INTRODUCCIN

En el presente trabajo conoceremos la aplicacin de redes neuronales en sistemahidrolgicos, de este modo en sus aplicaciones a cada mbito las redes adoptanconnotaciones diferentes, y son vistas como herramientas de la ingeniera, rplicas delpensamiento racional. En todos los casos las redes se rigen por la filosofa general deobtener modelos coherentes con la realidad observada, de tal modo que sean losdatos los que determinen el comportamiento de la red, bien a travs de ladeterminacin de sus estructuras, bien de sus parmetros internos. Estas ideasacercan las redes neuronales a las ideas de los mtodos no paramtricos de anlisisde datos, en particular y en general al mbito de la estadstica.

Se denominaron redes neuronales a aquellos modelos nacidos con el fin de imitar elaprendizaje humano

El entendimiento terico de cmo trabajan est todava en proceso de construccin yabordaremos aqu su estudio desde un enfoque estadstico. La filosofa de las redesse basa en que sean los datos los que establezcan el comportamiento de la red atravs de un aprendizaje, y evitar as estar sujetos a una estructura encorsetada. Estasideas acercan las redes neuronales a la filosofa de los mtodos no paramtricos deanlisis de datos. Estos mtodos tienen la caracterstica de poder aproximar funcionesde muy diversa ndole, soslayando la necesidad de establecer un modelo rgido al queajustar los datos.

La modelizacin es la sustitucin de un objeto considerado por un cuasiobjeto o modelo con objeto de extraer informacin acerca de l. El modeloimita determinados aspectos del objeto de inters, consideradosimportantes para el estudio que se realiza.

JUSTIFICACION

Uno de los problemas que ms inters y preocupacin han suscitado en losltimos aos, es la contaminacin del medio ambiente por productosgenerados por actividades antropognicas. En gran parte del mundo,principalmente en las ciudades donde se concentra la mayor cantidad depoblacin, la cantidad y calidad de agua disponible para satisfacer lasnecesidades humanas es limitada.

La brecha entre el suministro de agua y la demanda aumentar en eltranscurso del presente siglo como resultado del cambio climtico y elincremento en el consumo de agua por la poblacin, se incrementarconsiderablemente. En los prximos 30 aos, por ejemplo, es improbable quela escorrenta accesible de agua dulce aumente ms del 10%, sin embargose espera que la poblacin mundial crezca una tercera parte. A menos quelos humanos utilicen el agua de modo ms eficiente, los impactos de estedesequilibrio entre el suministro y la demanda disminuirn los serviciosprovistos por los ecosistemas de agua dulce, aumentarn el nmero deespecies acuticas que se enfrenten con la extincin, y se fragmentarn anms los humedales, los ros, los deltas y los estuarios.

La calidad se ve afectada por problema de contaminacin que son tantocaractersticos de pases en vas de desarrollo (ocasionada por organismospatgenos) como por la presencia de txicos sintticos frecuentes en pasesindustrializados. Dichos problemas se generan tanto a partir de las descargasmunicipales como industriales, ya que el cumplimiento de la normatividad delas mismas es muy bajo; aun cuando los lmites permisibles de lanormatividad en Mxico en materia de descargas de aguas residuales, seencuentran de cinco a diez veces por debajo de los establecidos en EstadosUnidos, Canad y Europa.

I.-OBJETIVOS

OBJETIVOS GENERALES Lograr conceptualizar un sistema Fluvial. Lograr conceptualizar el mtodo de redes neuronales Conocer la importancia de la calidad de agua en un sistema hidrolgico.

OBJETIVOS ESPECIFICOS Identificar los principales componentes e intereses de los sistemas fluviales.

aplicar mtodo de redes neuronales de modelacin de sistemas hidrolgicos

I.-MARCO TEORICO.

1. Calidad de agua en los sistemas Fluviales

La calidad del agua de cualquier sistema fluvial. En el sistema natural estn incluidosmuchos procesos qumicos y biolgicos. Las corrientes de agua pasan a travs y porencima de los suelos y rocas, disolviendo material. El agua es tambin el medio deinnumerables sistemas (Ejm. La zona litoral de una presa, su epilimnio, la corriente,etc.)

