Download ConoCimientos, usos y apliCaCiones de redes neuronales

In Crescendo. Ingeniería. 2016; 3(1): 11-24
Fecha de recepción: 8 de julio de 2016
Fecha de aceptación: 30 de julio de 2016
Conocimientos, usos y aplicaciones de redes neuronales
artificiales en profesionales de ingeniería y ciencias
aplicadas
Knowledge,
uses and applications of artifical neural
networks in professional engineering and applied sciences
Mario Enrique Nizama Reyes1
Resumen
L
a presente investigación tuvo como objetivo determinar los niveles de
conocimiento, usos y aplicaciones de redes neuronales artificiales entre
profesionales de ingeniería y ciencias aplicadas a participantes de maestrías en
Ciencias de la región Piura, durante el semestre 2015-2.
La investigación fue descriptivo-cuantitativa; la población muestral fue igual
a la suma de tres grupos de estudiantes de maestrías en Ciencias, equivalente
a 55 profesionales. La muestra se obtuvo de un muestreo no probabilístico,
por conveniencia de la investigación, específicamente de los maestristas que
se forman en las especialidades de Informática, Sistemas, Computación y
Matemática; ello resultó en un número de 26 profesionales a quienes se les aplicó,
mediante la técnica de encuesta, dos cuestionarios: uno de recojo de los niveles de
conocimiento sobre redes neuronales artificiales y el otro de recojo de niveles de
uso y aplicación de redes neuronales.
Los resultados que se obtuvieron fueron los siguientes: en cuanto a los niveles
de conocimiento sobre redes neuronales artificiales, se obtuvo un aceptable
porcentaje de conocimientos, pues en promedio el 32 % alcanzó el nivel alto;
y para los niveles de aplicación de redes neuronales, se obtuvo también un
significativo porcentaje de aplicación, ya que en promedio se registró 41 % en el
nivel alto.
Docente tutor de la Escuela Profesional de Ingeniería de Sistemas de la Universidad Católica Los Ángeles
de Chimbote, filial Piura. E-mail: [email protected]
1
In Crescendo. Ingeniería, 2016; 3(1): 11-24
11
Mario Enrique Nizama Reyes
En cuanto a las conclusiones, se puede señalar, en primer lugar, que los niveles
de conocimiento y uso y aplicación de las redes neuronales entre los participantes
de la presente investigación son predominantemente altos e intermedios. En
segundo lugar, que los conocimientos más destacados son la definición de redes
neuronales y la definición de las reglas de aprendizaje. Finalmente, es posible
indicar que las aplicaciones de redes neuronales con mejores niveles son las
proyecciones y predicciones, así como el reconocimiento de patrones.
Palabras clave: redes neuronales, neurona artificial, bibliometría.
Abstract
This research aimed to determine the levels of knowledge, uses and
applications of artificial neural networks between participants professional
Engineering and Applied Sciences Masters of Science in Piura Region, during the
semester 2015-2 .
The research was descriptive - quantitative, with the population equal to the
sum of three groups master students of Science, equivalent to 55 professionals
and the sample was obtained from a non-probability sampling, for convenience
of investigation, specifically master students whose training is in the fields of
information technology, systems, computing and mathematics which was
equal to 26 professionals who were applied through technical survey, two
questionnaires, one pick-up levels of knowledge on artificial neural networks
and other pick ups levels of use and application of neural networks.
The results obtained were as follows: in terms of levels of knowledge about
neural networks an acceptable percentage of knowledge was obtained, for an
average of 32% reached the highest level; while levels of application for neural
networks also apply a significant percentage was obtained because on average
41% was recorded in the high level.
As for the findings it may indicate, first, that the levels of knowledge and
use and application of neural networks among participants of this research
are predominantly high and intermediate. Second, that the most important
knowledge is the definition of neural networks and defining the rules of learning.
To conclude, indicate that applications of neural networks with higher levels
are the projections and predictions and pattern recognition.
Keywords: Neural networks, artificial neuron, bibliometrics.
