8QLYHUVLGDGGHORV$QGHV%RJRWi'&&RORPELD &RUUHRHOHFWUyQLFRMVDOGDUU#XQLDQGHVHGXFR
|
|
- Adrián Quintana Rey
- hace 5 años
- Vistas:
Transcripción
1 &$/,%5$&,2'(5('(6'($&8('8&7287,/,=$'25('(6(852$/(6 &2',)(5(7(6&2),*85$&,2(6<,9(/(6'($*5(*$&,2 *yph]56dogduuldjd-\6dodv' 8QLYHUVLGDGGHORV$QGHV%RJRWi'&&RORPELD &RUUHRHOHFWUyQLFRMVDOGDUU#XQLDQGHVHGXFR 5(680( En esta investigación se utilizan redes neuronales para intentar hacer el proceso de modelación hidráulica en sentido inverso. Es decir, obtener rugosidades a partir de presiones y caudales. Primero se realizan entrenamientos con parejas entrada salida precalculadas. El entrenamiento se realiza sobre redes neuronales diseñadas individualmente para cada red de acueducto. Se utilizan redes de acueducto abiertas, cerradas y de diferentes tamaños. Se prueban diferentes configuraciones de la arquitectura de las redes neuronales y niveles de agregación. $%675$&7 Neural networks are used in this research to improve an inverse hydraulic modelation. That means: obtain pipe roughness from pressures and flows. First, system train is made with precalculated input output pairs. Training is made on neural networks designed specifically for each water distribution network. Open, close and several sizes for water distribution networks are used. Several neural architecture configurations are tested. Some aggregation levels are tested too.,752'8&&,2 En la modelación de acueductos se utilizan los datos que describen físicamente una red para, a través de unas ecuaciones de comportamiento, obtener variables que describen la hidráulica del sistema. Con el tiempo, las variables físicas cambian, debido al envejecimiento de las tuberías. Estas no pueden medirse, pues las tuberías ya están funcionando bajo tierra. Entonces, deben estimarse a partir de mediciones en campo de las variables hidráulicas, y un proceso inverso a la modelación. Se entrenan entonces redes neuronales con datos de entrada salida para que puedan estimar rugosidades a partir de presiones y caudales de campo. Esta red neuronal es propia de una red de acueducto en la que no cambia la conectividad ni las longitudes. Si algunas de estas características cambian, la red neuronal debe ser entrenada de nuevo. 0$5&27(25,&2 Una red neuronal es un sistema que relaciona variables de entrada con variables de salida a través de una estructura predefinida en términos de ciertos coeficientes. Si los coeficientes ya están establecidos, la red neuronal permite calcular fácil y rápidamente las salidas a partir de las entradas (ver Figura ). Si no es así, la red neuronal puede descubrir las relaciones (como coeficientes) a través de un proceso llamado entrenamiento. Para realizar este proceso se debe disponer de un conjunto de parejas entrada-salida. El proceso de entrenamiento minimiza los errores entre las salidas esperadas y las calculadas modificando los coeficientes. Este proceso se realiza por medio de un recorrido por descenso de gradiente sobre el espacio de error definido con los mínimos cuadrados. Las redes neuronales probadas tienen las siguientes características: Las entradas son todas las presiones y los caudales de la red. Las salidas son las rugosidades de las tuberías. Todos los valores que entran o salen de la red están normalizados al rango [0.0 9], ya sea a través de una normalización lineal o logarítmica. Tienen capas ocultas ( ó 2). Interconexión total de una capa a la siguiente. Universidad del Valle/Instituto Cinara Gómez, R. HWDO 258
2 Cantidad de nodos de salida igual a la cantidad de tubos de la red de acueducto. Capas ocultas tienen el doble de nodos que la capa de entrada. La función de activación es la sigmoide. Entrenamiento con Back Propagation. Toda red tiene una cantidad de nodos de entrada igual la cantidad de nodos más la cantidad de tubos de la red de acueducto. Figura. Estructura general de las redes neuronales utilizadas 358(%$6 Se inicia con pruebas sencillas y se van haciendo más complejas y modificando con respecto a los resultados que se van obteniendo. Solo se muestran algunos resultados representativos; en total se realizaron más de 300 pruebas. 'RVWUDPRV La primera prueba se realiza para una tubería de dos tramos. El entrenamiento se realiza modificando las rugosidades en los dos tramos y calculando las presiones y caudales resultantes. La red neuronal se valida con presiones y caudales conocidos que deben llevar a rugosidades predeterminadas, diferentes a las del entrenamiento. La Figura 2 muestra el error total de la red neuronal a través del proceso de entrenamiento. La línea inferior representa la validación y la superior el entrenamiento. Puede verse que el aprendizaje de la red neuronal fue exitoso. La Figura 3 muestra la distribución del error para la rugosidad normalizada en los datos de validación. Puede verse que el 00% de los errores son inferiores a y el 40% son inferiores a 0.. El resultado es satisfactorio. &RPELQDWRULD Se diseñan redes neuronales de una capa oculta para redes de acueducto de hasta 60 tuberías. El entrenamiento se realiza combinando 5 rugosidades típicas sobre todas las tuberías. Se utilizan las siguientes rugosidades: , , , , metros. El entrenamiento con combinatoria exigió demasiado tiempo de cálculo para redes de acueducto de más de 7 tuberías y se hizo inmanejable al pasar a redes medianas (alrededor de 40 tuberías). Los resultados de uno de los experimentos se muestran en la Figura 4. 'LVFULPLQDGD En esta prueba las redes neuronales son entrenadas y validadas con diferentes rugosidades, pero con la misma rugosidad en toda la red para cada experimento. Esto no es aplicable en la práctica, pues tuberías en las redes de acueducto normalmente tienen diferentes rugosidades. Sin embargo, es útil como ejercicio académico para observar si las redes neuronales pueden aprender a calibrar sin tener disponible toda la información y en ambientes de redes cerradas. La Figura 5 muestra que el experimento es satisfactorio, y se puede proceder a probar bajo ambientes de rugosidades distintas en la red. Universidad del Valle/Instituto Cinara Gómez, R. HWDO 259