La calidad del agua se puede expresar realmente de acuerdo con alguno de estosproductos: (cantidad de algas, concentracin de oxgenos disuelto, otros). Las algasconstituyen la base de la cadena alimenticia (junto con las clulas sintetizadasorganogrficamente). La presencia moderada es necesaria, pero en excesoconstituyen una molestia. Tambin otras plantas fotosintticas pueden ser importantes,segn la situacin.

2. Sistema fluvial

Es un complejo mecanismo hidrolgico, geomorfolgico y ecolgico de movilizacin oconduccin superficial de las aguas continentales, acompaadas de los materiales quetransportan (sedimentos, solutos, contaminantes, nutrientes, seres vivos) en ladireccin de la pendiente hasta que son vertidas en los ocanos. Cuenta con unaenorme capacidad de transporte de masa y energa.

Los fluviales son sistemas abiertos, enormemente dinmicos en el espacio y en eltiempo y considerablemente complejos, de manera que las interrelaciones entreelementos son innumerables.

El sistema fluvial se estructura en cuencas hidrogrficas y en una red de drenajecompuesta por un sistema jerarquizado de cursos fluviales, desde pequeos surcoshasta ros, que confluyen unos en otros hasta configurar el colector principal de lacuenca. Cada uno de estos cursos fluviales cuenta con una corriente natural fluctuanteen el tiempo, a veces espordica o espasmdica, de agua y materiales slidos quecircula por un cauce con orillas bien definidas.

2.1. Cauce menor o canal fluvial

Es un elemento geomorfolgico que se encarga del transporte del caudal hdrico yslido del sistema fluvial, de manera que su forma y dimensin estn supeditadas a sufuncin. Simple o mltiple, rectilneo, meandriforme, trenzado o anastomosado,presenta cierto encajamiento que permite su delimitacin.

Sus caracteres (seccin, profundidad, nmero de brazos, morfologa de lecho y orillas,etc.) han sido conformados como respuesta de la interaccin entre las condicionesgeomorfolgicas del terreno concreto por el que circula (litologa, pendiente, etc.) y lascaractersticas del flujo (cantidad, variacin, rgimen, procesos extremos, caudalslido, etc.). Algunos cauces son rocosos, labrados directamente en sustrato litolgico,

pero son ms frecuentes los cauces aluviales, construidos sobre los propiossedimentos transportados.

La morfologa y dimensiones del cauce son modeladas y ajustadas por sobrantesenergticos que la corriente ya no invierte en transportar. Bsicamente se puedeconsiderar que el caudal geomrfico ms efectivo es el de cauce menor lleno (bankfullen la literatura internacional), sin disipacin por desbordamiento, ya que es el procesode mxima velocidad y energa de la corriente. Son las crecidas ordinarias, por tanto,las que presentan una alta eficacia geomorfolgica, y los cauces ajustan su forma parapoder conducirlas entre sus orillas.

3. Ambientes Fluviales

Se refiere a los procesos asociados a ros y arroyos, a los depsitos y relieves creadospor ellos.

En primer lugar, el movimiento del agua sobre la capa tiene un efecto (accinhidrulica). En segundo lugar, los sedimentos transportados por el ro desgastan lacapa (abrasin) y los fragmentos de tierra por s mismos son cada vez ms pequeosy ms redondeados (desgaste).

El ambiente fluvial se define por la accin de agua en movimiento, por la energa delagua y por el conjunto de erosin, transporte y sedimentacin en el mismo ambiente.Adems los sistemas fluviales dependen fuertemente de las condiciones climticas.Los ros siempre estn en cambios. No solamente cambios estacinales como sequasy deshielos, tambin cambios del mediano y largo plazo

Los ros son geoformas dinmicas que se encuentras sujetas a los cambios del caucey la configuracin del flujo. Las caractersticas de dimensin fsica de un rio, como elancho, la profundidad, la sinuosidad estn determinadas por la carga de sedimento.