12
In Crescendo. Ingeniería, 2016; 3(1): 11-24
Conocimientos, usos y aplicaciones de redes neuronales artificiales en profesionales de ingeniería y ciencias aplicadas
INTRODUCCIÓN
Las redes neuronales artificiales simulan el funcionamiento de las redes
biológicas mediante modelos matemáticos, los cuales son implementados usando
componentes electrónicos o mediante algún software en una computadora.
Las redes neuronales artificiales (RNA) tienen las siguientes características:
habilidad de aprendizaje, habilidad de procesamiento en paralelo y la propiedad
de aproximar cualquier función suave o función continuamente diferenciable.
Junto con el estudio de los algoritmos genéticos y los sistemas expertos
constituyen los tres principales pilares en que se sustenta la inteligencia artificial
contemporánea.
La idea de las redes neuronales artificiales es definir una función a partir de
la cual poder distinguir patrones con los datos de salida. Dependiendo del valor
obtenido, catalogamos la entrada como perteneciente a un cierto grupo. El tipo
de entradas y su número determinará la capacidad de discriminación de la red.
Por ejemplo, una sola entrada (x1) no es suficiente para determinar si estamos en
el patrón A o en el B, pero con otra entrada (x2) ya somos capaces de discriminar,
tal como sucede con la representación de un par ordenado dentro del plano
cartesiano (Freeman, 2003).
Las neuronas artificiales son la base de las redes neuronales. Una neurona
artificial es una unidad procesadora de información fundamental para la
operación de una red neuronal. Un número elevado de neuronas altamente
interconectadas genera un paralelismo masivo. La figura 1 muestra el modelo
de una neurona artificial. Básicamente una neurona está compuesta por los
siguientes elementos:
• Un vector de entrada, el cual es denotado por X, X = (x1, x2, ..., xj), donde j es
el número de entradas a la RNA y, a su vez, la dimensión de X; este vector
X son los datos con los que va operar la neurona, y estas pueden provenir
del medio ambiente o haber salido de neuronas anteriores.
• Pesos sinápticos. Al ser capturados los datos de entrada, estos son
propagados a través de la red. En el proceso de propagación, cada
componente xj del vector de entrada X es multiplicada por una variable
wkj, la cual aumenta o atenúa la señal de entrada. A wkj se le conoce como
«peso sináptico» o simplemente «peso». Estos pesos no tienen siempre el
mismo valor, sino que se van modificando según se requiera para tener
un mejor desempeño. Posteriormente puede haber una convergencia y,
entonces, estar fijos. Cuando se habla de que una red es capaz de aprender,
esto se refiere al hecho de poder modificar sus pesos wkj; el conjunto de
pesos genera una matriz W, es decir, wkj es la kj-ésima componente de la
matriz de pesos W.
In Crescendo. Ingeniería, 2016; 3(1): 11-24
13
Mario Enrique Nizama Reyes
• Un operador suma para adicionar las señales de entrada. Esto es, la adición
de los productos xj * wkj.
• Una función de activación para limitar la amplitud de la salida de una
neurona. Este límite usualmente es el intervalo unitario [0,1] o [-1,1].
En términos matemáticos, una neurona k puede ser descrita por un par de
ecuaciones:
[1]
y
[2]
donde x1, x2, ..., xj son las señales de entrada; wk1, wk2, ..., wkj, los pesos sinápticos de
la neurona k; uk, la salida; θk, el umbral; φ(.), la función de activación; y yk, la señal
de salida de la neurona (Hilera, 2005).
Las redes neuronales artificiales presentan una serie de ventajas frente
a los modelos estadísticos. Una ventaja fundamental consiste en que los
modelos neuronales normalmente no parten de restricciones respecto de los
datos de partida (tipo de relación funcional entre variables) ni suelen imponer
presupuestos (como distribución gaussiana u otras). Por otra parte, como hemos
comentado, la habilidad de las neuronas de calcular funciones de salida no
lineales capacita a la red para resolver problemas complejos o no lineales. De este
modo, en numerosas aplicaciones se están consiguiendo con RNA cotas de error
mucho menores que las proporcionadas por la estadística. Uno de los mejores
softwares para implementar este tipo de tecnologías es el MathLab, al igual que
el editor de redes neuronales JOONE Editor, entre otras variedades de software
orientado existentes.
