UNIVERSIDAD MAYOR DE SAN ANDRÉS

FACULTAD DE INGENIERÍA – INGENIERÍA MECÁNICA Y

INVIERNO/2019
ELECTROMECÁNICA

DISEÑO DE SISTEMAS DE CONTROL

TEMA:
REDES NEURONALES

INTEGRANTES:
Ingeniería Mec ánica
- Mercado Villa, Jhoseline
Ingeniería Electromecánica
- Chiara Apaza, Jehseed
- Jiménez Gutiérrez, Stephan
- Yevara Morales, Nelson
- Zubieta Alarcón, Horacio

DOCENTE:
MSc. Ing. Lucio Mamani Choque
 FACULTAD DE INGENIERÍA - UMSA

Contenido
1. REDES NEURONALES DESDE LA PERSPECTIVA BIOLÓGICA .................. 2
1.1. Panorama General ..................................................................................... 2
1.2. Redes neuronales de tipo biológico RNB ................................................... 2
1.3. Auto Organización y Adaptabilidad ............................................................ 3
1.4. Procesado No Lineal y Paralelo ................................................................. 4
2. QUE SON LAS REDES NEURONALES EN SISTEMAS DE CONTROL ......... 4
3. Ecuaciones básicas de diseño .......................................................................... 9
3.1. Algoritmo de backpropagation .................................................................... 9
3.1.1. Formulación matemática de backpropagation ...................................... 10
4. DESARROLLO DE REDES NEURONALES: ................................................. 13
4.1. ENTORNOS DE DESARROLLO DE REDES NEURONALES ................. 14
5. APLICACIONES ............................................................................................. 17
5.1. Asociación y clasificación ......................................................................... 17
5.2. Regeneración de patrones ....................................................................... 17
5.3. Regeneración y generalización ................................................................ 18
5.4. Optimización ............................................................................................ 18
5.5. Casos concretos de aplicación ................................................................. 18

DISEÑO DE SISTEMAS DE CONTROL 1

 FACULTAD DE INGENIERÍA - UMSA

1. REDES NEURONALES DESDE LA PERSPECTIVA BIOLÓGICA

1.1. Panorama General
Las Redes Neuronales Artificiales (RNA) se constituyeron inicialmente como una
simulación abstracta de los sistemas nerviosos biológicos formados por un conjunto
de unidades llamadas neuronas o nodos conectados unos con otros. Las
conexiones de estos nodos se asemejan a las dendritas y axones de los sistemas
nerviosos biológicos.

Las RNA pueden clasificarse en modelos de tipo biológico y tipo dirigido a la

aplicación de acuerdo a su similitud con la realidad biológica:

1.2. Redes neuronales de tipo biológico RNB

El cerebro humano promedio cuenta con aproximadamente mil millones de
neuronas. Asimismo, durante las sinapsis cada una de estas neuronas recibe en
promedio alrededor de 1000 estímulos de entrada y genera alrededor de 1000
estímulos de salida. En este sentido, la principal ventaja del cerebro humano
promedio recae en su conectividad, interpretada como la capacidad del mismo para
realizar diferentes procedimientos lógicos a la vez. Sin embargo, su principal
debilidad recae en la velocidad de procesamiento de la información, siendo las
computadoras en este sentido, muchísimo más rápidas.

El objetivo de las redes neuronales de tipo biológico se constituye en desarrollar un

elemento sintáctico que permita verificar las hipótesis correspondientes a los demás
sistemas biológicos. Es decir, las redes neuronales de tipo biológico deben recibir y
procesar información de otros sistemas biológicos y devolver una respuesta de
acción efectiva.

La mayor parte de las neuronas posee una estructura arbórea formada en su mayor
parte por dendritas que, conectadas a otras neuronas, se encargan de recibir los
estímulos de entrada neuronales mediante uniones denominas sinopsis. Algunas
neuronas tienen una estructura que las comunica con miles de neuronas más,
mientras otras sólo pueden comunicarse con unas cuantas a su alrededor. Las tres
partes importantes de la estructura de una neurona son:

DISEÑO DE SISTEMAS DE CONTROL 2

 FACULTAD DE INGENIERÍA - UMSA

- Ramas de Extensión o Dendritas – Reciben estímulos de Entrada.

