Informe - Redes Neuronales

UNIVERSIDAD CONTINENTAL DE CIENCIASE INGENIERIA
FACULTAD INGENIERÍA
ESCUELA ACADEMICA PROFESIONAL INGENIERÍA DE SISTEMAS E

INFORMÁTICA
TITULO DEL PROYECTO:
“DESARROLLO E IMPLEMENTACIÓN DE
UN SISTEMA BASADO EN REDES
NEURONALES ARTIFICIALES PARA
PREDICCIÓN DE HELADAS EN EL VALLE
DEL MANTARO”
PARA OPTAR EL TITULO DE:
INGENIERO DE SISTEMAS E INFORMÁTICO
AUTORES:
PÁMELA SANTANA ACUÑA
GABRIEL TICSE QUINTANILLA
Noviembre del 2011

INTRODUCCIÓN
Uno de los objetivos del ser humano es poder prevenir todos aquellos eventos que
le afectan, es por esto que por medio de la ciencia se está buscando predecir lo que
pasará en el futuro, como ser: la predicción de lluvias, predicción de tiempo,
predicción de reacciones adversas a los medicamentos y otros. La predicción en un
elemento clave en el desarrollo de la ciencia. (Wittgenstein, 1989).
Dentro del estudio del campo meteorológico tenemos fenómenos “HELADA” que
ocurre cuando la temperatura de la tierra o los objetos de la tierra en la superficie
alcanza los 0º C o menos provocando que cualquier tejido u órgano vegetal tienda a
congelarse, ocasionando pérdidas a la agricultura y afectando a la población de las
zonas rurales y ciudades. Este fenómeno (Helada) se manifiesta como un proceso
no lineal continuo, dependiente de un gran número de variables cuya función se
desconoce. Esto hace factible y adecuada la utilización de Redes Neuronales
Artificiales (RNAs), para la predicción de la misma (Garay & Cicero, 2001)
Las Redes Neuronales Artificiales representan una técnica de modelación

matemática no lineal, que intenta imitar el proceso de aprendizaje que ocurre en el
sistema nervioso. Dentro de las redes neuronales artificiales tenemos gran
variedad de modelos, uno de los más usados es el denominado “backpropagation”,
también tenemos las redes backpropagation recurrente. (Freeman & Skapura,
1991).
Debe considerarse que el rendimiento óptimo de la RNA está supeditado por su

arquitectura, y el valor de los pesos. El Algoritmo Evolutivo será utilizado para
ajustar los pesos de la Red Neuronal y encontrar la arquitectura ideal, y así superar
inconvenientes.
Las Redes Neuronales Artificiales Evolutivas (RNAEs) surgen a finales de los 80´s
a partir de la idea de combinar dos paradigmas, con el fin de optimizar las Redes
Neuronales Artificiales empleando los Algoritmos Evolutivos, generando un campo
intenso de investigación. Una de las características de las Redes Neuronales
Artificiales Evolutivas es que se adaptan al ambiente como a los cambios del
mismo. Las dos formas de adaptación, la evolución y aprendizaje en RNAEs hacen
que su adaptación a un ambiente dinámico sea más eficaz y eficiencia. (Yao, 1999)
En la presente investigación se utilizaran las Redes Neuronales Artificiales

Evolutivas, con el fin de construir un modelo que pueda predecir el fenómeno
meteorológico de la Helada.
“DESARROLLO E IMPLEMENTACIÓN DE UN SISTEMA
BASADO EN REDES NEURONALES ARTIFICIALES PARA
PREDICCIÓN DE HELADAS EN EL VALLE DEL MANTARO”
CAPITULO I
PLANTEAMIENTO DEL ESTUDIO
1.1. Determinación del Problema:
Las heladas están afectando a todo el mundo por los diversos cambios que
está sufriendo el globo terráqueo, debido a la contaminación desmesurada de
grandes empresas y personas.
Un invierno gélido como no se recuerda en años ha sido el responsable de

que una helada seguida de un rápido deshielo reventara las cañerías de agua
en toda la provincia, afectando a 40.000 hogares y empresas en Belfast y
otros 77 pueblos. Al menos 40.000 hogares se han quedado sin agua en
Irlanda del Norte. Algunas personas llevan sin agua más de 10 días y otras,
en cambio, han sufrido graves inundaciones en sus hogares.
Un total de 101 mil 657 hectáreas han sido afectadas en Puebla por heladas y
sequías. El mayor número de perjuicios lo causó el primer meteoro,
acontecido entre el 1 y 2 de junio, que devastó totalmente 50 mil hectáreas en
31 municipios y afectó parcialmente a otras 35 mil 321. Por el segundo
desastre se tienen contabilizadas 16 mil 336 hectáreas dañadas en seis
municipios, según evaluaciones de la Secretaría de Agricultura, Ganadería,
Desarrollo Rural, Pesca y Alimentación (Sagarpa) y del gobierno del estado.
90 por ciento de la superficie siniestrada por las heladas estaba sembrada

