Download titulo propuesta

UNIVERSIDAD DISTRITAL
“Francisco José de Caldas”
Facultad Tecnológica
Formato para Propuesta de Proyecto de Grado de Ingeniería en
Control Electrónico e Instrumentación.
TITULO PROPUESTA
DESARROLLO DE SOFTWARE PARA EL APRENDIZAJE DE REDES NEURONALES EN EL
LABORATORIO DE ELECTRONICA DE LA FACULTAD TECNOLOGICA
PROPONENTE
JULIAN GACHARNA BOHORQUEZ
DIRECTOR
FRANK GIRALDO
REFERENCIA AL CONSEJO
El empleo de Software con propósitos académicos, es una herramienta que esta siendo
utilizado en las universidades del mundo entero como complemento a las clases tradicionales,
permitiendo al estudiante asimilar, reforzar e interiorizar conceptos vistos en clase, así mismo
llevar a la practica ideas generadas por el mismo estudiante, permitiéndole además tener un
concepto mas global de los temas vistos en la materia.
Al desarrollar un software de aprendizaje en Redes Neuronales en el Laboratorio de Electrónica
de la Facultad Tecnológica, estaríamos enriqueciendo la experiencia académica de los
estudiantes de Control Electrónico e Instrumentación.
HOJA DE ACEPTACIÓN
Observaciones
_________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
_______________________________
Representante Consejo Curricular
_______________________________
Director del Proyecto
_______________________________
Vo.Bo. Metodología
Fecha de Presentación
30 de Octubre de 2009
1.0.
INFORMACIÓN GENERAL DEL PROYECTO
Título: DESARROLLO DE SOFTWARE PARA EL APRENDIZAJE DE REDES NEURONALES EN
EL LABORATORIO DE ELECTRONICA DE LA FACULTAD TECNOLOGICA
Estudiante Proponente:
JULIAN GACHARNA BOHORQUEZ
Total de Estudiantes (número): 1
Línea de Investigación: CONTROL
Tipo de Entidad: UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
Universidad Pública:
X
Universidad Privada:
Instituto de Investigación Público:
Centro de Investigación Privado:
Organizaciones Gubernamentales:
ONG:
Empresa, Centro Empresarial o Gremio de la Producción:
Dirección: Calle 74 sur Nº 68 A - 20
Teléfono: 7150388
Fax: 7150388
Correo Electrónico:
Sede de la Entidad: Ciudad Bolívar
Nit: 899999230
Ciudad: Bogotá
Departamento: Cundinamarca
Tipo de contribuyente:
Entidad de derecho público
estado: X
Entidad de economía mixta
Entidad industrial y comercial del
Lugar de Ejecución del Proyecto: UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS
FACULTAD TECNOLOGICA
Ciudad: Bogotá
Departamento: Cundinamarca
Duración del Proyecto (meses): 8 meses
Tipo de Proyecto: Desarrollo tecnológico
Investigación Básica: Investigación Aplicada: X Desarrollo Tecnológico o Experimental:
Valor total del Proyecto: 1’250.000=
Descriptores / Palabras claves: Desarrollo, Software, Aprendizaje, Redes Neuronales, Facultad
Tecnológica
Observaciones
2.0 RESUMEN EJECUTIVO
Al desarrollar un software con propósitos académicos se incrementaría el nivel de comprensión y
asimilación de conceptos para los estudiantes de control de último semestre. El alumno que utilice
este software tendrá la posibilidad de explorar las diferentes opciones que el programa le ofrece:
un tutoríal de uso e introducción a la interfaz general, recorrido por cada uno de los temas que
contiene el programa separados por capítulos, quizes para cada uno de los temas y evaluaciones
completas de los conceptos estudiados, glosario de términos y repasos de los temas. Al final de
cada tema el alumno estará en capacidad de realizar, por medio de un simulador una serie de
practicas programadas.
Para el desarrollo de este proyecto se estableció un periodo de 8 meses, y un presupuesto de
$1’250.000.
3.0 DESCRIPCIÓN DEL PROYECTO
3.1 Planteamiento del Problema
La universidad Distrital Francisco José de Caldas facultad Tecnológica, ubicada en la Calle 75 Nº
68ª 51 sur,
Barrio la Candelaria, cuenta con siete proyectos curriculares entre los cuales se
encuentra la Ingeniería en Control Electrónico e Instrumentación. Este proyecto curricular cuenta
con diferentes laboratorios de avanzada tecnología para el desarrollo de las prácticas que se
llevaran a cabo durante el desarrollo de la carrera.
A través de esta carrera el estudiante recorre las diferentes áreas del control, como son:
Control lineal, el control no lineal, el control digital, y por último se explora otro tipo de sistemas