Se puede obtener informacin de las variaciones del agua y de la descarga desedimentos, a partir de los cambios en la morfologa del cauce, es decir, cuando ladescarga de agua aumenta o aumenta la carga de sedimento grueso, el cauce tiendea ensancharse, y el flujo ser ms lento debida al arrastre; pero por el contrario unadisminucin en la carga del agua o en el sedimento grueso indica lo opuesto. Larelacin ancho-profundidad tiende a incrementarse con la erosin de los mrgenes ycon cargas ms gruesas.

Un rio puede diferenciarse en cuatro secciones, las cuales se diferencian por la altura,la energa del flujo, y el tipo, tamao y forma de los clastos que sedimentan en cadaseccin. Estas secciones son:

- Las montaas: hay una buena cantidad de precipitados, los taludes tienen un ngulopequeo. Los ros se caracterizan por la erosin y el transporte y no depositan sucarga del todo. Ocurren procesos fsico-geolgicos como alta velocidad, fuerte erosin,carga de clastos en saltacin o traccin. Las rocas que encontramos son

conglomerados con una mala clasificacin, matriz de detritos, cemento carbonatado yclastos muy grandes.

-Intermedios de colinas: a pesar de que la energa es menor, hay una cantidad deagua mayor, la carga de sedimento es de suspensin y traccin y los clastospredominantes son de cuarzo. Son rocas areniscas gruesas con una mejor seleccin.

-Llanuras: ros grandes, de baja energa, con mucha agua, la carga es bsicamente ensolucin. Hay una buena clasificacin de clastos tamao arena , por lo tanto el tipo deroca es arenisca

-Desembocadura: es donde el ambiente fluvial se une al marino, por ello encontramosfsiles de animales marinos y de agua dulce. Los sedimentos son areniscas y limos.

III.- RED NEURONALUna RED NEURONAL es un proceso slido y paralelamente distribuido con lapropensin natural a acumular procedimientos experimentales y hacerlos disponiblespara su uso. Se parece al cerebro en dos aspectos, por una parte la red adquiereconocimientos a travs de un proceso de aprendizaje, y por otra las conexionesinterneuronales, conocidas como cargas sinpticas presentan una gran solidez de seencargan de almacenar los conocimientos.El funcionamiento de una red sera el siguiente. Se dispone de una serie de datos(situaciones del pasado) y asociados a ellos la respuesta deseable de la red (trainingset). La red de algn modo observa estos hechos y aprende de ellos (entrenamiento oaprendizaje), de modo que cuando se encuentre en una nueva situacin acte demodo coherente con lo aprendido. Para evaluar el comportamiento de la red ante

nuevas situaciones se considerar un nuevo subconjunto de datos (validation set),independiente del conjunto de entrenamiento.

Recuerda al cerebro en dos aspectos:

1.- El conocimiento se adquiere por la red a travs de un proceso de aprendizaje.2.- Las conexiones inter neurnicas se conocen como pasos sinpticos y se usan paraalmacenar el conocimiento."

Existen dos tipos de redes neuronales, las redes neuronales biolgicas y las redesneuronales artificiales ANN (Artificial Neural Network).

REDES NEURONALES BIOLGICAS

Son el principal elemento del Sistema Nervioso. Las redes neuronales biolgicas estncompuestas por un gran nmero de elementos llamados neuronas. Una neurona esuna clula compuesta por cuerpo, un nmero de extensiones llamadas dendritas, quesirven de entradas, y una larga extensin llamada axn que acta como salida. Lasinapsis conecta el axn de una neurona a las dendritas de las otras neuronas. Lasneuronas estn dispuestas en capas. En general las neuronas de una capa recibenentradas desde otra capa y envan sus salidas a neuronas de una tercera.Dependiendo de la aplicacin tambin es posible que las neuronas de una capareciban entradas y provean salidas a neuronas de la misma capa.

Las conexiones entre neuronas tienen pesos asociados que representan la influenciade una sobre la otra. Si dos neuronas no estn conectadas, el correspondiente pesode enlace es cero. Esencialmente, cada una enva su informacin de estadomultiplicado por el correspondiente peso a todas las neuronas conectadas con ella.Luego cada una, a su vez, suma los valores recibidos desde sus dendritas paraactualizar sus estados respectivos.

Se emplea normalmente un conjunto de ejemplos representativos de la transformacindeseada para "entrenar" el sistema, que, a su vez, se adapta para producir las salidasdeseadas cuando se lo evala con las entradas "aprendidas".