- Cuerpo de la Neurona – Procesa estímulos de Entrada.
- Axón – Emite estímulos de Salida a las Dendritas de otras neuronas.

Actualmente no sé conoce con certeza la

verdadera forma de interacción de las
neuronas. En general, una neurona recibe
estímulos de entrada mediante las
dendritas, estos estímulos son procesados
en el cuerpo de la misma para
posteriormente emitir un estímulo de salida
mediante el axón. Este último estímulo
utiliza diferencias de potencial eléctrico u
ondas de corriente las cuales dependen
fundamentalmente del potencial de la
neurona. Asimismo, la neurona utiliza la función de escalón y la función de
activación para determinar la salida que debe emitir de acuerdo a los estímulos
recibidos.

El conocimiento que se posee sobre el sistema nervioso es aún incompleto. En este

sentido, las ANNs no se encuentran muy ligadas a lo que son en sí las redes
neuronales biológicas. Por lo tanto, se han definido otras funcionalidades y
estructuras de conexión distintas a las establecidas por la biología. Las principales
características de las ANNs son las siguientes:

1.3. Auto Organización y Adaptabilidad

Utilizan algoritmos de aprendizaje adaptativo y auto organización ofreciendo
posibilidades de un procesamiento robusto y adaptable.

DISEÑO DE SISTEMAS DE CONTROL 3

 FACULTAD DE INGENIERÍA - UMSA

1.4. Procesado No Lineal y Paralelo

Aumenta la capacidad de la neurona para poder aproximar y clasificar información
haciéndose más inmune al ruido (datos desordenados).

Estas características juegan un papel importante en las ANNs aplicadas al

procesado de señales. En este sentido, la red constituida para una aplicación
determinada poseerá una arquitectura concreta de elementos de procesado
adaptativo, masivo y paralelo que se combinan en estructuras de interconexión de
red jerárquica.

1.5. Redes neuronales para aplicaciones concretas

Toda aplicación de redes neuronales consta de dos fases: la fase de aprendizaje o

entrenamiento y la fase de prueba o
funcionamiento directo. En la fase de
entrenamiento se usa un conjunto de datos
o patrones de entrenamiento para
determinar los pesos que definen el modelo
neuronal. Este modelo una vez entrenado,
se usará en la fase de funcionamiento
directo en la que se procesarán patrones
de prueba que constituyen la entrada
habitual de la red con el objetivo de analizar
las prestaciones definitivas de la misma.

2. QUE SON LAS REDES NEURONALES EN SISTEMAS DE CONTROL

Las redes neuronales se han convertido en la familia de algoritmos de Machine
Learning (aprendizaje automatizado), mas importantes en estos últimos tiempos,
existían desde el siglo pasado, pero recientemente con la mejora de la técnica y la
tecnología se ha empezado a utilizar de manera indispensable. Se trata de una
familia de algoritmos con los que podemos modelar comportamientos inteligentes.

Como suele ocurrir con la mayoría de los comportamientos y estructuras avanzadas,

la complejidad de estos sistemas emerge de la interacción de muchas partes más
DISEÑO DE SISTEMAS DE CONTROL 4
 FACULTAD DE INGENIERÍA - UMSA

simples trabajando conjuntamente. En caso de una red neuronal a cada una de

estas partes se la denomina neurona

Es el procesamiento básico de una red neuronal es similar a una neurona biológica,

las neuronas tienen conexiones de entrada a través del cual reciben estímulos
externos (los valores de entrada) con estos valores la neurona realizara un cálculo
interno y generara un valor de salida la cual podemos representar como una función
matemática.

Internamente la neurona utiliza todos los valores de entrada para realizar una suma
ponderada de ellos, la ponderación de cada una de los valores viene dada por el
peso que se le asigna a cada una de las conexiones de entrada, es decir, que cada
conexión que llega a nuestra neurona tendrá asociado un valor que servirá para
definir con que intensidad cada variable de entrada afecta a la neurona,
intuitivamente esto representa como palancas que se pueden subir y bajar para
modificar positiva o negativamente estos valores.

