MODELOS DE SIMULACION

Ing. Aldex Ortiz Londoño

Corporación Universitaria Rémington

Popayán, 2010
 Introducción
Cuando alguien tiene la responsabilidad de conducir un sistema dado,
debe tomar continuamente decisiones acerca de las acciones que
ejecutará sobre el sistema. Estas decisiones deben ser tales que la
conducta resultante del sistema satisfaga de la mejor manera posible
los objetivos planteados.

Para poder decidir correctamente es necesario saber cómo

responderá el sistema ante una determinada acción. Esto podría
hacerse por experimentación con el sistema mismo; pero factores de
costos, seguridad y otros hacen que esta opción generalmente no sea
viable. A fin de superar estos inconvenientes, se reemplaza el
sistema real por otro sistema que en la mayoría de los casos es
una versión simplificada. Este último sistema es el modelo a utilizar
para llevar a cabo las experiencias necesarias sin los inconvenientes
planteados anteriormente.
Al proceso de experimentar con un modelo se denomina
simulación. Al proceso de diseñar el plan de
experimentación para adoptar la mejor decisión se denomina
optimización. Si el plan de experimentación se lleva a
cabo con el solo objeto de aprender a conducir el sistema,
entonces se denomina entrenamiento o capacitación
 Definiciones:
• Sistema: Conjunto de objetos o ideas que están interrelacionados
entre sí como una unidad para la consecución de un fin (Shannon,
1988). También se puede definir como la porción del Universo que
será objeto de la simulación.
• Modelo: Un objeto X es un modelo del objeto Y para el observador
Z, si Z puede emplear X para responder cuestiones que le interesan
acerca de Y (Minsky).
• Simulación: es el proceso de diseñar un modelo de un sistema real
y llevar a cabo experiencias con él, con la finalidad de aprender el
comportamiento del sistema o de evaluar diversas estrategias para
el funcionamiento del sistema (Shannon, 1988).
 Aplicaciones de la simulación
La simulación es conveniente cuando:
•No existe una formulación matemática analíticamente resoluble. Muchos sistemas reales no
pueden ser modelados matemáticamente con las herramientas actualmente disponibles, por
ejemplo la conducta de un cliente de un banco.
•Existe una formulación matemática, pero es difícil obtener una solución analítica. Los
modelos matemáticos utilizados para modelar un reactor nuclear o una planta química son
imposibles de resolver en forma analítica sin realizar serias simplificaciones.
•No existe el sistema real. Es problema del ingeniero que tiene que diseñar un sistema
nuevo. El diseño del sistema mejorará notablemente si se cuenta con un modelo adecuado para
realizar experimentos.
•Los experimentos son imposibles debido a impedimentos económicos, de seguridad, de
calidad o éticos. En este caso el sistema real esta disponible para realizar experimentos, pero la
dificultad de los mismos hace que se descarte esta opción. Un ejemplo de esto es la imposibilidad
de provocar fallas en un avión real para evaluar la conducta del piloto, tampoco se puede variar el
valor de un impuesto a para evaluar la reacción del mercado.
•El sistema evoluciona muy lentamente o muy rápidamente. Un ejemplo de dinámica lenta es
el problema de los científicos que estudian la evolución del clima. Ellos deben predecir la
conducta futura del clima dadas las condiciones actuales, no pueden esperar a que un tornado
arrase una ciudad para luego dar el mensaje de alerta. Por el contrario, existen fenómenos
muy rápidos que deben ser simulados para poder observarlos en detalles, por ejemplo una
explosión.
 Desventajas:
• El desarrollo de un modelo puede ser costoso, laborioso y lento.

• Existe la posibilidad de cometer errores. No se debe olvidar que la

experimentación se lleva a cabo con un modelo y no con el sistema
real; entonces, si el modelo está mal o se cometen errores en su
manejo, los resultados también serán incorrectos.

• No se puede conocer el grado de imprecisión de los resultados. Por

lo general el modelo se utiliza para experimentar situaciones
nunca planteadas en el sistema real, por lo tanto no existe
información previa para estimar el grado de correspondencia entre
la respuesta del modelo y la del sistema real.
 Campos de aplicación
• Procesos de manufacturas
• Plantas industriales
• Sistemas públicos
• Sistemas de transportes
• Construcción
• Diseño
• Educación
• Capacitación
 Algunos trabajos:
• La Perestroyka: Estudios de simulación efectuados en Rusia en las décadas del 70 y 80 convencieron a los
dirigentes de la necesidad de plantear un fuerte cambio en la economía de ese país.