Las redes neuronales artificiales son una tecnología computacional
emergente que puede utilizarse en un gran número y variedad de aplicaciones.
Los campos potenciales de aplicación de las redes neuronales se pueden agrupar
en los siguientes rubros: diagnóstico, procesamiento de señales, procesamiento
y análisis de imágenes, control automático y robótica, análisis y generación de
lenguaje natural.
Por todo lo antes expuesto y detallado, se justifica el presente trabajo de
investigación, puesto que una red neuronal artificial es una elemento capaz
de procesar gran cantidad de información en forma paralela y distribuida, las
cuales pueden almacenar conocimiento experimental y tenerlo disponible para
14
In Crescendo. Ingeniería, 2016; 3(1): 11-24
Conocimientos, usos y aplicaciones de redes neuronales artificiales en profesionales de ingeniería y ciencias aplicadas
su uso en diversos campos y disciplinas. Se plantea, así, el siguiente problema:
¿cuáles son los niveles de conocimientos, usos y aplicaciones de redes neuronales
artificiales entre profesionales de ingeniería y ciencias aplicadas participantes
en maestrías en Ciencias de la región Piura, durante el semestre 2015-2? Para dar
respuesta a esta pregunta, se planteó el siguiente objetivo general: determinar los
niveles de conocimientos, usos y aplicaciones de redes neuronales artificiales
entre profesionales de ingeniería y ciencias aplicadas participantes de maestrías
en Ciencias de la Región Piura, durante el semestre 2015-2.
MATERIAL Y MÉTODOS
En la investigación, la población estuvo constituida por la suma de tres grupos
de maestristas en Ciencias:
• 16 maestristas de la Universidad Alas Peruanas, Piura (UAP)
• 21 maestristas de la Universidad Nacional de Piura (UNP)
• 18 maestristas de la Universidad de Piura (UDEP)
Es decir, la población total fue de 55 maestristas. Para determinar la
muestra, se aplicó como criterio de selección un muestreo no probabilístico, por
conveniencia de la investigación, específicamente los maestristas con formación
en las especialidades de Informática, Sistemas, Computación y Matemática: 8
maestristas de la Universidad Alas Peruanas, Piura (UAP); 12 de la Universidad
Nacional de Piura (UNP); y 6 de la Universidad de Piura (UDEP). Por tanto la
muestra fue de 26 maestristas.
Se utilizó la técnica de la encuesta, y los instrumentos específicos fueron
dos cuestionarios: uno para recoger los niveles de conocimiento sobre redes
neuronales artificiales (con 6 ítems) y el otro para recoger de niveles de uso y
aplicación de redes neuronales artificiales (con 6 ítems). En cada uno de los
ítems de los dos cuestionarios se incluyó una caja de texto para que los docentes
justificaran brevemente su evaluación (no mayor de dos líneas de texto en
promedio) y, de esta forma, sea posible hacer un mejor análisis de los resultados
(Delgado, 2008).
En el proceso de la investigación se utilizó el método descriptivo-cuantitativo.
Fue descriptivo por cuanto se obtuvieron datos y se hicieron mediciones de cada
uno de los ítems de los niveles de conocimiento sobre redes neuronales y de los
niveles de usos y aplicación de redes neuronales; y cuantitativo, dado que se
recogieron y analizaron datos definidos, exactos y precisos de cada uno de esos
ítems de las dos dimensiones de evaluación utilizadas.
