Академический Документы
Профессиональный Документы
Культура Документы
13 REDES
NEURONALES
DOCUMENTOS
COTEC SOBRE
OPORTUNIDADES
TECNOLÓGICAS
00 primeras paginas 14/3/99 18:08 Página 2
Primera edición:
Diciembre 1998
Imprime:
Gráficas Arias Montano, S.A.
01 indice 14/3/99 18:09 Página 3
ÍNDICE
1. Presentación.................................................. 5
2. Introducción.................................................... 9
3. Funciones básicas de las redes neuronales.... 15
4. Aplicaciones de las redes neuronales ........ 21
5. Implementación de redes neuronales ........ 29
6. Evaluación de la utilización práctica de
las redes neuronales .................................... 35
7. El proyecto SIENA.......................................... 41
8. Centros españoles de experiencia .............. 47
9. Las redes neuronales en la red Internet...... 63
Apéndice: fundamentos de la computación
neuronal............................................ 67
A1. Generalidades .............................. 67
A2. El preceptrón multicapa .................. 75
A3. La red de Kohonen......................... 86
A4. La red de Hopfield ........................ 94
Bibliografía ........................................................101
3
02 presentacion 14/3/99 18:09 Página 5
1PRESENTACIÓN
5
02 presentacion 14/3/99 18:09 Página 6
6
02 presentacion 14/3/99 18:09 Página 7
7
02 presentacion 14/3/99 18:09 Página 8
Coordinador:
8
03 introduccion 14/3/99 18:10 Página 9
2INTRODUCCIÓN
9
03 introduccion 14/3/99 18:10 Página 10
10
03 introduccion 14/3/99 18:10 Página 11
11
03 introduccion 14/3/99 18:10 Página 12
12
03 introduccion 14/3/99 18:10 Página 13
13
03 introduccion 14/3/99 18:10 Página 14
14
04 capitulo 3 14/3/99 18:10 Página 15
3
FUNCIONES
BÁSICAS
DE LAS REDES
NEURONALES
A) CLASIFICACIÓN
15
04 capitulo 3 14/3/99 18:10 Página 16
B) ASOCIACIÓN
C) AGRUPAMIENTO
16
04 capitulo 3 14/3/99 18:10 Página 17
D) GENERALIZACIÓN
E) OPTIMIZACIÓN
17
04 capitulo 3 14/3/99 18:10 Página 18
F) PREDICCIÓN Y CONTROL
18
04 capitulo 3 14/3/99 18:10 Página 19
19
05 capitulo 4 14/3/99 18:11 Página 21
4
APLICACIONES
DE LAS REDES
NEURONALES
EXPLOTACIÓN DE DATOS
La explotación de datos («data mining») es un recurso esen-
cial en la definición de estrategias comerciales de las
21
05 capitulo 4 14/3/99 18:11 Página 22
22
05 capitulo 4 14/3/99 18:11 Página 23
APLICACIONES EN MEDICINA
23
05 capitulo 4 14/3/99 18:11 Página 24
24
05 capitulo 4 14/3/99 18:11 Página 25
TELECOMUNICACIONES
25
05 capitulo 4 14/3/99 18:11 Página 26
APLICACIONES EN SISTEMAS
ELÉCTRICOS DE POTENCIA
MONITORIZACIÓN
DE PROCESOS INDUSTRIALES
26
05 capitulo 4 14/3/99 18:11 Página 27
CONTROL DE CALIDAD
DE PRODUCTOS MANUFACTURADOS
27
5IMPLEMENTACIÓN
DE REDES
NEURONALES
29
factorios. Por ejemplo, una red del tipo del perceptrón con
un número de entradas entre 10 y 100, una capa oculta
con un número de neuronas de ese orden y diez unidades
de salida necesita en un Pentium tan sólo unos milisegundos
para calcular su respuesta. La creciente potencia de cálcu-
lo de los ordenadores actuales permite incluso que las apli-
caciones que requieren redes neuronales de cierta comple-
jidad en cuanto al número de neuronas y de conexiones
sean realizables sin problemas en ordenadores de tipo
medio. El entrenamiento de la red puede ocupar varias
horas, pero esto sólo se realiza una vez y no es ordinaria-
mente problemático. A eso hay que añadir que en muchas
aplicaciones la red es tan sólo un módulo de un sistema
más complicado, cuyas otras etapas no admiten paraleli-
zación, de manera que no tiene mucho sentido acelerar al
máximo una parte del proceso total, si esto supone un
esfuerzo excesivo.
Sin embargo, en determinadas aplicaciones es necesario
recurrir a procedimientos más sofisticados. Incluso el más
rápido de los procesadores secuenciales es incapaz de rea-
lizar satisfactoriamente en tiempo real la respuesta de una
red con un gran número de neuronas y conexiones. En cam-
bio, el procesamiento paralelo, utilizando múltiples ele-
mentos de procesamiento, puede suministrar una tremenda
rapidez de cálculo. Este argumento, el incremento de la
velocidad de procesamiento, es el que determina que se
hayan desarrollado implementaciones de hardware especí-
ficas para la realización de redes neuronales. A esto hay
que añadir que, en determinados productos comerciales
que se producen en serie, es más barato y eficaz instalar
una red neuronal especialmente diseñada. Además en
otras aplicaciones, como las que tienen que ver con la per-
cepción de imágenes o sonidos, es necesario emular fide-
dignamente el comportamiento de los sistemas biológicos
para conseguir aproximarse a su funcionalidad.
Existen tantas modalidades de implementación en hardwa-
re de redes neuronales que ni siquiera existe un criterio
30
06 capitulo 5 16/3/99 08:41 Página 31 (Negro plancha)
NEUROCOMPUTADORES
Chips Standard
Neurochips
Tarjetas
aceleradoras
Multi-
procesadoras Analógicos Digitales
Híbridos
31
das de herramientas de software para facilitar su manejo.
Un usuario acostumbrado a simular una red por software
no encuentra otra diferencia al emplear una tarjeta acele-
radora que el incremento de la velocidad de cálculo, que
se reduce aproximadamente en un orden de magnitud.
Los procesadores de propósito general, tanto si son de pro-
cesamiento simple como múltiple, ofrecen margen suficien-
te para programarse emulando funciones neuronales.
Aunque la eficiencia de estos procesadores no sea la ópti-
ma para la computación neuronal, su amplia disponibili-
dad y relativo bajo coste han hecho que se hayan utiliza-
do para desarrollar cierta clase de neurocomputadores.