• La caída de la bolsa de New York en 1988: La utilización de programas de simulación por parte de los
corredores de la bolsa causó una falsa inestabilidad que provocó la caída.

• El regreso del Apolo 13: La simulación jugó un rol fundamental en la determinación del plan de emergencia. La
nave retornó con éxito a pesar de las graves averías.

• Los Voyagers: Gracias a la simulación se pudieron establecer los itinerarios óptimos para estas naves con un
mínimo consumo de energía aprovechando la atracción gravitacional de los planetas.

• Proyecto Monte Carlo: Von Newman y Ulam (1945) emplearon simulación para estudiar reacciones nucleares.

• Los modelos del planeta: Algunos plantean la posibilidad de un calentamiento global debido al efecto
invernadero. Otros plantean la posibilidad de un enfriamiento y predicen una nueva era glaciar.

• Capacitación de tropas: En el operativo “Tormenta del desierto” llevado a cabo en la guerra contra Irak, las
tropas de todas las fuerzas estadounidenses que participaron (fuerza aérea, marina y ejército) fueron
entrenadas con simuladores.

• Capacitación de policías: Se utiliza entornos virtuales para que el policía aprenda a conducirse en situaciones
de riesgo.

• Simuladores de vuelos: Fue una de las primeras aplicaciones de los simuladores. Actualmente se utilizan para
entrenar pilotos de aviones comerciales y de combate.
 Tipos de simulación
• Identidad: Es cuando el modelo es una réplica exacta del sistema en estudio. Es la que utilizan las
empresas automotrices cuando realizan ensayos de choques de automóviles utilizando unidades
reales.
• Cuasi-identidad: Se utiliza una versión ligeramente simplificada del sistema real. Por ejemplo, los
entrenamientos militares que incluyen movilización de equipos y tropas pero no se lleva a cabo una
batalla real.
• Laboratorio: Se utilizan modelos bajo las condiciones controladas de un laboratorio. Se pueden
distinguir dos tipos de simulaciones:
• Juego operacional: Personas compiten entre ellas. ellas forman parte del modelo, la otra
parte consiste en computadoras, maquinaria, etc. Es el caso de una simulación de
negocios donde las computadoras se limitan a recolectar la información generada por cada
participante y a presentarla en forma ordenada a cada uno de ellos.
• Hombre-Máquina: Se estudia la relación entre las personas y la máquina. Las personas
también forman parte del modelo. La computadora no se limita a recolectar información,
sino que también la genera. Un ejemplo de este tipo de simulación es la simulador de
vuelo.
• Simulación por computadora: El modelo es completamente simbólico y está implementado en un
lenguaje computacional. Las personas quedan excluidas del modelo. Un ejemplo es el simulador de
un sistema de redes de comunicación donde la conducta de los usuarios está modelada en forma
estadística. Este tipo de simulación a su vez puede ser:
• Digital: Cuando se utiliza una computadora digital.
• Analógica: Cuando se utiliza una computadora analógica. En este grupo también se
pueden incluir las simulaciones que utilizan modelos físicos.
 Taller en clase No 1:
1. Describir por lo menos 5 campos en donde tenga cabida un modelos
de simulación.
2. Mencione algunos campos (por lo menos 5) en donde crea usted
que se puede aplicar un modelo de simulación
3. Describa 2 ejemplos conforme a los siguientes tipos de simulación:
● Identidad
● Cuasi-identidad
● Laboratorio (hombre-maquina)
4. Simulación por computadora

TIEMPO 30 MINUTOS
 Etapas de una simulación
Formulación del problema
En este paso debe quedar perfectamente establecido el objeto de la
simulación.
●
los resultados que se esperan del simulador
●
el plan de experimentación
●
el tiempo disponible
●
las variables de interés
●
el tipo de perturbaciones a estudiar
●
el tratamiento estadístico de los resultados
●
la complejidad de la interfaz del simulador

