Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Etapa de Diseño
Diseño robusto de
Taguchi
En base al método Taguchi, se desarrolló una 1. Determinar las características de calidad a ser
estrategia para resolver problemas de diseño optimizadas
topológico de redes neuronales artificiales del tipo 2. Identificar los factores de ruido y las
feedforward entrenadas por medio del algoritmo de condiciones de prueba
propagación inversa. Las redes diseñadas por medio 3. Identificar los parámetros de control y sus
de esta estrategia pueden ser de tipo continuo o niveles alternativos
discreto. La metodología de diseño de redes 4. Diseñar la matriz de experimentos y definir el
neuronales artificiales desarrollada, se muestra en la procedimiento de análisis de datos
figura 3. 5. Conducir la matriz de experimentos
6. Analizar los datos y determinar los niveles
óptimos
7. Pronosticar el desempeño en éstos niveles
factores de diseño y de ruido así como sus parámetros 2 14 0 0.001 0.1 0.3 0.1
de control y niveles alternativos como se muestra en 3 56 56 0.001 0.1 0.1
las tablas 1 y 2.
En la etapa de experimentación se hizo uso de una
La tabla 1 muestra las variables de diseño y sus herramienta de software diseñada en el entorno de
niveles de la Red Neuronal a ser diseñada, aplicada en Matlab Ver 7.0, la cual automatiza el proceso de
la reconstrucción de espectros de neutrones. análisis y procesamiento de la información usada en la
reconstrucción de espectros de neutrones. Esta
Tabla 1. Variables de diseño y sus niveles
herramienta aplica las pruebas estadísticas de Chi
VARIABLES
NIVEL 1 NIVEL 2 NIVEL 3 cuadrada y Correlación a los datos de prueba de la red
DE DISEÑO
neuronal luego de que la misma fue entrenada. Los
A) Neuronas Capa Oculta 1 14 28 56 datos obtenidos mediante esta herramienta se
B) Neuronas Capa Oculta 2 0 28 56 presentan en las tablas 4 y 5.
C) Tasa de Aprendizaje 0.001 0.1 0.3 Tabla 4. Chi cuadrada de los espectros del grupo de 187 espectros (37/187
D) Momento 0.1 0.3 0.5 espectros de prueba) valor de tablas 18.5 para 30 grados de libertad
2 2
X X
ESPECTRO
ESPECTRO
5 0.0498 0.1338 15 25 0.1385 0.6222 35
DE RUIDO NIVEL 1 NIVEL 2
6 0.0292 0.5894 16 26 0.8350 0.0780 36
U) Inicialización aleatoria
de pesos sinápticos Conjunto 1 Conjunto 2 1.4569 0.0424 0.2878 0.1825
7 17 27 37
variables de diseño y de ruido, e incorpora el concepto Artega-Arteaga T., Ortiz-Rodríguez J.M., Neutron
de robustez en el proceso de diseño. Spectra Unfolding With Artificial Neural
Networks, Encuentro de Investigación en
REFERENCIAS Ingeniería Eléctrica, ENINVIE 2005, Zacatecas,
Zac.
[1] Gupta M.M., Lin J., and Homma N., Static and [14] Vega-Carrillo, H.R., Iñiguez, M.P., Catalogue to
Dynamic Neural Networks. From Fundamentals to select the initial guess spectrum during unfolding,
Advanced Theory, John Wiley & Sons, 2003. Nucl. Instrum. Meth. Phys. Res. A 476, 2002.
[2] Haykin S., Neural networks: A comprehensive [15] Vega-Carrillo, H.R., Manzanares-Acuña, E.,
foundation, Prentice Hall, 1999. Hernández-Dávila, V.M, and Mercado, G.A.