3 20,00% 00,00% 80,00% 60,00% 40,00% 20,00%,00% 0, 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 Figura 2. Error a través del entrenamiento Figura 3. Distribución de error 20,00% 00,00% 80,00% 60,00% 40,00% 20,00%,00% 0, 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 20,00% 00,00% 80,00% 60,00% 40,00% 20,00%,00% 0, 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 Figura 4. Resultados red de 4 tuberías (Combinatoria) Figura 5. Resultados red cerrada de 50 tuberías (Discriminada) (QWUHQDPLHQWRGLVFULPLQDGRYDOLGDFLyQDOHDWRULD En este experimento se utiliza el mismo entrenamiento del Numeral anterior (discriminado). Sin embargo, la validación se realiza con redes de acueducto cuyas tuberías tienen rugosidades diferentes, generadas aleatoriamente. Los resultados se muestran en la Figura 6. La red neuronal solo aprende a calibrar de manera discriminada. No se debe usar esta red neuronal para calibrar redes con rugosidades mezcladas. '~SOH[ Figura 6. Entrenamiento discriminado validación aleatoria Universidad del Valle/Instituto Cinara Gómez, R. HWDO 260
4 En este experimento el entrenamiento y la validación se realizan con rugosidades discriminadas y aleatorias. La Figura 7 muestra un entrenamiento satisfactorio. La Figura 8 muestra los resultados, igualmente satisfactorios para una red de 50 tuberías. Figura 7. Aprendizaje dúplex y mayo r... Figura 8. Resultados red cerrada de 50 tuberías '~SOH[FRQGRVFDSDVHVFRQGLGDV En este experimento se agrega una capa escondida para intentar mejorar los resultados de la prueba anterior. La Figura 9 muestra con cuadros la serie de resultados con 2 capas. La mejoría es muy pequeña en redes medianas. En redes pequeñas (de hasta 0 tuberías) hay una mejoría más notable Figura 9. Resultados red cerrada de 50 tuberías Universidad del Valle/Instituto Cinara Gómez, R. HWDO 26
5 '~SOH[FRQGRVFDSDVHVFRQGLGDVSDUDXQWXER En esta prueba la red neuronal utiliza toda la información disponible para calibrar una sola tubería. La Figura 0 muestra con cuadros los resultados para una sola tubería y con rombos para todas las tuberías. Puede verse que la mejoría no es significativa en este caso Figura 0. Resultados red cerrada de 50 tuberías $JUHJDFLyQSRU]RQDV La red neuronal no tiene entradas y salidas para cada tubo, sino para cada zona. Entonces, a partir de presiones en zonas, calcula rugosidades en zonas. Esto no es suficiente para una calibración definitiva, pero permitiría determinar automáticamente zonas problema para enfocar el esfuerzo de la calibración y detección de problemas. Figura. Red de acueducto calibrada de manera agregada La Figura muestra la red de acueducto utilizada. La Figura 2 muestra el entrenamiento de la red neuronal. Universidad del Valle/Instituto Cinara Gómez, R. HWDO 262
6 Figura 2. Aprendizaje de la red neuronal sobre datos agregados La Figura 3 muestra que los resultados del experimento agregado son satisfactorios Figura 3. Resultados red agregada $GLFLRQDO+6& En esta prueba se intenta calibrar una red de acueducto de 7 tuberías con una red neuronal con las siguientes características: Entradas:5 Presiones + 7 Caudales = 2 nodos Número de salidas: 7 Rugosidades 6 capas ocultas de: 2 in X 3 = 36 nodos Interconexión total de una capa a la otra SHORTCUTS: Interconexión total de toda capa a toda capa Función de activación logística Entrenamiento con Back Propagation El objetivo de esta prueba es determinar que tanto ayuda aumentar la complejidad de la red neuronal, para la calibración del acueducto Figura 4. Resultados prueba adicional Universidad del Valle/Instituto Cinara Gómez, R. HWDO 263
7 La Figura 4 muestra los resultados para la prueba actual y para las que ya se habían realizado con una y con dos capas. Puede verse que el experimento actual no aporta calidad a la calibración. &2&/86,2(6 En muchos casos, las redes neuronales entrenadas con casos críticos o importantes son capaces de hacer validación sobre los casos intermedios o combinados. Sin embargo, éste no es el caso. El entrenamiento con rugosidades discriminadas, validando con rugosidades combinadas de manera aleatoria, no tuvo buenos resultados. El entrenamiento tipo dúplex, aunque no es totalmente satisfactorio, es una mejora considerable. El entrenamiento tipo dúplex permite tener precisión semejante a la del experimento de entrenamiento y validación discriminadas. Con la ventaja de trabajar con un caso real (rugosidades combinadas) y no con un caso totalmente académico (rugosidades discriminadas). Al experimentar con redes neuronales con entrenamiento tipo dúplex, las redes de acueducto mayores tienen mejores estadísticas de calibración. Esto ocurre porque el mayor grado de libertad de estas redes causa un comportamiento hidráulico más uniforme y predecible. Los resultados con redes neuronales entrenadas con dúplex, permiten suponer que eventualmente se pueden llegar a configurar redes neuronales que calibren con mucha precisión acueductos con rugosidades combinadas. Al utilizar dos capas en las redes neuronales con entrenamiento tipo dúplex, se observó mejoría en las redes pequeñas. Posiblemente esto es porque las dos capas compensan la rigidez (menos grados de libertad) de las redes pequeñas. Sin embargo, en las redes medianas, la segunda capa parece introducir ruido solamente. Hay pruebas en las que los mejores resultados son con las redes de acueducto abiertas; en otras pruebas, con las cerradas; en otras pruebas con las grandes; etc. Eventualmente se podría utilizar un sistema intermedio que decida cuál red neuronal utilizar para optimizar el desempeño. Cuando se usa toda la información de la red para calibrar un solo tubo, se tienen mejores resultados en las redes cerradas. Esto puede ocurrir porque en las redes abiertas se tiene mucha información inútil (la de caminos totalmente ajenos al tubo que se está calibrando). Si es así, entonces las redes neuronales sí están capturando conocimiento hidráulico. Las redes neuronales que calibran un solo tubo a partir de la información de toda la red, no son una mejora sobre las redes neuronales que calibran toda la red. En el mejor de los casos, da lo mismo. Posiblemente, el entrenamiento y calibración sobre todo el acueducto permite a la red neuronal capturar mejor las generalidades del problema hidráulico. Al utilizar la red neuronal para calibrar datos agregados se tuvieron buenos resultados. En general, se podrían usar este tipo de redes para detectar las zonas problema sobre las que se debe hacer una calibración más detallada. El uso de múltiples capas en la red neuronal no parece mejorar el sistema. En general, las redes neuronales pueden usarse para obtener precalibraciones o guías para una calibración manual, pero son insuficientes como única herramienta de calibración. Implementando las recomendaciones que se presentan aquí, y teniendo en cuenta que las redes neuronales parecen estar capturando realmente el problema hidráulico, queda abierta la posibilidad de diseñar un sistema de calibración de redes de acueducto basado en redes neuronales. Universidad del Valle/Instituto Cinara Gómez, R. HWDO 264