Se debe establecer si el simulador será operado por el usuario o si el

usuario sólo recibirá los resultados.
 Definición del sistema

El sistema a simular debe estar

perfectamente definido. El cliente y el
desarrollador deben acordar dónde estará la
frontera del sistema a estudiar y las
interacciones con el medioambiente que
serán consideradas
 Formulación del modelo

Comienza con el desarrollo de un modelo simple

que captura los aspectos relevantes del sistema
real. Los aspectos relevantes del sistema real
dependen de la formulación del problema
 Colección de datos

La naturaleza y cantidad de datos necesarios

están determinadas por la formulación del
problema y del modelo.
Los datos pueden ser provistos por:

●
Registros históricos
●
Experimentos de laboratorios
●
Mediciones realizadas en el sistema real.

Los mismos deberán ser procesados

adecuadamente para darles el formato exigido por el
modelo.
 Implementación del modelo
en la computadora

El modelo es implementado utilizando algún lenguaje

de computación. Existen lenguajes específicos de
simulación que facilitan esta tarea; también, existen
programas que ya cuentan con modelos
implementados para casos especiales.
 Verificación

En esta etapa se comprueba que no se hayan cometidos

errores durante la implementación del modelo. Para ello,
se utilizan las herramientas de debugging provistas por el
entorno de programación
 Validación
En esta etapa se comprueba la exactitud del modelo
desarrollado. Esto se lleva a cabo comparando las
predicciones del modelo con:

●
Mediciones realizadas en el sistema real
●
Datos históricos o datos de sistemas similares.

Como resultado de esta etapa puede surgir la

necesidad de modificar el modelo o recolectar datos
adicionales.
 Diseño de experimentos
En esta etapa se decide las características de los experimentos a
realizar:

3. el tiempo de arranque
4. el tiempo de simulación
5. el número de simulaciones.

Debe quedar claro cuando se formula el problema si lo que el

cliente desea es un estudio de simulación o de optimización.
 Experimentación

En esta etapa se realizan las simulaciones de acuerdo el

diseño previo. Los resultados obtenidos son debidamente
recolectados y procesados.
 Interpretación.

Se analiza la sensibilidad del modelo con respecto a los

parámetros que tienen asociados la mayor incertidumbre. Si es
necesario, se deberán recolectar datos adicionales para refinar la
estimación de los parámetros críticos.
 Implementación

Conviene acompañar al cliente en la etapa de implementación

para evitar el mal manejo del simulador o el mal empleo de los
resultados del mismo.
 Documentación

Incluye la elaboración de la documentación técnica y

manuales de uso.

La documentación técnica: debe contar con una descripción

detallada del modelo y de los datos; también, se debe incluir la
evolución histórica de las distintas etapas del desarrollo. Esta
documentación será de utilidad para el posterior
perfeccionamiento del simulador.
 Sistemas

Un sistema es una sección de la realidad que es el foco primario

de un estudio y está compuesto de componentes que interactúan
con otros de acuerdo a ciertas reglas dentro de una frontera
identificada para el propósito del estudio.

Un sistema puede realizar una función que no es realizable por

sus componentes individuales.
Los objetos o componentes que forman parte del sistema se
denominan entidades, por ejemplo: un auto está compuesto por un
motor, ruedas, carrocería, etc. Estas entidades poseen
propiedades denominadas atributos, por ejemplo: la potencia del
motor, y se relacionan entre sí a través de relaciones o funciones.

Estas relaciones pueden ser:

- Estáticas o estructurales:
- Dinámicas o funcionales:
Los valores asumidos por los atributos de las entidades en
un momento dado determinan el estado del sistema.

El estado puede ser:

• estático o estacionario: esto significa que se
mantiene constante en el tiempo

• dinámico o transitorio: si evoluciona con el

tiempo
Un sistema puede presentar los dos tipos de conductas;
generalmente, cuando inicia su funcionamiento pasa por un
estado dinámico y luego alcanza un estado estacionario o de
régimen.

Un estado estacionario es estable si el sistema

retorna a él luego de una perturbación.

Un estado estacionario es inestable si el sistema

se aleja de él luego de una perturbación.

