Download Redes Neuronales Artificiales Aplicadas a la Generación de

REDES NEURONALES ARTIFICIALES
APLICADAS A LA GENERACIÓN DE
ESPECTROS DEL OLEAJE
Marco Matamala Castro
Prof. Guía Luis Zamorano Riquelme
Proyecto Innova Corfo código 09CN14-5718
“Catastro del recurso energético asociado a oleaje para el apoyo a la evaluación de
proyectos de generación de energía Undimotriz”
¿Qué son las Red Neuronal Artificial
(RNA)?
• Son modelos computacionales que
tratan de replicar, de manera
simplificada,
el
complejo
funcionamiento
del
cerebro
humano.
• Consisten
en
un
sistema
interconectados
de neuronas que colaboran para
producir un estímulo de salida.
• Mediante métodos de propagación
permiten
ajustar
sus
interconexiones hasta lograr una
estimación
deseada
o
una
clasificación aceptable.
2
Principales Características de las
RNA son:
• Aprender.
• Generalizar.
• Abstraer.
3
Aplicaciones de RNA.
• Lenguaje
• Reconocimiento del habla.
• Inferencia gramatical.
• Medicina
• Diagnóstico de enfermedades.
• Estimación de expectativa de vida de un enfermo terminal
(Específicamente en casos de Cáncer y VIH).
4
Aplicaciones de RNA.

Predicción y correlación


Predicciones económicas.
Correlaciones de series.
Predicción de series temporales.

Búsqueda de patrones

Ecualización de canales digitales.
Reconocimientos de patrones.
Reconocimientos de rostros.



5
Aplicaciones de RNA.

Manufacturación


Robots automatizados.
Sistemas de control (visión artificial, sensor de presión, etc.).
Filtrado de señales.

Militares

Clasificación de señales de radar.
Creación de armas inteligentes.
Optimización de los recursos escasos.



