Sistemas Inteligentes en Ingenieria Antonio Morán, Ph.D.
El Ser Humano es Inteligente Tiene Capacidad Para: Aprender Razonar Intuir Mejorar Es Capaz de Trabajar en Forma Autónoma Diseño de Sistemas Inteligentes
Sistema Inteligente Autónomo Aprende Adaptivo Robusto Hace su trabajo por si solo. Conoce objetivos. Los consigue. Aprende de la experiencia. Mejora cada vez. No repite errores. Se adapta a situaciones diferentes. Responde en situaciones no previstas Buena perfomance aun si cambian las condiciones
Inteligencia Artificial y Sistemas Inteligentes Como representar artificialmente la inteligencia del ser humano Máquinas Inteligentes Materiales Inteligentes Software Inteligente
Anestesista en Operación Presión arterial Nivel adrenalina Cantidad anestesia
Anestesista en Operación Sistema Suministro Automático Presión arterial Nivel adrenalina Anestesia Cantidad anestesia
Suministro de Insulina Paciente Inyección de insulina cada 6 horas
Suministro de Insulina Sistema Suministro Automático Nivel Glucosa Nivel adrenalina Insulina Cantidad Insulina
Robot Inteligente
Diseño de Sistemas Inteligentes Redes Neuronales Lógica Difusa Algoritmos Genéticos
Redes Neuronales Sistemas con capacidad para estimar funciones no-lineales de varias entradas y varias salidas usando datos de entrada y salida Procesamiento No-Lineal Procesamiento Paralelo Auto-ajuste en Tiempo Real Capacidad para Optimizar Capacidad para Aprender
Pedro
Cerebro Pedro y = Φ(x)
Cerebro Dos y = (x)
Redes Neuronales Ingeniería Economía Medicina Procesamiento de señales, imágenes Modelamiento y control de sistemas Diagnósticos Reconocimiento de patrones Detección de fallas Pronósticos Estimaciones
Predictor de Petróleo en Pozos Suelo 5 m 4 m
Predictor de Petróleo Pozo 1 42 55 14 2 56 42 12 1 1.... Tem Hum Ca Su Tem Hum Ca Su Petróleo Pozo 2 39 62 2 4 54 4 18 1 Pozo 3 33 31 36 1 51 4 31 2 Pozo 5 45 51 19 5 6 48 21 3 1.. Predictor de Petróleo
Análisis de Riesgo en Entidades Finacieras Persona 1 Persona 2 Persona 3 Edad 39 35 4 Ingres/mes 2 25 18 Esposa (trabaja) 1 Número de hijos 1 2 3 Casa propia 1 1 Casa (lugar) 2 3 1 Carro (año) 1998 1988 2 Pagó préstamo 1 1
Análisis de Riesgo en Entidades Finacieras Data Estimador de Riesgo 1..7.5.2 Función matematica de varias entradas y una salida Red Neuronal
Tipos de Redes Neuronales
Código de una persona y = Φ(x) Cara de la persona 11111 Diez dígitos Matriz de 2x2
Código de una persona y = Φ(x) Cara de la persona 1 1 1 1 1 Vector de 1 x 1 Vector de 4 x 1 1 1 1 1 1
Red Neuronal
Entrenamiento de la Red Neuronal Inicio Después de 1, etapas Después de 1, etapas
Qué es el Entrenamiento? y x y = ax + b y x 2 y = ax + bx + c
Sistema de Reconocimiento de Números Matriz de 9 x 6
Sistema de Reconocimiento de Números 9 x 6 = 54 Entradas 1 Salidas 1 1 1 1
Sistema de Reconocimiento de Números 1 Reconocimiento de 1% en datos de entrenamiento Reconocimiento de 88% en datos de validación
Detección de Anomalías Cardiacas
Detección de Anomalías Cardiacas Normal Fibrilosis auricular Fibrilosis ventricular Quistemia
Red Neuronal 62 puntos de un periodo 62 Entradas 1 1 1 1 4 Salidas
Validación con Señales Cardiacas Ruidosas
Red Neuronal 62 Entradas 1 1 1 1 4 Salidas Reconocimiento al 9% en señales de ruido bajo y medio Reconocimiento al 7% en señales de ruido alto
Detección y Diagnóstico de Enfermedades
Compresora de Imágenes Neuronal Imagen Imagen
Compresora de Imágenes Neuronal Lima Miami Compresor Expansor
Aplicaciones de Redes Neuronales en Robot Móviles Auto-Conducción de Vehículos Auto-Posicionamiento y Esquivameinto de Obstáculos
Automóvil que se Conduce Solo
Robots en Minería
Robots en Minería
Autoconducción de Vehículos
Autoconducción de Vehículos
Estructura de Control x* y* Vehículo x y
Trayectorias con Neuro-Control
Trayectorias con Neuro-Control
Robot Móvil que Esquiva Obstáculos Obstáculos Posición Final Posición Inicial
Robot móvil que esquiva obstáculos
Gracias por su atención! amoran@ieee.org