Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Febrero 2004
Gran parte de la investigacin de redes neuronales enfoca en modelos de redes individuales. Pero en las aplicaciones industriales tpicas se prefiere un punto de vista del nivel del sistema entorno. Redes neuronales particulares forman parte de un sistema ms extenso que contiene an ms tcnicas de procesamiento de datos, como por ejemplo la filtracin de seales. Esta manera de aplicacin de las redes neuronales lleva a una arquitectura hbrida en la cual se usa en cualquier mdulo un procedimiento basado en redes neuronales. Entonces la tareas del diseador de una aplicacin industrial es decidir en qu partes de las aplicacin se pueden usar redes neuronales. qu beneficios conllevar el uso de redes neuronales en esta aplicacin. qu tipos de redes neuronales son adecuados. Hay muchos modelos diferentes propuestos para el uso en aplicaciones industriales y tambin haba mucho esfuerzo para explorar las bases tericas des las redes neuronales y las relaciones con mtodos estadsticos. Muchos modelos de redes neuronales corresponden a tcnicas estadsticas populares como Generalized Linear Models, Polynomial Regression, Nonparametric Regression y Discrimant Analysis, por ejemplo el Multilayer Perceptron (PLC) o el Principal Component Analysis (PCA). Pero hay tambin modelos que no tienen ningn equivalente en el mundo de los mtodos estadsticos como el Self-Organizing Map que es til en el dominio de Data Analysis. Sin embargo, las redes neuronal deberan ser tratados como dispositivos estadsticos y empleados as. Conviene considerar los siguientes puntes importantes para cualquier aplicacin de redes neuronales: 1. Se preparan los datos. Los datos de entrenamiento deben contener suficiente informacin para construir el modelo en este caso. Tambin hay que considerar conocimiento conocido de antemano. 2. Se elige el modelo de red neuronal. El modelo tiene, por supuesto, gran influencia en las resultados. Generalization Ability es una medida con la cual se expresa la prestacin de la red cuando se ha terminada el entrenamiento, y valora la aptitud del modelo para la aplicacin actual. Se pueden clasificar los modelos de redes neuronales en tres clases segn su procedimiento del aprendizaje: supervisado, no supervisado y modelos de refuerzo. 3. Se entrena la red neuronal. La tarea de proceso de entrenamiento es generar una transformacin deseado del espacio de los dates entrantes al espacio de los dates salientes. Esto es un problema de aproximacin de una funcin matemtica, y siempre hay la misma dificultad, ya que el nmero limitado de muestras lleva a varias soluciones posibles. Para obtener resultados tiles hay que restringir las soluciones a un conjunto determinado. Solucionar este tarea es una parte muy importante de la metodologa de las redes neuronales. El nmero de parmetros disponibles de la red neuronal (es decir la complejidad de esta red) debera corresponder con la complejidad del problema y las muestras de entrenamiento disponibles. Si la red es demasiado compleja, aprender perfectamente el conjunto de las muestras, pero no generalizar bien. Por lo tanto se suministra una buena generalizacin a travs de controlar la complejidad. Cuando el conjunto de muestras es pequea, ruidosa y parcialmente errnea, esa tarea es an ms crucial. Los mtodos prcticos para controlar la complejidad son por ejemplo Early-Stopped Training, Weight Decay o mtodos bayesianos como Evidence Network. 4. Se juzga el rendimiento de la red neuronal. La manera general para determinar cmo la red (con sus parmetros) ha alcanzado la naturaleza de la funcin es revisar la red con muestras
adicionales que no han sido empleadas durante el entrenamiento. Los resultados as obtenidos podrn ser usado para la medida de la generalizacin de la red para examinar el nivel de confianza en el valor de generalizacin estimado del modelo. Para ello se usan mtodos estadsticos. Finalmente el juicio definitivo sobre el xito de la red neuronal construida se encuentra en el uso. Por supuesto, es preciso tener alguna experiencia con el diseo, el entrenamiento y la aplicacin de la red neuronal antes de tener cualquier xito. Cuando se venden las redes neuronales como black box a travs del cual solamente se pasan los datos, nuevos usuarios se quedan desilusionados y las redes neuronales son rechazados en general. Como eso implica conocimientos tcnicos