatorio de cada entrada

Aprendizaje: Las RNA tienen la habilidad de aprender mediante una

etapa que se llama etapa de aprendizaje. Esta consiste en proporcionar a

informacin en su interior, descargando al usuario de esto.

forma redundante, sta puede seguir respondiendo de manera aceptable

informacin de entrada, como seales con ruido u otros cambios en la

electrnicos especiales, se pueden obtener respuestas en tiempo real.

aqullas se hallan a menos de 0 C. Este tipo es frecuente en

Helada negra: se efecta un enfriamiento general en

parrales, es por ello que el humo y el riego que se

Helada blanca: dado el estado de floracin de la

aplicacin de nitratos reforman el sistema vegetativo

alimentados con petrleos, aplicados con frecuencia

2.2. Definicin de trminos bsicos:

habitualmente como RNA o en ingls como: "ANN"1 ) son un

neurona dentro de un perceptrn ms grande u otro tipo de red

16. Congelacin: consiste en que una corriente de aire fro extrae el

3.2. Variables - Operacionalizacin:

4.1. Mtodo de la investigacin:

4.2. Metodologa de desarrollo:

La herramienta NeuroShell 2 proporciona mediante un mdulo adicional

DISEO DE RED DE INFERENCIA

CDIGO FUENTE EN VISUAL STUDIO 2010

Public Class Form1

If (Temperatura_baja < 0) Then Temperatura_baja = 0

Helada_por_Radiacion = (Helada_por_Radiacion - 0.1) / 0.8

'If TextBox8.Text And TextBox9.Text And TextBox10.Text = 1 Then

Considerando la respuesta de la red neuronal propuesta, podemos asegurar

El proceso de modelacin utilizando las redes neuronales es eficiente para

Durante la implementacin de este programa hemos profundizado ms en el

disfrutando en su programacin y aumentando nuestro

inters en el campo de las redes neuronales. Por otro lado, consideramos

El sistema propuesto modela el conocimiento especfico (de predecir las

Las recomendaciones futuras es poder trabajar en la prediccin de

Entrenar la red neuronal con una cantidad mayor de datos diarios.

Entrenar la rede neuronal un mayor nmero de pocas para que el

El prototipo realizado puede ser implementado en la institucin del

Ojeda Bustamante W. y A. Ramirez Arias (2007). Las heladas en la agricultura,