PIAR v 015. 2024 Plan Individual de ajustes razonables
Jose davila-presentacion-a5.pdf
1. Republica Bolivariana de Venezuela
Ministerio del Poder Popular para La Educación
Instituto Universitario Politécnico "Santiago Mariño"
Maracay .Edo-Aragua
REDES NEURONALES
EN VENEZUELA
Estudiante:
José Dávila
V-26.866.696
Ing. en Sistemas
Profesor:
Ing. José Luis Guzmán
2. 2
Redes Neuronales:
Son un modelo computacional vagamente inspirado en el comportamiento
observado en su homólogo biológico. Consiste en un conjunto de unidades,
llamadas neuronas artificiales, conectadas entre sí para transmitirse
señales.
La información de entrada atraviesa la red neuronal donde se somete a
diversas operaciones produciendo unos valores de salida.
Create by Jose Davila
4. 4
Tipos de Entradas:
Redes analógicas: procesan datos de entrada con valores continuos y,
habitualmente, acotados. Ejemplos de este tipo de redes son: Hopfield,
Kohonen y las redes de aprendizaje competitivo.
Redes discretas: procesan datos de entrada de naturaleza discreta;
habitualmente valores lógicos booleanos. Ejemplos de este segundo tipo
de redes son: las máquinas de Boltzmann y Cauchy, y la red discreta de
Hopfield.
Create by Jose Davila
5. 5
Aplicaciones de las Redes
Neuronales:
Create by Jose Davila
Las tareas se aplican a las redes
neuronales artificiales tienden a
caer dentro de las siguientes
categorías generales:
Aproximación de funciones, o el
análisis de regresión, incluyendo
la predicción de series
temporales, funciones de aptitud
y el modelado.
Clasificación, incluyendo el
reconocimiento de patrones y la
secuencia de reconocimiento,
detección y de la toma de
decisiones secuenciales.
Procesamiento de datos,
incluyendo el filtrado, el
agrupamiento, la separación ciega
de las señales y compresión.
Robótica, incluyendo la dirección
de manipuladores y prótesis.
Ingeniería de control, incluyendo
control numérico por computadora.
6. 6
Redes Neuronales en Venezuela
Create by Jose Davila
La aplicación mas conocida de las redes artificiales, se basa en la
creación de máquinas con cierta capacidad de aprendizaje y las novedosas
aplicaciones de la robótica, los modelos basados en redes neuronales
artificiales también constituyen hoy en día una aplicación novedosa para el
reconocimiento de los patrones no lineales característicos de los procesos
biológicos y como útil herramienta para el control de procesos
El objetivo es desarrollar un modelo de red neuronal artificial basado en
un algoritmo de retro propagación del error, para el modelado predictivo
de los fenómenos de pérdida de agua y ganancia de sólidos en frutas
osmóticamente deshidratadas.
Predicción mediante redes neuronales artificiales
de la transferencia de masa en frutas
osmóticamente deshidratadas
7. 7
Materiales y Métodos:
Proceso de deshidratación
osmótica
Las frutas usadas en la investigación, lechosa,
melón y manzana, seleccionadas en virtud de
su naturaleza porosa y por ende facilitadora
de los fenómenos de transferencia de masa,
se obtuvieron de un mismo establecimiento
comercial, sin lesiones externas y con
características similares de forma, tamaño y
color. Se determinó el contenido de humedad
inicial de las frutas, de acuerdo a la
metodología de la AOAC (AOAC, 1990),
obteniéndose los siguientes resultados:
lechosa 88,93% ± 0,71% (n=5), melón 93,07% ±
0,85% (n=5) y manzana 87,32% ±0,82% (n=5).
Una vez cortadas y registrado el peso inicial
de las muestras de frutas, las mismas se
sumergieron en las soluciones de
impregnación (soluciones de sacarosa), para
cada una de las condiciones experimentales.
8. 8
Materiales y Métodos:
Create by Jose Davila
Desarrollo del modelo neuronal
artificial
Se desarrolló una estructura neuronal de retro
propagación del error con 5 neuronas de
entrada, constituidas por las variables tipo de
alimento (melón, lechosa y manzana),
concentración de la solución de impregnación,
tamaño de la muestra de fruta, temperatura y
tiempo de proceso, y dos neuronas de salida,
representativas de la pérdida de agua y
ganancia de sólidos, como manifestaciones
macroscópicas de la transferencia de agua
desde la fruta hacia la solución de
impregnación y la transferencia de solutos
desde la solución de impregnación hacia la
fruta, respectivamente. Los valores de entrada
a las i-ésimas neuronas de entrada estuvieron
constituidos por los valores que conforman las
variables independientes mencionadas (Tabla
I). A estos valores se asoció aleatoriamente un
peso de conexión de poca magnitud, que
permitió la propagación de la información a la
primera capa de neuronas ocultas de
procesamiento de datos.
a asignación aleatoria de los pesos de
inicio de poca magnitud es la técnica
normalmente usada cuando no se dispone
de información previa acerca del sistema
que se está modelando, ya que impide la
temprana saturación de la red por cuanto
induce a la ruptura de simetría. Así, la
entrada neta de la j-ésima neurona de la
capa oculta puede representarse a través
de la ecuación:
El proceso de entrenamiento y aprendizaje de la
red se basó entonces en la reducción de la
función de error anterior, a través de un proceso
iterativo de actualización de pesos de conexión
y términos de tendencia que se representa
esquemáticamente.
9. 9Create by Jose Davila
El modelo neuronal logró predecir mas del 90% de la variabilidad experimental,
alcanzando una magnitud de 1×10-3 en el término de error, que si bien no significa el error
global mínimo de la red, sí constituye un error local mínimo de gran importancia práctica en
el modelado del proceso de deshidratación osmótica. En ese sentido, la obtención de un
error de aproximación en el orden antes mencionado, aunado a la factibilidad de modelar el
proceso osmótico de manera simultánea para distintas frutas y condiciones de proceso a
través del modelo neuronal desarrollado, lo perfila como una tecnología de amplio
potencial en la industria procesadora de frutas, bien sea en las operaciones de fabricación
de materias primas pre-procesadas para el desarrollo de otros productos o para su
suministro a servicios de alimentación institucional.
Resultados: