ROUGH DRAFT authorea.com/114490
Main Data History
Export
Show Index Toggle 1 comments
  •  Quick Edit
  • REDES NEURONALES ARTIFICIALES PARA MODELAR LA PREDICCIÓN DE LA DEFORMACIÓN DE UN MATERIAL EXPUESTO A LA RADIACIÓN SOLAR

    Introdución

    Una Red Neuronal Artificial (Artifical Neural Network, ANN) es un modelo matemático que trata de emular a los sistemas neuronales biológicos en el procesamiento de información  (Alejo Eleuterio 2010).

    Las ANN se basan en una estructura de neuronas unidas por enlaces que transmiten información a otras neuronas, las cuales entregan un resultado mediante funciones matemáticas. Las ANN aprenden de la información histórica a través de un entrenamiento, proceso mediante el cual se ajustan los parámetros de la red, a fin de entregar la respuesta deseada, adquiriendo entonces la capacidad de predecir respuestas del mismo fenómeno. El comportamiento de las redes depende entonces de los pesos para los enlaces, de las funciones de activación que se especifican para las neuronas, las que pueden ser de tres categorías: lineal, de umbral (o escalón) y sigmoideal, y de la forma en que propagan el error  (Freeman 1991).

    Existen varios algoritmos que permiten ir corrigiendo el error de pronóstico; uno de los más usados es el denominado “retro propagación”, que consiste básicamente en propagar el error hacia atrás, desde la capa de salida hasta la de entrada, permitiendo así la adaptación de los pesos con el fin de reducir dicho error  (Hilera González 2000).

    En forma simplificada, el funcionamiento de una red “retro propagación” consiste en el aprendizaje de un conjunto predefinido de pares de entradas-salidas dados como ejemplo, empleando un ciclo de propagación–adaptación de dos fases: primero, al aplicar un primer patrón como estímulo para la capa de entrada de la red, éste se va propagando a través de las capas siguientes para generar la salida, la cual proporciona el valor del error al compararse con la que se desea obtener. A continuación estos errores se transmiten hacia atrás, partiendo de la capa de salida, hacia todas las neuronas de la capa oculta intermedia que contribuyan directamente a la salida, recibiendo el porcentaje del error aproximado a la participación de las mismas en la salida original (Ovando 2005)..

    Este proceso se repite siempre hacia atrás, capa por capa, hasta que todas las neuronas de la red hayan recibido un error que describa su aporte relativo al error total. Basándose en esta información recibida, se reajustan todos los pesos de conexión, de manera que la siguiente vez que se presente el mismo patrón disminuya la diferencia entre la salida calculada y la deseada  (Ovando 2005).

    La importancia de la red retro propagación consiste en su capacidad de autoadaptar los pesos de las neuronas de las capas intermedias para aprender la relación que existe entre un conjunto de patrones dados como ejemplo y sus salidas correspondientes.

    Dependiendo del tipo de aplicación y sus características, se han desarrollo distintos tipos de redes neuronales, que han sido aplicadas de forma satisfactoria en la predicción de diversos problemas en diferentes áreas del conocimiento tales como Biología, Medicina, Economía, Ingeniería, Psicología, entre otras (Pol 2000).

    La toma de decisiones es un punto clave para las áreas anteriormente mencionadas, ya que las decisiones deben de estar evaluadas por criterios de evidencia y experiencia. Como herramienta de criterios de evidencia se han utilizado los modelos de redes neuronales artificiales (ANN), para realizar las predicciones.

    Algunos trabajos como los de Javier Trujillano en  (Trujillano 2004) realiza estos métodos para la predicción de resultados de medicina, por ejemplo en el fracaso renal, con el objetivo de extraer conclusiones adecuadas acerca de la posible evolución de la enfermedad, en este artículo se comparó el uso de las ANN contra regresión lineal, el resultado fue favorable para las ANN, ya que para la regresión lineal hay que agregar más dependencias para aproximar resultados similares a los obtenidos con las redes neuronales.

    Por otro lado, Alfonso Palmer en  (Pol 2000) realiza una predicción del consumo de éxtasis a partir de redes neuronales artificiales con el fin de descriminar quién consume éxtasis y quién no. Los resultados muestran que la ANN desarrollada es capaz de predecir el consumo de éxtasis a partir de las respuestas dadas a un cuestionario, con un grado de eficacia del 96.66%.

    Sin embargo, Juan David en  (Henao 2006) usa un modelo de redes neuronales artificiales para representar la dinámica del índice del tipo de cambio real colombiano, porque describe mejor la dinámica de la serie que un modelo lineal autorregresivo, como lo muestra el resultado del contraste del radio de verosimilitud. El modelo fue aceptado después de aplicarle una serie de pruebas estándar y de contrastar sus resultados con los obtenidos usando un modelo lineal autorregresivo. Los resultados indican que el valor actual de la serie depende únicamente de su valor anterior.

    Particularmente, el uso de las ANN han tenido gran interés, debido a su capacidad para representar relaciones desconocidas a partir de los datos mismos.

    El resto del artículo está organizado de la siguiente manera. En la sección \ref{preliminares} se describe de manera general conceptos que se utilizan en este trabajo, mientras que la metodología se presenta en la Seccción 3. La fase de la experimentación y resultados se describe en la sección 4, seguido de las conclusiones.