Este alejamiento puede dar lugar a una respuesta acumulativa

(crece o decrece continuamente, o alcanza otro estado
estacionario) o a una respuesta oscilatoria (crece y decrece
continuamente).
Los atributos también se denominan variables o
parámetros
Los parámetros (P) son atributos que se fijaron durante el diseño del
sistema ya sea por el diseñador o por la naturaleza, por ejemplo: la
cilindrada del motor, la aceleración de la gravedad.

Las variables se clasifican a su vez en:

•Variables de entrada o exógenas: Son fijadas por el medioambiente del

sistema. Pueden ser manipulables (U) - se fijan a voluntad- o no (D).

Una variable de entrada no manipulable se denomina perturbación.

•Variables de salida (Y): Son las variables de estado, o combinación de ellas,

que son medidas o traspasan la frontera del sistema.

•Variables internas: Son las variables del sistema que no son ni de entrada, ni
de salida, ni parámetros.

•Variables de estado (X): Conforman el conjunto mínimo de variables internas

del sistema necesarias para describir completamente su estado interno.
Clasificación de sistemas
Deterministico : Si el sistema no contiene ningún elemento aleatorio es un sistema
determinístico. En este tipo de sistema, las variables de salidas e internas quedan
perfectamente determinadas al especificar las variables de entrada, los parámetros y
las variables de estado. Es decir, las relaciones funcionales entre las variables del
sistema están perfectamente definidas.

Estocástico: Algún elemento del sistema tiene una conducta aleatoria. Entonces, para
entradas conocidas no es posible asegurar los valores de salida. Un ejemplo de sistema
estocástico es una máquina tragamonedas.

Continuo: Se tiene un sistema continuo cuando las relaciones funcionales entre las
variables del sistema sólo permiten que el estado evolucione en el tiempo en forma
continua (basta que una variable evolucione continuamente). Matemáticamente, el estado
cambia en infinitos puntos de tiempo. El recipiente del calentador es un subsistema
continuo.

Discreto: Se tiene un sistema discreto cuando las relaciones funcionales del sistema
sólo permiten que el estado varíe en un conjunto finito (contable) de puntos
temporales. Las causas instantáneas de los cambios de estados se denominan eventos. El
interruptor del calentador es un subsistema discreto porque la intensidad sólo puede
variar en los instantes que se abre o se cierra el interruptor.
 Modos de simulación
Análisis: Es el modo más empleado, en él las variables de salida del
modelo representan a las variables de salida del sistema real. Este modo se
utiliza para estimar la respuesta del sistema real ante entradas
especificadas. Debido a que imita un sistema que realmente funciona, el
modelo es matemáticamente más estable y se asegura la existencia de una
solución.

Diseño: En este modo las salidas del modelo representan a los parámetros
del sistema real. Se utiliza en la etapa de diseño de un equipo donde el
problema es determinar los parámetros para los cuales el sistema producirá
las salidas deseadas para las entradas
especificadas.

Control: Las variables de salida del modelo representan a las variables de

entrada del sistema real. Este modo sirve para determinar los valores que
deberán adoptar las entradas del sistema para producir los resultados
deseados. Se utiliza cuando se desea determinar las condiciones de
operación de un sistema.
Modos de simulación
 Taller en clase No 2:
• Analizar la anterior figura y
capturar :

3. Variables de entrada
manipulables:
4. Variables de salida:
5. Variables de estado:
6. Perturbaciones

• Determinar su clasificación

•la temperatura de la corriente de salida Ts. •interruptor p

•la masa de agua M
•la temperatura del líquido T
•intensidad I
•la potencia de calentamiento W
•la temperatura ambiente Ta.
•el caudal de la corriente de entrada Fe
•temperatura Te
•el caudal de la corriente de salida Fs
•la temperatura Tm indicada por el termómetro
•la potencia disipada Wd

TIEMPO 30 MINUTOS
 Modelado

El Modelado es el proceso de construcción de un modelo. Un modelo es una

representación de un objeto, sistema, o idea. Usualmente, su propósito es ayudar
explicar, entender o mejorar un sistema

El arte de modelar consiste en:

•la habilidad para analizar un problema,

•resumir sus características esenciales,

•seleccionar y modificar las suposiciones básicas que caracterizan al sistema,

•y luego enriquecer y elaborar el modelo hasta obtener una aproximación útil.