Las implementaciones van desde arquitecturas con ele-
mentos simples, de bajo coste, a otras que emplean pro-
cesadores más sofisticados como los transputers, que son
únicos por sus líneas entrada-salida paralelas, o los DSP
(Digital Signal Processor), que originariamente se desarro-
llaron para el procesamiento de señal. La utilización de
este tipo de neurocomputadores ha sido además impor-
tante para tomar contacto y adquirir experiencia con una
serie de problemas que tiene la síntesis de auténticos neu-
rocomputadores. Por ejemplo, se ha visto que con fre-
cuencia la parte de cálculo que más tiempo ocupa es la
evaluación de una función de transferencia sigmoide, lo
que ha sugerido soluciones, como representarla mediante
una tabla en vez de calcularla efectivamente. Por otra
parte, se ha observado que el encontrar la estrategia ópti-
ma de interconexión de los procesadores no es ni mucho
menos un problema trivial.
El segundo gran grupo de neurocomputadores está basado
en el empleo de chips especialmente diseñados para satis-
facer las necesidades de la computación neuronal. Es fre-
cuente denominarlos por ello neurochips. Cuando se utiliza
un neurocomputador construido basándose en neurochips,
el tiempo de cada iteración se reduce hasta dos órdenes de
magnitud, en relación con los neurocomputadores que utili-
zan chips de propósito general.
32
Los neurochips pueden ser digitales o analógicos. Los digi-
tales tienen como ventajas el empleo de técnicas de fabri-
cación bien conocidas, la posibilidad de almacenar los
pesos en memoria RAM, la precisión en los cálculos y la
facilidad de integración en sistemas más complejos que
también utilizan tecnología digital. A cambio tienen como
inconvenientes el ser más lentos que los analógicos y la
necesidad de emplear convertidores analógico digitales
para captar señales externas a la red.
La electrónica analógica posee unas características que la
hacen potencialmente ideal para su uso directo en la imple-
mentación de una red neuronal. Por ejemplo, los amplifica-
dores operacionales, fácilmente construibles con simples
transistores, realizan automáticamente funciones neurona-
les, como la integración o el cómputo de valores de la fun-
ción de transferencia. Sus desventajas radican en la nece-
sidad de compensar las variaciones de sus parámetros
internos en función de las condiciones de funcionamiento y
en que el almacenamiento interno de los pesos es compli-
cado.
Para aprovechar las ventajas de uno y otro tipo, se han
diseñado neurochips híbridos. En ellos el procesamiento
interno es analógico y el almacenamiento digital.
33
6EVALUACIÓN
DE LA UTILIZACIÓN
PRÁCTICA DE LAS
REDES NEURONALES
35
• No es posible dar un modelo computable del problema,
tal como un sistema de ecuaciones cuya solución pro-
porcione la respuesta de la cuestión subyacente en el
problema. En otras palabras, la solución del problema
no es descriptible explícitamente mediante un algoritmo
o un conjunto de reglas de decisión.
• Existe alguna evidencia de que entre las variables medi-
bles de un proceso existe algún tipo de correlación o
dependencia cuya forma, sin embargo, no es explicita-
ble, pudiendo enunciarse solamente de manera ambi-
gua.
• Se dispone de una amplia base de datos representativos
de las posibles realizaciones del proceso que cubren
todas las situaciones de interés.
El primer criterio no siempre es de aplicación estricta. Puede
ocurrir que para un determinado problema existan solucio-
nes convencionales y que, sin embargo, todavía merezca la
pena considerar como alternativa la computación neuronal.
A título de ejemplo ilustrativo, podemos mencionar el pro-
blema de predicción de la evolución del clima en una región.
Aunque existen modelos matemáticos sofisticados para anti-
cipar los cambios en una amplia zona del planeta, puede
eventualmente ocurrir que, en un determinado lugar, traba-
jando con registros históricos de medidas de la temperatura,
humedad y presión atmosférica, se pueda predecir con
mayor fiabilidad la evolución del tiempo a corto plazo.
El segundo criterio requiere tener un conocimiento sólido del
proceso que se analiza, para distinguir qué variables del
mismo son importantes y cuáles son las relaciones, al menos
cualitativas, que existen entre ellas. Esto tiene entre otras
cosas la ventaja de excluir la consideración de aquellas
variables vinculadas al proceso que no tengan una inciden-
cia real en la búsqueda de un modelo de la relación que se
pretende representar. Siguiendo con el ejemplo del clima, es
obvio que el día de la semana en que se está no debe tener,
por sí sólo, ninguna correlación con el tiempo que haga. Por
ello es inútil registrar esta variable junto a los datos diarios.
36
Sin embargo, puede ser significativo el mes y, aún más, la
estación del año en que se está.
Finalmente hay que destacar la importancia del tercer cri-
terio relativo a la disponibilidad de datos. En términos
generales puede decirse que una red neuronal será a lo
sumo tan buena como lo sean los datos empleados en su
entrenamiento. Si hay dudas sobre la posibilidad de utilizar
datos convenientemente representativos del problema es,
con toda probabilidad, inútil intentar una solución utilizan-
do la computación neuronal.
Tras considerar una posible aplicación, el primer paso es
verificar si se satisfacen los criterios de utilización de la
computación neuronal antes expuestos. Si el problema en
cuestión no tiene las características reflejadas en las consi-
deraciones enunciadas en esos criterios, es muy probable
que la utilización de una red neuronal dé resultados insa-
tisfactorios. Si la decisión es afirmativa, es conveniente ras-
trear en la literatura sobre redes neuronales la búsqueda de
la metodología utilizada en algún problema similar. Se han
ensayado usos de las redes neuronales en multitud de cam-
pos y es muy posible que se pueda encontrar información
interesante en este rastreo.
La siguiente etapa es la consideración de una serie de
aspectos prácticos, relacionados con el desarrollo de una
aplicación. Se destacan los siguientes:
a) Adecuación de los recursos utilizables. En la utilización
de cualquier nueva tecnología, la adquisición del cono-
cimiento necesario para su implementación eficiente es
siempre un aspecto que hay que considerar. En princi-
pio los elementos conceptuales básicos de la computa-
ción neuronal son sencillos y no requieren gran esfuer-
zo para su comprensión. Existe además una gran canti-
dad de software, en buena medida de dominio público,
utilizable, de manera que en general no se requiere
gran esfuerzo de programación. De hecho estas son, sin
duda, algunas de las razones por las que se ha intenta-
do el empleo de las redes neuronales en dominios tan
37
diversos. Sin embargo, es necesario un cierto grado de
familiaridad con la utilización de la computación neu-
ronal para tener una idea cabal de sus posibilidades y
limitaciones. El equipo ideal para el desarrollo de una
aplicación en este campo debería incluir la cooperación
de un experto en la tecnología de las redes neuronales
con un buen conocedor de los diferentes aspectos del
problema que se va a tratar.
b) Existencia de objeciones serias a la utilización de la
computación neuronal. El empleo de una red neuronal
puede estar limitado por consideraciones de seguridad
de funcionamiento, que puede ser un requisito insosla-
yable en ciertas aplicaciones. Esto puede dar lugar a
una restricción crítica, ya que la validación del funcio-
namiento de una red neuronal siempre se efectúa en tér-
minos estadísticos.
c) Problemas prácticos relacionados con la obtención de
datos. Como ya hemos comentado, el entrenamiento de
una red neuronal requiere una amplia colección de
datos representativos de una diversa gama de situacio-
nes relacionadas con el problema objeto de estudio.