In Crescendo. Ingeniería, 2016; 3(1): 11-24
15
Mario Enrique Nizama Reyes
RESULTADOS
La escala de medición de la evaluación que se utilizó fue la escala de Likert,
la cual se empleará para la interpretación de los resultados según el siguiente
detalle:
1 = Muy bajo (no se tienen ni conceptos ni referencias específicas)
2 = Bajo (solo se tienen referencias definidas, mas no conceptos específicos)
3 = Intermedio (se tienen conceptos específicos, pero no significativos)
4 = Alto (se tienen conceptos significativos y generalizables)
5 = Muy alto (se tienen conceptos prácticos, aplicables e innovadores)
Los resultados del presente trabajo de investigación se han agrupado en
dos tablas: una tabla correspondiente a los niveles de conocimiento de redes
neuronales (tabla 1, con 6 ítems) y otra para medir los niveles de uso y aplicación
de redes neuronales artificiales (tabla 2, con 6 ítems).
Para los ítems sobre niveles de conocimientos, específicamente lo concerniente
a la definición de redes neuronales, se registró un 38 % en el nivel alto y un 4 %
en el muy alto, siendo este el único ítem de la tabla 1 que presentó porcentajes en
este nivel de respuesta 5.
Para el ítem 2, referente a la caracterización de la neurona, se obtuvo un 31 %
en el nivel de respuesta 4 (nivel alto) y también un 31 % en el nivel de respuesta
3 (nivel intermedio), mientras que para el ítem de topología de interconexión, el
mayor porcentaje se registró en el nivel intermedio con 54 %, seguido del nivel
alto con 31%.
En lo que respecta a la definición de reglas de aprendizaje, se registró un 62 %
para el nivel de respuesta 3 (nivel intermedio) y 38 % para el nivel de respuesta 4
(nivel alto). Para el ítem de entrenamiento o aprendizaje, el mayor porcentaje fue
para el nivel de respuesta 2 (nivel bajo).
Finalmente, en esta tabla 1, lo referente al perceptrón presentó un 38 % tanto
para el nivel de respuesta 4 (nivel alto) como para el nivel de respuesta 3 (nivel
intermedio).
En los niveles de usos y aplicaciones de redes neuronales artificiales (tabla 2),
no se presentaron porcentajes para ninguno de los seis ítems en el nivel muy bajo;
y específicamente para el ítem de proyecciones y predicciones, se obtuvo un 8 %
para el nivel de respuesta 5 (nivel muy alto) y 38 % para el nivel de respuesta 4
(nivel alto).
Para el ítem de diagnóstico y simulación, el nivel de respuesta 5 (nivel muy
alto) también registró porcentaje (4 %); un 54 % tuvo el nivel de respuesta 4
16
In Crescendo. Ingeniería, 2016; 3(1): 11-24
Conocimientos, usos y aplicaciones de redes neuronales artificiales en profesionales de ingeniería y ciencias aplicadas
(nivel alto) y un 42 % el nivel de respuesta 3 (nivel intermedio). No se registraron
porcentajes para los niveles 2 (nivel bajo) ni 1 (nivel muy bajo).
El ítem de reconocimiento de patrones volvió a tener, al igual que los dos
ítems anteriores, porcentaje en el nivel muy alto (8 %). También registró un
elevado porcentaje en el nivel alto (38 %). Aquí tampoco se registraron valores en
los niveles ni bajo ni muy bajo.
Respecto a la lógica y razonamiento difuso, los valores obtenidos solo se
repartieron entre el nivel de respuesta 4 (nivel alto), con 38 %, y el nivel de
respuesta 3 (nivel intermedio), con 62 %. Los niveles muy alto, bajo y muy bajo
no obtuvieron valores porcentuales.
En el caso de biometría, robótica y mecatrónica, tampoco presentaron valores
los niveles extremos (nivel muy alto y nivel muy bajo), quedando sus valores
distribuidos con 38 % para el nivel de respuesta 4 (nivel alto), 58 % para el nivel
de respuesta 3 (nivel intermedio) y solo 4 % para el nivel de respuesta 2 (nivel
bajo).
Para finalizar, los resultados de la tabla 2, el ítem de bibliometría y análisis de
información, los niveles extremos (nivel muy alto y nivel muy bajo) no presentan
valores (0 %), siendo los mayores porcentajes para los niveles de respuesta 4 y 3
(cada uno con 38 %); cierra este ítem el nivel de respuesta 2 (nivel bajo) con 24 %.