8 5()(5(&,$6 Lippmann R.P. (987), An introduction to computing with neural nets Gabrys B. & Bargiela A. (999), Neural networks based decision support in presence of uncertainties Salas D. & Gómez R. & Saldarriaga J. (2003), Aplicabilidad de técnicas de inteligencia artificial a la calibración de acueductos Salas D. & Gómez R. & Takahashi S. (2003), Evaluación de métodos de inteligencia artificial en la calibración de acueductos Universidad del Valle/Instituto Cinara Gómez, R. HWDO 265
$3/,&$%,/,'$''(0(72'26'(,17(/,*(1&,$$57,),&,$/$/$ 6DOGDUULDJD-6DODV'\*yPH]5
$3/,&$%,/,'$''(0(72'26'(,17(/,*(1&,$$57,),&,$/$/$ &$/,%5$&,21'(5('(6'($&8('8&72 6DOGDUULDJD-6DODV'\*yPH]5 8QLYHUVLGDGGHORV$QGHV%RJRWi'&&RORPELD 5(680(1 El problema de la calibración de redes de acueducto
Más detallesANEXO B REDES NEURONALES
ANEXO B REDES NEURONALES En la búsqueda de la arquitectura de la red neuronal se conto con aproximadamente 30300 datos para 3 líneas diferentes. Se realizaron diferentes configuraciones para encontrar
Más detallesRedes Neuronales Artificiales
Algoritmo de retropropagación Back propagation Es utilizado para entrenar redes neuronales multicapa. Exige que la función de activación de las neuronas sea derivable y creciente. Las funciones comúnmente
Más detallesCONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7)
Tema 1: Conceptos Básicos Sistemas Conexionistas 1 CONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7) 1.- Introducción. 1.1.- Redes Neuronales de Tipo Biológico. 1.2.- Redes Neuronales dirigidas
Más detallesTLU(s) MULTICAPAS. Se pueden implementar funciones en TLU con más de una capa.
TLU(s) MULTICAPAS Se pueden implementar funciones en TLU con más de una capa 1 05 2 15 2 3 z 3 15 2 4 05 No eisten, en la actualidad, mecanismos de entrenamiento que permita conocer los pesos sinápticos
Más detallesMediciones. Errores. Propagación de errores. Estadística. Prof. Arturo S. Vallespi
Mediciones. Errores. Propagación de errores. Estadística Prof. Arturo S. Vallespi Incertidumbre estadística: Qué ocurre si cada magnitud de interés en el experimento se mide más de una vez, por ejemplo
Más detallesConceptos básicos V:
C261-69 69 Tópicos Avanzados: Redes Neuronales Artificiales Conceptos básicos Dra. Ma. del Pilar Gómez Gil Primavera 2009 pgomez@acm.org V:13-01-09 Modelo Básico y Abstracto de un Neurón Artificial x 0
Más detallesReconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales
Reconocimiento automático de palabras en documentos históricos usando redes neuronales convolucionales Dra. Ma. de Guadalupe García Hernández Departamento de Ingeniería Electrónica Objetivo general Aplicar
Más detallesModelado y simulación en Ingeniería Química. Manuel Rodríguez
ÍNDICE Modelos de caja gris Calibración de modelos Estimación de parámetros Análisis de la estimación Regresión no lineal 1. Modelos de caja gris Son modelos de un sistema (o proceso), donde: Desarrollados
Más detallesInformación contenida en una recta. Panorama y objetivos de la validación
Información contenida en una recta Panorama y objetivos de la validación Diseño de una recta Objetivo de la recta Obtener la ecuación que mejor se ajuste a una serie de n puntos experimentales, dónde cada
Más detallesDeep Learning para el Reconocimiento de Texto Manuscrito. Trabajo Fin de Grado
Deep Learning para el Reconocimiento de Texto Manuscrito Trabajo Fin de Grado Quién es este chiquillo? Índice Reconocimiento de Caracteres Motivación Reconocimiento Óptico de Caracteres (OCR) Caracteres
Más detallesRECONOCIMIENTO DE OBJETOS PARA APOYO A PERSONAS INVIDENTES BASADO EN DEEP LEARNING
RECONOCIMIENTO DE OBJETOS PARA APOYO A PERSONAS INVIDENTES BASADO EN DEEP LEARNING Israel Rivera Zárate Instituto Politécnico Nacional-CIDETEC irivera@ipn.mx Miguel Hernández Bolaños Instituto Politécnico
Más detallesTopología de RNA Propuesta para Procesar Señales de Trasductores de Temperatura del Tipo RTD con Coeficiente Negativo
27 Topología de RNA Propuesta para Procesar Señales de Trasductores de Temperatura del Tipo RTD con Coeficiente Negativo LÓPEZ-VILLARREAL, Abraham Antonio *, MEDINA-MUÑOZ, Luis Arturo, RODRÍGUEZ- ESPINOZA
Más detallesCALCULO DE INCERTIDUMBRE DE LAS MEDICIONES DE ENSAYOS
Gestor de Calidad Página: 1 de 5 1. Propósito Establecer una guía para el cálculo de la incertidumbre asociada a las mediciones de los ensayos que se realizan en el. Este procedimiento ha sido preparado
Más detallesAnálisis de Datos. Red de función de base radial. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Red de función de base radial Profesor: Dr. Wilfrido Gómez Flores 1 Introducción Las funciones de base radial han sido utilizadas en diversas técnicas de reconocimiento de patrones como
Más detallesDISEÑO DE UN LABORATORIO VIRTUAL BASICO DE REDES NEURONALES DE RETROPROPAGACIÓN GUIAS PARA EL DISEÑO DEL LABORATORIO
DISEÑO DE UN LABORATORIO VIRTUAL BASICO DE REDES NEURONALES DE RETROPROPAGACIÓN DESCRIPCIÓN DEL DOCUMENTO: Este documento presenta la construcción de un laboratorio virtual básico para el diseño de redes
Más detallesINDICE. Procedimiento 4. Mutación Paramétrica. 8
INDICE Introducción. 3 Objetivo 4 Procedimiento 4 Algoritmo Principal. 6 Inicialización de la Población 6 Función de Aptitud.. 7 Selección de la Nueva Población. 7 Mutación Estructural 8 Mutación Paramétrica.