con maíz, y el restante 10 por ciento con frijol y hortalizas, según informó este
domingo en rueda de prensa el titular de la Secretaría de Desarrollo Rural
estatal, Pedro Adalberto González Hernández.
Las heladas se acentuaron esta semana en el departamento de Junín, en la
zona central del país, al registrar temperaturas de más de ocho grados bajo
cero. Eusebio Sánchez, jefe regional encargado, indicó que el último lunes los
termómetros en las zonas altas de Junín, ubicadas por encima de los tres mil
500 metros, marcaron hasta 8.5 grados bajo cero.Esta situación afectó
localidades como Pampas de Junín, La Oroya, Yanacancha y Chongos Altos,
entre otras, mencionó.
De igual manera, refirió que en el valle del Mantaro, donde se encuentra la

ciudad de Huancayo, capital departamental, el valor mínimo fue de 4.2 grados
bajo cero en horas de la madrugada.
De manera paralela al descenso de las temperaturas mínimas, los valores

máximos se incrementaron pasado el mediodía hasta registrar 24.5 en el valle
del Mantaro por la presencia de cielo despejado. Es por ello que es necesario
desarrollar e implementar mediante redes neuronales artificiales la predicción
de heladas en el Valle del Mantaro.
1.2. Formulación del Problema:

¿Cómo desarrollar e implementar redes neuronales artificiales para la
predicción de heladas en el Valle del Mantaro”?
1.3. Objetivos:
a) Objetivo General:
 Desarrollar e implementar redes neuronales artificiales para la
predicción de heladas en el Valle del Mantaro.
b) Objetivos Específicos:
 Realizar el diagrama de redes neuronales y código fuente en Visual
Studio 2010.
1.4. Justificación
Al desarrollar e implementar mediante redes neuronales artificiales la

predicción de heladas en el Valle del Mantaro, resultaría de gran ayuda para
diversas personas ya que se podría predecir si se manifestaran las heladas o
no.Éste ejecutable podrían utilizarlo diversos pobladores para que puedan
tener información rápida y eficaz acerca del clima, ya que se está en la
temporada de sembríos.
Las redes neuronales artificiales (ANN) son modelos computacionales que

tratan de replicar, de manera simplificada, el complejo funcionamiento del
cerebro humano. Su capacidad de aprendizaje a través de ensayos repetidos,
las ha hecho muy populares en una amplia variedad de aplicaciones en todas
las ciencias. Las ANN han demostrado ser una herramienta muy útil por su
sorprendente habilidad para capturar relaciones no lineales entre variables.
CAPITULO II
MARCO TEÓRICO
2.1. Antecedentes del problema:
 SISTEMA DE PREDICCIÓN DE HELADAS EN EL ALTIPLANO

BOLIVIANO UTILIZANDO REDES NEURONALES DE
PROPAGACIÓN HACIA ATRÁS. Huayta Villanueva Vania
Pamela.- Bolivia 2007
La importancia de la red Propagación hacia Atrás consiste en su
capacidad de auto-adaptar los pesos de las neuronas de las capas
intermedias para aprender la relación que existe entre un conjunto de
patrones dados como ejemplo y sus salidas correspondientes. Es en
este sentido, que el uso de Redes Neuronales de propagación hacia
atrás, conocidas por su capacidad de aprendizaje basándose en
errores o hechos históricos, puede ayudar en la predicción de
heladas; brindando así una forma de protección contra las mismas
 EVALUACIÓN ASIMÉTRICA DE UNA RED NEURONAL

ARTIFICIAL: APLICACIÓN AL CASO DE LA INFLACIÓN EN
COLOMBIA, Maria Clara Aristizábal Restrepo - Mayo, 2010.
MEXICO
El objetivo de este trabajo es explorar la relación no lineal entre el
dinero y la inflaciónen Colombia a través de una red neuronal
artificial, utilizando información mensual de lavariación del IPC y del
agregado monetario M3, desde enero de 1982 hasta febrero de2005.
 REDES NEURONALES ARTIFICIALES; CASO DE ESTUDIO: LA

EPILEPSIA. Oscar Isidro Ramírez Hernández - España 2008:
Este trabajo de tesis tiene por objetivo revisar y describir el
funcionamiento de algunos modelos de redes neuronales artificiales,
y su posible analogía con una red neuronal biológica bajo ciertos
mecanismos de funcionamiento por un lado y por otro la relación
que pudiera establecerse entre la Inteligencia Artificial, y el área de
la biomedicina (en especial la neurofisiología, dedicada al estudio de
la epilepsia).
 REDES NEURONALES PARA MODELAR PREDICCIÓN DE

HELADAS. Gustavo Ovando, Mónica Bocco y Silvina Sayago-
Argentina 2008
En este trabajo se desarrollaron modelos basados en redes
neuronales del tipo "backpropagation", para predecir la ocurrencia de
heladas, a partir de datos meteorológicos de temperatura, humedad
relativa, nubosidad, dirección y velocidad del viento.. Se construyeron
diferentes modelos para evaluar el comportamiento de las redes
cuando se usan distintos números de variables de entrada y/o
neuronas en la capa oculta y las probabilidades de aciertos en los
resultados de predicción para los mismos, al considerar distintas
variables de entrada.
 REDES NEURONALES ARTIFICIALES APLICADAS AL ANÁLISIS