 Pasos:
1. Establecer una definición clara de los objetivos.

2. Analizar el sistema real.

3. Dividir el problema del sistema en problemas simples.

4. Buscar analogías.

5. Considerar un ejemplo numérico específico del problema.

6. Determinar las variables de interés.

7. Escribir los datos obvios.

8. Escribir las ecuaciones teóricas o empíricas que describen los

fenómenos presentes y relacionan las variables de interés.

9. Si se tiene un modelo manejable, enriquecerlo. De otra manera,

simplificarlo.
 Generalmente, simplificar un modelo implica:

· Convertir variables en constantes.

· Eliminar o combinar variables.
· Suponer linealidad.
· Agregar suposiciones más potentes y restricciones.
· Restringir los límites del sistema.

El mejor modelo, es el modelo más simple que puede resolver el

problema con el grado de exactitud requerido.
Un modelo debe ser:

• Fácil de entender por parte del usuario.

• Dirigido a metas u objetivos.

• Sensato, en cuanto no de respuestas absurdas.

• Fácil de manipular y controlar por parte del usuario. Es decir, debe ser
sencillo comunicarse con el modelo.

• Completo, en lo referente a asuntos importantes.

• Adaptable, con un sencillo procedimiento para modificar o actualizar el

modelo.

• Evolutivo, debe ser sencillo al principio y volverse más complejo en el

tiempo.
 MODELAMIENTO DE
SISTEMAS INTELIGENTES
 Los Sistemas inteligente deberían ser capaces de:

(i) aprender de la experiencia o entender;

(ii) sentido a mensajes ambiguos o contradictorios;
(iii) responder rápidamente y con éxito a una nueva situación;
(iv) utilizar el razonamiento en la solución de problemas de conducta y dirigir de manera
eficaz;
(v) hacer frente a situaciones de perplejidad;
(vi) entender y deducir en común, formas racionales;
(vii) aplicar los conocimientos para manipular el medio ambiente;
(viii) de pensar y razonar, y
(ix) reconocer la importancia relativa de los diferentes elementos de una situación.
 Ejemplos de algoritmos
inteligentes

• Artificial Neural Networks (ANN / RNA)

• Inductive Learning
• Case-based Reasoning and Analogical
Reasoning
• Genetic Algorithms
• Fuzzy Logic
REDES NEURONALES
ARTIFICIALES

Mientras los filósofos discuten si es

posible o no la inteligencia artificial,
los investigadores la construyen
C. Frabetti
 Objetivo

Introducir a estudiantes en los tópicos

fundamentales de las Redes Neuronales
Artificiales (RNA).

41
NEURONA BIOLOGICA
El elemento fundamental de
procesamiento en una red neuronal
es una neurona. Esta unidad del
conocimiento humano abarca
algunas capacidades generales.
Básicamente, una neurona biológica
recibe entradas de información de
otras fuentes, las combina de una
cierta manera, realiza una operación
generalmente no lineal en el
resultado, y después hace salir el
resultado final. Las dendritas son las
encargadas de recibir las entradas
(1), el soma procesa las entradas
(2), el axon convierte las entradas
procesadas en salidas (3) y las
sinapsis son el contacto
electromecánico con otras neuronas
(4)
Características de una neurona
– Dependiendo de la región del cerebro y su
función, su diámetro va de una décima a una
centésima de milímetro (10 – 100 μm)
– Está formada de 3 partes principales:
• Dentritas
• Axon
• Cuerpo

(c) 2009. P. Gómez-Gil, INAOE 43

Proceso de Desarrollo de Aplicaciones
con RNA
1. Recoger datos
2. Separados en grupos de entrenamiento y prueba
3. Definir una estructura de red
4. Seleccione un algoritmo de aprendizaje
5. Establecer los parámetros, valores, Inicialice Pesos
6. Configurar los datos a entradas de la RNA
7. Iniciar el entrenamiento, determinar y revisar los pesos
8. Detener y probar
9. Aplicación: Usar la red con nuevos casos
-Las RNA puede ayudar a automatizar la toma de
decisiones complejas