6
Esquema RNA Multicapa.
7
Entrenamiento de las RNA.
• Entrenamiento supervisado: En este tipo de
algoritmos la red neuronal cuenta con el apoyo externo
de un “maestro” que informa de la corrección de la
salida producida por la red de acuerdo con la salida
considerada correcta.
• Entrenamiento no supervisado: En este caso no
existe tal maestro y la red neuronal debe extraer sin
ayuda características de los datos que se le suministra.
8
Descripción de RNA.
• La acumulación
p
xi
Patrón de entrada
i 0
wik
Peso sináptico o peso
vk   xi wik
• Función de activación
1
yk 
 k
1 e
yk
Salida de la neurona k
9
Método Backpropagation.
A
Inicio
Ajustar los pesos de la red.
Selecciona un vector de
entrada desde el conjunto de
entrenamiento.
Aplica esta entrada a la red y
calcula la salida.
Estimar el error (RMS) entre la
salida calculada y la salida
deseada.
A
NO
¿Buen ajuste
en el testeo
de la RNA?
(RMS)
SI
Fin
10
Construcción de espectros
sintéticos direccionales por medio
de RNA
11
Set de Datos Utilizados para
Entrenamiento y Testeo RNA
Coordenadas Nodo:
35º 00’ 00.00’’ S
73º 00’ 00.00’’ W
Parámetros resumen WaveWatch III (NOAA) (Hs, Tp, MWD, PWD, WindU, WindV)
Espectros de densidad direccional de oleaje (SHOA y INH)
Set de entrenamiento
:
20-11-2000 12:00 al 31-12-2005 21:00
Set de testeo
:
01-01-2006 00:00 al
31-12-2006 18:00 12
Metodología de entrenamiento
A
Inicio
Preparar set de datos: parámetros de
resumen (Hs, Tp, MWD, WindU,
WindV) y espectros de oleaje.
Normalización de los datos
entre los valores [0,1]
Pasar espectros
de forma matricial
a vectorial.
Selección de los subconjunto
de entrenamiento y testeo de la
RNA.
Entrenamiento RNA para
distintos tipos de Arquitecturas
neuronales.
¿Se alcanzó
un buen
ajuste en el
testeo de la
RNA?
(RMS)
NO
SI
Desnormalización de los datos y
vuelta a reconstruir los espectros
en forma matricial.
A
Fin
13
Arquitecturas Neuronales Realizadas
1.
2.
3.
4.
Una capa oculta con 250 neuronas.
Una capa oculta con 300 neuronas.
Una capa oculta con 350 neuronas.
Dos capas ocultas con 250 neuronas en la primera y
400 neuronas en segunda.
Ajuste promedio para el testeo de la red de 91.63% y un R2 de
84.76%.
14
Resultado Entrenamiento 5 años
15
Resultado Testeo 1 año
16
Resultados espectros sintéticos
Espectro RNA
Espectro Medido
4 de Diciembre del 2006 a las 03:00 horas
6
6
4
4
2
2
0
0
Dir [º]
Dir [º]
Tp [s]
Tp [s]
0-2
2-4
4-6
0-2
2-4
4-6
307.5
232.5
232.5
Dir. [º]
307.5
1-2
2.4
3.6
5.2
23.9
7.6
7.5
11.2
7.5
16.4
82.5
T [s]
0-1
157.5
82.5
2.4
3.6
5.2
7.6
11.2
16.4
23.9
157.5
Dir. [º]
30 de Enero del 2006 a las 15:00 horas
T [s]
2-3
3-4
4-5
0-1
1-2
2-3
3-4
17
Espectro Medido
Espectro RNA
20 de Abril 2006 a las 12:00 horas
80
80
60
60
40
40
20
20
0
0
Tp [s]
Dir [º]
0-20
20-40
40-60
Dir [º]
Tp [s]
60-80
0-20
20-40
40-60
60-80
24 de Noviembre del 2006 a las 06:00 horas
10
8
6
4
2
0
10
8
6
4
2
0
Dir [º]
Tp [s]
0-2
2-4
4-6
6-8
8-10
Dir [º]
Tp [s]
0-2
2-4
4-6
6-8
8-10
18
Resultados espectros sintéticos
Espectro Medido
Espectro RNA
13 de Mayo del 2006 a las 06:00 horas
5
4
3
2
1
0
4
3
2
1
0
Tp[s]
Dir [º]
0-1
1-2
2-3
3-4
Dir [º]
Tp [s]
0-1
4-5
1-2
2-3
3-4
16 de Junio del 2006 a las 15:00 horas
25
20
15
10
5
0
25
20
15
10
5
0
Tp [s]
Dir [º]
0-5
5-10
10-15
15-20
20-25
Tp [s]
Dir [º]
0-5
5-10
10-15
15-20
20-25
19
Validación Cruzada
• La correlación presentada por este caso es de 89.70% con un
R2 de 81.07% lo que promediado con el resultado anterior (con
el testeo para el último año), da un coeficiente de correlación de
90.67% con un R2 82.92%. Este valor representa a la validación
cruzada, de lo que se concluye que la red es capaz de
generalizar no importando el orden de los set de entrenamiento
y testeo.
20
Resultados Metodología JONSWAP
• JONSWAP (JOint North Sea WAve Project) (Hasselmann et al,
1973).
E  f ,    E  f  G  f 
E  f    jH T f
2
4
13 p
5
exp  Tp f 1
4
exp  1.25 Tp f    



2
2 2 

 
G  f   G0 cos 2 s  
2
• Los espectros sintéticos generados de por la herramienta
JONSWAP para el año de testeo se utiliza en esta investigación a
modo de comparación con los resultados de la Red neuronal
utilizada para este caso. Quedando finalmente una correlación de
80.28 % y un R2 de 64.45% con respecto al espectro medido y un
RMS de 0.798 m2s.
21
Conclusiones y Comentarios
Finales
22
Conclusiones y Comentarios Finales
•
Presentando una correlación promedio para el testeo de la red de 91.63% y
un R2 de 84.76% con un RMS de 0.013 m2s para el entrenamiento y con un
RMS de 0.025 m2s para el testeo con respecto al valor medido.
•
Finalmente comparando los resultados con los obtenidos con la formulación
JONSWAP, las redes neuronales obtienen una superioridad de más de un
10% en el coeficiente de correlación, además de poder reproducir
bimodalidades del oleaje. Además el RMS obtenido de JONSWAP fue de
0.798 m2s versus los 0.025 m2s de las redes.
23
Agradecimientos
Marco Matamala Castro
Consultas?
Preguntas?
Otros?