Más detallesEntrenamiento de redes neuronales Fernando Berzal,
Entrenamiento de redes neuronales Fernando Berzal, berzal@acm.org Entrenamiento de redes neuronales Modos de entrenamiento Preprocesamiento de los datos Funciones de activación Inicialización de los pesos
Más detallesEstándares de Referencia en el Examen Ultrasónico
1 2 Estándares de Referencia en el Examen Ultrasónico Qué es un bloque de referencia? Definición en ASTM E 1316: Reference block a block that is used both as a measurement scale and as a means of providing
Más detallesAprendizaje Automatizado. Redes Neuronales Artificiales
Aprendizaje Automatizado Redes Neuronales Artificiales Introducción Otra forma de emular características propias de los humanos: memorizar y asociar hechos. Se aprende de la experiencia. El cerebro humano
Más detallesCALIBRACIÓN DEL MODELO DE LA RED DE AGUA POTABLE DE O.S.S.E. SAN JUAN
CALIBRACIÓN DEL MODELO DE LA RED DE AGUA POTABLE DE O.S.S.E. SAN JUAN Red de Agua Potable de O.S.S.E. Departamentos Capital, Chimbas, Pocito, Rawson, Rivadavia y Santa Lucía SIGRAP Prudencio González y
Más detallesA. Navarro Nateras / C. Morales Aguillón / P. Olvera Arana / J. C. Torres Guzmán Centro Nacional de Metrología
EFECTOS DE LAS MAGNITUDES DE INFLUENCIA EN BALANZAS DE PRESIÓN A. Navarro Nateras / C. Morales Aguillón / P. Olvera Arana / J. C. Torres Guzmán Centro Nacional de Metrología RESUMEN Las balanzas de presión
Más detallesLABORATORIO DE HIDRAULICA AFORO DE CAUDAL VOLUMETRICO Y GRAVIMETRICO INTERGRANTES ROY FERNANDEZ ASNAYDER PALACIO NANDO MUÑOZ
LABORATORIO DE HIDRAULICA AFORO DE CAUDAL VOLUMETRICO Y GRAVIMETRICO INTERGRANTES ROY FERNANDEZ ASNAYDER PALACIO NANDO MUÑOZ PROFESOR FEDERICO RIZZO PARRA MATERIA HIDRAULICA SEMESTRE VI FECHA 11 AGOSTO
Más detallesLa Teledetección radar aplicada a la dasometría forestal: Cubicación de masas forestales
La Teledetección radar aplicada a la dasometría forestal: Cubicación de masas forestales Autor. 21 Septiembre 2009. Centro Municipal de Congresos y Exposiciones de Ávila. 1/17 VISIÓN GENERAL: Introducción.
Más detallesCÁLCULO DE INSTALACIONES HIDROSANITARIAS
Parte 1/2 ENFOQUE TÉCNICO CÁLCULO DE INSTALACIONES HIDROSANITARIAS Mezcladores y reductores de presión CRITERIOS DE CÁLCULO DEL CAUDAL DE DISEÑO El objetivo principal de dimensionar una red hídrica es
Más detallesVocabulario internacional de términos fundamentales y generales de metrología VIM:2008
Vocabulario internacional de términos fundamentales y generales de metrología VIM:2008 VIM:2008 Definiciones y términos precisos de metrología Claridad en los conceptos para realizar medidas analíticas
Más detallesPerceptrón simple y perceptrón multicapa
UNL - FICH - Departamento de Informática - Ingeniería Informática Inteligencia Computacional Guía de trabajos prácticos Perceptrón simple y perceptrón multicapa. Objetivos Aplicar diferentes arquitecturas
Más detallesINVESTIGACIÓN OPERATIVA Redes Neuronales Artificiales y Aplicaciones INTEGRANTES: Armijos Mauricio Jara Iza Rony
INVESTIGACIÓN OPERATIVA Redes Neuronales Artificiales y Aplicaciones INTEGRANTES: Armijos Mauricio Jara Iza Rony Técnicas De La Inteligencia Artificial Programación Heurística Redes Neuronales. Evolución
Más detallesControl de Nivel a través de Redes Neuronales
Noviembre 26 y 27, 9. Veracruz, Veracruz. Control de Nivel a través de Redes Neuronales Garrido Meléndez Javier, Reyna Guerra Pablo, Vázuez Briones Manuel y García Sosa Alfonso Universidad Tecnológica
Más detallesComputación Aplicada. Universidad de Las Américas. Aula virtual de Computación Aplicada. Módulo de Excel 2013 LIBRO 6
Computación Aplicada Universidad de Las Américas Aula virtual de Computación Aplicada Módulo de Excel 2013 LIBRO 6 Contenido FORMA DE HACER CÁLCULOS... 3 QUÉ SON LAS FÓRMULAS Y QUÉ LAS FUNCIONES?... 4
Más detallesDISEÑO DE EXPERIMENTOS INTRODUCCIÓN
DISEÑO DE EXPERIMENTOS INTRODUCCIÓN QUE SON LOS DISEÑOS DE EXPERIMENTOS? El diseño de experimentos consiste en la preparación de una prueba o una serie de pruebas donde se hacen cambios intencionales a
Más detallesSISTEMAS INTELIGENTES
SISTEMAS INTELIGENTES T10: Redes Neuronales.aic.uniovi.es/ssii Índice Redes Neuronales Artificiales Fundamentos biológicos Perceptrón Funciones de activación Redes de neuronas Entrenamiento: Perceptrón
Más detallesPráctica 2. Tratamiento de datos
Errores Todas las medidas que se realizan en el laboratorio están afectadas de errores experimentales, de manera que si se repiten dos experiencias en las mismas condiciones es probable que los resultados
