Download lenguas electrónicas

LENGUAS ELECTRÓNICAS
LENGUAS ELECTRÓNICAS
SISTEMA GUSTATIVO HUMANO
Papilas:
•Circunvaladas
•Foliadas
•Filiformes
•Fungiformes
LENGUAS ELECTRÓNICAS
Las lenguas electrónicas detectan las especies químicas presentes en las muestras
líquidas. De esta manera pueden clasificar distintos sabores.
COMO FUNCIONAN LAS LENGUAS ELECTRÓNICAS
Papilas
Gustativas
Sistemas
de sensores
Impulso
Nervioso
Cerebro
(Nervios
Craneales)
Datos
Computador
(Programa)
RESPUESTA
SABOR
Esencialmente, realizan dos tareas: detectan las especies químicas mediante un
conjunto de sensores con distinta capacidad específica, y analiza las respuestas
de esos sensores para identificar los sabores.
LENGUAS ELECTRÓNICAS
COMPONENTES DE UNA LENGUA ELECTRÓNICA
Estos instrumentos normalmente constan de varios componentes: 1) un
muestreador automático; 2) un conjunto de sensores químicos de distinta
especificidad; 3) instrumentación para adquirir la señal, y 4) el software con los
algoritmos apropiados para procesar la señal obtenida.
A B C D
Muestra
A B C D
Sensores
LENGUAS ELECTRÓNICAS
APLICACIONES DE LAS LENGUAS ELECTRÓNICAS
Puede usarse para diferentes propósitos incluyendo, el análisis de muestras,
el control de calidad y la comparación de productos.
Detectar
productos que alteren la calidad de los alimentos, productos
contaminantes, impurezas y sustancias tóxicas.
LENGUAS ELECTRÓNICAS
APLICACIONES DE LAS LENGUAS ELECTRÓNICAS
Patrón de referencia para vinos blancos y tintos
Patrones de referencia de varias aguas minerales
LENGUAS ELECTRÓNICAS
VENTAJAS DE LAS LENGUAS ELECTRÓNICAS.
 La lengua electrónica mide los compuestos no volátiles que permanecen en
la comida o en la bebida.
 Los sensores de la lengua electrónica detectan todas las especies químicas
presentes en las muestras.
 La
respuesta R obtenida con la lengua electrónica puede formularse como
sigue: R = f[SL, P)], dónde SL corresponde a la selectividad y sensibilidad del
sensor del liquido, y P corresponde a la muestra del líquido. Con esto podemos
medir atributos tales como: dulce, salado, amargo, ácido.
LENGUAS ELECTRÓNICAS
Al igual que las Narices Electrónicas, las Lenguas Electrónicas
utilizan patrones de reconocimiento similares a los vistos
anteriormente.
Las redes neuronales son las mas utilizadas en estas aplicaciones,
pero deben contar con información veraz para ser entrenadas
apropiadamente.
De no contarse con la data apropiada el entrenamiento de la red no
será adecuado y como resultado se obtienen grandes errores a su
salida.
REDES NEURONALES
Las redes neuronales son técnicas computacionales que
permiten el reconocimiento de patrones, imitando el
funcionamiento de las neuronas del cerebro humano.
Mediante esta técnica se intenta imitar el proceso de
aprendizaje del cerebro humano.
El cerebro esta formado por miles de millones de neuronas
conectadas entre si.
Utiliza información que es percibida, transmitida hasta las
neuronas y allí procesada por ellas para dar una respuesta a
cada uno de los diferentes estímulos.
REDES NEURONALES
Cada neurona tiene tres partes: un cuerpo celular, una estructura de entrada
(Dendrita) y una de salida (Axón). La mayoría de las terminales de los
axones se conectan con las dendritas de otras neuronas (Sinápsis).
Neurona
Dendritas
(reciben las
señales)
Axón
Neurona
Sinapsis
(Conexión
neuronal)
Figura 1. Estructura de una Neurona Humana.
Salida
REDES NEURONALES
El comportamiento de una neurona es el siguiente:
Recibe una señal de entrada con una fuerza determinada, dependiendo de
ella la neurona emite una señal de respuesta.
Las Sinápsis pueden variar en fuerza, algunas pueden dar una señal débil y
otras una fuerte.
A una neurona pueden llegar miles de señales de entrada, cada una con una
fuerza y peso diferente.
Matemáticamente el comportamiento de la neurona puede representarse por
una lista de sus señales de entrada que son multiplicadas por sus pesos
respectivos y posteriormente sumados.
El resultado es llamado nivel de activación de la neurona del cual depende
la señal de salida que es enviada a cada una de la neuronas a las que esta
conectada ella.
REDES NEURONALES
Una red neuronal artificial (RNA) es un sistema compuesto de
muchos elementos procesadores simples conectados en
paralelo, cuya función es determinada por la estructura de la
red, la fuerza de las conexiones y el procesamiento realizado
por los elementos en los nodos.
Las redes neuronales artificiales al igual que las personas,
aprenden de la experiencia.