DISCUSIÓN
Al analizar los resultados de los niveles tanto del conocimiento como de los
usos y aplicaciones de las redes neuronales artificiales registrados en las tablas 1
y 2 respectivamente, se puede apreciar que, si bien los conocimientos no llegan
al nivel de muy alto de esta moderna tecnología, los seis ítems seleccionados se
encuentran en un muy buen nivel de aceptación y significancia, al igual que los
usos y sus respectivas aplicaciones.
La definición de redes neuronales es un concepto específico, significativo y
aplicable entre los participantes de la investigación, pues se tiene en claro que
las RNA están basadas en el modelo cerebral, pues las neuronas establecen
conexiones entre sí (sinapsis), y que este comportamiento es fácilmente
caracterizable mediante un modelado matemático (simulación), siendo el
tratamiento de la información (computación) no tradicional, ya que se basa en
la evolución temporal del sistema y en la interpretación de ciertos parámetros
(información) (Isasi, 2004).
Los niveles de conocimiento para la caracterización de la neurona también
figuran con niveles aceptables, pero no tan significativos como el ítem anterior;
es decir, la gran mayoría de participantes conocen que una neurona artificial
In Crescendo. Ingeniería, 2016; 3(1): 11-24
17
Mario Enrique Nizama Reyes
funciona de la siguiente manera: las entradas (x) se introducen en las dendritas;
cada una posee un peso (wij, neurona j - entrada i); ddentro del cuerpo se aplican
diferentes funciones de procesamiento (propagación, activación, salida) hasta
llegar al axón (salida y); en la práctica, las funciones de propagación y activación
no suelen diferenciarse y constituyen una combinación lineal de las entradas o
su distancia euclídea; la función de salida se establece fuera de la neurona.
Respecto a la topología de interconexión, al ser un tema más complejo, la
gran mayoría de participantes presenta conocimientos a nivel intermedio sobre
la denominación (topología) que reciben la organización y disposición de las
neuronas dentro de una red neuronal, y que viene dada por el número de capas,
la cantidad de neuronas por capa, el grado de conectividad, y el tipo de conexión
entre neuronas. Una red puede estar formada por una única capa de neuronas. En
este caso, se habla de redes monocapa, y las neuronas que conforman dicha capa
cumplen la función de neuronas de entrada y salida simultáneamente. Cuando
la red está compuesta por dos o más capas, hablamos de redes multicapa.
En lo referido a la definición de reglas de aprendizaje, los conocimientos
son de niveles altos e intermedios, entendiendo que dichas reglas se definen
mediante algoritmos complejos a través de la modificación de los pesos de las
interconexiones entre las diferentes neuronas, como, por ejemplo, el algoritmo
de retropropagación del error.
Para el entrenamiento o aprendizaje los niveles de conocimiento han disminuido
respecto al ítem anterior, básicamente por la complejidad de implementar y
ejecutar los algoritmos que dan a las redes neuronales la característica de que,
a partir de un conjunto de pesos sinápticos aleatorio, se busque un conjunto de
pesos que permitan a la red desarrollar correctamente una determinada tarea.
Durante el proceso de aprendizaje se va refinando iterativamente (algoritmo)
la solución hasta alcanzar un nivel de operación suficientemente bueno. El
proceso de aprendizaje se puede dividir en: aprendizaje supervisado (conjunto
de patrones de entrada junto con la salida esperada), aprendizaje no supervisado
(solo conjunto de patrones de entrada) y aprendizaje por refuerzo (se desconoce
la salida exacta).
Finalmente, sobre el conocimiento del perceptrón, los niveles, aunque no
llegan a ser del todo altos, sí son bastantes significativos, lo cual es importante,
por cuanto el perceptrón es una estructura neuronal más una regla de aprendizaje.