Más detallesEl Perceptrón Multicapa
El Perceptrón Multicapa N entradas M neuronas de salida L: neuronas en la capa oculta E = 1 p M ( zi ( k) yi ( k) ) k = 1 i= 1 Implementación de la función XOR Regiones de clasificación en función del
Más detallesCAPÍTULO 6. COLECTORES
CAPÍTULO 6. COLECTORES La red secundaria de un sistema de aguas lluvias está formada por diversos elementos para la captación, retención, almacenamiento, conducción y entrega de las aguas generadas en
Más detallesOPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls. Tema 6: Redes de Neuronas Recurrentes
OPENCOURSEWARE REDES DE NEURONAS ARTIFICIALES Inés M. Galván José M. Valls Tema 6: Redes de Neuronas Recurrentes En este tema se estudian las redes de neuronas recurrentes. Se presentan en primer lugar
Más detallesALGUNOS COMENTARIOS SOBRE GENERALIZACION EN BACKPROPAGATION
ALGUNOS COMENTARIOS SOBRE GENERALIZACION EN BACKPROPAGATION En una RN entrenada, si las salidas calculadas por la red con nuevos ejemplos están próimas a los valores deseados, hay generalización (Haykin,
Más detallesTema: Aprendizaje Supervisado.
Sistemas Expertos e Inteligencia Artificial. Guía No. 9 1 Tema: Aprendizaje Supervisado. Facultad: Ingeniería Escuela: Computación Asignatura: Sistemas Expertos e Inteligencia Artificial Objetivos Específicos
Más detallesCAPÍTULO 4 IMPLEMENTACIÓN DE LA TRANSFORMADA DE DISTANCIA CON UN
CAPÍTULO 4 IMPLEMENTACIÓN DE LA TRANSFORMADA DE DISTANCIA CON UN PERCEPTRÓN MULTICAPA EN MATLAB 4.1 Matlab Matlab ha demostrado ser un programa de desarrollo muy completo en distintas áreas, más que nada
Más detallesCaracterización del funcionamiento adecuado de equipos aplicando redes neuronales
Caracterización del funcionamiento adecuado de equipos aplicando redes neuronales Angel Marín, Nuria López, Miguel Ángel Rodríguez y Antonio José Fernández Iberdrola Ingeniería y Construcción, SAU ÍNDICE
Más detallesCapítulo 5. Construcción de una Red Neuronal Artificial Asesora
Capítulo 5. Construcción de una Red Neuronal Artificial Asesora 53 Capítulo 5. Construcción de una Red Neuronal Artificial Asesora 5.1 Construcción de la red A lo largo de las investigaciones realizadas
Más detallesInteligencia Artificial. Aprendizaje neuronal. Ing. Sup. en Informática, 4º. Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani
Inteligencia Artificial Aprendizaje neuronal Ing. Sup. en Informática, 4º Curso académico: 20/202 Profesores: Ramón Hermoso y Matteo Vasirani Aprendizaje Resumen: 3. Aprendizaje automático 3. Introducción
Más detallesCaso de estudio: Sistema de toma de decisiones
5 Caso de estudio: Sistema de toma de decisiones En este capítulo se tomarán todas las celdas presentadas anteriormente, para la implementación de un sistema difuso de toma de decisiones. Esta estructura
Más detallesAprendizaje: Boosting y Adaboost
Técnicas de Inteligencia Artificial Aprendizaje: Boosting y Adaboost Boosting 1 Indice Combinando clasificadores débiles Clasificadores débiles La necesidad de combinar clasificadores Bagging El algoritmo
Más detallesAnálisis de Datos. Introducción al aprendizaje supervisado. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Introducción al aprendizaje supervisado Profesor: Dr. Wilfrido Gómez Flores 1 Conceptos básicos Desde la antigüedad, el problema de buscar patrones en datos es fundamental en diversas
Más detallesVocabulario internacional de términos fundamentales y generales de metrología VIM:2008
Vocabulario internacional de términos fundamentales y generales de metrología VIM:2008 VIM:2008 Definiciones y términos precisos de metrología Claridad en los conceptos para realizar medidas analíticas
Más detallesSistema de Detección de Intrusos para ataques Cross-Site Scripting
Sistema de Detección de Intrusos para ataques Cross-Site Scripting García Ramírez Israel & Fonseca Casao Sergio Israel Directores: M. en C. Ramírez Morales Mario Augusto & M. en C. Saucedo Delgado Rafael
Más detallesPerceptrones Fernando Berzal,
Fernando Berzal, berzal@acm.org Introducción Redes neuronales artificiales Modelos de redes Modelo de neurona artificial Funciones de activación La neurona de McCulloch y Pitts El algoritmo de aprendizaje
Más detallesTécnicas de Minería de Datos
Técnicas de Minería de Datos Act. Humberto Ramos S. 1 Qué es Minería de datos? El desarrollo de dispositivos tecnológicos para acumular datos a bajo costo. Acumulación o registro de gran cantidad de datos.