DE DATOS. Montaño Moreno, Juan José – Colombia, 2006.
Este trabajo describe tres líneas de investigación desarrolladas en
los últimos cinco años en torno a la aplicación de las Redes
Neuronales Artificiales (RNA) en el ámbito del análisis de datos. Los
campos de aplicación tratados son: el análisis de datos aplicado a
conductas adictivas, el análisis de supervivencia, y el estudio del
efecto de las variables de entrada en una red neuronal. Los
resultados obtenidos ponen de manifiesto, en primer lugar, que las
RNA son capaces de predecir el consumo de éxtasis con un margen
de error pequeño a partir de las respuestas dadas a un cuestionario.
Desde una perspectiva explicativa, el análisis de sensibilidad
aplicado al modelo de red ha identificado los factores asociados al
consumo de esta sustancia.
 APLICACIÓN DE LAS REDES NEURONALES EN LOS SISTEMAS

DE CONTROL VECTORIAL DE LOS MOTORES DE INDUCCIÓN.
Mahmoud Ali Sowilam Gamal - España 2001
Para el caso de los sistemas del control vectorial por el método
indirecto, con y sin realimentación de velocidad se han utilizado
redes neuronales artificiales de respuesta a impulso finito (FIRANN)
para emular algunos bloques de los sistemas del control vectorial
tales como la estimación de referencia de corriente estator. Cada red
neuronal artificial se ha diseñado, entrenado y probado como una
parte del conjunto del sistema de control.
2.2. Bases teóricas:
1. Redes Neuronales:
1.1. Definición:
Las redes de neuronas artificiales son un paradigma de

aprendizaje y procesamiento automático inspirado en la forma en que
funciona el sistema nervioso de los animales. Se trata de un sistema de
interconexión de neuronas en una red que colabora para producir un
estímulo de salida. En inteligencia artificial es frecuente referirse a ellas
como redes de neuronas o redes neuronales.
Una red neuronal consiste en un conjunto de elementos de procesamiento

llamados neuronas, las cuales e conectan entre sí. [Koehn, 1994]
Las RN se basan en una estructura de neuronas unidas por enlaces que

transmiten información a otras neuronas, las cuales entregan un resultado
mediante funciones matemáticas. Las RN aprenden de la información
histórica a través de un entrenamiento, proceso mediante el cual se
ajustan los parámetros de la red, a fin de entregar la respuesta deseada,
adquiriendo entonces la capacidad de predecir respuestas del mismo
fenómeno. El comportamiento de las redes depende entonces de los pesos
para los enlaces, de las funciones de activación que se especifican para
las neuronas, las que pueden ser de tres categorías: lineal, de umbral (o
escalón) y sigmoidea, y de la forma en que propagan el error (Freeman y
Skapura, 1991).
Existen varios algoritmos que permiten ir corrigiendo el error de pronóstico;

uno de los más usados es el denominado "backpropagation", que consiste
básicamente en propagar el error hacia atrás, desde la capa de salida
hasta la de entrada, permitiendo así la adaptación de los pesos con el fin
de reducir dicho error. (Hilera y Martínez, 2000).
1.2. Modelo de Red Neuronal Artificial:
Según Haykin en (“Neural Networks”, 1994); una red neuronal artificial es

un procesador distribuido masivamente paralelo que es propenso por
naturaleza a almacenar conocimiento experimental y hacerlo disponible
para su uso”.
1.3. Topología
Una primera clasificación de las redes de neuronas artificiales que se suele

hacer es en función del patrón de conexiones que presenta. Así se definen
tres tipos básicos de redes:
Dos tipos de redes de propagación hacia delante o acíclicas en las que

todas las señales van desde la capa de entrada hacia la salida sin existir
ciclos, ni conexiones entre neuronas de la misma capa.
o Monocapa. Ejemplos: perceptrón, Adaline.

o Multicapa. Ejemplos: perceptrón multicapa.
Las redes recurrentes que presentan al menos un ciclo cerrado de
activación neuronal. Ejemplos: Elman, Hopfield, máquina de Boltzmann
1.4. Paradigma de Aprendizaje:
Se denomina paradigma de aprendizaje al modelo del entorno en el que la

