1600 CICLO 2014 - I - Clase 16 REDES NEURONALES 23 ago 2014 Clase Final.pptx

1

SECCIÓN DE POSGRADO

FACULTAD DE INGENIERÍA CIVIL MAESTRÍA EN INGENIERÍA HIDRÁULICA

CICLO: 2014 – I

CURSO: HIDROLOGÍA AVANZADACÓDIGO: C-702

Profesor: Ing° Walter Obando Licera. Dr.(c)[email protected]

2 2



SP-FIC-MIH-2014 - I Clase 16 - HA; 23/Ago/2014

SYLLABUS1.- Hidrología en el Perú2.- Sistemas de información en Recursos Hídricos

(Redes de recolección de la información hidrológica) 3.- Análisis, Tratamiento, Completación y Extensión

de la Información Hidrometeorológica4.- Modelos Matemáticos en Hidrología5.- Modelación Determinística Hidrológica6.- Modelación Estocástica Hidrológica7.- Redes Neuronales Artificiales en la Hidrología8.- SIG en Recursos Hídricos9.- Temas de interés

3 3



Capítulo 7

Redes Neuronales Artificialesen la Hidrología


4 4



CONTENIDO

1.- INTRODUCCIÓN

2.- REDES NEURONALES

3.- APLICACIÓN A LOS RECURSOS HÍDRICOS

4.- DISCUSIÓN

Redes Neuronales Artificiales en la Hidrología


5 5



1.- INTRODUCCIÓN

OBJETIVO

Revisar el marco conceptual de las redes neuronales artificiales (RNA), en el marco de la inteligencia artificial (IA), y su aplicación a los recursos hídricos.


6 6



2.- DEFINICIONES2.1.- Inteligencia artificial

WIKIPEDIA (2012):

En ciencias de la computación, se denomina inteligencia artificial (IA) a la capacidad de razonar de un agente no vivo.

Mc Carthy J., acuñó el término en 1956, definiéndolo así:

"Es la ciencia e ingeniería de hacer máquinas inteligentes, especialmente programas inteligentes”.

TOPIO, “jugando tenis” (IREX, 2009)


7 7



2.- DEFINICIONES2.2.- Redes Neuronales

WIKIPEDIA (2012):

Las redes de neuronas artificiales (denominadas habitualmente como RNA (ANN1) son un paradigma (ejemplo, modelo) de aprendizaje y procesamiento automático inspirado en la forma en que funciona el sistema nervioso de los animales.

(1): Artificial Neural Networks


8 8




WIKIPEDIA (2012):

Se trata de un sistema de interconexión de neuronas en una red que colabora para producir un estímulo de salida.

En inteligencia artificial es frecuente referirse a ellas como redes de neuronas o redes neuronales.


9 9




GESTAL (2008):

Desde la primera mitad del siglo XX, se empezaron a desarrollar modelos computaciones que han intentado emular el comportamiento del cerebro humano.

Aunque se han propuesto una gran cantidad de ellos, todos usan una estructura en red en la cual los nodos o neuronas son procesos numéricos que involucran estados de otros nodos según uniones.

Una clase de estos modelos computacionales son las RNA.


10 10




GESTAL (2008):

Las RNA se han hecho muy populares debido a la facilidad de su uso (Figura 1) e implementación y la habilidad para aproximar cualquier función matemática.

Las RNA, con su marcada habilidad para obtener resultados de datos complicados e imprecisos, pueden utilizarse para extraer patrones y detectar tramas que son muy difíciles de apreciar por humanos u otras técnicas computacionales.


11 11




GESTAL (2008).


12 12




GESTAL (2008):

El primer modelo de neurona artificial fue propuesto por McCulloch y Pitts (1943), donde se modelizaba una estructura y un funcionamiento simplificado de las neuronas del cerebro, considerándolas como dispositivos con n entradas, una única salida y sólo dos estados posibles: aciva o inactiva.

Una red era, en ese planteamiento inicial una colección de neuronas…todas sincronizadas, done las salidas de unas neuronas estaban conectadas a las entradas de otras.