Adems se producirn respuestas cuando, en la utilizacin, se presenten entradastotalmente nuevas para sistema, esto es durante el modo entrenamiento la informacinsobre el sistema a resolver es almacenada dentro del ANN y la red utiliza su modoproductivo en ejecutar transformaciones y aprender. De este modo el sistema de redneuronal no reside necesariamente en la elegancia de la solucin particular sino en sugeneralidad de hallar solucin a problemas particulares, habindose proporcionadoejemplos del comportamiento deseado. Esto permite la evolucin de los sistemasautmatas sin una reprogramacin explcita.

Las redes neuronales artificiales se basan en el circuito de procesamiento de entradasen el cual los pesos son sumados. Las funciones de peso sern llamadas desde ahoracomo atenuadores. En la implementacin, las entradas a una neurona son pesadas

multiplicando el valor de la entrada por un factor que es menor o igual a uno. El valorde los factores de peso es determinado por el algoritmo de aprendizaje.

REDES NEURONALES ARTIFICIALES

Un tipo particular de modelo matemtico es la red de neuronasartificiales, cada vez ms utilizado como mtodo alternativo pararesolver diversos problemas hidrolgicos. Debe considerarse como unaherramienta de modelizacin integrada por cierto nmero de unidades deprocesamiento de seal interconectadas, denominadas neuronasartificiales. La red de neuronas artificiales, que puede reflejar yrepresentar relaciones entrada-salida complejas, se asemeja a laarquitectura paralela del cerebro humano, aunque sus rdenes demagnitud no son tan elevados. La idea que inspir el desarrollo de lasredes de neuronas artificiales fue el deseo de simular las funciones bsicasdel cerebro y desarrollar un sistema artificial que pudiera realizar tareasinteligentes del mismo modo que un cerebro. Las redes de neuronasartificiales adquieren conocimientos mediante aprendizaje y almacenanlos conocimientos adquiridos en las conexiones entre neuronas o pesossinpticos.

Las redes de neuronas artificiales son un simple agrupamiento de lasneuronas artificiales primitivas. Cada neurona est conectada a otrasneuronas prximas. Este agrupamiento se estructura en capas conectadasentre s. Las conexiones determinan la posibilidad de que una neuronainfluya en otra. Algunas de las neuronas de las capas de entrada y salidacontienen una interfaz con el mundo real: las neuronas de la capa deentrada reciben seales del exterior, mientras que las de salidacomunican los valores salientes de la red al exterior.

Entre las capas de entrada y salida hay generalmente varias capasocultas.

Cuando la capa de entrada recibe la seal entrante, sus neuronasproducen una seal saliente, que se convierte en la seal entrante para lacapa siguiente del sistema. El proceso contina hasta que la capa desalida emite una seal hacia el exterior. Las neuronas debernimplementar una funcin de entrada-salida, o funcin de transferencia,especfica. Por ejemplo, la funcin de transferencia puede obedecer a unaley lineal, de umbral o sigmoidea. Para construir una red de neuronas querealice una tarea determinada, deber determinarse la estructura de la redy el esquema de conexiones entre sus componentes, as como los pesosde las conexiones que especifiquen la intensidad de estas.

La capacidad de aprendizaje de una red de neuronas est determinada porsu arquitectura y por el algo- ritmo seleccionado para su entrenamiento.Las redes de neuronas artificiales pueden obedecer a diversas leyes deaprendizaje. Estas leyes son algo- ritmos matemticos utilizados para

actualizar los pesos de las conexiones. La modificacin de estos, procesoconocido como entrenamiento, induce a la red a aprender la solucin aun problema dado. A partir de ese momento, se ajustan los pesos deconexin para que la red produzca nuevos resulta- dos. El diseador deuna red de neuronas artificiales deber decidir la organizacin de estas encapas, las conexiones entre las capas y en el interior de estas, la maneraen que cada neurona recibir la seal entrante y producir una sealsaliente, y el principio en que se basar el proceso de aprendizaje. Ladeterminacin de las neuronas ocultas de la red puede considerarsecomo una tarea de optimizacin, que se realiza frecuentementemediante tanteo. Un nmero excesivo de neuronas ocultas dar lugara un ajuste, lo cual dificultar la generalizacin.