- Aprenden de la experiencia del pasado y mejorar sus

niveles de rendimiento

- Máquina de aprendizaje: los métodos que enseñan las

máquinas para resolver problemas, o para apoyar la
resolución de problemas, mediante la aplicación de casos
históricos

-Simular sistemas que no son fácilmente simulables

con los métodos lineales convencionales
Recogida de datos y preparación
•Recopilar los datos y separarlos en sets de entrenamiento y sets de prueba
•Utilice los casos de entrenamiento para ajustar los pesos
• utilizar casos de prueba para validar la RNA
•Seleccionar un algoritmo de aprendizaje
•Determinar parámetros como
●Learning rate

●Valor umbral para la forma de la salida

●Valores iniciales de los pesos

●Otros parámetros

•Seleccione la estructura de la red (nodos y capas)

•Seleccione las condiciones ideales
•Transformar lo datos de entrenamiento y prueba al formato ideal del sistema
Ejemplo: la aprobación del préstamo de toma de decisiones.

La aprobación del préstamo de toma de decisiones uso de muchas

variables: clientes de ingresos, historial laboral, historial de crédito,
las deudas pendientes, y así sucesivamente. La captura de ellos en un
programa informático es difícil

Una Rápida toma de decisiones sobre los préstamos es beneficioso:

tomar la decisión, mientras que el cliente se encuentra todavía en la
oficina!

Una red neuronal puede ser entrenada para reconocer patrones de éxito y
los fracasos de los préstamos basados en la historia pasada. La RNA se
alimenta con el riesgo, el tipo de interés, los datos de los clientes, y otras
variables.

Una RNA rápidamente puede recomendar la aprobación o

denegación de un préstamo. También puede detectar el
fraude
 X1

X2
Denegacion 0

X3

Prestamo 1
X4

X5

DISEÑO DE LA RNA. Para el ejemplo anterior

Fundamentos de Redes Neuronales

Estructura y componentes
-Elementos de procesamiento
-Red
-Estructura de la Red

Procesamiento de la Información por la Red

-Entradas
-Resultados
-Pesos
-Función suma
ENTRENAMIENTO DE LA
RNA
•Presentar los patrones de entrenamiento a
la Red
•Ajustar los pesos para producir la salida
deseada de la RED
•Llevar a cabo muchas interacciones para
poder las neuronas puedan aprender el set
de patrones de entrenamiento
 Pruebas
• Probar la red después del entrenamiento
• Examinar el rendimiento de la red
• hacer que las entradas produzcan las
salidas apropiadas
• No necesariamente el 100% de exactitud
• Podar la red si es necesario
 Que Son las Redes Neuronales
Artificiales?

Las Redes Neuronales Artificiales (R.N.A.)

son modelos matemáticos inspirados en
sistemas biológicos, adaptados y simulados
en computadoras convencionales.
Los elementos que las conforman se
asemejan a las neuronas biológicas.

52
…
• tienen habilidades de aprendizaje
automático, generalización y abstracción.
• Con estos modelos pueden resolverse y
simularse una gran variedad de
problemas de reconocimiento,
aproximación, predicción, clasificación,
optimización etc.

53
Componentes básicos de las RNA
 Elementos de procesamiento: Neurones o Neuronas
 Regla de activación de los elementos.
 Topología de interacción entre los elementos de
procesamiento.
 Regla de propagación a través de las conexiones.
 Regla de aprendizaje.
 Medio ambiente en el que el sistema opera.

54
 Características Principales de Las RNA

1. APRENDIZAJE. Una red neuronal puede modificar su

comportamiento en respuesta al medio ambiente.

2. GENERALIZACION. Una vez entrenada, la red

neuronal puede ser insensible a cambios en sus
entradas.

3. ABSTRACCION. Una red neuronal puede determinar

la esencia o características principales de un conjunto
de datos.

55
 OTROS NOMBRES DE LAS R.N.A.

• Modelos Conexionistas (Connectionist

Models)
• Procesamiento distribuído en paralelo
(Parallel Distributed Processing)
• Sistemas neuronales artificiales (Artificial
Neural Systems or ANS)

56
 Ejemplos de Profesionales
Involucrados con RNA
• Biólogos
• Psicólogos
• Ingenieros Electrónicos
• Ingenieros Civiles
• Fisiólogos
• Ingenieros de Sistemas
• Educadores
• Etc.