Está compuesto por dos capas de neuronas, una de entrada (recibe la información
proveniente del exterior, que es binaria) y una de salida (que representa a una
clase). La función de activación es del tipo escalón, dando de esta manera solo
salidas binarias. La salida responde con 1 si el vector de entrada pertenece a la
clase; y responde con 0 en caso contrario. La operación de un perceptrón con n
neuronas de entrada y m neuronas de salidas puede ser resumida de la siguiente
manera (Rolston, 2006):
18
In Crescendo. Ingeniería, 2016; 3(1): 11-24
Conocimientos, usos y aplicaciones de redes neuronales artificiales en profesionales de ingeniería y ciencias aplicadas
Sobre los niveles de uso y aplicación de las redes neuronales artificiales
(tabla 2), podemos iniciar destacando el ítem de proyecciones y predicciones,
que cuenta con valores aceptables en los niveles altos y muy altos, sobre todo por
sus aplicaciones en los sectores financiero y empresarial. En el sector financiero,
las redes neuronales se usan para la evaluación del riesgo crediticio (debido a
los entornos macroeconómicos altamente volátiles que presentan fluctuaciones
considerables y de difícil predicción); y en el sector empresarial, para la evaluación
de pronósticos de tipo de cambio (para las empresas es útil tener información
sobre la evolución futura del tipo de cambio, ya que con esta es posible establecer
la respuesta óptima ante el comportamiento predicho). Este tipo de aplicaciones
se basan en los modelos de regresión, cuyo objetivo es predecir los valores de una
variable dependiente (y) en función de los valores de una variable independiente
(x). Se implementan mediante una red neuronal simple (con una entrada igual a
la variable x, una función de activación de identidad y la salida sería yi = wij+1xi +
1.0wij) (Martín, 2007).
Respecto a las aplicaciones de diagnóstico y simulación, también se han
obtenido valores aceptables en los niveles más altos, por cuanto, al tratarse de un
diagnóstico, la identificación de la naturaleza y causas de una situación presente
puede ser empleada en numerosos campos, tales como la planeación estratégica
de organizaciones, la medicina, la ingeniería de servicio y mantenimiento, la
economía, la sociología, las ciencias políticas, etc. En el diagnóstico se observan
un conjunto de síntomas, que son valores de variables observables del sistema,
los cuales se asocian con un conjunto de factores ambientales que actúan o han
actuado sobre este, para inferir el estado del sistema, así como una explicación
causal del mismo. El diagnóstico de sistemas complejos se basa fundamentalmente
en la simulación de la experiencia de expertos, quienes a lo largo de su trabajo
han aprendido a asociar ciertos síntomas e historia ambiental con determinados
estados del sistema, sus causas y las acciones más adecuadas para mejorarlo
mediante la toma de decisiones más adecuadas.
Para las aplicaciones de reconocimiento de patrones, al ser una de las
aplicaciones más difundidas en nuestra realidad, presentan valores de niveles
más que aceptables. Un ejemplo básico sería la capacidad de la red neuronal para
aprender a reconocer las figuras de las letras; por tanto, la primera tarea que se
realiza, una vez diseñados los ejemplares o patrones, es tratar las informaciones
de forma que la red pueda procesarlas. Se debe recordar que el tipo de información
que maneja una RNA es de tipo numérica: continua o discreta. Cada neurona
de entrada se encargará de recibir y procesar un píxel (figura 2). La capa de
In Crescendo. Ingeniería, 2016; 3(1): 11-24
19
Mario Enrique Nizama Reyes
salida estará formada por tantas neuronas como categorías o clases contenga el
problema, en este caso una por cada letra. Se puede determinar la salida de la red
de forma que, ante un patrón, la neurona de salida correspondiente a la letra que
representa el patrón dé como salida el valor 1 (activada) y todas las demás den
como salida el valor 0 (desactivada).