red neuronal trabaja. Una de las bases principales de las RNA es la de
responder a los estímulos del entorno mediante un proceso de aprendizaje.
El paradigma de aprendizaje indica la forma en que el entorno influye en
ese proceso de aprendizaje. La teoría del aprendizaje mediante ejemplos
conlleva tres aspectos muy importantes a tener en cuenta: determinar la
capacidad de aprendizaje, la complejidad de los ejemplos utilizados y la
complejidad computacional del proceso en sí.
a) Aprendizaje supervisado:
En este caso, a la red neuronal se le presentan tanto patrones de
entrenamiento como la respuesta correcta correspondiente. Cada
pareja patrón de entrada – patrón de salida se denomina hecho. El
proceso consiste en comparar la respuesta que da la red ante cada
patrón de entrada con el valor de la respuesta real, siendo los pesos
sinápticos reajustados a partir del error obtenido, con el fin de obtener
una respuesta cada vez más exacta. El reajuste de pesos se realiza
mediante algoritmos de aprendizaje, de forma que el algoritmo
converge cuando después de sucesivos pasos la red ha estabilizado
sus pesos y responde correctamente ante los patrones de entrada. El
caso contemplado en el presente informe es de este tipo.
b) Aprendizaje no supervisado
También llamado autoorganizado. En este aprendizaje no se le
especifica a la red la respuesta correcta, tan sólo se suministran
grandes cantidades de datos para que ésta sea capaz de construir sus
propias asociaciones. Este aprendizaje consiste en modificar
repetidamente los pesos sinápticos de una red en respuesta a modelos
de activación de acuerdo a unas reglas predeterminadas, hasta
conseguir una configuración de pesos estabilizada ante cualquier
estímulo.
c) Aprendizaje por reforzamiento
Es el aprendizaje a través de un proceso de prueba y error diseñado
para maximizar un índice escalar llamado señal de reforzamiento. Si
una acción tomada por el sistema es satisfactoria, entonces la
tendencia del sistema a producir esta acción es “reforzada”.
1.5. Funcionamiento:
Las redes neuronales consisten en una simulación de las propiedades

observadas en los sistemas neuronales biológicos a través de modelos
matemáticos recreados mediante mecanismos artificiales (como un circuito
integrado, un ordenador o un conjunto de válvulas). El objetivo es
conseguir que las máquinas den respuestas similares a las que es capaz
de dar el cerebro que se caracterizan por su generalización y su robustez.
Una red neuronal se compone de unidades llamadas neuronas. Cada

neurona recibe una serie de entradas a través de interconexiones y emite
una salida. Esta salida viene dada por tres funciones:
1. Una función de propagación (también conocida como función de

excitación), que por lo general consiste en el sumatorio de cada entrada
multiplicada por el peso de su interconexión (valor neto). Si el peso es
positivo, la conexión se denomina excitatoria; si es negativo, se
denomina inhibitoria.
2. Una función de activación, que modifica a la anterior. Puede no existir,
siendo en este caso la salida la misma función de propagación.
3. Una función de transferencia, que se aplica al valor devuelto por la
función de activación. Se utiliza para acotar la salida de la neurona y
generalmente viene dada por la interpretación que queramos darle a
dichas salidas.
1.6. Ventajas:
Las redes neuronales artificiales (RNA) tienen muchas ventajas debido a

que están basadas en la estructura del sistema nervioso, principalmente
el cerebro.
 Aprendizaje: Las RNA tienen la habilidad de aprender mediante una
etapa que se llama etapa de aprendizaje. Esta consiste en proporcionar a
la RNA datos como entrada a su vez que se le indica cuál es la salida
(respuesta) esperada.
 Auto organización: Una RNA crea su propia representación de la
información en su interior, descargando al usuario de esto.
 Tolerancia a fallos: Debido a que una RNA almacena la información de
forma redundante, ésta puede seguir respondiendo de manera aceptable
aun si se daña parcialmente.
 Flexibilidad: Una RNA puede manejar cambios no importantes en la
información de entrada, como señales con ruido u otros cambios en la
entrada (por ejemplo si la información de entrada es la imagen de un
objeto, la respuesta correspondiente no sufre cambios si la imagen
cambia un poco su brillo o el objeto cambia ligeramente).
 Tiempo real: La estructura de una RNA es paralela, por lo cual si esto es
implementado con computadoras o en dispositivos
electrónicos especiales, se pueden obtener respuestas en tiempo real.
2. Heladas:
La helada es un fenómeno climático que consiste en un descenso de la

temperatura ambiente a niveles inferiores al punto de congelación del
agua y hace que el agua o el vapor que está en el aire se congele
depositándose en forma de hielo en las superficies. Más precisamente,
la Organización Meteorológica Mundial habla de helada en el suelo, en
referencia a diversos tipos de cobertura de hielo sobre el suelo,
producidas por la deposición directa del vapor de agua.
2.1. Tipos de helada:

A. Helada por radiación (hielo):
La helada por radiación se debe a un enfriamiento progresivo

e intenso del suelo, por radiación de su calor en las noches de
cielo despejado y limpio. La humedad atmosférica, que puede
ser relativamente cálida y seca, se condensa sobre las
superficies sólidas en forma de rocío o congelándose, si
aquéllas se hallan a menos de 0 °C. Este tipo es frecuente en
tierras templadas y subtropicales. Se conoce normalmente
como escarcha.
B. Helada por advección:
La helada por advección es ocasionada por la invasión de una

corriente o masa de aire frío con temperatura inferior a 0 °C.
La acción del aire frío, generalmente procedente de las
regiones polares, puede ser continua y durar por varios días.
Este tipo es frecuente en tierras norteñas.
Helada por evaporación: La helada por evaporación es