La ecuación que se forma es muy similar a la de una ecuación lineal, lo que quiere
decir que una neurona internamente hace una regresión lineal. Se tienen valores de
entrada que definen una recta en un plano a la que se puede variar la inclinación
DISEÑO DE SISTEMAS DE CONTROL 5
 FACULTAD DE INGENIERÍA - UMSA

variando los parámetros; este término que hará cambiar la posición de esa recta se
lo denomina como SESGO (Bias) donde la variable siempre está asignada a uno.
De esta manera actuara exactamente como una regresión lineal.

Las neuronas se pueden organizar de diferentes maneras, en columnas o en filas

(capas); dos neuronas que se encuentran en la misma capa recibirán la misma
información de entrada de la capa anterior y los cálculos que realicen la pasarán a
la capa siguiente. En la primera capa donde están las variables de entrada se las
denomina capas de entrada y a la última capa de salida, a las intermedias se las
denomina capas ocultas.

Al pasar la información de una neurona hace que la red puede aprender

conocimiento jerarquizado. Entre más capas se añade más complejo puede ser el
conocimiento que elaboremos, esta profundidad y cantidad de capas es lo que le da
nombre al aprendizaje profundo (Deep learning). Para alcanzar este aprendizaje
profundo hemos dicho que queremos conectar múltiples neuromas de forma
secuencial, lo que hacen estas neuronas es un problema de regresión lineal.

DISEÑO DE SISTEMAS DE CONTROL 6

 FACULTAD DE INGENIERÍA - UMSA

Y matemáticamente hablando concadenamos diferentes operaciones de regresión

lineal, pero el problema es que al sumar muchas operaciones de regresión lineal
(sumar muchas líneas rectas), nos da como resultado una única recta, visto de otra
manera hace que toda la estructura que queríamos construir colapse hasta ser
equivalente a tener una única neurona

Para conseguir que nuestra red no colapse se necesita que la suma de este sistema
de como resultado algo diferente a una recta y para esto necesitaremos que cada
una de estas líneas sufra alguna manipulación no lineal que las distorsione.

Para conseguir esto se utiliza las funciones de activacion, donde se reemplaza la

suma ponderada por dicha funcion de activacion el cual hara que distorcione este
valor de salida añadiendole deformaciones no lineales para que asi se pueda
encadenar de manera efectiva la computacion de varias neuronas, estas
deformaciones dependen de la función de activacion.

DISEÑO DE SISTEMAS DE CONTROL 7

 FACULTAD DE INGENIERÍA - UMSA

Existen varias funciones de Activación como ser:

DISEÑO DE SISTEMAS DE CONTROL 8

 FACULTAD DE INGENIERÍA - UMSA

3. Ecuaciones básicas de diseño

3.1. Algoritmo de backpropagation
La propagación hacia atrás de errores o retro propagación (del inglés
backpropagation) es un método de cálculo del gradiente utilizado en algoritmos de
aprendizaje supervisado utilizados para entrenar redes neuronales artificiales. El
método emplea un ciclo propagación adaptación de dos fases. Una vez que se ha
aplicado un patrón a la entrada de la red como estímulo, este se propaga desde la
primera capa a través de las capas siguientes de la red, hasta generar una salida.
La señal de salida se compara con la salida deseada y se calcula una señal de error
para cada una de las salidas.

DISEÑO DE SISTEMAS DE CONTROL 9

 FACULTAD DE INGENIERÍA - UMSA

Las salidas de error se propagan hacia atrás, partiendo de la capa de salida, hacia
todas las neuronas de la capa oculta que contribuyen directamente a la salida. Sin
embargo, las neuronas de la capa oculta solo reciben una fracción de la señal total
del error, basándose aproximadamente en la contribución relativa que haya
aportado cada neurona a la salida original. Este proceso se repite, capa por capa,
hasta que todas las neuronas de la red hayan recibido una señal de error que
describa su contribución relativa al error total.

3.1.1. Formulación matemática de backpropagation

Dada nuestra red neuronal con parámetros iniciales aleatorios, este punto nos indica
que para una entrada cualquiera el resultado será aleatorio y este mismo
comparando con un coste no indica el error que tuvo nuestra red neuronal. Este
error por lo general suele bastante grande, pero no hay problema porque es donde
el algoritmo nos ayudara a determinar cómo cada neurona contribuyo a la
generación de este error.