La aplicación de lógica y razonamiento difuso no alcanzó el nivel muy alto,
pero sí valores aceptables en los niveles alto e intermedio; esto se debió a que su
complejidad es un poco mayor que los ítems anteriores. Su base fundamental es el
conjunto difuso, el cual no tiene cota rígida, esto es, la transición de «pertenecer a
un conjunto» a «no pertenecer a un conjunto» es gradual; esta transición «suave»
se caracteriza por «grados de pertenencia o función de membresía», las cuales dan
flexibilidad a los conjuntos difusos. La difusividad no viene de la aleatoriedad de
los miembros constituyentes de los conjuntos, sino de la naturaleza imprecisa e
incierta de pensamientos y conceptos abstractos. Las aplicaciones se orientan al
tratamiento de la incertidumbre, pues la lógica difusa asocia incertidumbre a la
estructura de un conjunto de datos. Los elementos de un conjunto difuso son pares
ordenados que indican el valor del elemento y su grado de pertenencia. Las reglas
de producción difusas (que representan conocimiento impreciso, conceptos
vagos y ambiguos, usualmente en la forma de si-entonces) y el razonamiento
difuso son la espina dorsal de los sistemas de inferencia difusos, los cuales son
herramientas importantes de modelado.
El ítem de biometría, robótica y mecatrónica presentan las aplicaciones
más tangibles, pues están directamente relacionadas con la implementación
física (a nivel de hardware), como son los dispositivos de reconocimiento de
huella digital, de voz, de rostro, servomecanismos, sensores, etc. Una aplicación
fundamental en ingeniería de control es diseñar un controlador que, con base
en el estado presente de un sistema, determine el conjunto óptimo de señales
que hagan que un sistema de actuadores lleve al sistema al estado deseado. En
la figura 3 se muestra el control de un móvil autónomo (robot que tiene cuatro
sensores de proximidad y dos motores de control de dirección, con estados de
codificación binaria), basado en redes neuronales artificiales (Mompin, 2007).
Para finalizar, las aplicaciones de bibliometría-análisis de información, al
no ser todavía tan difundidas, constituyen el único ítem que presenta valores
en el nivel bajo, pero no por ello deja de tener valores aceptables en el nivel alto,
ya que, a pesar de las limitaciones técnicas, las redes neuronales aplicadas a la
bibliometría constituyen un campo de investigación muy prometedor. En este
tipo de aplicaciones se utiliza la base teórica de las redes neuronales artificiales
como una herramienta práctica que permita realizar análisis exploratorios
de datos o minería de datos vinculados con los indicadores bibliométricos.
La bibliometría es una disciplina que estudia los aspectos cuantitativos de la
información registrada. Para ello se han creado una serie de modelos estadísticos
que aportan datos numéricos sobre el comportamiento de la actividad científica.
20
In Crescendo. Ingeniería, 2016; 3(1): 11-24
Conocimientos, usos y aplicaciones de redes neuronales artificiales en profesionales de ingeniería y ciencias aplicadas
Un ejemplo podría ser el estudio de una temática determinada, para este caso en
un mapa cada documento (libro, revista, tesis, etc.) va a ocupar un lugar en el
espacio, en función de su contenido temático. Cada área del mapa va a reflejar un
contenido específico y los tópicos van variando levemente a lo largo del mismo.
Las diferentes tonalidades indican la densidad de documentos: cuanto más
oscura, más documentos se encuentran. En la figura 4 se muestra un mapa con 22
países autoorganizados en tres clusters o grupos, de acuerdo con investigaciones
en temas agrícolas (Nebendah, 2008).
Tomando como base los resultados que se han podido presentar, sistematizar
y discutir previamente, como conclusiones del presente trabajo podemos
mencionar las siguientes:
• Los niveles de conocimiento, uso y aplicación de las redes neuronales
artificiales entre los participantes de la presente investigación son
predominantemente altos e intermedios, lo que indica que las redes
neuronales artificiales son una herramienta tecnológica con un campo de
investigación y aplicación muy prometedor en nuestra realidad local.
• Los conocimientos más destacados, es decir los más significativos y
generalizables, son la definición de redes neuronales (4 % en el nivel muy
alto y 38 % en el nivel alto) y la definición de las reglas de aprendizaje
(38 % en el nivel alto), lo cual es indicador de que existe una tendencia y
necesidad de tener conocimientos sólidos sobre redes neuronales.
