Antecedentes del TFG

Las Redes Neuronales Artificiales (RNA) son sistemas de procesamiento de la informacin cuya estructura y funcionamiento estn inspirados en las redes neuronales biolgicas. Consisten en un conjunto de elementos simples de procesamiento llamados nodos o neuronas conectadas entre s por conexiones que tienen un valor numrico modificable llamado peso.La actividad que una unidad de procesamiento o neurona artificial realiza en un sistema de este tipo es simple. Normalmente, consiste en sumar los valores de las entradas (inputs) que recibe de otras unidades conectadas a ella, comparar esta cantidad con el valor umbral y, si lo iguala o supera, enviar activacin o salida (output) a las unidades a las que est conectada.Las RNA constituyen una lnea de investigacin en Inteligencia Artificial (IA), la cual tiene como objetivo primario la construccin de mquinas inteligentes (Grimson y Patil, 1987). Los orgenes de la IA hay que buscarlos en el movimiento cientfico de la ciberntica de los aos cuarenta y cincuenta. Este movimiento cientfico se articul en torno a la idea de que el funcionamiento de muchos sistemas, vivos o artificiales, puede ser captado mejor por modelos basados en la transferencia de informacin que por modelos basados en la transferencia de energa.La ciberntica se propuso estudiar los elementos comunes entre el funcionamiento de mquinas automticas y el del sistema nervioso humano (los procesos de control y comunicacin en el animal y en la mquina). Este problema fue abordado en un esfuerzo interdisciplinar, en el que intervinieron investigadores procedentes de reas como matemticas, ingeniera electrnica, fisiologa y neurociencia, lgica formal, ciencias de la computacin y psicologa. Una importante caracterstica de la ciberntica fue la proliferacin de distintas perspectivas en torno al problema de las relaciones entre cerebro y mquina. En la segunda mitad de la dcada de los cincuenta comenzaron a destacar dos de entre estas perspectivas: la IA basada en el procesamiento simblico, y la investigacin en redes neuronales.La evolucin de la investigacin en redes neuronales desde los aos 50 a nuestros das ha estado condicionada por dos grandes acontecimientos: el abandono de esta lnea de investigacin en la segunda mitad de los 60 debido a las limitaciones observadas en la red Perceptrn simple y la emergencia del conexionismo en la segunda mitad de los 80 como paradigma aceptado en IA, gracias, entre otros avances, a la aparicin de un algoritmo, denominado Backpropagation error (propagacin del error hacia atrs) o simplemente Backpropagation, que permite modificar las conexiones de arquitecturas multiestrato.Son mltiples los trabajos realizados que abordan este tema, que trata en esencia de reproducir de manera artificial y con la utilizacin de los distintos logaritmos existentes el comportamiento de un cerebro humano. Cito como ejemplos

El motivo de la eleccin de este trabajo se basa en la realizacin en mi estancia Erasmus en Grecia de una pequea aportacin a un proyecto que trataba de comprobar la eficacia de estas redes en la prediccin de los mltiples terremotos que se suceden da tras da en aquella zona, y de ah mi inters en extrapolar un caso parecido al territorio espaol debido a que tambin tenemos una zona de bastante actividad ssmica y porque las Redes Neuronales se adecuan muy bien para realizar este tipo de propsitos, ya que son muy eficaces en la solucin de mltiples problemas relacionados con la Ingeniera, en este caso tratar de ver si existe algn patrn que relacione algn tipo de magnitud anteriormente mencionadas y que permita predecir futuros movimientos ssmicos.