tales como las redes neuronales artificiales, la lógica difusa, la inteligencia artificial y los sistemas
expertos.
En la metodología de control tradicional hay una amplia gama de ejemplos y proyectos, a nivel
académico e industrial, que permiten observar su aplicación e implementación, así como su
desarrollo a nivel matemático.
Con las redes neuronales, así como con otras metodologías no tradicionales de control, debido en
parte a que son áreas en etapa de estudio y experimentación, se carece de herramientas que
faciliten la comprensión de los conceptos relacionados, así como el desarrollo de actividades y
laboratorios que permitan realizar implementaciones en casos reales.
3.2 Impacto esperado
Una vez se encuentre desarrollado el software en el laboratorio de Electrónica de la Facultad
Tecnológica, se espera un incremento del interés de los estudiantes de otros semestres en el tema,
así como un aumento en el nivel de aprendizaje de los alumnos de ultimo semestre, elevando los
estándares educativos de la Facultad, permitiendo cuantificar el nivel de conocimientos de los
alumnos.
Es el punto de partida para generación de grupos de investigación, desarrollos tecnológicos para
posteriores proyectos de grado, que a su vez se verán reflejados en la industria.
3.3 Usuarios directos e indirectos potenciales de los resultados de la investigación:
Los usuarios directos del sistema serian los estudiantes de último semestre de Ingeniería en Control
Electrónico e Instrumentación de la Facultad Tecnológica de la Universidad Distrital Francisco José
De Caldas.
Los usuarios potenciales indirectos serian los estudiantes de otros semestres de Ingeniería en
Control Electrónico e Instrumentación, estudiantes de carreras afines, el personal docente, grupos
de investigación, y estudiantes de último semestre de Tecnología Electrónica, para los cuales este
proyecto representaría una motivación para escoger la especialización de control en un futuro.
3.4 Marco teórico y estado del arte
MARCO TEORICO
INTRODUCCIÓN.
Las Redes Neuronales Artificiales (ANNs de Artificial Neural Networks) fueron originalmente una
simulación abstracta de los sistemas nerviosos biológicos, formados por un conjunto de
unidades llamadas "neuronas" o "nodos" conectadas unas con otras. Estas conexiones tienen
una gran semejanza con las dendrítas y los axones en los sistemas nerviosos biológicos.
El Primer modelo de red neuronal fue propuesto en 1943 por McCulloch y Pitts en términos de
un modelo computacional de "actividad nerviosa". El modelo de McCulloch-Pitts es un modelo
binario, y cada neurona tiene un escalón o umbral prefijado. Este primer modelo sirvió de
ejemplo para los modelos posteriores de Jhon Von Neumann, Marvin Minsky, Frank Rosenblatt,
y muchos otros.
Una primera clasificación de los modelos de ANNs podría ser, atendiendo a su similitud con la
realidad biológica:
- Los modelos de tipo biológico. Este comprende las redes que tratan de simular los sistemas
neuronales biológicos así como las funciones auditivas o algunas funciones básicas de la visión.
- El modelo dirigido a aplicación. Estos modelos no tienen porque guardar similitud con los
sistemas biológicos. Sus arquitecturas están fuertemente ligadas a las necesidades de las
aplicaciones para las que son diseñados.
Redes Neuronales de tipo Biológico
Se estima que el cerebro humano contiene más de cien mil millones de neuronas y sinápsis en
el sistema nervioso humano. Estudios sobre la anatomía del cerebro humano concluyen que hay
más de 1000 sinápsis a la entrada y a la salida de cada neurona. Es importante notar que
aunque el tiempo de conmutación de la neurona (unos pocos milisegundos) es casi un millón de
veces menor que en las actuales elementos de las computadoras, ellas tienen una conectividad
miles de veces superior que las actuales supercomputadoras.
El objetivo principal de de las redes neuronales de tipo biológico es desarrollar un elemento
sintético para verificar las hipótesis que conciernen a los sistemas biológicos.
Las neuronas y las conexiones entre ellas (sinápsis) constituyen la clave para el procesado de la
información
La mayor parte de las neuronas poseen una estructura de árbol llamadas dendritas que reciben
las señales de entrada que vienen de otras neuronas a través de las uniones llamadas sinápsis.