(c) 2009. P. Gómez-Gil, INAOE 57

VENTAJAS DE LAS RNA
•Son sistemas que aprenden lo que tienen que hacer a partir
de ejemplos sin necesidad de escribir una sola línea de
código.
•Son sistemas especiales para trabajar en ambientes donde
la información a procesar no está muy bien definida o tiene
mucho ruido.
•Son sistemas que, dadas las condiciones, pueden llegar a
ofrecer soluciones de muy bajo costo y en un tiempo record
de desarrollo.
•La alta tolerancia a fallos
 NEURONA ARTIFICIAL
La unidad básica de las Redes
Neuronales Artificiales, la neurona
artificial, simula las cuatro funciones
básicas de las neuronas biológicas.

• Las señales son presentadas a la

entrada, representada por X1, X2, ...
XP
• Cada señal es multiplicada por un
número, o peso, que indica su
influencia en la salida de la neurona,
representados por W1, W2, ... WP
• Se realiza la suma ponderada de las
señales que produce un nivel de
Modelo de neurona artificial de McCullock-Pitts.
actividad,
• Si este nivel de actividad excede un
cierto limite (umbral), por el
resultado de la función de
activación (f(a)) la unidad produce
una determinada respuesta de
salida (y).
FUNCION DE ACTIVACION
Las funciones de activación también
llamadas funciones de transferencia,
son las responsables de determinar la
forma y la intensidad de variación de
los valores transmitidos de una
neurona a otra.
FUNCION LINEAL

Función de activación lineal.

 FUNCIONES SIGMOIDE

Función sigmoidal logística. Función sigmoidal tangente hiperbólica.

 TOPOLOGIA
Basándose en el patrón de conexiones
(arquitectura), las RNA pueden ser
agrupadas en dos categorías:

•Redes no recurrentes (feed-forward)

•Redes recurrentes (recurrent o feedback)

TOPOLOGIA

●
Conexiones hacia
delante.

b) Conexiones laterales.

c) Conexiones hacia atrás

(o recurrentes).
REDES NO RECURRENTES

Las señales de entrada son

simplemente transformadas en
señales de salida, no hay
conexiones cerradas y se sigue
siempre un flujo continuo hacia el
frente
REDES NO RECURRENTES

Las señales son alteradas en

diversas transiciones de estado,
siendo la salida alimentada también
de la entrada, igualmente se tienen
loops debido a las conexiones de
retorno
 APRENDIZAJE
• Una RNA necesita ser entrenada para que pueda
funcionar correctamente
• Poseen alguna regla de entrenamiento
• Ellas aprenden a través de ejemplos
• El desempeño es mejorado con el pasar del tiempo por
un proceso iterativo de actualización de los pesos en la
red
• Saber qué información estará disponible para la red (de
esta información dependen todos los demás aspectos
del diseño e implementación de una RNA )
 METODOS DE APRENDIZAJE O
ENTRENAMIENTO

• SUPERVISADO

• NO SUPERVISADO
 ENTRENAMIENTO SUPERVISADO

• Es el tipo más común

• La entrada y salida deseadas para la red
son formuladas por un supervisor externo
• El objetivo es ajustar los parámetros de la
red
• Set (patrones) Target (objetivos)
DESVENTAJA: en ausencia de un
supervisor o profesor, la red no consigue
aprender nuevas estrategias para
situaciones no cubiertas por los ejemplos
de entrenamiento de la red.

VENTAJA: se ejecutan mucho mas rápido

que las de entrenamiento no supervisado
 ENTRENAMIENTO NO SUPERVISADO

• No hay un supervisor para acompañar el

proceso de aprendizaje.
• Sólo están disponibles los patrones de entrada
para la red.
• La red modifica sus pesos de tal forma que los
valores de entrada más similares son
relacionados a un mismo patrón de salida (o
cluster). Con esto la red es capaz de producir un
valor ejemplar (representativo) para cada cluster
formado
ENTRENAMIENTO COMPETITIVO
• Las neuronas o unidades de salida de una
red compiten entre si para volverse
activas (dispararse).
• Sólo una neurona de salida está activa en
un instante determinado.
 ALGUNAS
ARQUITECTURAS
PERCEPTRON

Es la forma más simple de

una red neuronal usada
para la clasificación de
patrones linealmente
separables.