Se han ideado muchos tipos de arquitectura de red de neuronasartificiales y de algoritmos de entrena- miento, desde las redes depropagacin hacia adelante, entrenadas mediante propagacin haciaatrs, hasta las configuraciones auto organizativas, destinadas aldescubrimiento de patrones. Las redes de neuronas artificialesproporcionan un mtodo rpido y flexible que ha resultado eficaz parala modelizacin hidrolgica en muy diversas circunstancias.

Hay varias aplicaciones de las redes de neuronas interesantes para lahidrologa en aspectos tales como la modelizacin de lluvia-escorrenta(Minns y Hall, 1996), la propagacin del flujo (Cigizoglu, 2003) o eltransporte de sedimentos (Tayfur, 2002).

Las redes de neuronas son ideales para identificar pautas o tendenciasde los datos, por lo que son muy adecuadas para tareas deprediccin.

La principal ventaja de las redes de neuronas estriba en su capacidad pararepresentar relaciones tanto lineales como no lineales y para aprenderesas relaciones directamente de los datos introducidos en el modelo. Losmodelos lineales tradicionales son simplemente inadecuados para lamodelizacin de datos que contienen caractersticas no lineales, comosucede con la mayora de los sistemas hidrolgicos. En los comienzos delsiglo XXI, se estn investigando intensamente las redes de neuronas y suaplicacin para la resolucin de diversos tipos de problemas en todo elmundo. Sin embargo, en la prctica, la hidrologa no ha incorporadotodava estos mtodos en sus aplicaciones habituales. Se consideranpreferibles las tecnologas comprobadas frente a las novedades, cuyasventajas estn todava por demostrar. Asimismo, las caractersticas de cajanegra de las redes de neuronas artificiales han sido acogidas conredundancia por algunos hidrlogos.

IV.-MODELIZACION DE SISTEMAS Y PROCESOS HIDROLOGICOS

EL ciclo hidrolgico describe la circulacin del agua en el mundo. Estconstituido por una multiplicidad de flujos de agua que discurren entrediferentes almacenamientos. La precipitacin lquida o slida, lainfiltracin, la escorrenta, la fusin de nieve, el flujo fluvial y laevapotranspiracin son ejemplos de flujos de agua que forman parte deprocesos hidrolgicos. Los correspondientes almacenamientos de aguapueden ser, por ejemplo, la atmsfera, la superficie de la tierra en formade depresiones, estanques, lagos y ros, la vegetacin, el suelo, losacuferos y la capa de nieve.

Todos los procesos y sistemas hidrolgicos han sido descritos medianteecuaciones matemticas, algunas de las cuales han sido obtenidas deleyes fsicas rigurosas de conservacin de la masa y de la cantidad de

IV.-MODELIZACION DE SISTEMAS Y PROCESOS HIDROLOGICOS

EL ciclo hidrolgico describe la circulacin del agua en el mundo. Estconstituido por una multiplicidad de flujos de agua que discurren entrediferentes almacenamientos. La precipitacin lquida o slida, lainfiltracin, la escorrenta, la fusin de nieve, el flujo fluvial y laevapotranspiracin son ejemplos de flujos de agua que forman parte deprocesos hidrolgicos. Los correspondientes almacenamientos de aguapueden ser, por ejemplo, la atmsfera, la superficie de la tierra en formade depresiones, estanques, lagos y ros, la vegetacin, el suelo, losacuferos y la capa de nieve.

Todos los procesos y sistemas hidrolgicos han sido descritos medianteecuaciones matemticas, algunas de las cuales han sido obtenidas deleyes fsicas rigurosas de conservacin de la masa y de la cantidad de

IV.-MODELIZACION DE SISTEMAS Y PROCESOS HIDROLOGICOS

EL ciclo hidrolgico describe la circulacin del agua en el mundo. Estconstituido por una multiplicidad de flujos de agua que discurren entrediferentes almacenamientos. La precipitacin lquida o slida, lainfiltracin, la escorrenta, la fusin de nieve, el flujo fluvial y laevapotranspiracin son ejemplos de flujos de agua que forman parte deprocesos hidrolgicos. Los correspondientes almacenamientos de aguapueden ser, por ejemplo, la atmsfera, la superficie de la tierra en formade depresiones, estanques, lagos y ros, la vegetacin, el suelo, losacuferos y la capa de nieve.

