Consideraciones para disear un modelo

El modelo y el cerebro
Modelo basado en aprendizaje: Modelo obtenido a partir de datos que identifican a las variables involucradas en un proceso o sistema, representado a travs de funciones lineales o no lineales que relacionan tales variables a travs de parmetros adaptables
Semejanza con el cerebro: El conocimiento se adquiere a travs de un proceso de aprendizaje La sinapsis (conexin entre neuronas), tiene su equivalencia en los parmetros adaptables o pesos sinpticos del modelo resultante

PI: Tipo de aplicacin del modelo

En este paso se determina qu tipo de modelo se pretende obtener, basado en los tipos de aplicaciones ms usadas:

Aproximacin funcional Clasificacin o reconocimiento de patrones Serie temporal o Prediccin Clustering

Aproximacin funcional
Aproximacin funcional: Se aplica un mtodo de aprendizaje supervisado donde la salida se define a travs de valores continuos Ejemplos: Modelo de plantas Control de procesos Estimacin de la produccin agrcola Consumo de combustible Sabor de la cerveza

Clasificacin
Clasificacin o reconocimiento de patrones: Se aplica un mtodo de aprendizaje supervisado donde la salida se define a travs de clases o valores discretos Salida con ms de dos clases: Cada salida se identifica con cada clase,
A:*1, 0, 0,..,0+ B:[0, 1, 0,..,0] C:[0, 0, 1,..,0] . . Z:[0, 0, 0,..,1+

Ejemplos de Clasificacin
Deteccin de fallos en mquinas: {Encendido, Apagado} [0, 1] Diagnstico mdico: ,Sano, Enfermo-; ,Gordo, Flaco, Sano- Diagnstico del cncer de mama Reconocimiento de caracteres y firma Sexo de las especies Detectar transacciones fraudulentas en tarjetas de crdito Clasificacin de la planta de Iris xito de una pelcula

Prediccin/Series temporales
Prediccin: Se aplica un mtodo de aprendizaje supervisado. Las variables involucradas tienen una fuerte dependencia del tiempo

Aproximacin esttica: Toda la informacin necesaria est contenida en la muestra actual (Ej.: Procesamiento de imgenes) Aproximacin dinmica: Es necesaria la informacin del pasado (retrasos) o valores estimados (adelantos) para predecir la salida (Ej.: Prediccin de inundaciones)

Ejemplos de Prediccin
Prediccin del tiempo Precio de cotizacin de acciones Crecimiento de ros Anticipar picos en red elctrica Resultados de eventos deportivos Distribucin de fuerzas policiales para prevencin Evolucin de variables caticas

Clustering
Clustering o minera de datos: Se aplica un mtodo de aprendizaje no supervisado. Toda la informacin necesaria para obtener el modelo est incluida en los datos de entrada

Ejemplos: Compresin de datos (Imagen, Anlisis de componentes principales) Diagramas de Voronoi Segmentar el mercado Reconocer genes

PII: Anlisis y procesamiento de las variables involucradas

En este paso se analiza cada variable por separado, con el objetivo de preparar los datos para obtener un mejor modelo, lo cual puede incluir Unidades de cada variable (imagen, sensores, datos) Dependencia temporal (perodo de muestreo) Anlisis visual del comportamiento de la variable (histograma, grupos 2D) Intervalos de definicin (magnitud, tamao, ) Suavizado de la variable (Modelado de una entrada) Utilizacin de filtros Reduccin de la dimensionalidad: Clustering Normalizacin de las variables

Anlisis y procesamiento de las variables involucradas (II)

Variables y Unidades
Girscopo

GPS
Sistema de medicin inercial Odometra Comps magntico

Posicin Orientacin Velocidad Aceleracin

Cmaras
Snares

Lidar

Mapas 2D, 3D

Planificador de trayectoria

Control

Infrarrojos

Obstculos

Anlisis y procesamiento de las variables involucradas (III)

Consideraciones temporales
0.2 seg

GPS
0.04 seg

Cmaras 0.00075 seg Snares

0.00005 seg Infrarrojos

Cada 2 datos del GPS existen 4000 del sensor infrarrojo

Anlisis y procesamiento de las variables involucradas (IV)

Anlisis visual: Variable ruidosa, existencia de grupos

Anlisis y procesamiento de las variables involucradas (V)

Anlisis visual: Presencia de seis grupos en una estructura de datos
6 5 4 4 3 2 1 0 0 -1 -2 -2 -3 -4 -6 -5

-4

10

12

14

16

18

20

10

12

14

16

18

20

Diagrama de Voronoi

Anlisis y procesamiento de las variables involucradas (VI)

Modelado de una entrada: Suavisado de una variable ruidosa

Anlisis y procesamiento de las variables involucradas (VII)

Reduccin de dimensionalidad: 300 datos (de 1000) representativos de la serie de Mackey-Glass despus de aplicar clustering
80 60

40

20

Normalizar?

-20

-40

-60

10

PIII: Definir la estructura de entrada-salida adecuada

Analizar todas las variables como un sistema

Diferencias entre perodos de muestreo Nmero de muestras e intervalos de definicin Variables que sern retrasadas Variables que incluyan retardo Realimentacin del error Prediccin en el futuro

PIV: Distribuir de forma aleatoria los datos disponibles

Ao 1990 1990 1990 Mes Humedad Temperatura 1 80 15 2 75 17 3 60 20 . . 12 75 13 1 82 17 2 80 20

1990 1991 1991

PV: Definir la estructura del modelo

Mtodos para obtener el modelo Redes Neuronales Sistemas Borrosos Sistemas Jerrquicos Ncleos estimadores/ Jerarqua
Cmaras Lidar Mapas 2D, 3D Planificador de trayectoria Control

Snares Infrarrojos
Obstculos

Mtodos para obtener el modelo

Redes Neuronales Perceptrn multicapas Red de base radial Redes competitivas Mapas autoorganizados . Sistemas borrosos Sistema heurstico Red borrosa basada en datos Clustering borroso .

PVI: Adaptar el Modelo

Nmero de parmetros Condiciones iniciales de los parmetros Mecanismos de adaptacin paramtrica Criterios de validacin . .

PVII: Validacin y prueba

Datos
Entrenamiento Comprobacin, validacin Prueba

PVII: Validacin y prueba

Datos por grupos

Interfaz grfica Matlab

Redes Neuronales Aproximacin de funciones: nftool Reconocimiento de patrones: nprtool Clustering: nctool General: nntool (Ejemp1)(Ejemp2)

Interfaz grfica Matlab (II)

Lgica borrosa Sistema borroso:anfisedit(Ejemp1)(Ejemp2) Clustering: findcluster Identificacin de sistemas Identificacin de sistemas: ident (Ejemp)
Obtencin de ecuaciones representativas aplicables a otras plataformas

Recursos
Series temporales Funciones, clustering, patrones
Matlab:
1.- Reconocimiento de caracteres: appcr1. 2.- Prediccin del sexo de un cangrejo a partir de su tamao: crabclassify. 3.- Prediccin de serie catica de Mackey-Glass: mgtsdemo. 4.- Prediccin de consumo de combustible: gasdemo. 5.- Clasificacin de Iris: fisheriris

Recursos (II)

Software:
Alyuda Synapse Neurodimension Brainmaker Matlab

Aplicaciones:
Alyuda Synapse Megaputer Brainmaker Statsoft