paciencia y como eso significa que cada solucin con una red neuronal es nica, la industria no est dispuesto para gastar mucho tiempo en adquirir esos conocimientos para una nica solucin que sea solamente una pequea parte de un gran proyecto. Los datos normalmente estn preparados antes de que sean empleados para el entrenamiento. Hay una habilidad para elegir el mtodo ms adecuado. Si un mtodo menos adecuado sea elegido, a lo mejor los parmetros de la red neuronal no convergeran durante el entrenamiento. Esto es el contrario que la industria desea. Si no se pueden suministrar las redes neuronales como paquete de llave en mano, el esfuerzo para implementarlas ser a menudo demasiado grande. Los fuertes des las redes neuronales son: la habilidad para resolver problemas con muchos datos desarrollo rpido de prototipos adaptacin a cambios, aprendizaje variable en escalas no linealidad reas de aplicacin son: donde un procedimiento convencional no es apto o no puede ser desarrollado fcilmente o no puede capturar completamente la complejidad en los datos donde un comportamiento estocstico es importante donde no hace falta una explicacin de la decisin de la red neuronal donde es preferible encontrar una solucin buena rpidamente a encontrar la solucin mejor en ms tiempo donde hay que evaluar muchos datos histricos
Produccin (fabricacin, agricultura, silvicultura) Negocio y marketing Banca, hacienda y seguros Medicina, saludo y farmacia Transporte Energa Comercio al mayor Otros
Tabla1 Sectores industriales
Control, monitorizacin y modelar Reconocimiento, deteccin, bsqueda de patrones Pronostica Procesamiento de imgenes Optimizacin Procesamiento de seales Otras
Tabla2 reas de aplicacin
Aparte de las aplicaciones intrnsecas se emplean redes neuronales para la provisin de servicios de valor aadido para suministrar interfaces de usuarios, interpretacin de los datos transportados y seguridad adicional. Ejemplos son la identificacin del idioma en tiempo real, el reconocimiento de la huella, verificacin de la firma, sistemas seguros de entrada y alarmas inteligentes.
pueden pronosticar parmetros de un proceso de antemano. La aplicacin de redes neuronales como sensores de software inteligentes (soft sensors) puede medir variables del proceso los cuales no pueden ser medido online. La ventaja de esto es que habr una estimacin temprana de la calidad del proceso con costes bajos. Ello permitir el control y la mejora de un proceso si no cumple las exigencias. Esta aplicacin como sensor inteligente puede ser empleada en casi toda la industria procesal. El diagnstico de errores en procesos industriales (por ejemplo en procesos qumicos) es otro campo de aplicacin. A menuda se usan redes neuronales jerrquicos para esta tarea. La primera red observa el proceso completo para determinar cundo y dnde hay un error. Las redes neuronales siguientes son ms especializados y examinan solamente la zona del proceso donde se encuentra el error y localizan ms exactamente la ubicacin de este error. A continuacin se delimita cada vez ms el espectro de errores usando cada vez ms precisos tipos de errores. Con este mtodo se pueden manejar tambin errores que no han ocurrido antes. La red neuronal producir informacin til dnde se localiza el error aunque no puede diagnosticar precisamente qu error es.
procesar estos adecuadamente antes del entrenamiento. Perspectivas El potencial de las redes neuronales en aplicaciones industriales inmenso. Todava no todas las posibilidades son aprovechadas. El futuro de las redes neuronales no solamente est en su uso explcito, pero en la combinacin con otras tcnicas de la inteligencia artificial. La fusin con la Lgica Fuzzy como tcnicas NeuroFuzzes es considerado como tecnologa ms prometedor para aplicaciones procesales y de control.
7. Referencias
Jussi Stader: Applying Neural Networks Barry Lennox, Gary A. Montague, Andy M. Frith, Chris Gent and Vic Bevan: Industrial Application of Neural Networks An Investigation Jukka Heikkonen, Jouka Lampinen: Building Industrial Applications with Neural Networks Trevor Clarkson: Applications of Neural Networks in Telecomunications Robert Suna, Karsten Berns: Neuropipe A neural network based system for pipeline inspection Karsten Berns: Requirements and use of neural networks for industrial applications I. Alarcn, P. Rodrguez-Marn et al.: Heterogenous integration architecture for intelligent control systems