Algunas neuronas se comunican solo con las cercanas, mientras que otras se conectan con
miles.
Hay tres partes en una neurona:
1. el cuerpo de la neurona,
2. ramas de extensión llamadas dendrítas para recibir las entradas, y
3. un axón que lleva la salida de la neurona a las desdirías de otras neuronas.
La forma que dos neuronas interactúan no está totalmente conocida, dependiendo además de
cada neurona. En general, una neurona envía su salida a otras por su axón. El axón lleva la
información por medio de diferencias de potencial, u ondas de corriente, que depende del
potencial de la neurona. Este proceso es a menudo modelado como una regla de propagación
representada por la función de red u(.). La neurona recoge las señales por su sinápsis sumando
todas las influencias excitadoras e inhibidoras. Si las influencias excitadoras positivas dominan,
entonces la neurona da una señal positiva y manda este mensaje a otras neuronas por sus
sinápsis de salida. En este sentido la neurona puede ser modelada como una simple función
escalón f(.).
Redes Neuronales para aplicaciones concretas.
Las ANNs dirigidas a aplicación están en general poco ligadas a las redes neuronales
biológicas. Ya que el conocimiento que se posee sobre el sistema nervioso en general no es
completo, se han de definir otras funcionalidades y estructuras de conexión distintas a las vistas
desde la perspectiva biológica. Las características principales de este tipo de ANNs son los
siguientes:
1. Auto Organización y Adaptatividad: utilizan algoritmos de aprendizaje adaptativo y auto
organización, por lo que ofrecen posibilidades de procesado robusto y adaptativo (véase
entrenamiento adaptativo y redes auto organizativas).
2. Procesado No Lineal: aumenta la capacidad de la red de aproximar, clasificar y su inmunidad
frente al ruido.
3. Procesado paralelo: normalmente se usa un gran número de células de procesado por el alto
nivel de interconectividad.
Estas características juegan un importante papel en las ANNs aplicadas al procesado de señal e
imagen. Una red para una determinada aplicación presenta una arquitectura muy concreta, que
comprende elementos de procesado adaptativo masivo paralelo combinadas con estructuras de
interconexión de red jerárquica.
Taxonomía de las Redes Neuronales
Existen dos fases en toda aplicación de las redes neuronales: la fase de aprendizaje o
entrenamiento y la fase de prueba. En la fase de entrenamiento, se usa un conjunto de datos o
patrones de entrenamiento para determinar los pesos (parámetros de diseño) que definen el
modelo neuronal. Una vez entrenado este modelo, se usará en la llamada fase de prueba o
funcionamiento directo, en la que se procesan los patrones de prueba que constituyen la entrada
habitual de la red, analizándose de esta manera las prestaciones definitivas de la red.
• Fase de Prueba: los parámetros de diseño de la red neuronal se han obtenido a partir de
unos patrones representativos de las entradas que se denominan patrones de entrenamiento.
Los resultados pueden ser tanto calculados de una vez como adaptados iterativamente, según el
tipo de red neuronal, y en función de las ecuaciones dinámicas de prueba. Una vez calculados
los pesos de la red, los valores de las neuronas de la última capa, se comparan con la salida
deseada para determinar la validez del diseño.
• Fase de Aprendizaje: una característica de las redes neuronales es su capacidad de
aprender. Aprenden por la actualización o cambio de los pesos sinápticos que caracterizan a las
conexiones. Los pesos son adaptados de acuerdo a la información extraída de los patrones de
entrenamiento nuevos que se van presentando. Normalmente, los pesos óptimos se obtienen
optimizando (minimizando o maximizando) alguna "función de energía".
Las aplicaciones del mundo real deben acometer dos tipos diferentes de requisitos en el
procesado. En un caso, se requiere la prueba en tiempo real pero el entrenamiento ha de
realizarse "fuera de linea". En otras ocasiones, se requieren las dos procesos, el de prueba y el
de entrenamiento en tiempo real. Estos dos requisitos implican velocidades de proceso muy
diferentes, que afectan a los algoritmos y hardware usados.
Atendiendo al tipo de entrenamiento, una posible taxonomía de las redes neuronales es:
Redes Neuronales
Fijo
Red de Hamming
Red de Hopfield
No supervisado
Mapa de características
Aprendizaje competitivo
Supervisado
Basadas en decisión
Perceptrón
ADALINE (LMS)
Perceptrón Multicapa
Modelos Temporales Dinámicos
Modelos Ocultos de Markov
Redes Neuronales Supervisadas y no Supervisadas
Las redes neuronales se clasifican comúnmente en términos de sus correspondientes algoritmos
o métodos de entrenamiento: redes de pesos fijos, redes no supervisadas, y redes de
entrenamiento supervisado. Para las redes de pesos fijos no existe ningún tipo de
entrenamiento.
Reglas de entrenamiento Supervisado
Las redes de entrenamiento supervisado han sido los modelos de redes más desarrolladas
desde inicios de estos diseños. Los datos para el entrenamiento están constituidos por varios
pares de patrones de entrenamiento de entrada y de salida. El hecho de conocer la salida
implica que el entrenamiento se beneficia la supervisión de un maestro. Dado un nuevo patrón
de entrenamiento, por ejemplo, (m+1)-ésimo, los pesos serán adaptados de la siguiente forma:
Se puede ver un diagrama esquemático de un sistema de entrenamiento supervisado en la
siguiente figura:
Reglas de entrenamiento No Supervisado
Para los modelos de entrenamiento No Supervisado, el conjunto de datos de entrenamiento
consiste sólo en los patrones de entrada. Por lo tanto, la red es entrenada sin el beneficio de un
maestro. La red aprende a adaptarse basada en las experiencias recogidas de los patrones de
entrenamiento anteriores. Este es un esquema típico de un sistema "No Supervisado":
Ejemplos típicos son La Regla de Aprendizaje de Hebb, y la Regla de Aprendizaje Competitiva.
Un ejemplo del primero consiste en reforzar el peso que conecta dos nodos que se excitan
simultáneamente.
Como ejemplo de aprendizaje competitivo, si un patrón nuevo se determina que pertenece a
una clase reconocida previamente, entonces la inclusión de este nuevo patrón a esta clase
matizará la representación de la misma. Si el patrón de la entrada se determinó que no
pertenece a ninguna de las clases reconocidas anteriormente, entonces la estructura y los
pesos de la NN serán ajustados para reconocer la nueva clase.
Funciones de Base y Activación
Una red neuronal típica se puede caracterizar por las descripciones funcionales de la red de
conexión y la red de activación. Cada célula (unidad de proceso), suministra un valor a su
salida. Este valor se propaga a través de la red de conexiones unidirecionales hacia otras
células de la red. Asociada a cada conexión hay un peso sináptico denominado por { }, que
determina el efecto de la célula j-ésima sobre la célula i-ésima. Las entradas a la célula i-ésima
que provienen de las otras células son acumuladas junto con el umbral externo , para dar el
valor de red . La forma de hacerlo lo determina matemáticamente la función de base f para dar
un valor de activación . La salida final y se puede expresar como una función de la entrada y
los pesos.
Función de Base (Función de Red)
Para un estudio analítico, las redes de conexión son matemáticamente representadas por la
función de base u(w,x), donde w es la matriz de pesos, y x el vector de entrada. La función de
base tiene dos formas típicas:
• Función Lineal de Base (LBF) es una función de tipo hiperplano. Esto es, una función de
primer orden. El valor de red es una combinación lineal de las entradas,
• Función de base Radial (RBF) es una función de tipo hiperesférico. Esto implica una función
de base de segundo orden no lineal. El valor de red representa la distancia a un determinado
patrón de referencia,
La función de segundo orden se puede extender a otra más general llamada función de base
elíptica.
Función de Activación (Función de neurona)
El valor de red, expresado por la función de base, u(w,x), será inmediatamente transformada
por una función de activación no lineal. Por ejemplo, las funciones de activación más comunes
son la función paso, rampa o sigmoidal y gausiana. En particular,
• Función sigmoidal
• Función gausiana
MARCO TECNOLÓGICO
En varias universidades de Colombia se esta estudiando este tema en la actualidad, no solo en el
área de electrónica. Estas son algunas de las universidades que actualmente desarrollan proyectos
relacionados con las redes neuronales:

Facultad de Ingeniería Eléctrica de la Universidad Tecnológica de Pereira

Grupo de Biología Computacional de la Universidad Nacional de Colombia

Grupo de investigación y desarrollo en inteligencia artificial de la Universidad Nacional de
Colombia

Facultad de ingeniería industriales de la universidad de los Andes.

Universidad Pontificia Bolivariana Seccional Bucaramanga.

Grupo de microelectrónica y control de la universidad de Antioquia.
3.5 Objetivos
3.5.1

3.5.2

General
Desarrollar un software que permita a los estudiantes de Ingeniería en Control Electrónico e
instrumentación un aprendizaje inicial de las redes neuronales.
Específicos
Desarrollar un software que permita el estudio de los conceptos relacionados con las redes
neuronales.

Diseñar un sistema que permita al alumno ser evaluado de forma efectiva por el programa.

Diseñar prácticas con el fin de que el alumno pueda desarrollar sus habilidades.
3.6 Alternativa de Solución
La alternativa de solución es desarrollar un programa para ser instalado en el laboratorio de
electrónica. Dicho software deberá tener las siguientes características.

Deberá tener un tutor interactivo que permita al estudiante conocer el funcionamiento del
programa, el modo de utilizarlo y de responder las evaluaciones.

En un index se mostraran los diferentes temas disponibles para estudio, desde el cual se
podrá acceder a cada uno de ellos.

Al final de cada tema presentara un quiz con algunas preguntas.

Al final de cada capitulo presentara una evaluación de todos los contenidos

Como aportes extras tendrá un glosario de los términos comúnmente utilizados.

En la parte de practicas se tendrán programadas una serie de prácticas por medio de un
simulador, que le permita de modo grafico e interactivo diseñar una red neuronal básica.

Como complemento a las prácticas, se podría tener un hardware adicional, por ejemplo una
cámara con iluminación controlada que permita realizar practicas de reconocimiento de
patrones ópticos, colores, formas, letras, etc.

tendrá una documentación propia de instalación del software, ayuda en pantalla y manual de
prácticas.
3.7 Metodología Propuesta

Investigar antecedentes

Documentación a profundidad de redes neuronales

Selección de plataforma de funcionamiento.

Selección de lenguaje de programación (compilador)

Documentación sobre el uso del lenguaje de programación.

Estructuración del contenido teórico del programa.

Planteamiento y diseño del simulador.

Integración del simulador con el programa principal.

Diseño del tutorial.

Diseño de las ayudas.

Realización de la documentación del software.

Planteamiento de las practicas a realizar

Documentación de las prácticas.

Realización de la guía de prácticas.

Compilación del programa principal.

Realización de pruebas y depuración

implementación.

Informe final
3.8 Resultados Esperados
Al termino de este proyecto esperamos haber dotado a la facultad de una herramienta muy valiosa
para el aprendizaje de las redes neuronales, que posea gran aceptación entre el cuerpo estudiantil
y docente de la universidad, que permita a corto y mediano plazo el mejoramiento de los
estándares académicos de la facultad.
3.9 Estrategia de Comunicación
Para dar a conocer este tipo de investigación, realizaremos un artículo presentado al consejo
curricular además de una sustentación pública al mismo.
4.0 PRESUPUESTO
PRESUPUESTO GLOBAL DE LA PROPUESTA POR FUENTES DE
FINANCIACIÓN
(En miles de $)
FUENTES
TOTAL
Univ.
Colciencias
Contrapartida
Distrital
RUBROS
PERSONAL
EQUIPO
MATERIALES
SALIDAS DE CAMPO
VIAJES
BIBLIOGRAFÍA
SOFTWARE
PUBLICACIONES
SERVICIOS TÉCNICOS
CONSTRUCCIONES
MANTENIMIENTO
ADMINISTRACIÓN
TOTAL
300.000
300.000
400.000
550.000
400.000
550.000
1’250.000 1’250.000
DESCRIPCIÓN DE LOS EQUIPOS QUE SE PLANEA ADQUIRIR
(En miles de $)
EQUIPO
JUSTIFICACIÓN
RECURSOS
Colciencias
Contrapartida
TOTAL
TOTAL
DESCRIPCIÓN Y CUANTIFICACIÓN DE LOS EQUIPOS DE USO PROPIO
(En miles de $)
EQUIPO
Computador Portátil
Software
impresora
TOTAL
VALOR (CONTRAPARTIDA)
3’200.000
400.000
200.000
3’800.000
HOJA DE VIDA (RESUMEN)
1. ESTUDIANTE O DIRECTOR
Apellidos: GACHARNA BOHORQUEZ
Nombre: JULIAN
Fecha de Nacimiento: 25 junio 1980
Nacionalidad: COLOMBIANO
Correo Electrónico: [email protected]
Tel/Fax: 300 2685511