Todos los procesos y sistemas hidrolgicos han sido descritos medianteecuaciones matemticas, algunas de las cuales han sido obtenidas deleyes fsicas rigurosas de conservacin de la masa y de la cantidad de

movimiento. Otras son de naturaleza conceptual, o del tipo de cajanegra. En la obra de Eagleson (1970) se encontrar una descripcincompleta de las ecuaciones matemticas utilizadas en hidrologadinmica. En la presente seccin se exponen algunos ejemplosilustrativos vinculados a la escorrenta de lluvia, la propagacin del flujo, alagua subterrnea, a la calidad del agua y a los fenmenos de nieve yhielo.

La modelizacin hidrolgica contribuye cada vez en mayor medida a losmodelos integrados. Adems de simular la escorrenta hidrolgica, losmodelos integrados abarcan la erosin del suelo, los sedimentosfluviales, la ecohidrologa, el rendimiento de los cultivos y las interfacescon otras disciplinas, como la ecohidrologa, la evaluacin de impactoclimtico y la gestin hdrica.

V.- APLICANDO MODELO DE REDES NEURONALES ARTIFICIALES RNA

Algoritmo de redes neuronales artificiales para estimar los ndices de calidad de aguade Demanda Bioqumica de Oxgeno (DBO) y Oxigeno Disuelto (OD) en corrientessuperficiales. Los modelos de RNA son funciones aproximadas altamente flexibles quehan demostrado su utilidad en una amplia gama de aplicaciones del recurso hdrico.Muchos estudios han demostrado que las redes neuronales se desempean mejor quemuchos de los mtodos de modelacin clsicos . Las RNA representan una tecnologainteligente muy importante que utiliza el conocimiento experimental para razonar yresolver problemas especficos de manera anloga al funcionamiento del cerebrohumano, el conocimiento es obtenido por la RNA a travs de un proceso deaprendizaje y las conexiones inter neuronales conocidas como pesos sinpticos sonutilizadas para almacenar dicho conocimiento.

FIGURA 1: REDES NEURONALES EN INDICE DE CALIDAD DE AGUA

Un algoritmo de RNA puede llegar al resultado en condicin de escasez de datos conla ayuda de la informacin actual, aceptar la entrada continua de datos, entrenarse yrecordar. La mayor ventaja de una red neuronal es su habilidad para relacionarmodelos complejos no-lineales sin suposiciones a priori de la naturaleza de la relacin.El modelo RNA realiza un mapeo funcional no-lineal a partir de las observacionespasadas (Xt-1, Xt-2... Xt-p) para encontrar un valor futuro Xt, i.e .Una RNA se compone de tres capas: la de entrada, la oculta y la de salida. Entre lascapas se encuentran las ligas de conexin con los pesos respectivos

Figura 2: Ejemplo de la topologa de una RNA.

Las RNAs operan sobre la base de reconocimiento de patrones que pueden adquirir,almacenar y utilizar a partir de ejemplos. Esto hace que no se programe directamentesino a partir del ajuste de parmetros por medio de un algoritmo de aprendizaje. Losalgoritmos en aprendizaje automtico pueden ser clasificados en dos categoras:supervisados y no supervisados. Si la red utiliza un tipo de aprendizaje supervisado sedeben proporcionar parejas de patrones entrada-salida y la RNA aprende a asociarlos.Esto equivale a modelos estadsticos como: tcnicas de regresin, anlisisdiscriminante, modelos de series temporales, etc. Si el entrenamiento no essupervisado, se le suministran a la red datos de entrada para que extraiga los rasgoscaractersticos esenciales.