13 13




GESTAL (2008):

Algunos de los planteamientos de McCulloch y Pitts se han mantenido desde 1943 sin modificaciones, otros por el contrario han ido evolucionando, pero todas las formalizaciones matemáticas que se han realizado desde entonces, sobra las RNA, aún sin pretender ser una modelización exacta de las redes de neuronas biológicas, si han resultado un punto de partida útil para el estudio de las mismas.


14 14




GESTAL (2008):

Una de las definiciones que se estima más certera de RNA es la siguiente:

“Las redes neuronales son conjuntos de elementos de cálculo simples, usualmente adaptativos, interconectados masivamente en paralelo y con una organización jerárquica que le permite interactuar con algún sistema del mismo modo que lo hace el sistema nervioso biológico”.


15 15




GESTAL (2008):

Su aprendizaje adaptativo, auto-organización, tolerancia a fallos, operación en tiempo real y fácil inserción dentro de la tecnología existente, han hecho que su utilización se haya extendido en áreas como la biológica, financiera, industrial, medio ambiental, militar, salud, etc.


16 16




GESTAL (2008):

Están funcionando en aplicaciones que incluyen identificación de procesos, detección de fallos en sistemas de control, modelación de dinámicas no lineales, control de sistemas no lineales y optimización de procesos.


17 17




GESTAL (2008):

Cabe destcar…que las RNA, gracias al masivo paralelismo de su estructura, gozan de una serie de VENTAJAS:

1.- Aprendizaje adaptativo

Capacidad de aprender a realizar tareas basadas en un entrenamiento o una experiencia inicial.


18 18




GESTAL (2008):

Ventajas:

2.- Autoorganización

Una red neuronal puede crear su propia organización o representación de la información que recibe durante la etapa de aprendizaje.


19 19




GESTAL (2008):

Ventajas:

3.- Tolerancia a fallos

Gracias a poseer la información distribuida o vía información redundante la destrucción parcial de una red puede conducir a una degradación de su estructura; sin embargo, algunas capacidades de la red se pueden retener, incluso sufriendo daños considerables.


20 20




GESTAL (2008):

Ventajas:

4.- Capacidad de generalización

Ante la entrada de datos nuevos es capaz de producir resultados coherentes de acuerdo con la naturaleza del problema para el cual han sido entrenadas.


21 21




GESTAL (2008):

Ventajas:

5.- Operación en tiempo real

El cómputo neuronal puede realizarse en paralelo, bien vía software o mediante máquinas especiales para obtener esta ventaja (hardware conexionista o masivamente paralelo).

Pero los sistemas neuronales no están exentos de ciertos inconvenientes.


22 22




GESTAL (2008):

Inconvenientes:

Uno importante es que habitualmente realizan un complejo procesamiento que supone millones de operaciones, por lo que no es posible seguir paso a paso el razonamiento que les ha llevado a extraer conclusiones.


23 23




GESTAL (2008):

Inconvenientes:

Sin embargo, en redes pequeñas, mediante simulación o por el estudio de los pesos sinápticos sí es posible saber, al menos, qué variables de las introducidas han sido relevantes para tomar la decisión.


24 24



3.- REDES NEURONALESY RECURSOS HÍDRICOS

Ver presentaciones (W. Laqui):

1.- MODELOS DE REDES NEURONALES ARTIFICIALES

2.- APLICACIÓN DE TÉCNICAS DE INTELIGENCIA ARTIFICIAL A LA MODELIZACIÓN Y PREVISIÓN DE CAUDALES MEDIOS

MENSUALES

3.- ESTIMACIÓN DE LA EVAPOTRANSPIRACIÓN DE REFERENCIA UTILIZANDO MODELOS DE REDES NEURONALES ARTIFICIALES


25 25



4.- DISCUSIÓN


Documents

1600 CICLO 2014 - I - Clase 16 REDES NEURONALES 23 ago 2014 Clase Final.pptx