• Las aplicaciones de redes neuronales con mejores niveles son las
proyecciones y predicciones (8 % en el nivel muy alto y 38 % en el nivel
alto) y el reconocimiento de patrones (también 8 % en el nivel muy alto y
38 % en el nivel alto), lo que confirma la importancia y la transcendencia
que actualmente tienen las redes neuronales como apoyo en la toma
decisiones a todos los niveles y en diversos campos.
REFERENCIAS BIBLIOGRÁFICAS
Delgado, A. (2008). Inteligencia artificial y minirobots (2.ª ed.). Madrid: Ecoe
Ediciones.
Freeman, J. (2003). Redes neuronales: algoritmos, aplicaciones y técnicas de
propagación (2.ª ed.). México: Addison-Wesley.
Hilera, J. (2005). Redes neuronales artificiales: fundamentos, modelos y
aplicaciones (2.ª ed.). Madrid: RA-MA.
Isasi, P. (2004). Redes de neuronas artificiales. Un enfoque práctico. Madrid:
Pearson Educación.
Martín, B. (2007). Redes neuronales y sistemas borrosos (2.ª ed.). Madrid: Ra-Ma.
In Crescendo. Ingeniería, 2016; 3(1): 11-24
21
Mario Enrique Nizama Reyes
Mompin, J. (2007). Inteligencia artificial: conceptos, técnicas y aplicaciones.
Barcelona: Marcomobo S. A. Ediciones.
Nebendah, D. (2008). Sistemas expertos. Ingeniería y comunicación (2.ª ed.).
Barcelona: Marcomobo S. A. Ediciones.
Rolston, D. (2006). Principios de inteligencia artificial y sistemas expertos (2.ª
ed.). México: McGraw-Hill.
ANEXOS
Tabla 1. Niveles de conocimiento de redes neuronales artificiales
n.º
Ítem
Frecuencia
Porcentajes
5
4
3
2
1
5
4
3
2
1
1
Definición de redes neuronales
1
10
15
0
0
4
38
58
0
0
2
Caracterización de la neurona
0
8
8
10
0
0
31
31
38
0
3
Topología de interconexión
0
8
14
4
0
0
31
54
15
0
4
Definición de reglas de aprendizaje
0
10
16
0
0
0
38
62
0
0
5
Entrenamiento o aprendizaje
0
4
8
14
0
0
15
31
54
0
6
El perceptrón
0
10
10
6
0
0
38
38
24
0
1
32
45
22
0
Promedio
Tabla 2. Niveles de uso y aplicación de redes neuronales artificiales
n.º
Ítem
Frecuencia
Porcentajes
5
4
3
2
1
5
4
3
2
1
1
Proyecciones y predicciones
2
10
14
0
0
8
38
54
0
0
2
Diagnóstico y simulación
1
14
11
0
0
4
54
42
0
0
3
Reconocimiento de patrones
2
10
14
0
0
8
38
54
0
0
4
Lógica y razonamiento difuso
0
10
16
0
0
0
38
62
0
0
5
Biometría-robótica-mecatrónica
0
10
15
1
0
0
38
58
4
0
6
Bibliometría-análisis de información
0
10
10
6
0
0
38
38
24
0
3
41
51
5
0
Promedio
22
In Crescendo. Ingeniería, 2016; 3(1): 11-24
Conocimientos, usos y aplicaciones de redes neuronales artificiales en profesionales de ingeniería y ciencias aplicadas
Figura 1. Modelo de una neurona artificial
Figura 2. Reconocimiento de patrones
In Crescendo. Ingeniería, 2016; 3(1): 11-24
23
Mario Enrique Nizama Reyes
Figura 3. Control de un móvil autónomo basado en RNA
Figura 4. Mapa autoorganizado de acuerdo con investigaciones en temática
agrícola
24
In Crescendo. Ingeniería, 2016; 3(1): 11-24