El coste de nuestra red neuronal será la diferencia que tuvimos entre nuestro valor
esperado y el que obtuvimos.
El objetivo de algoritmo de backprogation es determinar la derivada parcial del coste
respecto a los parámetros W, pero como vimos anteriormente en se tiene dos tipos
de parámetros, los pesos que se denotan con “w” y el sesgo “b” entonces
matemáticamente tenemos:
𝜕𝐶 𝜕𝐶
;
𝜕𝑤 𝜕𝑏
Aplicando esto ya a una red neuronal se tiene:

1
DISEÑO DE SISTEMAS DE CONTROL
0
 FACULTAD DE INGENIERÍA - UMSA

Para calcular esta derivada debemos determinar el camino que conecta el valor del
parámetro y el coste final.

Como vimos anteriormente el parámetro “W” que engloba a “w” y a “b” son parte de
una suma ponderada dentro de la neurona, a toda esta expresión la denotaremos
como “Z”, como estamos trabajando en la última capa tendremos:
𝑍𝐿 = 𝑊 𝐿 𝑋 + 𝑏𝐿
Ahora bien, como ya definimos “Z” tendremos que aplicarle la función de activación
y a esta misma la función coste y así determinamos el error de la red de la siguiente
manera:

𝐶(𝑎(𝑍 𝐿 )) = 𝐸𝑅𝑅𝑂𝑅

Como vemos se conforma una composición de funciones y como se trata de

derivadas parciales esto lo solucionamos aplicando la regla de la cadena.
𝜕𝐶 𝜕𝐶 𝜕𝑎𝐿 𝜕𝑧 𝐿
= ∗ ∗
𝜕𝑤𝐿 𝜕𝑎𝐿 𝜕𝑧𝐿 𝜕𝑤𝐿
𝜕𝐶 𝜕𝐶 𝜕𝑎𝐿 𝜕𝑧 𝐿
= ∗ ∗
𝜕𝑏 𝐿 𝜕𝑎𝐿 𝜕𝑧𝐿 𝜕𝑏 𝐿

Que representan cada derivada:

1
DISEÑO DE SISTEMAS DE CONTROL
1
 FACULTAD DE INGENIERÍA - UMSA

𝜕𝐶
= Derivada del coste respecto a la activación es la variación de la función de
𝜕𝑎𝐿
coste respecto a la activación en la última capa.
𝜕𝑎𝐿
=Derivada de la activación respecto a la suma ponderada este valor representa
𝜕𝑧 𝐿
como varia el output de la neurona cunado variamos la suma ponderada, en pocas
palabras llega a ser la derivada de la función de activación
𝜕𝑧 𝐿 𝜕𝑧 𝐿
; =Derivada de la suma pondera respecto a los parámetros, estos dos valores
𝜕𝑤 𝐿 𝜕𝑏 𝐿
los podemos calcula de la siguiente manera:

𝑧 𝐿 = ∑ 𝑎𝐿−1 𝑤 𝐿 + 𝑏 𝐿
𝑖

𝜕𝑧 𝐿 𝜕𝑧 𝐿
𝐿
=1 ; 𝐿
= 𝑎𝑖𝐿−1
𝜕𝑏 𝜕𝑤
Donde 𝑎𝑖𝐿−1 es el output de la capa anterior de la red “L-1” y así se conecta la ultima
capa con la anterior.
Ahora bien, si tenemos la siguiente derivada:
𝜕𝐶
𝜕𝑧 𝐿
Esta nos indica en que grado se modifica el coste cuando se produce un pequeño
cambio en la suma de la neurona, es decir esta derivada nos indica que
responsabilidad tiene la neurona en el resultado final y por lo tanto en el error. A
este valor se le llama error imputado de la neurona.
𝜕𝐶
= 𝛿𝐿
𝜕𝑧 𝐿
Reemplazando este valor se tiene:
𝜕𝐶
= 𝛿 𝐿 ∗ 𝑎𝑖𝐿−1
𝜕𝑤𝐿
𝜕𝐶
= 𝛿𝐿
𝜕𝑏 𝐿
Entonces el error de la neurona se puede escribir como:
𝜕𝐶 𝜕𝑎𝐿
𝛿𝐿 = ∗
𝜕𝑎𝐿 𝜕𝑧𝐿
Ahora bien, para trabajar con las demás capas no es necesario realizar el mismo
calculo, por lo que se tiene en estos 4 pasos:

1
DISEÑO DE SISTEMAS DE CONTROL
2
 FACULTAD DE INGENIERÍA - UMSA

1) Computo de error de la última capa:

𝜕𝐶 𝜕𝑎𝐿
𝛿𝐿 = ∗
𝜕𝑎𝐿 𝜕𝑧𝐿
2) Retropropagamos el error a la capa anterior

𝜕𝑎𝐿−1
𝛿 𝐿−1 = 𝑊 𝑙 𝛿 𝐿 ∗
𝜕𝑧𝐿−1
3) Calculamos las derivadas de la capa usando el error:
𝜕𝐶 𝜕𝐶
𝐿−1
= 𝛿 𝐿−1 ;
𝜕𝑏 𝜕𝑤𝐿−1
=𝛿 𝐿−1
∗ 𝑎𝑖𝐿−2

4. DESARROLLO DE REDES NEURONALES:

Una aplicación de redes neuronales artificiales comprende varias fases o etapas,
para el desarrollo y validación de la estructura se tienen las siguientes fases:

 Definición de la red neuronal.- Se determina el número de neuronas de las

capas de entrada, oculta y salida, así como también las diferentes funciones
de activación que se utilizarán en las neuronas de la capa oculta y salida.
 Entrenamiento de la red neuronal.- En esta etapa se define el tipo de
entrenamiento que se realizará, si es aprendizaje supervisado o no
supervisado, también se determinan los algoritmos de entrenamiento.
 Utilización de la red neuronal. - La fase de utilización es propiamente la
ejecución de la estructura de la red, se inicia cuando se presenta una entrada
a la red y termina generando una salida en función a las entradas
proporcionadas.

1
DISEÑO DE SISTEMAS DE CONTROL
3
 FACULTAD DE INGENIERÍA - UMSA

 Mantenimiento de la red neuronal. - Sobre el mantenimiento se puede decir

que la mayoría de las redes se entrenan para solucionar problemas
dinámicos, por lo tanto es necesaria e indispensable una validación continua
para garantizar una buena utilización. A medida que transcurra el tiempo
podrán surgir nuevos conjuntos de datos reales aún desconocidos por la red,
y de esta forma, será necesario un nuevo aprendizaje o, dependiendo del
caso realizar una nueva definición.

Una red neuronal, consta de dos momentos de explicación de su procesamiento; el

momento de aprendizaje (Machine Learning) y el momento de utilización o
aplicación de la estructura de la red.

Machine Learning Tiene 3 tipos distintos de aplicación:

 Aprendizaje Supervisado: Comparando con un modelo deseado.

 Aprendizaje No Supervisado: Sin Modelos deseados.
 Aprendizaje en base al refuerzo (Backpropagation)

4.1. ENTORNOS DE DESARROLLO DE REDES NEURONALES

El desarrollo de redes neuronales nos brinda dos métodos generales para poder
entender:

Simuladores

Los simuladores de redes neuronales son aplicaciones que se utilizan para simular
el comportamiento de las redes neuronales artificiales o biológicas. Se centran en
uno o un número limitado de tipos específicos de redes neuronales. Están
construidos usualmente para que trabajen de manera independiente y no están
destinados para producir redes neuronales generales que se puedan integrar en
otros programas.

1
DISEÑO DE SISTEMAS DE CONTROL
4
 FACULTAD DE INGENIERÍA - UMSA

 Simuladores de investigación

Históricamente, el tipo más común de software de red neuronal fue destinado a la

investigación de estructuras y algoritmos de redes neuronales. El propósito principal
de este tipo de software es obtener una mejor comprensión del comportamiento y
las propiedades de las redes neuronales a través de la simulación. Hoy en día en el
estudio de las redes neuronales artificiales, los simuladores han sido ampliamente
reemplazados por componentes generales basados en entornos de desarrollo.
Simuladores de redes neuronales artificiales usados comúnmente incluyen Stuttgart
Neural Network Simulator (SNNS), Emergent y Neural Lab.

