El documento habla sobre redes neuronales artificiales y su aplicación en hidrología. Explica que las redes neuronales pueden extraer relaciones entre entradas y salidas de un proceso sin conocer su naturaleza física. Luego describe las tres etapas clave de las redes neuronales: disposición de datos de entrenamiento, entrenamiento de la red, y generación de datos de validación. Finalmente, menciona algunas aplicaciones de redes neuronales como la estimación y predicción de datos hidrológicos.

1. • REDES NEURONALES
CURSO: HIDROLOGIA AVANZADA
UNIVERSIDAD NACIONAL DE INGENIERÍA
POSGRADO-FIC UNI
MAESTRIA EN CIENCIAS EN INGENIERIA CIVIL CON MENCIÓN EN HIDRAULICA
DOCENTE:
MSc. WALTER OBANDO LICERA
ESTUDIANTES:
MUÑOZ HERMITAÑO, BETSY
Lima, 16 de Agosto
del 2020
1

2. 2
REDES NEURONALES
Sabemos que los datos hidrológicos describen ciertamente algunas de las etapas del ciclo
hidrológico del agua, siendo esto representadas a través de series temporales las cuales pueden
presentar distinta correlación de datos o explicar los cambios en las condiciones físicas de la
cuenca mientras mayor sea la longitud de su registro.
Las Redes Neuronales Artificiales constituyen una de las herramientas computaciones más
poderosas por emular el comportamiento y funcionamiento de una Red Neuronal del cerebro.
Una de las características principales de las redes neuronales es la capacidad que tienen para
poder extraer la relación entre entradas y salidas de un determino proceso, sin la necesidad de
conocer cuál es la naturaleza física del problema suscitado, permitiendo que los resultados
pueden ser transmitidos a toda la red para dar una señal de salida.
INTRODUCCIÓN

3. 3
El funcionamiento de las redes neuronales comprende 3 etapas importantes. La
primera comprende la disposición de la determinada serie de datos, las cuales
vendrán a ser las situaciones ya pasadas, y conjuntamente a ellos tendrá la
respuesta que se desea obtener con la red, conocida también como training set.
La segunda etapa el entrenamiento o aprendizaje de la red, esto se explica luego
de una observación a los datos o hechos presentados, de tal manera que aprenda
de ellos y actúe frente a situaciones futuros siguiendo pasos coherentes conforme
sea lo aprendido. Como última etapa tenemos la generación de un subconjunto
de datos conocido como validation set, esto determinará el comportamiento de la
red frente a situaciones futuras y de manera independiente de los datos del
conjunto de entrenamiento realizado con anterioridad.

4. 4
La unidad básica que constituye una Red Neuronal es el nodo, es el elemento
que viene formar el cálculo interconectado con muchos más elementos, de tal
manera, que se pueda imitar al funcionamiento de las sinapsis nerviosas. Los
nodos tienen la característica de recibir información y conexiones de una gran
cantidad de otras neuronas, sin embargo, frecuentemente solo proporcionan
una única salida. La información que procesará el nodo puede hacerlo de
distintas formas, una de ella es la combinación lineal con determinado sesgo y
aplicando una función, se obtendrá una determinada salida

5. 5
•Redes neuronales con conexiones hacia adelante: Tiene la característica de
transmitir toda su información hacia adelante a través de las distintas capas y
pesos.
•Redes neuronales con conexiones hacia adelante y hacia atrás: Tiene la
característica de presentar conexiones y pesos en ambos sentidos, permitiendo
que la información pueda transmitirse en ambas direcciones, adelante y atrás. Se
conoce redes bicapa y su funcionamiento se basa en la resonancia.
Los componentes o arquitectura de una Red
neuronal feedforward
Viene determinado por su número de capas y el
número de nodos que tendrá por capas, siendo estos
de distintos tipos como:
•Capa de entrada: Los nodos se encargan de procesar la
información presenta a la red neuronal. Los nodos de
esta capa son conocidos como unidad de entrada.
•Capa escondida: Los nodos de esta capa se encargan
de realizar la no linealidad de la red, son conocidos
como unidades escondidas.
•Capa de salida: Los nodos de esta capa presentan los
posibles valores luego de realizar el análisis requerido,
son conocidos como unidad de salida.

6. 6
REDES NEURONALES CON APLICACIÓN LOS RECURSOS HIDROLOGICOS
Las Redes Neuronales tienen la característica de poder identificar reglas que
permanezcan ocultas, motivo por el cuál, tienen una gran aplicación en la
estimación y predicción de datos hidrológicos. Las Redes Neuronales Artificiales
(ANNs) tienen una semejanza particular con los modelos de regresión, con la
excepción de no requerir especificaciones de tipo formal. Las estructuras de las
Redes Neuronales Artificiales permiten que se puedan procesar múltiples
escenarios o alternativas siguiendo implementación paralela.
Dentro de los modelos para la generación de información hidrológica, para la
gestión de recursos hídricos, podemos encontrar:

7. 7
•Regresión lineal simple: Trabaja con una sola pareja de variables aleatorias la
cuales se relacionan linealmente.
•Regresión lineal múltiple: Trabaja con múltiples variables multidimensionales,
tiene la característica de presentar una salida con semejanza a un modelo de
regresión lineal simple.
•Regresión Projection Pursuit: Permite que las distintas variables regresoras
puedan interactuar entre sí. Puede estimar funciones desconocidas, siendo estas
provenientes de la combinación lineal de las variables del modelo, generando la
necesidad de ir agregando nuevas capas ocultas que serán previas a las subredes.
•Modelos de Medias Móviles.
•Medias móviles con variable exógena.
•Modelos ARMA Y ARMAX

8. 8
El uso de los modelos autorregresivos, tomado desde el punto de la
generación y estimación de información hidrométrica, reproducen y se
obtienen mejores resultados, dando a entender siempre todas las
características que han sido analizadas, sin embargo, los modelos
estocásticos permiten mejorar la precisión de la información
hidrométrica para la estimación de volúmenes de almacenamiento en
los embalses. Cuando se presentan las series temporales con datos
hidrométricos no distribuidos, es necesario aplicar ciertas
transformaciones sobre el modelo, teniendo entre los conocidos la
transformación logarítmica y la transformación de Box – Cox, la cual se
aplica directamente sobre los datos históricos con la finalidad de poder
alterar la estacionalidad de la media y varianza de la serie temporal.

9. 9