ObjetivosLa presente realizacin de mi Trabajo Fin de Grado pretende abordar el tema de Redes Neuronales y sus aplicaciones. Las Redes Neuronales son tcnicas no paramtricas muy utilizadas en diversos mbitos de la ciencia e ingeniera porque permiten resolver problemas complejos, que muchas veces no son fciles de resolver utilizando tcnicas tradicionales como la regresin lineal o polinmica. Las redes neuronales permiten obtener un modelo no explcito que relaciona un conjunto de variables salida con un conjunto de variables entrada. As, estos modelos permiten predecir cul es el valor de salida, dados unos valores de entrada del modelo. Para estimar el modelo es necesario disponer de un conjunto de observaciones de las variables. Estas observaciones son usadas como patrones de entrenamiento para que la red aprenda y sea capaz de predecir una salida del modelo, ante nuevas observaciones. Por tanto, las capacidades de la red van a depender en gran medida de esta fase de entrenamiento. En la fase de entrenamiento es necesario controlar muchos parmetros y distintos algoritmos de optimizacin, por lo que el usuario de una red neuronal debe tener conocimiento suficiente de cules son estos parmetros y cmo funcionan. Por otro lado, una vez entrenada la red, es muy importante tambin evaluar la robustez del modelo creado, comprobando que es adecuado para nuevos datos. Es importante, realizar un buen anlisis de los resultados obtenidos. Existen muchos tipos diferentes de redes neuronales, pero en este proyecto se trabajar esencialmente con las Redes Backpropagation (o Perceptrn multicapa) por ser stas las ms utilizadas en la prctica, y la ms adecuada para nuestro propsito, ya que la interfaz grfica que utilizaremos en el programa Matlab, desarrolla este tipo de Red Neuronal. Se trata de analizar los distintos tipos de Redes Neuronales existentes y despus exponer un caso prctico, en cuyo caso, ser el anlisis, entrenamiento e interpretacin de distintos parmetros(fecha, hora, latitud, longitud, profundidad, magnitud) de terremotos en Espaa, concretamente en la zona del sureste de Espaa, que corresponde con la zona de ms movimiento ssmico de la Pennsula. Se desarrollar el carcter terico de los principales tipos de Redes Neuronales, centrando el desarrollo del mismo en las Redes Backpropagation, previamente mencionadas, para la creacin de una aplicacin dirigida, principalmente, a usuarios que no han trabajado nunca con redes neuronales o no muy expertos, con el fin de que puedan realizar el entrenamiento y evaluacin de redes neuronales backpropagation de manera sencilla y cmoda. El software utilizado para el desarrollo de la red neuronal ser MATLAB , que tiene una herramienta muy cmoda e intuitiva para facilitar la creacin de redes neuronales . Utilizaremos Neural Network Toolbox, y en particular, la interfaz grfica de Red Neuronal de inicio ( nnstart ) , que utiliza Redes Backpropagation para la implementacin de Redes Neuronales y que en su inicio expone 4 tipos de herramientas para 4 tipo de problemas diferentes. He aqu una vista de la interfaz grafica nnstart en su inicio y la exposicin de las 4 herramientas:

Se seleccionar la herramienta apropiada y se justificar su eleccin en base a los criterios que necesitemos para valorar la eficacia de nuestra Red Neuronal.

Temporizacin del TFG

Para empezar, se recopilar informacin sobre los distintos tipos de Redes Neuronales Artificiales .Despus se desarrollar toda la base terica en base a esa informacin y se expondrn los modelos ms importantes.Se desarrollar la Red Neuronal Artificial BackPropagation , su estructuraSe pasar al caso prctico, como tratar la base de datos ssmica, como realizar la seleccin de eventos en base a los distintos parmetros, como introducirlos en Matlab y en concreto en su herramienta con entorno grfico Neural Network Start (nnstart como comando en matlab).Desarrollo de la Red y entrenamiento de la misma (el paso quizs ms importante) para la obtencin de resultados. No se descarta la comparacin entre dos herramientas del entorno grfico nnstart para valorar la eficacia de resultados y elegir la ms apropiada.Interpretacin de dichos resultados, valoracin y conclusiones.

Resultados esperados del TFG

Los resultados esperados dependern de la eficacia de la Red Neuronal, pero en principio, deberamos ser capaces de ver si existe correlacin entre latitudes y longitudes con intensidad de los terremotos, o ver si existe correlacin entre las horas del da con la intensidad de los mismos, es decir, ver si existe alguna correlacin entre los distintos parmetros de entrada y despus ver si la Red implementada consigue predecir con el menor error posible terremotos y comprobar que esas predicciones tienen sentido

Bibliografa

MATLAB help. Version 7.11.0 (R2010b). MATLAB and Neural Network Toolbox Users Guide

http://en.wikipedia.org/wiki/Neural_network. Neural network .

http://www.mathworks.com/.

Desarrollo de una interfaz grfica de Redes Neuronales usando Matlab. Alfonso Moreno Rodrguez (UNIVERSIDAD CARLOS III MADRID).

Redes Neuronales Artificiales aplicadas al anlisis de datos. Juan Jos Montao Moreno(UNIVERSITAT DE LES ILLES BALEARS)