Más detallesAnálisis de Datos en Física de Partículas
Análisis de Datos en Física de Partículas Sección de Posgrado Facultad de Ciencias Universidad Nacional de Ingeniería C. Javier Solano jsolano@uni.edu.pe http://compinformatidf.wordpress.com/ Página del
Más detallesCálculo de la tasa de contorneamientos originados por descargas atmosféricas mediante un método sistemático y un método estadístico.
7. Conclusiones El objetivo principal de esta Tesis Doctoral ha sido la evaluación de líneas aéreas de distribución frente al rayo. Se han tratado líneas con y sin cable de tierra. Los resultados se pueden
Más detalles1M.Sc.Ing. Edwin W. Apolinario Morales 22/04/2017
1M.Sc.Ing. Edwin W. Apolinario Morales 22/04/2017 El rugosímetro tipo respuesta B.I. pertenece a la Clase 3 de acuerdo al Banco mundial en su Boletín Técnico N 46 del año 1986 y sirve para mediciones indirectas
Más detallesFunciones de Interpolación para Termómetros Digitales
Funciones de Interpolación para Termómetros Digitales Andy Barrientos A. Laboratorio de Termometría 01. Introducción. La presentación propone considerar funciones interpoladoras del tipo polinomial; así
Más detallesVIM: Términos fundamentales. Vocabulario internacional de metrología
VIM:2008 - Términos fundamentales Vocabulario internacional de metrología VIM:2008 Definiciones y términos precisos de metrología Claridad en los conceptos para realizar medidas analíticas Referencia común
Más detallesReconocimiento de Patrones DRA. LETICIA FLORES PULIDO
Reconocimiento de Patrones DRA. LETICIA FLORES PULIDO 2 CONTENIDO TEMA1: INTRODUCCIÓN TEMA2: APRENDIZAJE MÁQUINA TEMA3: REDES NEURONALES MULTICAPA TEMA4: PROGRAMACIÓN EVOLUTIVA 3 TEMA 2 : APRENDIZAJE MÁQUINA
Más detallesRESUMEN ANALÍTICO EN EDUCACIÓN - RAE FACULTAD DE INGENIERIA PROGRAMA DE INGENIERIA CIVIL BOGOTÁ D.C.
AÑO DE ELABORACIÓN: 2014 FACULTAD DE INGENIERIA PROGRAMA DE INGENIERIA CIVIL BOGOTÁ D.C. TÍTULO: MANUAL PRÁCTICO DE LABORATORIO MECÁNICA DE FLUIDOS E HIDRÁULICA AUTOR (ES): ARIAS MEDINA, George Steven
Más detallesPROBLEMAS DE NAVIDAD 2003
PROBLEMAS DE NAVIDAD 2003 1 PROBLEMAS DE NAVIDAD 2003 Fig. Navidad 2003-1 Navidad 2003-1. Una conducción de sección cuadrada contiene en su interior un haz de cinco tubos de 5 cm de diámetro cada uno,
Más detallesPráctica No.1. Propiedades físico-hidráulicas de los canales abiertos y métodos de aforo y Práctica No.2. Flujo uniforme en canales abiertos
Prácticas No. 1 y 2. PropiedadesFísico-HIdráulicas y Flujo Uniforme. Práctica No.1. Propiedades físico-hidráulicas de los canales abiertos y métodos de aforo y Práctica No.2. Flujo uniforme en canales
Más detallesIntroducción. Autoencoders. RBMs. Redes de Convolución. Deep Learning. Eduardo Morales INAOE (INAOE) 1 / 60
Deep Learning Eduardo Morales INAOE (INAOE) 1 / 60 Contenido 1 2 3 4 (INAOE) 2 / 60 Deep Learning El poder tener una computadora que modele el mundo lo suficientemente bien como para exhibir inteligencia
Más detallesProf. Angel Zambrano ENERO 2009 Universidad de Los Andes Escuela de Estadística
Prof. Angel Zambrano ENERO 009 Universidad de Los Andes Escuela de Estadística Muestreo: Es una metodología que apoyándose en la teoría estadística y de acuerdo a las características del estudio, indica
Más detallesRedes Neuronales. Las redes neuronales son modelos computacionales que buscan imitar el funcionamiento
Redes Neuronales Las redes neuronales son modelos computacionales que buscan imitar el funcionamiento de las neuronas biológicas. Se usan principalmente para el reconocimiento de patrones complejos. Para
Más detalles"ffimcil. Licenciatura: Ingeniería Mecánica. Versión: Primera Trimestrc Lectivo: 16. Propuesta de Proyecto de Integración de Ingenierfa llecánica
Propuesta de Proyecto de Integración de Ingenierfa llecánica Licenciatura: Ingeniería Mecánica Medición y simulación de un fluio de 4ua en un codo a 90". Modalidad: Proyecto Tecnológico. Versión: Primera
Más detallesPerceptrón Simple. Aspectos Prácticos y Algoritmos Redes Neuronales, DC-FCEyN-UBA. Rosana Matuk Primer Cuatrimestre 2018
Perceptrón Simple Aspectos Prácticos y Algoritmos Redes Neuronales, DC-FCEyN-UBA Rosana Matuk Primer Cuatrimestre 2018 Rosana Matuk (DC-FCEyN-UBA) Perceptrón simple Primer Cuatrimestre 2018 1 / 29 Objetivo
Más detallesUNIVERSIDAD NACIONAL DEL CALLAO
UNIVERSIDAD NACIONAL DEL CALLAO FACULTAD DE INGENIERÍA INDUSTRIAL Y DE SISTEMAS INSTITUTO DE INVESTIGACION DE LA FACULTAD DE INGENIERIA INDUSTRIAL Y DE SISTEMAS INFORME FINAL DEL PROYECTO DE INVESTIGACIÓN
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesVALIDACIÓN DE LOS MÉTODOS DE CALIBRACIÓN EN TENSIÓN ELÉCTRICA CONTINUA DEL LABORATORIO MULTIFUNCIONES