Esto puede hacer necesaria la utilización de una instru-
mentación especial o que se precise diseñar experimen-
tos específicos para simular condiciones extremas de
funcionamiento.
En las aplicaciones industriales de la computación neuronal
es obligado realizar un análisis del impacto comercial que
tendrá el producto obtenido, además de justificar la viabili-
dad técnica del proyecto de desarrollo de la aplicación
correspondiente. Destacaremos seguidamente algunas consi-
deraciones específicas que se pueden hacer sobre los costes
del desarrollo, así como los beneficios y riesgos comerciales
de una aplicación en el terreno de las redes neuronales.
La evaluación de los costes asociados a la recogida de datos
debe tener en cuenta varios aspectos que pueden incidir sig-
nificativamente. En primer lugar, si es necesario recopilar los
datos, ha de tener en cuenta el coste de los equipos necesa-
38
rios para llevar a cabo esa recolección. Si los datos están ya
disponibles, será necesario valorar la dedicación precisa para
su transferencia a la plataforma donde se va a realizar el
desarrollo. Eventualmente los datos pueden estar almacenados
en formatos diversos, que es necesario unificar para su proce-
samiento. Además puede requerirse en ciertas aplicaciones un
preprocesamiento de validación y selección de los datos; por
ejemplo, en el caso de proceder de fuentes que se sabe son
susceptibles de introducir errores aleatoriamente, como es el
caso de bases de datos generadas por operadores que te-
clean directamente los datos en un terminal de operaciones.
Entre los beneficios, generales y específicos, que se pueden
derivar de la implementación de una solución con una red
neuronal se pueden mencionar los siguientes.
• En primer lugar, como ocurre con otras tecnologías, la
automatización de procesos conduce en última instancia
a una reducción de los costes de personal.
• La detección precoz de fallos en la maquinaria de pro-
ducción reduce los tiempos de parada, con lo que
aumenta la productividad, y además se reducen así los
costes de mantenimiento.
• Cuando se mejora la monitarización de un proceso se
disminuye la producción defectuosa, con lo que dismi-
nuyen los costes de producción.
• Además los niveles de calidad de un producto se mejoran,
lo que se traduce en una mayor satisfacción de los clientes
y una disminución de las eventuales reclamaciones.
• Por otra parte, una estimación más ajustada en la previ-
sión de stocks necesarios disminuye su volumen y con
ello los gastos de almacenaje.
Para finalizar este apartado, daremos una breve descrip-
ción de los riesgos posibles que puede tener un proyecto
basado en la computación neuronal. Como siempre que se
introduce una nueva tecnología, es importante la pondera-
ción cuidadosa de los factores que pueden conducir al fra-
caso de una iniciativa. Algunos puntos que hay que consi-
derar en este sentido son los siguientes:
39
• La estimación de los costes de recopilación y preproce-
samiento de datos puede subestimarse, en especial si es
necesario repetir experimentos con equipos costosos.
• Es difícil anticipar con precisión las prestaciones finales
de una red neuronal. Por ello, siempre es posible que se
produzca un déficit de resultados en el comportamiento
de la red. Una forma de aliviar este problema consiste
en desarrollar alguna solución racional del problema, de
fácil implementación, para tomar sus resultados como
referencia de las mínimas prestaciones obtenibles.
• El deficiente conocimiento de la tecnología neuronal
puede repercutir en una elección inadecuada de la apli-
cación o un diseño ineficiente de la red neuronal. Incluso
con una buena base de partida, aún puede surgir la difi-
cultad de obtener los resultados propuestos, si se han
exagerado los beneficios potenciales de la computación
neuronal.
• Los usuarios potenciales pueden resistirse a emplear una
tecnología cuya justificación no es estándar, en la medi-
da en que no se puede explicar, con las explicaciones al
uso, porque una red neuronal funciona como funciona.
40
7EL PROYECTO
SIENA
41
• Caracterizar la demanda europea de soluciones y herra-
mientas de redes neuronales.
• Identificar cualquier restricción de aplicaciones específi-
ca de las redes neuronales.
• Difundir los conceptos y beneficios de la computación
neuronal entre diferentes categorías de usuarios poten-
ciales en determinados sectores industriales, así como
ofrecer los resultados y la experiencia adquirida en
diversos proyectos piloto.
• Poner en contacto a expertos, suministradores y usuarios
de la tecnología de redes neuronales.
Completado en 1996, las conclusiones del proyecto SIENA
se han hecho públicas en un documento que es accesible a
través de Internet. Por su interés recogemos aquí algunas de
las más significativas, destacando las que se refieren al
caso español.
El esfuerzo principal del proyecto se orientó a revisar el
mercado existente, tanto en lo que se refiere a suministra-
dores como a usuarios de aplicaciones de redes neurona-
les. De los primeros se buscó información sobre los pro-
ductos y servicios que ofrecían para determinar la perspec-
tiva del mercado desde su punto de vista, y de los segun-
dos se obtuvo información sobre el porqué y el cómo se
empleaba la computación neuronal. La identificación de los
suministradores fue bastante completa, llegando en algunos
casos —en particular el de España— hasta el 80%. El total
de casos identificados asciende a 168%. Por el lado de los
usuarios se reconoce en el informe que los resultados fue-
ron menos satisfactorios, estimándose que su número es
entre diez y veinte veces mayor que el de suministradores.
La mayoría de los suministradores pertenecen al Reino
Unido (32%), Holanda (24%) y Alemania (13%), corres-
pondiendo a España el 8% del total. Los productos y servi-
cios ofrecidos por los suministradores se encuadran en las
cinco categorías siguientes:
1) Aplicaciones singulares adecuadas a las necesidades
específicas del cliente.