Sin embargo, en el estudio de las redes neuronales biológicas, el software de

simulación sigue siendo el único método disponible. En tales simuladores se
estudian las propiedades físicas, biológicas y químicas del tejido neural, así como
los impulsos electromagnéticos entre las neuronas.

Simuladores de redes biológicas utilizadas comúnmente incluyen Neuron,

GENESIS, NEST y Brian.

 Simuladores de análisis de datos

Los simuladores de análisis de datos están destinados a aplicar de forma prácticas

las redes neuronales artificiales. Su enfoque principal es en minería de datos y
pronósticos. Los simuladores de análisis de datos por lo general tienen algún tipo
de capacidad de preprocesamiento. A diferencia de los entornos de desarrollo más
generales, los simuladores de análisis de datos utilizan una red neuronal estática
relativamente simple con capacidad de configuración. La ventaja de este tipo de
software es que es relativamente fácil de usar.

 Simuladores para la enseñanza de teoría de redes neuronales

1
DISEÑO DE SISTEMAS DE CONTROL
5
 FACULTAD DE INGENIERÍA - UMSA

Cuando los volúmenes de Parallel Distributed Processing 1 2 3 fueron lanzados en

1986-87, proporcionaron un software relativamente simple. El software original PDP
no requería habilidad de programación alguna, lo que llevó a su adopción por una
amplia variedad de investigadores en diversos campos. El software original PDP se
convirtió en un paquete de software más potente llamado PDP ++, que a su vez se
ha convertido en una plataforma aún más poderosa llamada Emergent. Con cada
desarrollo, el software se ha vuelto más poderoso, pero también más desalentador
para su uso por los principiantes.

En 1997, el software tLearn fue lanzado para acompañar un libro 4. Esto fue una
vuelta a la idea de ofrecer un pequeño simulador fácil de usar, diseñado con el
principiante en mente. tLearn permitió redes "feed forward" básicas, junto con las
redes recurrentes simples, las cuales pueden ser entrenadas por el simple algoritmo
de propagación hacia atrás. tLearn no se ha actualizado desde 1999.

En el año 2011, el simulador Basic Prop fue lanzado. Basic Prop es una aplicación
auto-contenida, distribuida como una plataforma neural en un archivo JAR, que
proporciona gran parte de la misma funcionalidad simple de tLearn.

Entorno basado en componentes

Los entornos de desarrollo para las redes neuronales se diferencian del software
descrito anteriormente principalmente en dos temas - que pueden ser utilizados para
desarrollar tipos personalizados de redes neuronales y que apoyan el despliegue
de la red neuronal fuera del entorno. En algunos casos tienen capacidades
avanzadas de preprocesamiento, análisis y visualización.

La programación orientada a componentes (que también es llamada basada en

componentes) es una rama de la ingeniería del software, con énfasis en la
descomposición de sistemas ya conformados en componentes funcionales o lógicos
con interfaces bien definidas usadas para la comunicación entre componentes.
1
DISEÑO DE SISTEMAS DE CONTROL
6
 FACULTAD DE INGENIERÍA - UMSA

Un componente es un objeto escrito de acuerdo a unas especificaciones. No importa

qué especificación sea ésta, siempre y cuando el objeto se adhiera a la
especificación. Solo cumpliendo correctamente con esa especificación es que el
objeto se convierte en componente y adquiere características como reusabilidad.

Cuando se necesita el acceso a un componente o cuando este debe ser compartido

entre distintas redes, se recurre a procesos como la serialización para entregar el
componente a su destino.

5. APLICACIONES
Las redes neuronales pueden utilizarse en un gran número y variedad de
aplicaciones, tanto comerciales, industriales y de ingeniería. Se pueden
desarrollar redes neuronales en un periodo de tiempo razonable, con la
capacidad de realizar tareas concretas mejor que otras tecnologías. Cuando
se implementan mediante hardware (redes neuronales en chips VLSI),
presentan una alta tolerancia a fallos del sistema y proporcionan un alto
grado de paralelismo en el procesamiento de datos. Esto posibilita la
inserción de redes neuronales de bajo coste en sistemas existentes y
recientemente desarrollados.