debida al transporte de aire húmedo sobre una superficie
cuya temperatura está a 0 °C o aún menos. Es un tipo
bastante raro de helada.
Se conocen en los cultivos dos tipos de heladas:
 Helada negra: se efectúa un enfriamiento general en

la atmósfera que ataca, por su amplitud de acción,
hasta especies vegetales "resistentes", como
parrales, es por ello que el humo y el riego que se
pone en práctica, desde la madrugada puede dar
buenos resultados para combatirla.
 Helada blanca: dado el estado de floración de la

planta se impone introducir una buena poda, o
conviene que el agricultor practique dentro de cuatro
a ocho días y no postergarla más allá de veinte, de
modo que se desarrollen las yemas latentes que
existan en los brazos y los troncos, esta labor debe
ser ayudada por el riego inmediato y trabajos
superficiales que al mantener mullido el terreno
impidan la pérdida de humedad, el desarrollo de
malas hierbas y la producción de costra. Además la
aplicación de nitratos reforman el sistema vegetativo
tan dañado. Conviene también la aplicación de
caloríficos distribuidos en forma adecuada
alimentados con petróleos, aplicados con frecuencia
en la región.
2.2. Definición de términos básicos:
1. Redes neuronales: de neuronas artificiales (denominadas

habitualmente como RNA o en inglés como: "ANN"1 ) son un
paradigma de aprendizaje y procesamiento automático inspirado en
la forma en que funciona el sistema nervioso de los animales. Se
trata de un sistema de interconexión de neuronas en una red que
colabora para producir un estímulo de salida.
2. Inteligencia Artificial: Capacidad de un artefacto de realizar los

mismos tipos de funciones que caracterizan al pensamiento humano.
3. Aprendizaje: Es el proceso por el cual una red neuronal modifica

sus pesos en respuesta a una información de entrada.
4. El aprendizaje supervisado: Consiste en entrenar la red a partir de

un conjunto de datos o patrones de entrenamiento compuesto por
patrones de entrada y salida.
5. Neuroshell: Programa que contiene el estado de la técnica de

algoritmos que entrenar muy rápido, lo que le permite resolver de
manera efectiva la predicción, previsión y problemas de estimación
de una cantidad mínima de tiempo sin pasar por el tedioso proceso
de ajustar los parámetros de red.
6. Perceptrón: es un tipo de red neuronal artificial desarrollado por

Frank Rosenblatt, también puede entenderse como perceptrón la
neurona artificial y unidad básica de inferencia en forma de
discriminador lineal, que constituye este modelo de red neuronal
artificial, esto debido a que el perceptrón puede usarse como
neurona dentro de un perceptrón más grande u otro tipo de red
neuronal artificial.
7. Validación: una vez que ha terminado el proceso de aprendizaje y

los pesos de la red neuronal han sido calculados, es importante
comprobar la calidad del modelo resultante. Alegre (2003),
8. Heladas: es un fenómeno climático que consiste en un descenso de

la temperatura ambiente a niveles inferiores al punto de congelación
del agua y hace que el agua o el vapor que está en el aire se
congele depositándose en forma de hielo en las superficies. Más
precisamente.
9. Predicción: Referido tanto a la «acción y al efecto de predecir»1

como a «las palabras que manifiestan aquello que se predice»; en
este sentido, predecir algo es «anunciar por revelación, ciencia o
conjetura algo que ha de suceder».
10. Sinapsis: es una unión intercelular especializada entre neuronas.1

En estos contactos se lleva a cabo la transmisión del impulso
nervioso.
11. Algoritmos Genéticos: (AGs) son métodos adaptativos que pueden

usarse para resolver problemas de búsqueda y optimización. Están
basados en el proceso genético de los organismos vivos.
12. Temperatura: es una magnitud referida a las nociones comunes de

caliente o frío.
13. Aire: mezcla de gases que constituye la atmósfera terrestre, que

permanecen alrededor de la Tierra por acción de la fuerza de
gravedad.
14. Humedad: cantidad de vapor de agua presente en el aire. Se puede

expresar de forma absoluta.
15. Altitud: distancia vertical a un origen determinado, considerado

como nivel cero, para el que se suele tomar el nivel medio del mar.
16. Congelación: consiste en que una corriente de aire frío extrae el
calor hasta que se consigue la temperatura final.
17. Niebla: es un fenómeno meteorológico consistente en nubes muy

bajas, a nivel del suelo y formadas por partículas de agua muy
pequeñas.
18. Radiación solar: es el flujo de energía que recibimos del Sol en

forma de ondas electromagnéticas de diferentes frecuencias nivel del
suelo y formadas por partículas de agua muy pequeña.
CAPITULO III
HIPÓTESIS Y VARIABLES
3.1. Hipótesis:
Al desarrollar e implementar mediante redes neuronales un sistema para la
predicción de heladas en el Valle del Mantaro, se espera que entregue
resultados óptimos de acuerdo a las entradas ingresadas.
3.2. Variables - Operacionalización:
Variable independiente:
Sistema implementado mediante redes neuronales.
Variable dependiente:
Heladas en el Valle del Mantaro.
CAPITULO IV
METODOLOGÍA
4.1. Método de la investigación:

Cuantitativo
Método universal: Ecléctico (inducción-deducción)
Método general:Sistémico
Método especifico:Modelaciónideal.
Método de desarrollo: Para la elaboración del proyecto “Desarrollo e

implementación de un sistema basado en redes neuronales artificiales para
predicción de heladas en el valle del Mantaro” se utilizará el programa
Neuroshell y después con el código obtenido se realizará el ejecutable con
un interfaz amigable para el usuario en Visual Studio 2010.
4.2. Metodología de desarrollo:

 Se utiliza Redes Neuronales ya que al tratarse de un sistema con
diversas entradas y obteniéndose un resultado se asemeja al Neural, se
trata de un sistema de interconexión de neuronas en una red que
colabora para producir un estímulo de salida. Además las redes
neuronales tienen la capacidad de predicción por el tiempo de
entrenamiento que se le da.
 El Predictor NeuroShell contiene el estado de la técnica de algoritmos
que entrenar muy rápido, lo que le permite resolver de manera efectiva la
predicción, previsión y problemas de estimación de una cantidad mínima
de tiempo sin pasar por el tedioso proceso de ajustar los parámetros de
red.
 Los algoritmos de predicción son la culminación de varios años de
investigación. Atrás quedaron los días de decenas de parámetros que
deben ser artísticamente conjunto para crear un buen modelo, sin exceso
de ajuste. Atrás quedaron los días de la contratación de un experto en
redes neuronales o un estadístico para construir sus modelos predictivos.
La herramienta NeuroShell 2 proporciona mediante un módulo adicional
la posibilidades generar el código que implementa el comportamiento de
la neurona. Así con este código se han aplicado las redes estudiadas
para comprobar la validez de su funcionamiento cuando se presentan
datos distintos a los que se utilizaron para su aprendizaje.
CAPTURAS DE PANTALLA
DISEÑO DE RED DE INFERENCIA
Feature
Inarrary(1)
(1)
Feature
Inarray(2)
(2)
Feature
Inarray(3)
(3)
Outarray
(1)
Feature
Inarray(4)
(4)
Outarray
(2)
Outarray
Feature
Inarray(5) (3)
(5)
Feature
Inarray(6)
(6)
Feature
Inarrary(7)
(7)
CÓDIGO FUENTE EN VISUAL STUDIO 2010
Public Class Form1
Private Sub Button1_Click(ByVal sender As System.Object, ByVal e As

System.EventArgs) Handles Button1.Click
Dim Baja_radiacion_solar, Aire_frio_seco, Temperatura_baja,

Alta_humedad, Alta_altitud, Congelacion_alta, Niebla As Integer
Dim Helada_por_Evaporacion, Helada_por_Radiacion, Helada_por_Advencion
As Integer
Dim netsum As Double
Static feature2(8) As Double
Temperatura_baja = TextBox1.Text
Aire_frio_seco = TextBox2.Text
Alta_humedad = TextBox3.Text
Alta_altitud = TextBox4.Text
Congelacion_alta = TextBox5.Text
Niebla = TextBox6.Text
Baja_radiacion_solar = TextBox7.Text
' If TextBox1.Text And TextBox2.Text And TextBox3.Text And

TextBox4.Text And TextBox5.Text And TextBox6.Text And TextBox7.Text = "Si"
Then
'TextBox1.Text = 1
'TextBox2.Text = 1
'TextBox3.Text = 1
'TextBox4.Text = 1
'TextBox5.Text = 1
'TextBox6.Text = 1
'TextBox7.Text = 1
' Else
'TextBox1.Text = 0
'TextBox2.Text = 0
'TextBox3.Text = 0
'TextBox4.Text = 0
'TextBox5.Text = 0
'TextBox6.Text = 0
'TextBox7.Text = 0
' End If
'
If (Temperatura_baja < 0) Then Temperatura_baja = 0

If (Temperatura_baja > 1) Then Temperatura_baja = 1
Temperatura_baja = Temperatura_baja
If (Aire_frio_seco < 0) Then Aire_frio_seco = 0

If (Aire_frio_seco > 1) Then Aire_frio_seco = 1
Aire_frio_seco = Aire_frio_seco
If (Alta_humedad < 0) Then Alta_humedad = 0

If (Alta_humedad > 1) Then Alta_humedad = 1
Alta_humedad = Alta_humedad
If (Alta_altitud < 0) Then Alta_altitud = 0

If (Alta_altitud > 1) Then Alta_altitud = 1
Alta_altitud = Alta_altitud
If (Congelacion_alta < 0) Then Congelacion_alta = 0

If (Congelacion_alta > 1) Then Congelacion_alta = 1
Congelacion_alta = Congelacion_alta
If (Niebla < 0) Then Niebla = 0

If (Niebla > 1) Then Niebla = 1
Niebla = Niebla
If (Baja_radiacion_solar < 0) Then Baja_radiacion_solar = 0