42
2) Aplicaciones estándar de la computación neuronal.
3) Implementaciones estándar de redes neuronales para que
el cliente desarrolle su aplicación específica.
4) Consultoría y asesoramiento de los clientes.
5) Transferencia de tecnología, instruyendo al personal en
las metodologías de la computación neuronal.
Globalmente, por sectores industriales, los productos se
ofrecen principalmente (39%) en el sector productivo, en el
que están implementadas la mayoría de las aplicaciones en
control, monitorización, modelado y optimización. En el
caso español este porcentaje asciende al 46%. Otras áreas
importantes son el sector de servicios de negocios y mer-
cados (19%) y los sectores bancario, financiero y de segu-
ros (12%). La mayoría de los productos relacionados con la
detección y el reconocimiento de patrones, el procesa-
miento de imágenes, la previsión y predicción, se dan pre-
cisamente en este último sector. En el caso español el orden
de importancia de estas dos áreas se invierte, ascendiendo
a proporciones del 15% y el 23% respectivamente.
A fin de dar una versión más equilibrada del mercado, el
proyecto analizó también el conjunto de usuarios finales de
la tecnología de redes neuronales. Se trataba con ello de
resumir el modo en que la computación neuronal se emplea
en la práctica, perfilar el tipo de compañías que las utilizan
y adquirir una idea de los beneficios que se derivan de la
inversión en este campo. Tanto en lo que se refiere a los
tipos de aplicaciones como a los sectores industriales
donde se utilizan, los resultados son semejantes a los obte-
nidos en el caso de los suministradores.
En lo que se refiere al caso de España, las principales con-
clusiones que el proyecto presenta son las siguientes. En pri-
mer lugar, se destaca la ausencia de apoyos oficiales espe-
cíficos para la investigación y desarrollo en el campo de la
computación neuronal, lo que se relaciona con el, por
entonces, escaso conocimiento de los beneficios comercia-
les que potencialmente ofrece su utilización. Sobre un total
de 130 empresas encuestadas, se identificaron 22, que, de
43
una u otra manera, empleaban tecnología relacionada con
las redes neuronales. En lo que se refiere a empresas sumi-
nistradoras, se detectó un total de 14, de las que algunas
eran simplemente distribuidoras de productos desarrollados
por compañías extranjeras. El área principal de aplicación
es, con diferencia, la de sistemas OCR, seguida de las apli-
caciones al modelado, predicción y control de procesos.
También son significativas las aplicaciones en el sector
financiero y bancario, en problemas tales como la segmen-
tación y explotación de datos. En esta visión del caso espa-
ñol, se reconoce la necesidad de hacer análisis de merca-
do más precisos, así como la conveniencia de iniciar acti-
vidades tendentes a difundir el uso de la computación neu-
ronal, incluso en el ámbito de las pequeñas y medianas
empresas.
Para finalizar, señalemos que, como parte del proyecto
SIENA, se ha recopilado una colección de casos de apli-
caciones en funcionamiento real en una gama muy amplia
de sectores industriales a lo largo de todo el continente
europeo. Seguidamente resumimos las descripciones de las
contribuciones españolas, todas las cuales fueron desarro-
lladas por el IIC:
• Detección de fraudes en transacciones con tarjetas de
crédito.
Esta aplicación fue encargada por la firma SEMP, que se
encarga de las gestiones relacionadas con la tarjeta
VISA para la banca española. Cada día se realizan
entre medio y un millón de operaciones con esta tarjeta
y es necesario analizar en tiempo real las operaciones
de mayor impacto económico para detectar los posibles
usos fraudulentos de las tarjetas. La red desarrollada per-
mitió una disminución del fraude cifrada entre el 30 y
40% en los sectores de mayor impacto.
• Gestión del suministro de agua potable.
El Canal de Isabel II, que se encarga del suministro de
agua potable en Madrid, dispone de un sistema de
medición constituido por cientos de sensores para regis-
44
trar el consumo de agua en diferentes sectores y planifi-
car la distribución. En relación con este sistema se plan-
tean dos aplicaciones: en primer lugar, está la valida-
ción de las medidas de los sensores, detectando y corri-
giendo los posibles fallos y, en segundo lugar, se trata
de utilizar estas medidas para predecir el consumo.
• Medición en tiempo real de la calidad de polímeros.
La aplicación se desarrolló para la empresa Repsol Quí-
mica. Garantizar la calidad de la producción de un polí-
mero es de gran importancia para las aplicaciones prác-
ticas. Las medidas necesarias para calibrar esta calidad
son costosas y técnicamente delicadas, realizándose
en el laboratorio cada dos o cuatro horas, período
durante el que no hay control directo del producto que
se fabrica. La red neuronal implementada permite esti-
mar las características finales del polímero en función
del estado de la planta, determinado por el conjunto de
variables del reactor.
• Sistema neuronal OCR para el procesamiento de deman-
das de empleo.
El Corte Inglés recibe una gran cantidad de demandas
de empleo en sus oficinas de personal. Para su procesa-
miento ha diseñado un formato que recoge la informa-
ción más importante sobre las cualificaciones de los
demandantes. Una vez incorporada a su base de datos,
esta información puede ser utilizada para la preselec-
ción automática de los demandantes que mejor se ajus-
tan a un empleo concreto. El almacenamiento inicial de
los datos es, en todo caso, el trabajo más laborioso.
Para reducir su complejidad se ha desarrollado un siste-
ma de lectura automática de los impresos en que los
demandantes formulan sus solicitudes.
• Sistema neuronal OCR para el procesamiento de infor-
mación personal.
La Delegación en Madrid del Ministerio de Educación
tiene anualmente el problema de atender las solicitudes
de traslado de destino de sus maestros y profesores, que
45
alcanzan el número de siete mil. Cada solicitud puede
incluir una lista ordenada de hasta ciento cincuenta des-
tinos diferentes. En conjunto todo esto supone una consi-
derable carga de trabajo de procesamiento de la infor-
mación, que además debe ser resuelto con la máxima
rapidez, dadas las implicaciones personales que tiene el
resultado de la adscripción final. Para automatizar la
tarea de recogida de datos se ha empleado una red neu-
ronal que implementa un sistema de reconocimiento ópti-
co de letra impresa.
• Sistema neuronal OCR para el procesamiento de órde-
nes de venta.
La empresa Reebook es un conocido fabricante de cal-
zado deportivo que realiza dos importantes campañas
de ventas a lo largo del año durante la primavera y el
otoño. Esto da lugar a una gran acumulación de pedidos
en un corto espacio de tiempo que, por razones obvias,
deben ser procesados con la máxima rapidez. Para
automatizar el procesamiento de los pedidos, se ha
desarrollado una red neuronal que permite su manejo y
clasificación.