Consiste básicamente de
una única neurona con
pesos sinápticos ajustables
y bias.
PERCEPTRON MULTICAPA (MLP)

Básicamente, la red consiste de

un conjunto de unidades
sensoriales que constituyen la
capa de entrada, una o más
capas intermedias u ocultas y
una capa de salida de nodos
computacionales. La señal de
entrada se propaga hacia el
frente a través de la red, capa
por capa. Estas redes
neuronales son normalmente
llamadas perceptrones multicapa
o Multi-Layer Perceptron (MLP).
Red MLP
 RED ELMAN

La arquitectura de una red

Elman, permite considerar el
uso de esta para una
variedad de problemas donde
interviene el procesamiento
de entradas, las cuales son
naturalmente presentadas en
secuencia. Como por ejemplo
el análisis de llamados al
sistema operativo para
determinar patrones de
comportamiento y detectar
así ataques en progreso.

El objetivo principal era encontrar una solución con respecto al uso de redes neuronales en
ambientes donde el tiempo además de las entradas era un aspecto relevante.
Actualmente, existen unos 40 paradigmas
de RNA que son usados en diversos
campos de aplicación (Taylor, 1996; Arbib,
Erdi y Szentagothai, 1997; Sarle, 1998).
Entre estos paradigmas, podemos destacar
la red backpropagation (Rumelhart, Hinton
y Williams, 1986) y los mapas
autoorganizados de Kohonen (Kohonen,
1982a, 1982b).
 Los Mapas Autoorganizados de
Kohonen.
Este tipo de red neuronal, mediante un aprendizaje no
supervisado, puede ser de gran utilidad en el campo
del análisis exploratorio de datos, debido a que son
sistemas capaces de realizar análisis de clusters,
representar densidades de probabilidad y proyectar un
espacio de alta dimensión sobre otro de dimensión
mucho menor.
La red backpropagation
Mediante un esquema de aprendizaje
supervisado, ha sido utilizada satisfactoriamente
en la clasificación de patrones y la estimación
de funciones.
PROBLEMAS DEL ALGORITMO
 APLICACIONES
Biología:
• Aprender más acerca del cerebro y otros sistemas.
• Obtención de modelos de la retina.

Empresa
• Reconocimiento de caracteres escritos.
• Identificación de candidatos para posiciones específicas.
• Optimización de plazas y horarios en líneas de vuelo.
• Explotación de bases de datos.
• Evaluación de probabilidad de formaciones geológicas y
petrolíferas.
• Sintesís de voz desde texto.
 APLICACIONES

Manufacturación
• Robots automatizados y
sistemas de control (visión artificial y
sensores de presión, temperatura, gas,
etc.)
• Control de producción en líneas de
proceso.
• Inspección de calidad.
• Filtrado de señales.
 APLICACIONES
Medicina
• Analizadores del habla para la ayuda de audición de
sordos profundos.
• Diagnóstico y tratamiento a partir de síntomas y/o
de datos analíticos (encefalograma, etc.).
• Monitorización en cirugía.
• Predicción de reacciones adversas a los
medicamentos.
• Lectoras de Rayos X.
• Entendimiento de causa de ataques epilépticos.
 APLICACIONES

Militares
• Clasificación de las señales de
radar .
• Creación de armas inteligentes.
• Optimización del uso de
recursos escasos.
Representacion de la estructura
de una proteina
• Visualizacion
de diferentes
aspectos de
la estructura
 Problem Definition
• Dada una secuencia de
proteina, queremos
encontrar la salida en 3D
de su estructura
 Asociaciones Importantes
Relacionadas a RNA
• IEEE Computational Intelligence:
http://ieee-cis.org/
• Capítulo México de la IEEE-CIS
http://www.hafsamx.org/cis-chmexico/
• Neural Networks Society
http://www.inns.org/
• Sociedades de Reconocimiento de Patrones,
Control, Visión, etc.

89
 Taller No 3.
• En grupo, proponer un sistema, el cual pueda ser candidato a ser
modelado e implementado mediante una RNA

TRABAJO FINAL