If (Baja_radiacion_solar > 1) Then Baja_radiacion_solar = 1
Baja_radiacion_solar = Baja_radiacion_solar
netsum = -0.723195
netsum = netsum + Temperatura_baja * -0.7983574
netsum = netsum + Aire_frio_seco * -0.6139477
netsum = netsum + Alta_humedad * -0.7837439
netsum = netsum + Alta_altitud * 0.8014902
netsum = netsum + Congelacion_alta * 0.07020642
netsum = netsum + Niebla * 1.30855
netsum = netsum + Baja_radiacion_solar * -0.4811229
feature2(1) = 1 / (1 + Math.Exp(-netsum))
netsum = -0.04504148
netsum = netsum + Aire_frio_seco * 1.70403
netsum = netsum + Alta_altitud * -1.186064
netsum = netsum + Congelacion_alta * -0.03335913
netsum = netsum + Baja_radiacion_solar * 1.503191
netsum = -0.0740281
netsum = -0.1520253
netsum = netsum + Alta_humedad * 0.8458483
netsum = 0.3360444
netsum = netsum + Temperatura_baja * 1.868454
netsum = -0.5314908
netsum = -0.4078638
netsum = 0.162549
netsum = netsum + Alta_humedad * 1.581397
netsum = -1.980236
netsum = netsum + feature2(1) * 0.2785329
netsum = netsum + feature2(4) * -0.9631032
Helada_por_Radiacion = 1 / (1 + Math.Exp(-netsum))
netsum = -0.9020997
Helada_por_Advencion = 1 / (1 + Math.Exp(-netsum))
netsum = -1.606133
Helada_por_Evaporacion = 1 / (1 + Math.Exp(-netsum))
Helada_por_Radiacion = (Helada_por_Radiacion - 0.1) / 0.8

If (Helada_por_Radiacion < 0) Then Helada_por_Radiacion = 0
If (Helada_por_Radiacion > 1) Then Helada_por_Radiacion = 1
Helada_por_Advencion = (Helada_por_Advencion - 0.1) / 0.8

If (Helada_por_Advencion < 0) Then Helada_por_Advencion = 0
If (Helada_por_Advencion > 1) Then Helada_por_Advencion = 1
Helada_por_Evaporacion = (Helada_por_Evaporacion - 0.1) / 0.8

If (Helada_por_Evaporacion < 0) Then Helada_por_Evaporacion = 0
If (Helada_por_Evaporacion > 1) Then Helada_por_Evaporacion = 1
TextBox8.Text = Helada_por_Radiacion
TextBox9.Text = Helada_por_Advencion
TextBox10.Text = Helada_por_Evaporacion
'If TextBox8.Text And TextBox9.Text And TextBox10.Text = 1 Then

'TextBox8.Text = "Si"
'Else
'TextBox8.Text = "No"
End Sub
End Class
CONCLUSIONES
 La evolución como una forma de adaptación es un factor fundamental en el

sistema neuronal predictivo de heladas.
 Considerando la respuesta de la red neuronal propuesta, podemos asegurar

que la dependencia de estas variables con la ocurrencia de heladas
responder a una función no lineal.
 El proceso de modelación utilizando las redes neuronales es eficiente para

la predicción de heladas y permite la utilización de un bajo número de
variables.
 Durante la implementación de este programa hemos profundizado más en el

de un sistema disfrutando en su programación y aumentando nuestro
interés en el campo de las redes neuronales. Por otro lado, consideramos
que aplicaciones de este tipo son útiles para el ser humano.
 El sistema propuesto modela el conocimiento específico (de predecir las

heladas) mediante relaciones entre conceptos explicitados en las variables
evidénciales y sus valores y los factores de la helada (variable objetivo).El
prototipo de redes neuronales descripto ofrece diversas funcionalidades:
Puede tener un uso en nuestro Geofísico de nuestra ciudad, ayudando a los
expertos de este lugar a predecir las Heladas de Nuestro Valle.
RECOMENDACIONES
 Las recomendaciones futuras es poder trabajar en la predicción de

heladas con otros modelos de redes neuronales evolutivas.
 Entrenar la red neuronal con una cantidad mayor de datos diarios.
 Entrenar la rede neuronal un mayor número de épocas para que el

error encontrado disminuya.
 El prototipo realizado puede ser implementado en la institución del