• Sistema neuronal OCR para el procesamiento de impre-
sos de pago.
La Tesorería de la Seguridad Social tiene cada mes el
problema de procesar los impresos que le envían las
empresas con los datos de sus trabajadores, salarios y
cantidades deducidas como pagos a la misma. Esto
supone tratar con una cantidad de impresos que supera
los dos millones, lo que claramente hace necesaria una
automatización del proceso de captación de datos. Al
igual que en los casos anteriores, se ha implementado
un sistema de lectura automática basado en una red neu-
ronal para facilitar el procesamiento de la información.
46
8
CENTROS
ESPAÑOLES
DE EXPERIENCIA
INSTITUTO DE INGENIERÍA
DEL CONOCIMIENTO.
UNIVERSIDAD AUTÓNOMA DE MADRID
47
• La aplicación de métodos neuronales a problemas bási-
cos en reconocimiento de patrones, aproximación de
funciones o tratamiento de señales y series temporales.
Esta investigación se efectúa frecuentemente en colabora-
ción con la ETS de Informática de la UAM y el IIC partici-
pa activamente en las distintas convocatorias de los Progra-
mas Nacionales de Investigación financiadas por la
Comisión Interministerial de Ciencia y Tecnología (CICYT).
El IIC mantiene también contactos con otros centros euro-
peos y ha participado en el Executive Board de NeuroNet,
una red europea de excelencia en investigación en Redes
Neuronales financiada por el programa Esprit.
En lo que respecta a actividades de desarrollo, el IIC ha parti-
cipado en diversos proyectos de aplicación de Redes
Neuronales a campos como la modelización industrial o la pre-
dicción de demandas o consumos. Sin embargo, el área de
desarrollo neuronal más activa del IIC aborda cuestiones de
reconocimiento de patrones. Un campo de especial actividad
es la aplicación de métodos neuronales al reconocimiento de
caracteres. En este campo, el IIC dispone de un producto pro-
pio para el reconocimiento de formularios manuscritos, enfo-
cado como solución departamental y cubriendo tanto el reco-
nocimiento en sí como el work flow de documentos, desde su
escaneo hasta el almacenamiento en base de datos de los
resultados del reconocimiento, pasando por la videocorrección
de documentos parcialmente tratados. Además, el IIC dispone
de bibliotecas para el reconocimiento masivo de formularios
impresos, utilizadas, por ejemplo, en el proceso de efectos ban-
carios (letras, recibos, pagarés) o de impresos de la Seguridad
Social. Otro desarrollo de reconocimiento neuronal de patro-
nes efectuado en el IIC es un sistema de detección en tiempo
real de posibles fraudes en actividades de tarjetas de crédito.
Dirección de contacto:
Prof. José Dorronsoro
Instituto de Ingeniería del Conocimiento
Universidad Autónoma de Madrid
48
Mod. C-XVI P4 UAM Cantoblanco
28049 Madrid
Tfno.: 91 397 85 16
Fax: 91 397 39 72
E-mail: dorron@vera.iic.uam.es
URL: http://www.iic.uam.es
49
• Diseño de RNA mediante algoritmos genéticos. Aquí tra-
tamos de determinar cuál es la mejor red neuronal que
resuelve un determinado problema establecido en un
conjunto de entradas y salidas; es decir, en vez de utili-
zar métodos heurísticos para obtener la RNA que resuel-
ve el problema, nosotros, utilizando algoritmos genéti-
cos, de forma automática y transparente para el usuario,
determinamos cuáles son la topología, las conexiones y
la regla de aprendizaje óptimas.
Aplicaciones
50
ñado un conjunto de herramientas de desarrollo a fin de
caracterizar, modelar y generar tráfico ATM, así como
realizar estimación de parámetros de calidad de servi -
cio.
• RNA en Redes Eléctricas de Transporte. La red eléctrica
de transporte corresponde a la red mallada de alta ten-
sión, por encima de los 100.000 voltios, y su control y
gestión es de vital importancia para las compañías eléc-
tricas. Nosotros hemos aplicado las RNA a tres proble-
mas concretos: estimación de estado, estimación topoló-
gica y predicción de carga eléctrica a corto plazo.
La estimación de estado es el proceso de asignar valores
a variables de estado desconocidas de la red (magnitu-
des del voltaje y ángulos de fase en cada nodo), y es una
función crítica en los sistemas de control de energía;
nuestro sistema neuronal consigue mejores resultados
que el sistema clásico, si bien aún no es competitivo en
tiempo de cómputo. Uno de los problemas típicos de los
estimadores de estado clásicos es que no son capaces ni
de detectar ni de corregir posibles errores en el estatus
de los conmutadores («breaker») de la red, por lo que la
información topológica de la red puede ser incorrecta, lo
cual invalidaría el proceso de estimación de estado.
Para solventar este problema, el grupo ha desarrollado
un estimador topológico neuronal, que detecta e identi-
fica errores topológicos en tiempo real (on-line); el pro-
ceso de estimación es local, permitiendo la detección y
corrección de errores topológicos en cada bus de la red,
por lo que se pueden detectar y corregir múltiples y
simultáneos errores topológicos, siempre que correspon-
dan a buses que no están directamente conectados; por
lo demás, la arquitectura es inmune a grandes cambios
en la curva de consumo de potencia.
La predicción de carga eléctrica a corto plazo juega
un papel muy importante en la operación económica
y segura de los sistemas de potencia. Una predicción
de carga precisa permite una apropiada programa-
51
ción y planificación con costes mucho más bajos en el
funcionamiento de los sistemas de potencia. Nuestro
sistema de predicción de carga neuronal a corto
plazo presenta ventajas significativas respecto a los
predictores clásicos basados en técnicas estadísticas:
es más robusto, es transportable, siendo válido para
cualquier sistema, es adaptativo, y es competitivo en
cuanto a los errores de predicción; el sistema clasifica
los datos dependiendo de su similitud, de forma que
la hora que se quiere predecir se hace a partir de los
datos más análogos a los demandados.