VALIDACIÓN DE LOS MÉTODOS DE CALIBRACIÓN EN TENSIÓN ELÉCTRICA CONTINUA DEL LABORATORIO MULTIFUNCIONES David Avilés, Dionisio Hernández, Enrique Navarrete, Marco A. Rodriguez Centro Nacional de Metrología,
Más detallesCONTROL PREDICTIVO CON REDES NEURONALES COMO MODELO, UTILIZANDO EL METODO DE NEWTON-RAPHSON PARA LOGRAR LA MINIMIZACION DE LA FUNCION DE COSTO
Scientia et Technica Año XV, No 41, Mayo de 2009. Universidad Tecnológica de Pereira. ISSN 0122-1701 203 CONTROL PREDICTIVO CON REDES NEURONALES COMO MODELO, UTILIZANDO EL METODO DE NEWTON-RAPHSON PARA
Más detallesCAPITULO 6 RESULTADOS Y CONCLUSIONES
CAPITULO 6 RESULTADOS Y CONCLUSIONES En este capítulo se expondrán los resultados obtenidos en las simulaciones que se han detallado en el capítulo anterior. Al igual que en el capítulo cinco, se ha dividido
Más detallesQuito Ecuador EXTRACTO
Quito Ecuador NORMA TÉCNICA ECUATORIANA NTE INEN-ISO 5167-1 Primera edición 2014-01 MEDICIÓN DEL CAUDAL DE FLUIDOS MEDIANTE DISPOSITIVOS DE PRESIÓN DIFERENCIAL INTERCALADOS EN CONDUCTOS EN CARGA DE SECCIÓN
Más detallesDiseño de base para calibración de instrumentos M.E.D
Diseño de base para calibración de instrumentos M.E.D J. Romano 1, P. Paús 1, J. Bergamini 2, R. Aldasoro 1. 1 Facultad de Ingeniería - UNLP. jose.romano@ing.unlp.edu.ar 2 Facultad de Ciencias Astronómicas
Más detallesREDES DE AGUA POTABLE Ago 16 Emisión inicial JQU EPE SME AGO MD-SAP-LCO-IF-002_0 A4
ESTUDIO DEFINITIVO Y EXPEDIENTE TÉCNICO AMPLIACIÓN, RENOVACIÓN Y MEJORAMIENTO DEL SISTEMA DE AGUA POTABLE Y ALCANTARILLADO EN LA LOCALIDAD DE CARAVELÍ CARAVELÍ - AREQUIPA REDES DE AGUA POTABLE 3 2 1 0
Más detallesModelos Capacitivos Resistivos (CRMs)
Sahara Simulador de Mallas de Inyección Ventana Coeficientes de Distribución: metodología CRM para inicializar coeficientes de inyección Modelos Capacitivos Resistivos (CRMs) El modelo CRM (Capacitance
Más detallesInteligencia Artificial (Curso ) Grado en Ingeniería Informática - Ingeniería del Software
Inteligencia Artificial (Curso 0-0) Grado en Ingeniería Informática - Ingeniería del Software Redes neuronales Cuestión : Decir si las siguientes afirmaciones son verdaderas o falsas: Si tomamos la función
Más detallesDefinir un Equipo de Fútbol óptimo mediante Redes Neuronales Artificiales
Definir un Equipo de Fútbol óptimo mediante Redes Neuronales Artificiales Abstract Este trabajo tiene como objetivo analizar, experimentar y comprender el funcionamiento y las características de los Sistemas
Más detallesSimulación de Redes Neuronales Artificiales: Una Herramienta para la Docencia en Castellano
Simulación de Redes Neuronales Artificiales: Una Herramienta para la Docencia en Castellano Anita Alegre López 1, Sonia Mariño 1, David La Red 1 1 Dpto. Informática. Universidad Nacional del Nordeste.
Más detallesProcesamiento digital de señales Semana 1. Introducción (segunda parte)
Procesamiento digital de señales Semana 1. Introducción (segunda parte) Dra. María del Pilar Gómez Gil Otoño 2017 Coordinación de computación Versión: 28 de Agosto 2017 INAOE (c) P.Gómez Gil, INAOE 2017
Más detallesCaso de Estudio: Sistema de Toma de Decisiones
7 Caso de Estudio: Sistema de Toma de Decisiones En este capítulo se tomarán todas las celdas presentadas anteriormente, para la implementación de un sistema difuso de toma de desiciones. Esta estructura
Más detallesOptimizar recursos y asegurar cumplimiento metrológico Buenos Aires 23 de Octubre de 2015
Optimizar recursos y asegurar cumplimiento metrológico Buenos Aires 23 de Octubre de 2015 Operación que establece, una relación entre los valores y sus incertidumbres de medida asociadas obtenidas a partir
Más detallesCurso Superior en Modelos de Simulación. Curso Superior en Modelos de Simulación CSMS 2014
CSMS 2014 Sesión 8. Inteligencia Artificial Profesor: Dr. Rafael Pla-López. Departamento de Matemática Aplicada, Universitat de Valencia. Lugar y fecha: Valencia, 26 y 27 de Junio. Programa: Características
Más detallesMétodos de modelado y clasificación de patrones. clasificación de patrones
FUNDAMENTOS DEL RECONOCIMIENTO AUTOMÁTICO DE LA VOZ Métodos de modelado y clasificación de patrones Agustín Álvarez Marquina Introducción. Modelado y clasificación de patrones Objetivos: Agrupar el conjunto
Más detallesRedes Neuronales Multicapa
Undécima sesión 16 de abril de 2010 Relación entre capas y conjuntos bajo estudio Estructura Regla de decisión XOR Clases no linealmente separables Regiones generalizadas Una capa Regiones separables con