REDES NEURONALES
Características Generales de las RNA:
-Pesos: Las redes neuronales pueden tener factores de pesos
adaptable o fijo. Las que tiene pesos adaptables
emplean leyes de aprendizaje para ajustar el valor de la
fuerza de interconexión con otras neuronas. Si se
utilizan pesos fijos, su tarea debe estar previamente
definida.
Los pesos son determinados a partir de una
descripción completa del problema a tratar. Los pesos
adaptables son muy importantes, ya que no se conoce
de antemano su valor correcto.
REDES NEURONALES
Características Generales de las RNA:
- Aprendizaje: Se utilizan dos tipos de aprendizaje:
supervisado y no supervisado. En el primero se le
proporciona a la red tanto la salida como la entrada
correcta y la red ajusta sus pesos para disminuir el error
en la salida que ella calcula. Este tipo es utilizado
principalmente en los reconocimientos de patrones.
En el segundo tipo a la red, la forma de aprendizaje que
se utiliza depende del tipo de problema que se intenta
resolver.
REDES NEURONALES
Características Generales de las RNA:
- No son Algorítmicas: Las redes neuronales artificiales no se
programan sólo para seguir una secuencia de instrucciones,
sino que ellas mismas pueden generar sus propias reglas para
aprender de su propia experiencia.
- Necesitan un Patrón: Las redes neuronales no son capaces
de reconocer nada que no tenga algún tipo de patrón. Son muy
buenas resolviendo problemas de asociación, evaluación y
reconocimientos de patrones.
REDES NEURONALES
Tipos de Redes
Dependiendo de la estructura de la red neuronal existen
varias topologías, algunas de estas son: el Perceptrón,
Backpropagation, Hopfield, Kohonen.
Perceptrón: Este tipo de Red Neuronal intenta modelar
el comportamiento de la neurona biológica, derivado del
modelo hecho por McCulloch y Pitts. Es la base de la
arquitectura de las RNA. El Perceptrón trabaja con
funciones de activación.
REDES NEURONALES
Red Perceptron
Entradas
g1
X1

W1
g2
Salidas
W2
X2
g3
g4
X3
x,w
F(z)
W3
Axon
W4
Cuerpo
X4
Dendritas
Axones Sinapsis
Modelo de una Red Tipo Perceptrón.
REDES NEURONALES
La figura anterior representa un perceptrón para
reconocimientos de patrones.
El cuerpo de la neurona es representado como un sumador
lineal de estímulos, seguida por una función no lineal f(zj)
que es la función de activación.
Esta utiliza la suma de estímulos para determinar la salida de
la neurona.
En la red perceptrón cada entrada es multiplicada por un
factor de peso w correspondiente; los resultados son sumados
y luego evaluados contra el valor de umbral , si el valor es
mayor al máximo la red perceptrón se activa.
REDES NEURONALES
Se pueden desarrollar redes neuronales en un periodo de
tiempo razonable, con la capacidad de realizar tareas
concretas mejor que otras tecnologías.
Cuando se implementan mediante hardware (redes
neuronales en chips VLSI), presentan una alta tolerancia a
fallos del sistema y proporcionan un alto grado de
paralelismo en el procesamiento de datos.
Esto posibilita la inserción de redes neuronales de bajo costo
en sistemas existentes y recientemente desarrollados.
REDES NEURONALES
Algunas aplicaciones de las Redes Neuronales
Empresa:
- Evaluación de probabilidad de formaciones geológicas
y petrolíferas.
- Identificación de candidatos para posiciones específicas.
- Explotación de bases de datos.
- Optimización de cupos y horarios en líneas de vuelo.
- Optimización del flujo del tránsito controlando
convenientemente la temporización de los semáforos.
- Reconocimiento de caracteres escritos.
- Modelado de sistemas para automatización y control.
REDES NEURONALES
Algunas aplicaciones de las Redes Neuronales
Finanzas:
- Previsión de la evolución de los precios.
- Valoración del riesgo de los créditos.
- Identificación de falsificaciones.
- Interpretación de firmas.
Manufacturación:
- Robots automatizados y sistemas de control (visión
artificial y sensores de presión, temperatura, gas, etc.).
- Control de producción en líneas de procesos.
- Inspección de la calidad.
REDES NEURONALES
Algunas aplicaciones de las Redes Neuronales
Militares:
- Clasificación de las señales de radar.
- Creación de armas inteligentes.
- Optimización del uso de recursos escasos.
- Reconocimiento y seguimiento de tiro al blanco.
REDES NEURONALES
Algunas aplicaciones de las Redes Neuronales
La mayoría de estas aplicaciones consisten en realizar
un reconocimiento de patrones, como son: buscar un
patrón en una serie de ejemplos, clasificar patrones,
completar una señal a partir de valores parciales o
reconstruir el patrón correcto partiendo de uno
distorsionado. Sin embargo, está creciendo el uso de
redes neuronales en distintos tipos de sistemas de
GRACIAS