Si en una RNA se tienen n neuronas, ordenadas arbitrariamente y se puede designarla j-sima neurona como Nj. Su trabajo es simple y nico, consiste en recibir lasentradas de las clulas vecinas y calcular un valor de salida, el cual es enviado atodas las clulas restantes. Las conexiones que unen a las neuronas de una RNAtienen asociado un peso, que es el que hace que la red adquiera un conocimiento.Considerando i y como el valor de salida de la neurona i en un instante dado, dicha

Un algoritmo de RNA puede llegar al resultado en condicin de escasez de datos conla ayuda de la informacin actual, aceptar la entrada continua de datos, entrenarse yrecordar. La mayor ventaja de una red neuronal es su habilidad para relacionarmodelos complejos no-lineales sin suposiciones a priori de la naturaleza de la relacin.El modelo RNA realiza un mapeo funcional no-lineal a partir de las observacionespasadas (Xt-1, Xt-2... Xt-p) para encontrar un valor futuro Xt, i.e .Una RNA se compone de tres capas: la de entrada, la oculta y la de salida. Entre lascapas se encuentran las ligas de conexin con los pesos respectivos

Figura 2: Ejemplo de la topologa de una RNA.

Las RNAs operan sobre la base de reconocimiento de patrones que pueden adquirir,almacenar y utilizar a partir de ejemplos. Esto hace que no se programe directamentesino a partir del ajuste de parmetros por medio de un algoritmo de aprendizaje. Losalgoritmos en aprendizaje automtico pueden ser clasificados en dos categoras:supervisados y no supervisados. Si la red utiliza un tipo de aprendizaje supervisado sedeben proporcionar parejas de patrones entrada-salida y la RNA aprende a asociarlos.Esto equivale a modelos estadsticos como: tcnicas de regresin, anlisisdiscriminante, modelos de series temporales, etc. Si el entrenamiento no essupervisado, se le suministran a la red datos de entrada para que extraiga los rasgoscaractersticos esenciales.

Si en una RNA se tienen n neuronas, ordenadas arbitrariamente y se puede designarla j-sima neurona como Nj. Su trabajo es simple y nico, consiste en recibir lasentradas de las clulas vecinas y calcular un valor de salida, el cual es enviado atodas las clulas restantes. Las conexiones que unen a las neuronas de una RNAtienen asociado un peso, que es el que hace que la red adquiera un conocimiento.Considerando i y como el valor de salida de la neurona i en un instante dado, dicha

Un algoritmo de RNA puede llegar al resultado en condicin de escasez de datos conla ayuda de la informacin actual, aceptar la entrada continua de datos, entrenarse yrecordar. La mayor ventaja de una red neuronal es su habilidad para relacionarmodelos complejos no-lineales sin suposiciones a priori de la naturaleza de la relacin.El modelo RNA realiza un mapeo funcional no-lineal a partir de las observacionespasadas (Xt-1, Xt-2... Xt-p) para encontrar un valor futuro Xt, i.e .Una RNA se compone de tres capas: la de entrada, la oculta y la de salida. Entre lascapas se encuentran las ligas de conexin con los pesos respectivos

Figura 2: Ejemplo de la topologa de una RNA.

Las RNAs operan sobre la base de reconocimiento de patrones que pueden adquirir,almacenar y utilizar a partir de ejemplos. Esto hace que no se programe directamentesino a partir del ajuste de parmetros por medio de un algoritmo de aprendizaje. Losalgoritmos en aprendizaje automtico pueden ser clasificados en dos categoras:supervisados y no supervisados. Si la red utiliza un tipo de aprendizaje supervisado sedeben proporcionar parejas de patrones entrada-salida y la RNA aprende a asociarlos.Esto equivale a modelos estadsticos como: tcnicas de regresin, anlisisdiscriminante, modelos de series temporales, etc. Si el entrenamiento no essupervisado, se le suministran a la red datos de entrada para que extraiga los rasgoscaractersticos esenciales.

Si en una RNA se tienen n neuronas, ordenadas arbitrariamente y se puede designarla j-sima neurona como Nj. Su trabajo es simple y nico, consiste en recibir lasentradas de las clulas vecinas y calcular un valor de salida, el cual es enviado atodas las clulas restantes. Las conexiones que unen a las neuronas de una RNAtienen asociado un peso, que es el que hace que la red adquiera un conocimiento.Considerando i y como el valor de salida de la neurona i en un instante dado, dicha

seal es transmitida desde la neurona i a la j pero dicha seal es modificada por elvalor del peso de la conexin entre las neuronas en cuestin. La nomenclatura para elpeso sinptico entre la neurona j y la neurona i es Wji. El primer subndice j indica laneurona o unidad hacia dnde va la conexin. El segundo subndice i indica laneurona o unidad desde donde proviene la conexin.