GEOFISICO del Senamhi.
REFERENCIAS BIBLIOGRÁFICAS
1. Abonyi, J.; Babuska, R.; Szeifert, F.(2001). “Fuzzy Modeling with Multivariate
Membership Functions: Gray-Box Identification and Control Design”. IEEE
Transactions on Systems, Man, and Cybernetics – Part B: Cybernetics, Vol. 31, No.
5, pp. 755-767.
2. Díaz Q.F. (1983). Práctica de la defensa Contra Heladas. España, Milagro. 450 p.
3. Ojeda Bustamante W. y A. Ramirez Arias (2007). Las heladas en la agricultura,
4. principios y métodos. Archivo: 3-3Heladas.pdf, divulgado en Internet.
5. Snyder L.F. y J.F. Thompson (1987). Passive Frost Protection of trees and Vines.
USA.
6. University of California Cooperative Extension, Division of Agriculture and Natural
7. Resources. 7p.
8. Soza P. J.A. y Leon Fuenzalida M. (2005). Apuntes de control de heladas en vides y
9. frutales. Archivo: Control de Heladas JASoza Sept 2005.pdf, divulgado en Internet.
10. Valli V.J. Basic Principles Freeze Occurrence and the prevention of Freeze Damage
to
11. Crops. Published by Spot Heaters, Inc. USA. 20p.
12. Burgos J. J., (1963). “Las Heladas en la Argentina”. Colección Científica del Instituto
Nacional de Tecnología, 30 pp.
13. Hopkins Patricio, (1965). “Filosofía”, Buenos Aires, Ediciones Almagro.
14. García – Amaro E. (1989). Apuntes de climatología. Offset Larios, 6ª ed., 153 pp.
15. Jordan Michael I. (1998) “Recurrent Network”. Disponible:
www.pubserv.com/mite/pdf/jordan2.pdf
16. Bertona, Luis Federico, (2005). “Entrenamiento de Redes Neuronales basado en
Algoritmos Evolutivos,” Laboratorios en Sistemas inteligentes.

Informe - Redes Neuronales

Cargado por

Copyright:

Formatos disponibles

Informe - Redes Neuronales

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Informe - Redes Neuronales

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD CONTINENTAL DE CIENCIASE INGENIERIA

ESCUELA ACADEMICA PROFESIONAL INGENIERÍA DE SISTEMAS E

TITULO DEL PROYECTO:

PARA OPTAR EL TITULO DE:

INGENIERO DE SISTEMAS E INFORMÁTICO

PÁMELA SANTANA ACUÑA

GABRIEL TICSE QUINTANILLA

Noviembre del 2011

Las Redes Neuronales Artificiales representan una técnica de modelación

Debe considerarse que el rendimiento óptimo de la RNA está supeditado por su

En la presente investigación se utilizaran las Redes Neuronales Artificiales

PLANTEAMIENTO DEL ESTUDIO

1.1. Determinación del Problema:

Un invierno gélido como no se recuerda en años ha sido el responsable de

90 por ciento de la superficie siniestrada por las heladas estaba sembrada

De igual manera, refirió que en el valle del Mantaro, donde se encuentra la

De manera paralela al descenso de las temperaturas mínimas, los valores

1.2. Formulación del Problema:

Al desarrollar e implementar mediante redes neuronales artificiales la

Las redes neuronales artificiales (ANN) son modelos computacionales que

2.1. Antecedentes del problema:

 SISTEMA DE PREDICCIÓN DE HELADAS EN EL ALTIPLANO

 EVALUACIÓN ASIMÉTRICA DE UNA RED NEURONAL

 REDES NEURONALES ARTIFICIALES; CASO DE ESTUDIO: LA

 REDES NEURONALES PARA MODELAR PREDICCIÓN DE

 REDES NEURONALES ARTIFICIALES APLICADAS AL ANÁLISIS

 APLICACIÓN DE LAS REDES NEURONALES EN LOS SISTEMAS

2.2. Bases teóricas:

Las redes de neuronas artificiales son un paradigma de

Una red neuronal consiste en un conjunto de elementos de procesamiento

Las RN se basan en una estructura de neuronas unidas por enlaces que

Existen varios algoritmos que permiten ir corrigiendo el error de pronóstico;

1.2. Modelo de Red Neuronal Artificial:

Según Haykin en (“Neural Networks”, 1994); una red neuronal artificial es

Una primera clasificación de las redes de neuronas artificiales que se suele

Dos tipos de redes de propagación hacia delante o acíclicas en las que

o Monocapa. Ejemplos: perceptrón, Adaline.

1.4. Paradigma de Aprendizaje:

Se denomina paradigma de aprendizaje al modelo del entorno en el que la

Las redes neuronales consisten en una simulación de las propiedades

Una red neuronal se compone de unidades llamadas neuronas. Cada

1. Una función de propagación (también conocida como función de

Las redes neuronales artificiales (RNA) tienen muchas ventajas debido a

La helada es un fenómeno climático que consiste en un descenso de la

2.1. Tipos de helada:

La helada por radiación se debe a un enfriamiento progresivo

B. Helada por advección:

La helada por advección es ocasionada por la invasión de una

Este tipo es frecuente en tierras norteñas.

Helada por evaporación: La helada por evaporación es

Se conocen en los cultivos dos tipos de heladas:

 Helada negra: se efectúa un enfriamiento general en

 Helada blanca: dado el estado de floración de la

2.2. Definición de términos básicos:

1. Redes neuronales: de neuronas artificiales (denominadas

2. Inteligencia Artificial: Capacidad de un artefacto de realizar los

3. Aprendizaje: Es el proceso por el cual una red neuronal modifica

4. El aprendizaje supervisado: Consiste en entrenar la red a partir de

5. Neuroshell: Programa que contiene el estado de la técnica de