Dirección de contacto:
Prof. Francisco Sandoval Hernández
Dept. Tecnología Electrónica
ETSI Telecomunicación
Universidad de Málaga
Campus Universitario de Teatinos
29071 Málaga
Tfno.: 952 13 13 62
Fax: 952 13 14 47
E-mail: sandoval@dte.uma.es
URL: http://www.dte.uma.es/
52
en el marco de la Investigación y Desarrollo en las áreas
que le son propias, como la realización hardware de
Modelos de Redes Neuronales Artificiales, utilizando
alternativas analógicas y digitales. El trabajo sobre el
establecimiento de una metodología para la aplicación
efectiva de soluciones neuronales (conexionistas) para la
solución de problemas constituye una actividad continua-
da por parte de los miembros del grupo. Otras áreas de
interés del grupo incluyen las Arquitecturas Hardware
Paralelas, los sistemas basados en Microprocesado-
res, Microcontroladores y DSP, el diseño VLSI analógi-
co y digital y las soluciones basadas en lógica difusa
«fuzzy logic».
Hagamos una breve reseña de los proyectos de I+D rela-
cionados con el tema:
1) ELENA-Enhanced Learning for Evolutive Neural
Architectures (1992-1995). Financiación: UE Proyecto
Esprit III BRA (n 6891). Este proyecto tuvo como objeti-
vo proponer modelos neuro-nales evolutivos para apli-
caciones prácticas. Con este propósito, el trabajo estu-
vo concentrado en tres ejes: Teoría, Simulación e
Implementaciones Hardware.
2) Arquitecturas neuronales evolutivas para la aplica -
ción en la clasificación de patrones (1992-1995).
Financiación: CICYT, TIC92-629. Este proyecto fue
dirigido a la selección y mejora de aquellos para-
digmas neuronales evolutivos que fuesen más ade-
cuados para resolver tareas de clasificación. Fue cre-
ada una completa librería de módulos escri-
tos en lenguaje C para usar en test y bancos de prue-
ba.
3) Técnicas de procesado neuronal. Análisis y su aplicación
a entornos reales (1996-1999). Financiación: CICYT,
TIC96-0889. Este proyecto pretende el establecimiento de
una cierta metodología para la resolución de problemas
de entorno reales, basados en técnicas de conexionismo
(redes neuronales).
53
Otras colaboraciones:
54
[5], la investigación se realiza en el marco de los
Laboratorios de Neurociencia y Computación Neuronal
(LANCON) de la Universidad de Santiago de Compostela,
que operan como Unidad Asociada de I+D del Instituto Cajal
del CSIC, desde abril de 1996, y del que el GSI es miembro
fundador. En cuanto a la vertiente aplicada, el GSI trabaja
tanto en el diseño de nuevas propuestas de redes neurona-
les artificiales [3, 6] como en su aplicación a la percepción
sensorial y el reconocimiento de patrones sobre señales uni-
dimensionales e imágenes. Concretamente, se han desarro-
llado aplicaciones reales para el reconocimiento de nódulos
pulmonares en radiografías de tórax [1], para la clasifica-
ción morfológica de latidos sobre señal electrocardiográfica
multicanal [7] y para la percepción sensorial en robots móvi-
les [4]. Actualmente se está iniciando una nueva línea de
aplicaciones orientadas al desarrollo de sensores inteligentes
en colaboración con un grupo de investigación en óptica
integrada.
Finalmente, entre las actividades del grupo consta también
la de ser un Nodo Asociado de la «Red de Excelencia
Europea en Redes Neuronales (NeuroNet)», establecida
en el marco del programa ESPRIT III de la Comisión
Europea.
REFERENCIAS BIBLIOGRAFICAS
55
3. M. Fernández-Delgado, C. Vázquez, E. Sánchez y S.
Barro. «MART: una red neuronal para la clasificación
de patrones multicanal». Inteligencia Art i f i c i a l .
Monografía Especial dedicada a las Redes
Neuronales Artificiales. No. 1, pp. 8-15, 1997.
4. Iglesias, R.; Regueiro, C. V.; Correa, J., y Barro, S.:
«Implementation of a basic reactive behaviour in mobi-
le robotics through artificial neural networks». En:
«Biological and Artificial Computation: From
Neuroscience to Technology», José Mira, Roberto
Moreno-Díaz y Joan Cabestany (Eds.), Springer-Verlag,
pp. 1364-1373, 1997.
5. E. Sánchez, S. Barro y otros: «Computational simulation
of the principal cuneate nucleus projection neuron».
Workshop on Principles of Neural Integration. Madrid,
septiembre, p. 62, 1997.
6. M. Fernández-Delgado y S. Barro. «MART: Multichan-
nel ART-based neural network». IEEE Transactions
on Neural Networks. Vol. 9, No. 1, pp 139-150, 1998.
7. S. Barro, M. Fernández-Delgado, J. A. Vila, C. V.
Regueiro y E. Sánchez: «An adaptive neural network for
the classification of electrocardiographic patterns on mul-
tichannel ECG». IEEE Engineering in Medicine and
Biology Magazine, número especial de «Analysis and
Acquisition of Multichannel Data in Electrocardiography».
Vol. 17, No. 1, pp. 45-55, 1998.
Dirección de contacto:
Prof. Senén Barro Ameneiro
Dept. de Electrónica e Computación
Grupo de Sistemas Inteligentes
Universidad de Santiago de Compostela
15706 Santiago de Compostela
Tfno.: 981 56 31 00. Ext. 13560
Fax: 981 59 94 12
E-mail: elsenen@usc.es
URL: http://elgsi.usc.es
56
GRUPO DE REDES NEURONALES.
DEPARTAMENTO DE INGENIERÍA
ELECTRÓNICA Y COMUNICACIONES.
UNIVERSIDAD DE ZARAGOZA
Proyectos realizados
Publicaciones
57
B. Martín del Brío, A. Sanz Molina. «Redes Neuronales y
Sistemas Borrosos. Introducción Teórica y Práctica».
Editorial RA-MA, Madrid, 1997.
Asimismo, hemos impartido diversos cursos y seminarios
introductorios, destacando los que se han llevado a cabo
en las últimas cuatro ediciones de la Universidad de Ve-
rano de Teruel (http://www.unizar.es/univerter/inicio.html).
Dirección de contacto:
Prof. Bonifacio Martín del Brío y Armando Roy Yarza
Dept. Ingeniería Electrónica y Comunicaciones
Universidad de Zaragoza
Corona de Aragón, 35
50009 Zaragoza
Tfno.: 976 35 16 09
Fax: 976 76 21 89
E-mail: nenet@posta.unizar.es
58
Líneas de Investigación
1) Integración multisensorial, fusión de datos y control de
robots
El Grupo ha realizado los proyectos «Integración multisen-
sorial y control inteligente en tiempo real para robots
mediante redes neuronales», y «Fusión de datos audio-
vídeo para robótica mediante redes neuronales», subven-
cionados por la CICYT, y «Control de sistemas autónomos
mediante redes neuronales», subvencionado por la CAM.