FIGURA3: Esquema de una Neurona Artificial con sus principales elementos

Una neurona o unidad de procesamiento se ve afectada por las salidas de lasneuronas con las cuales ella est conectada. El efecto total de las salidas de estasneuronas reflejado en la unidad de procesamiento que se est analizando se conocecomo S, que se puede ver como suma de los efectos de las salidas a las cuales ellaest conectada.

Entre las unidades o neuronas que forman una red neuronal artificial existe unconjunto de conexiones que las unen. Cada unidad transmite seales a aquellas queestn conectadas a su salida. Asociada con cada j Neurona hay una funcin deactivacin que transforma la entrada neta que la unidad presenta como resultado deestar conectada con otras unidades que le suministran informacin, en el valor desalida yi. Para este trabajo se utilizo una funcin de activacin Sigmoidal.

seal es transmitida desde la neurona i a la j pero dicha seal es modificada por elvalor del peso de la conexin entre las neuronas en cuestin. La nomenclatura para elpeso sinptico entre la neurona j y la neurona i es Wji. El primer subndice j indica laneurona o unidad hacia dnde va la conexin. El segundo subndice i indica laneurona o unidad desde donde proviene la conexin.

FIGURA3: Esquema de una Neurona Artificial con sus principales elementos

Una neurona o unidad de procesamiento se ve afectada por las salidas de lasneuronas con las cuales ella est conectada. El efecto total de las salidas de estasneuronas reflejado en la unidad de procesamiento que se est analizando se conocecomo S, que se puede ver como suma de los efectos de las salidas a las cuales ellaest conectada.

Entre las unidades o neuronas que forman una red neuronal artificial existe unconjunto de conexiones que las unen. Cada unidad transmite seales a aquellas queestn conectadas a su salida. Asociada con cada j Neurona hay una funcin deactivacin que transforma la entrada neta que la unidad presenta como resultado deestar conectada con otras unidades que le suministran informacin, en el valor desalida yi. Para este trabajo se utilizo una funcin de activacin Sigmoidal.

seal es transmitida desde la neurona i a la j pero dicha seal es modificada por elvalor del peso de la conexin entre las neuronas en cuestin. La nomenclatura para elpeso sinptico entre la neurona j y la neurona i es Wji. El primer subndice j indica laneurona o unidad hacia dnde va la conexin. El segundo subndice i indica laneurona o unidad desde donde proviene la conexin.

FIGURA3: Esquema de una Neurona Artificial con sus principales elementos

Una neurona o unidad de procesamiento se ve afectada por las salidas de lasneuronas con las cuales ella est conectada. El efecto total de las salidas de estasneuronas reflejado en la unidad de procesamiento que se est analizando se conocecomo S, que se puede ver como suma de los efectos de las salidas a las cuales ellaest conectada.

Entre las unidades o neuronas que forman una red neuronal artificial existe unconjunto de conexiones que las unen. Cada unidad transmite seales a aquellas queestn conectadas a su salida. Asociada con cada j Neurona hay una funcin deactivacin que transforma la entrada neta que la unidad presenta como resultado deestar conectada con otras unidades que le suministran informacin, en el valor desalida yi. Para este trabajo se utilizo una funcin de activacin Sigmoidal.

PARMETROS DE CALIDAD Y LMITES MXIMO PERMISIBLES DEL AGUA

El agua potable, tambin llamada para consumo humano, debe cumplir con lasdisposiciones legales nacionales, a falta de stas, se toman en cuenta normasinternacionales. Los lmites mximo permisibles (LMP) referenciales (**) para el aguapotable de los parmetros que se controlan actualmente, se indican en el cuadrosiguiente.

CONCLUSION

- Las redes neuronales es un modelo que facilita modelacin de la calidad agua,la determinacin de contaminantes, lugares contaminados.

-