[3] Jain, A.K., Mao J., and Mohuiddin, K.M., Response matriz of a multisphere neutron
Artificial neural networks: a tutorial, IEEE, 1996. spectrometer with an 3He proportional counter
[4] Lippmann R.P., An introduction to computing with Rev. Méx. Fís., 51: 47-52, (2005).
neural networks, IEEE ASSP MAGAZINE, 4(2), [16] Vega-Carrillo, H.R., Wehring, B.W., Veinot, K.G.
1987. and Hertel, N.E., Response Matrix for a
[5] Packianather M.S. and Drake P.R., Modelling Mulltisphere Spectrometer using a 6LiF
neural network performance through response Thermoluminescence Dosimeter, Radiat. Prot.
surface methodology for classifying wood veneer Dosim., 81: 133, (1999).
defects, IMechE (Proc. Instn. Mech. Engrs.), 218, [17] Ortiz-Rodríguez, J.M., Martínez-Blanco, M.R.,
Parte B, 2004. Arteaga-Arteaga, T., Vega-Carrillo, H.R.,
[6] Shyam M.N., Robust Design, Departament of Hernández-Dávila, V.M. y Manzanares-Acuña,
aerospace engineering, Indian institute of E., Reconstrucción de espectros de neutrones
technology, Bombay, 2002. usando redes neuronales a partir del sistema
[7] Lin, TY, and Tseng, CH., Optimum design for espectrométrico de esferas de Bonner, VIII
artificial neural networks: an example in a bycicle conferencia internacional y XVIII congreso
derailleur system, Eng. Appl. Artificial nacional sobre dosimetría de estado sólido, 2005.
Intelligence, 2000. [18] Ortiz-Rodríguez, J.M, Diseño robusto de redes
[8] Peterson G.E., St. Clair D.C., Aylward S., and neuronales aplicadas en la espectrometría de
Bond W., Using Taguchi´s method of neutrones, tesis de maestría, Unidad Académica de
experimental design to control errors in layered Estudios Nucleares, Universidad Autónoma de
perceptrons, IEEE transactions on neural networks, Zacatecas, 2005.
6, 1995. [19] Martínez - Blanco M.R., Espectrometría de
[9] Chen Y., Tam S.C., Chen W.L., Zheng H.Y., neutrones y calculo de dosis equivalentes
Application of Taguchi method in the optimization empleando la metodología de diseño robusto de
of laser micro-engraving of photomasks, Intern. J. redes neuronales artificiales, Tesis de licenciatura,
Materials and Product Tech., 11(3-4), 1996. Unidad Académica de Ingeniería Eléctrica,
[10] Fehrenbacher, G., Schutz R., Hahn K., Sprunk M., Universidad Autónoma de Zacatecas, 2006.
Cordes, A., Biersack J.P., Wahl W., Proposal of a [20] Jiju A. and Jiju Frenie A., Teaching the Taguchi
new method for neutron dosimetry based on method to industrial engineers, MCB University
spectral information obtained by application of press, 50(4), 2001.
artificial neural networks, Radiat. Prot. Dosim., 83,
1999.
[11] Vega-Carrillo H.R., Hernández-Dávila V.M.,
Manzanares-Acuña E., Iñiguez de la Torre M.P.,
Méndez R., Palacios F., Barquero R.,
Reconstrucción de Espectros de Neutrones
Mediante Redes Neuronales, XIV Congreso Anual
de la Sociedad Nuclear Mexicana/XXI Reunión
Anual de la Sociedad Mexicana de Seguridad
Radiológica, 2003.
[12] Vega-Carrillo H.R., Hernández-Dávila V.M.,
Manzanares-Acuña E., Mercado-Sánchez G.A.,
Iñiguez de la Torre M.P., Barquero R., Artega-
Arteaga T., Ortiz-Rodríguez J.M., Neutron
Spectrometry Using Artificial Neural Networks.
Radiat. Measurem. (en prensa, 2005).
[13] Vega-Carrillo H.R., Hernández-Dávila V.M.,
Manzanares-Acuña E., Mercado-Sánchez G.A.,