En dichos proyectos se estudia el potencial de las redes
neuronales para realizar integración de información prove-
niente de múltiples sensores y fusión de datos en tiempo
real. Asimismo, se considera la integración de dichos algo-
ritmos, mediante paradigmas neuro-simbólicos (basados en
modelado geométrico, modelado sensorial o aprendizaje
reactivo), con diferentes algoritmos de control para obtener
comportamientos inteligentes en entornos no estructurados.
Para la evaluación de los algoritmos se dispone de un robot
Nomad-200 dotado de sistemas sensoriales de visión,
láser, ultrasonidos, infrarrojos, táctiles y brújula digital.
Asimismo, se ha construido un brazo articulado gestionado
a bajo nivel mediante una arquitectura con DSP.
2) Reconocimiento de patrones
Esta línea considera diferentes paradigmas: supervisados,
modificados para reconocimiento invariante a traslaciones,
rotaciones y escalado; o redes autoasociativas. En relación
con el guiado de robots, se han empleado paradigmas
supervisados para reconocer objetos o extraer parámetros
de un entorno de trabajo.
59
de imágenes. Alternativamente se han estudiado redes
de tipo hebbiano (Oja, Sanger y Rubner) para extrac-
ción de componentes principales en matrices de correla-
ción y su aplicación en codificación y compresión de
imágenes. Por otro lado, se ha diseñado un compresor
de secuencias de vídeo basado en el entrenamiento
de redes neuronales celulares en arquitecturas realimen-
tadas.
4) Identificación/Control de sistemas
Dirección de contacto:
60
DIVISIÓN DE INGENIERÍA DE SISTEMAS
Y AUTOMÁTICA (DISAM).
ETSI DE INGENIEROS INDUSTRIALES.
UNIVERSIDAD POLITÉCNICA DE MADRID
UPM-DISAM tiene una experiencia de seis años en la utili-
zación de diversos tipos de redes neuronales para aplica-
ciones industriales en los campos de reconocimiento de
patrones visuales en Sistemas Inspección Visual
Automática y en modelado y control de procesos indus-
triales continuos. Igualmente desde 1993 se imparten las
dos asignaturas siguientes dentro de sus programas de
doctorado:
• Reconocimiento de Patrones y Redes Neuronales en
Visión por Computador.
• Control Neuronal.
Los proyectos en los que se ha utilizado de forma
significativa algún tipo de red neuronal son los si-
guientes:
• Sistema de clasificación de defectos superficiales en
banda de acero circulando a alta velocidad mediante
una nueva arquitectura de red neuronal: ARM.
– Programa CECA de la Unión Europea en colabora-
ción con EES (UK), CENIM-CSIC (E) y ENSIDESA (E)
1991-1995.
– Palabras clave: Redes neuronales, control de calidad,
inspección visual automatizada, reconocimiento de
patrones.
– Objetivo: Desarrollo de un sistema de control de cali-
dad en línea, con clasificación del producto según un
estándar.
• Sistema de Control de Calidad en Tiempo Real para la
Detección y Clasificación de Defectos Visuales en
Planchas de Aluminio.
– Proyecto europeo BRITE CT91-0393 en colaboración
con ALURES (I), SECAD (F), GAMMA SOFTWARE (I) y
COMSAL(I) 1992-1995.
61
– Palabras clave: Inspección Visual Automatizada, aná-
lisis textural, modelización de la iluminación, recono-
cimiento de patrones, sistemas híbridos.
– Objetivo: Detección y reconocimiento de defectos
superficiales en planchas de aluminio, incluyendo
cambios texturales.
• SINCRO: Sistema Inteligente de Control del Proceso
Cerámico mediante el Uso de Metodología AMFE.
– Empresa Nacional del Uranio (ENUSA) 1995-1996.
– Palabras clave: AMFE, Control borroso, Redes neuro-
nales.
– Objetivo: Desarrollo de una herramienta para el
Análisis Modal de Fallos y Efectos, para el control de
un proceso de fabricación de barras de combustible
en reactores nucleares.
• MITA: Metodología de Integración y Técnicas Avan-
zadas de control Inteligente de procesos continuos.
– Comisión Interministerial de Ciencia y Tecnología.
TAP94-0086. 1994-1997
– Palabras clave: Técnicas de integración, Control
Inteligente, Procesos complejos, Técnicas Borrosas,
Redes Neuronales y Algoritmos genéticos.
– Objetivo: Desarrollo de una metodología de integra-
ción de técnicas de control inteligente para procesos
continuos.
Dirección de contacto:
Prof. Pascual Campoy
Dept. Automática, Ingeniería Electrónica e Informática
Industrial
ETSI de Ingenieros Industriales
José Gutiérrez Abascal, 2
28006 Madrid
Tfno.: 91 336 30 61
Fax: 91 564 29 61
E-mail: campoy@disam.upm.es
URL: http://www.disam.upm.es
62
9LAS REDES
NEURONALES
EN LA RED
INTERNET
63
hipertexto, que proporcionan una introducción simple a las
nociones básicas de la computación neuronal. Estas páginas
están agrupadas en un conjunto denominado NeuroBook.