Más detallesDISEÑO EXPERIMENTAL Y OPTIMIZACIÓN DE SISTEMAS CON MÚLTIPLES RESPUESTAS
DISEÑO EXPERIMENTAL Y OPTIMIZACIÓN DE SISTEMAS CON MÚLTIPLES RESPUESTAS Parte 5: Redes neuronales Héctor Goicoechea E-mail: hgoico@fbcb.unl.edu.ar http://www.fbcb.unl.edu.ar/laboratorios/ladaq/ Redes Neuronales
Más detallesINTRODUCTION TO MACHINE LEARNING ISABELLE GUYON
INTRODUCTION TO MACHINE LEARNING ISABELLE GUYON 2008-02-31 Notas tomadas por: María Eugenia Rojas Qué es Machine Learning? El proceso de aprendizaje de maquina consiste en tener una gran base de datos
Más detallesELABORACIÓN DE CARTAS DE CONTROL X BARRA S EN EL LABORATORIO DE METROLOGÍA DE VARIABLES ELÉCTRICAS DE LA UNIVERSIDAD TECNOLÓGICA DE PEREIRA
Scientia et Technica Año XV, No 41, Mayo de 2009.. ISSN 0122-1701 241 ELABORACIÓN DE CARTAS DE CONTROL X BARRA S EN EL LABORATORIO DE METROLOGÍA DE VARIABLES ELÉCTRICAS DE LA UNIVERSIDAD TECNOLÓGICA DE
Más detallesReCAD Revista electrónica de Ciencias Aplicadas al Deporte, Vol. 5, N 17, junio 2012
NUEVAS HERRAMIENTS DE INVESTIGACION: LAS REDES NEURONALES. Nelio Bazán. Instituto Superior de Deportes, Buenos Aires, 2012. Contacto: nelio_bazan@yahoo.com.ar Las redes neuronales A pesar de la evolución
Más detallesCAPÍTULO 3. Las redes neuronales artificiales, ANNs por sus siglas en inglés, son el resultado de varias
CAPÍTULO 3 REDES NEURONALES ARTIFICIALES 3.1 Introducción Las redes neuronales artificiales, ANNs por sus siglas en inglés, son el resultado de varias décadas de investigaciones desarrolladas en torno
Más detallesNo 0.1 LABORATORIO DE MECÁNICA TOMA DE DATOS E INTRODUCCIÓN AL ANÁLISIS DEL ERROR. Objetivos
No 0.1 LABORATORIO DE MECÁNICA TOMA DE DATOS E INTRODUCCIÓN AL ANÁLISIS DEL ERROR DEPARTAMENTO DE FISICA Y GEOLOGIA UNIVERSIDAD DE PAMPLONA FACULTAD DE CIENCIAS BÁSICAS Objetivos 1. Entender y familiarizarse
Más detallesMODELACIÓN DE REDES DE RECOLECCIÓN DE AGUAS SERVIDAS Y AGUAS LLUVIA OFERTA TÉCNICA
MODELACIÓN DE REDES DE RECOLECCIÓN DE AGUAS SERVIDAS Y AGUAS LLUVIA OFERTA TÉCNICA DICIEMBRE 2013 REGISTRO DE CAMBIOS REVISIÓN DESCRIPCIÓN FECHA ING. PROYECTO FECHA JEFE PROYECTO A BORRADOR 23/12/13 GATH
Más detallesANÁLISIS DE FRECUENCIAS
ANÁLISIS DE FRECUENCIAS EXPRESIONES PARA EL CÁLCULO DE LOS EVENTOS PARA EL PERÍODO DE RETORNO T Y DE LOS RESPECTIVOS ERRORES ESTÁNDAR DE ESTIMACIÓN REQUERIDOS PARA LA DETERMINACIÓN DE LOS INTERVALOS DE
Más detallesTabla 1. Incertidumbres típicas en la calibración de recipientes volumétricos por el método gravimétrico. (Son consideradas como referencia).
4. CALIBRACIÓN DE MATERIAL VOLUMÉTRICO 1.- OBJETIVO Realizar la calibración de material volumétrico por el método gravimétrico, para calcular el volumen, estimar la incertidumbre asociada y la trazabilidad
Más detallesBloque 1. Contenidos comunes. (Total: 2 sesiones)
4º E.S.O. OPCIÓN B 1.1.1 Contenidos 1.1.1.1 Bloque 1. Contenidos comunes. (Total: 2 sesiones) Planificación y utilización de procesos de razonamiento y estrategias de resolución de problemas tales como
Más detallesEstadística Descriptiva Bivariante con STATGRAPHICS -Dependencia lineal y Regresión-
Estadística Descriptiva Bivariante con STATGRAPHICS -Dependencia lineal y Regresión- 1. Introducción Fichero de datos empleado: VelVientos730.sf3 En este documento se analizarán, utilizando Statgraphics,
Más detallesDiseños Factoriales. Diseño de experimentos p. 1/25
Diseños Factoriales Diseño de experimentos p. 1/25 Introducción El término experimento factorial o arreglo factorial se refiere a la constitución de los tratamientos que se quieren comparar. Diseño de
Más detallesJone Echazarra Tecanalia. Más allá del ojo humano: detección precoz del mildiu
Jone Echazarra Tecanalia Más allá del ojo humano: detección precoz del mildiu INDICE 1) Grupo de computer vision Tecnalia, antecedentes, experiencia previa 2) Breve descripción de las tecnologías que se
Más detalles3. RELACION ENTRE DOS CONJUNTOS DE DATOS.
3. RELACION ENTRE DOS CONJUNTOS DE DATOS. 3. 1 Introducción En la búsqueda de mejoras o en la solución de problemas es necesario, frecuentemente, investigar la relación entre variables. Para lo cual existen
Más detallesRedes Neuronales Artificiales
Redes Neuronales Artificiales Alejandro Osses Vecchi 11 de julio de 2009 1. Introducción Comenzaremos con una definición simple y general de Red Neuronal para, en las próximas secciones, explicar y profundizar
Más detallesBoletín Asesoría Gerencial*
Boletín Asesoría Gerencial* Marzo 2007 Cuantificación del capital requerido - OpVaR *connectedthinking Cuantificación del capital requerido - OpVaR Introducción Para ampliar: haga click sobre la imagen
Más detalles