5.1. Asociación y clasificación

En esta aplicación, los patrones de entrada estáticos o señales
temporales deben ser clasificadas o reconocidas. Idealmente, un
clasificador debería ser entrenado para que cuando se le presente una
versión distorsionada ligeramente del patrón de referencia, pueda ser
reconocida correctamente sin problemas. De la misma forma, la red
debería presentar cierta inmunidad contra el ruido, esto es, debería ser
capaz de recuperar una señal "limpia" de ambientes o canales ruidosos.
Esto es fundamental en las aplicaciones holográficas, asociativas o
regenerativas.

5.2. Regeneración de patrones

En muchos problemas de clasificación, una cuestión a solucionar es la
recuperación de información, es decir, recuperar el patrón original
cuando solo se tiene información parcial. Hay dos clases de problemas:

1
DISEÑO DE SISTEMAS DE CONTROL
7
 FACULTAD DE INGENIERÍA - UMSA

temporales y estáticos. El uso apropiado de la información contextual es

la llave para tener éxito en el reconocimiento.

5.3. Regeneración y generalización

El objetivo de la generalización es dar una respuesta correcta a la salida
para un estímulo de entrada que no ha sido entrenado con anterioridad.
El sistema debe inducir la característica saliente del estímulo a la entrada
y detectar la regularidad. Tal habilidad para el descubrimiento de esa
regularidad es crítica en muchas aplicaciones. Esto hace que el sistema
funcione eficazmente en todo el espacio, incluso cuando ha sido
entrenado por un conjunto limitado de ejemplos.

5.4. Optimización
Las Redes Neuronales son herramientas interesantes para la
optimización de aplicaciones, que normalmente implican la búsqueda del
mínimo absoluto de una función de energía. Para algunas aplicaciones,
la función de energía es fácilmente deducible; pero en otras, sin embargo,
se obtiene de ciertos criterios de coste y limitaciones especiales.

5.5. Casos concretos de aplicación

A continuación, se describen algunos casos:
 Planificación de un equipo de empleados para realizar una
tarea.
Hoy más que nunca, las empresas están sujetas a la presión de
los elevados costos. Esto puede verse en diferentes sectores
corporativos, tales como la planificación del staff de empleados.
Desde el punto de vista de las empresas, un empleado que falla al
ejecutar la mayor parte de las tareas asignadas, evidencia una baja
productividad. Por el otro lado, esta situación es frustrante para el
empleado. Ambos efectos causan costos, los cuales podrían
evitarse realizando antes una prueba de aptitud. Estos problemas
no solamente son originados por los empleados nuevos, sino
también por aquellos que son reubicados dentro de la misma
empresa.

 Planificación de la demanda de materiales.

1
DISEÑO DE SISTEMAS DE CONTROL
8
 FACULTAD DE INGENIERÍA - UMSA

La tarea de planificar la demanda de materiales es justamente

predecir en forma segura la necesidad de los mismos, o más
exactamente, de los factores de consumo. Esto involucra tener una
correcta información de los volúmenes aproximados de
producción, así como de los factores de tiempo.
En el método de programación orientada la predicción de la
cantidad demandada se basa sobre los resultados del
planeamiento de producción. Mientras que el método de consumo
orientado toma en cuenta el consumo observado en períodos
anteriores y sobre la base de dicha información intenta predecir las
futuras demandas.

 Predicción de consumo de carga.

Un sistema de energía eléctrica debe abastecer de energía a todos
los puntos de carga con una buena calidad del servicio, lo cual se
consigue por medio de una planeación exhaustiva del sistema, que
permita conocer no sólo su estado actual, sino también las
medidas que deben adoptarse para condiciones futuras.
Una de las herramientas útiles en el planeamiento de un sistema
eléctrico es la predicción del consumo de carga, la cual permite
conocer de antemano la necesidad de expansión del sistema. la
finalidad de la predicción siempre será el mejoramiento del
servicio.

1
DISEÑO DE SISTEMAS DE CONTROL
9