Una versión más actualizada de este NeuroBook se puede
conseguir desde la dirección de SPSS, una firma especiali-
zada en software estadístico, que es la siguiente:
http://www.spss.com/software/Neuro/Licagrmt.html
A un nivel más general, resulta interesante acceder a las
páginas Web de NeuroNet, que es la red creada por la
Comisión Europea ESPRIT para agrupar a los mejores cen-
tros de investigación y desarrollo en redes neuronales. Esta
red consiste en unos treinta nudos académicos y siete indus-
triales diseminados por toda Europa. La dirección del ser-
vidor NeuroNet es:
http://www.neuronet.ph.kcl.ac.uk/
A partir de aquí se puede conseguir información sobre reu-
niones y conferencias, software disponible, sociedades
especializadas, etc. También resultan interesantes las pági-
nas Web del Pacific Nothwest National Laboratory, cuya
dirección es:
http://www.emls.pnl.gov:2080/docs/cie/neural/
En particular se encuentra una dilatada relación de aplica-
ciones comerciales en la página:
http://www.emls.pnl.gov:2080/docs/cie/neural/products/
Los diferentes documentos del proyecto SIENA, en particu-
lar las descripciones de aplicaciones reales, se pueden con-
sultar a partir de la dirección:
http://www.mbfys.kun.nl/snn/siena/
Para adquirir una visión sobre el uso de hardware en la
computación neuronal, es recomendable la página titulada
Neural Networks in Hardware, Architectures, Products and
Applications, creada por Clark S. Lindsey y cuya dirección es:
http://msia02.msi.se/~lindsey/HardwareNNWCCourse/
home.html
64
Existe una página FAQ (Frequently Asked Questions) sobre
redes neuronales con una amplia información sobre multi-
tud de cuestiones relacionadas con las redes neuronales. Su
dirección es:
ftp://ftp.sas.com/pub/neural/FAQ.html
Para finalizar esta relación daremos dos páginas donde se
encuentran más listas diferentes de direcciones. La primera
se titula Neural Networks WEB in Europe y su dirección es:
http://www.hds.univ-compiegne.fr/~scanu/euroweb.html
La segunda, creada por la compañía Neural Innovation
Ltd., se titula Useful Neural Network WWW Sites y tiene
por dirección:
http://www.neural.co.uk/nnwww.html
65
11 apéndice 16/3/99 08:43 Página 67
A
APÉNDICE:
FUNDAMENTOS
DE LA
COMPUTACIÓN
NEURONAL
A1. GENERALIDADES
67
11 apéndice 16/3/99 08:43 Página 68
Axón
Soma
68
11 apéndice 16/3/99 08:43 Página 69
Pesos ajustables
Umbral
Función de transferencia
69
11 apéndice 16/3/99 08:43 Página 70
+1
-1
70
11 apéndice 16/3/99 08:43 Página 71
71
11 apéndice 16/3/99 08:43 Página 72
Aprendizaje supervisado
Aprendizaje no supervisado
Entrada
Red adaptativa
72
11 apéndice 16/3/99 08:43 Página 73
73
11 apéndice 16/3/99 08:43 Página 74
Redes auto-organizadas
(Self-Organizing Networks)
74
11 apéndice 16/3/99 08:43 Página 75
75
11 apéndice 16/3/99 08:43 Página 76
76
11 apéndice 16/3/99 08:43 Página 77
77
11 apéndice 16/3/99 08:43 Página 78
-1
X
1 y
r
+1 y
+
X -1
2
error
78
11 apéndice 16/3/99 08:43 Página 79
79
11 apéndice 16/3/99 08:43 Página 80
80
11 apéndice 16/3/99 08:43 Página 81
y1
X1 c
z
X2
y2
81
11 apéndice 16/3/99 08:43 Página 82
82
11 apéndice 16/3/99 08:43 Página 83
83
11 apéndice 16/3/99 08:43 Página 84
84
11 apéndice 16/3/99 08:43 Página 85
85
11 apéndice 16/3/99 08:43 Página 86
86
11 apéndice 16/3/99 08:43 Página 87
87
11 apéndice 16/3/99 08:43 Página 88
X X
X X
Cluster 1 X X
X X X
X
X X
X X
X X Cluster 2
X XX X X
X X
X
X
X X
X
X
X X X
X X
X Cluster 3
X X
X
88
11 apéndice 16/3/99 08:43 Página 89
•
2 p
• 5
p
• 6
•
p
3
p
1
p'
1
•p 7
o
X
89
11 apéndice 16/3/99 08:43 Página 90
•
2 p
• 5
p
6 p
• • 3
p
1 p'
p' 6
1
•p 7
o
X
90
11 apéndice 16/3/99 08:43 Página 91
91
11 apéndice 16/3/99 08:43 Página 92
92
11 apéndice 16/3/99 08:43 Página 93
p p
p 5
2 3
p
4 p'
p' 5
p
3 6
p'
4
p
1
X
p
7
93
11 apéndice 16/3/99 08:43 Página 94
94
11 apéndice 16/3/99 08:43 Página 95
95
11 apéndice 16/3/99 08:43 Página 96
96
11 apéndice 16/3/99 08:43 Página 97
• •
• •
• •
97
11 apéndice 16/3/99 08:43 Página 98
atractor 1
atractor 2
98
11 apéndice 16/3/99 08:43 Página 99
99
BIBLIOGRAFÍA
Beale, R., and Jackson, T.: Neural Computing, an Introduction. Adam Hilger, IOP
Publishing Ltd, 1990.
Bishop, C. M.: Neural Networks for Pattern Recognition. Oxford University Press,
1995.
Duda, R. O., and Hart, P. E.: Pattern Classification and Scene Analysis. Wiley,
New York, 1973.
Hertz, J.; Krogh, A., and Palmer, R.: Introduction to the Theory of Neural
Computation. Addison-Wesley, 1991.
Kappen, B., and Gielen, S. (Eds.): Neural Networks: Artificial Intelligence and
Industrial Applications. Proc. of the 3rd Annual SNN Symposium on Neural
Networks, Nijmegen, September 1995. Springer-Verlag.
Martín del Brío, B., y Sanz Molina, A.: Redes Neuronales y Sistemas Borrosos.
RAMA, 1997.
Refenes, A. N. (ed.): Neural Network in the Capital Markets. John Wiley and
Sons, Chicester, 1995.
101
DOCUMENTOS COTEC
sobre OPORTUNIDADES TECNOLÓGICAS
Documentos editados
Nº 1: Sensores.
Nº 2: Servicios de Información Técnica.
Nº 3: Simulación.
Nº 4: Propiedad Industrial.
Nº 5: Soluciones Microelectrónicas (ASICs) para todos los
Sectores Industriales.
Nº 6: Tuberías de Polietileno para conducción de agua potable.
Nº 7: Actividades Turísticas.
Nº 8: La PYMES y las Telecomunicaciones.
Nº 9: Química Verde.
Nº 10: Biotecnología.
Nº 11: Informática en la Pequeña y Mediana Empresa.
Nº 12: Innovaciones Telemáticas para las Empresas de Transponte.
Nº 13: Redes Neuronales.
Documentos en preparación:
Vigilancia Tecnológica.
DOCUMENTOS COTEC
sobre NECESIDADES TECNOLÓGICAS
Documentos editados:
Nº 1: Sector Lácteo.
Nº 2: Rocas Ornamentales.
Nº 3: Materiales de Automoción.
Nº 4: Subsector Agro-industrial de origen vegetal.
Nº 5: Industria Frigorífica y Medio Ambiente.
Nº 6: Nuevos Productos cárnicos con bajo contenido en grasa.
Nº 7: Productos Pesqueros reestructurados.
Nº 8: Sector de la Construcción.
Nº 9: Sector de la Rehabilitación.
Documentos en preparación:
Aguas Residuales.
Conservas Vegetales.
Piel, Calzado y Conexas.
103