Redes Neuronales - GNSS
Transcript of Redes Neuronales - GNSS
-
8/18/2019 Redes Neuronales - GNSS
1/12
RedesNeuronales
y
GNSS
-
8/18/2019 Redes Neuronales - GNSS
2/12
O B J E T I V O S
• Entender el funcionamiento básico de las neuronas biológicas
• Entender el funcionamiento de las neuronas articiales y de las
redes neuronales
• Conocer las distintas arquitecturas y tipos de redes neuronales
• Conocer los tipos de procesos de aprendizae o entrenamiento de
redes neuronales con GNSS
-
8/18/2019 Redes Neuronales - GNSS
3/12
F U N C I O N A M I E N T OD E U N A N E U R O N A B I O L Ó G I C A
Las Neuronas biológicas se componende:
Sinapsis,Dendritas, Axones y
Cuerpos Celulares.https://youtu.be/02RcBPMbzKg
!n axón se dene como una protuberancia quetransporta la salida de la neurona "asta lascone#iones de otras neuronas .
Dendritas son protuberancias que proporcionanárea supercial en abundancia para facilitar lacone#ión con los a#ones de otras neuronas$
El !"er#$ !el"lar o soma es el centrometabólico de la neurona& es el lugar dondese fabrican las mol'culas y se realizan lasacti(idades fundamentales para mantener la(ida y las funciones de la c'lula ner(iosa$
)a transmisión de los impulsos ner(iosos entredos neuronas tiene lugar en la cone#ión entreambas llamada sina#sis
)as sinapsis se establecen normalmente entrela parte terminal de un a#ón y el cuerpo o lasdendritas de otra neurona$
https://youtu.be/02RcBPMbzKghttps://youtu.be/02RcBPMbzKg
-
8/18/2019 Redes Neuronales - GNSS
4/12
!na de las metodolog*as con un mayor auge en la +ltima d'cada
son ,
R E D E S N E U R O N A L E S A R T I F I C I A L E S
Son estructuras formales de carácter matemático y estad*stico con la
propiedad del aprendizae
Entradas -ya sean estos datos originales o
bien salidas de otras neuronas de la red.$ Cada
entrada entrada pro(iene de una cone#ión que
tiene cierta fuerza -o peso.& lo que se denomina
Equivalencia entre los componentes de las
neuronas biológicas y los de las neuronas
artificiales.
Estos pesos se corresponden con la ecacia
sináptica de una neurona biológica
Cada neurona tiene tambi'n un cierto (alor
umbral. En el interior de la neurona se suman
las entradas& y a esta suma se le resta el (alor
umbral propio de la neurona$ Esto genera
la acti(ación de la neurona& tambi'n conocidacomo potencial post/sináptico o 0S0 $
)a se1al de acti(ación se procesa
mediante una función de
activación & tambi'n conocida
como función de transferencia& que
da lugar a la salida de la neurona$
-
8/18/2019 Redes Neuronales - GNSS
5/12
L O S T R E S % & ' E L E M E N T O S C L A V E D E L O SS I S T E M A S B I O L Ó G I C O S ( U E ) R E T E N D E N
E M U L A R L O S A R T I F I C I A L E S S O N *
E L ) R O C E S A M I E N T O E N ) A R A L E L O *2peraciones de cálculo se realizan al mismo tiempo
L A M E M O R I A D I S T R I B U I D A *0ermite a los modelos biológicos ser tolerantes a los fallos& debido a que
muc"as neuronas pueden realizar tareas similares produci'ndose intercambios
de funciones$
L A A D A ) T A B I L I D A D *Garantiza el proceso de aprendizae
• En los tres sistemas se encargan de representar u obtener el
comportamiento y conocimiento "umano$
• )os tres sistemas son digitales e intangibles
• En los sistemas se utilizan (ariables o reglas y por medio de ellos semeoran las tareas que se terminan con(irtiendo en Soft3are$
S E M E J A N + AS
-
8/18/2019 Redes Neuronales - GNSS
6/12
A L G U N A S D E L A S A ) L I C A C I O N E SS O B R E S A L I E N T E S D E L A S R E D E SN E U R O N A L E S S O N *
• 0rocesamiento de imágenes$• Reconocimiento de patrones$• 0redicción$• 2ptimización$• 0rocesamiento de se1ales$
S E U T I L I + A ) A R A *
• Na(egación automatizada para automó(iles• )a ayuda de emergencia• El seguimiento de acti(os& pre(ención de colisiones$
• 4onitoreo 4edio 5mbiente y asistencia del automó(il$• )a con(ergencia de la localización& gestión de información y
tecnolog*as
-
8/18/2019 Redes Neuronales - GNSS
7/12
R E D E S N E U R O N A L E S S U ) E R V I S A D A S
, N O S U ) E R V I S A D A S
)as redes neuronales se clasican com+nmente en t'rminos de sus correspondientesalgoritmos o m'todos de entrenamiento,
R E D E S D E E N T R E N A M I E N T O S U ) E R V I S A D A
Son los modelos de Redes ne"r$nales -.s #$#"lares& los datos para elentrenamiento están constituidos por (arios pares de patrones de entrenamiento de
entrada y de salida$ El "ec"o de conocer la salida implica que el entrenamiento sebenecia la super(isión de un maestro$ 6ado un nue(o patrón de entrenamiento los
pesos serán adaptados de la siguiente forma,
0ara los modelos de entrenamiento No Super(isado& el conunto de datos de
entrenamiento consiste sólo en los patrones de entrada& por lo tanto& la red es
entrenada sin el benecio de un maestro$ )a red aprende a adaptarse basada en las
e#periencias recogidas de los patrones de entrenamientos anteriores$ El siguiente es el
esquema t*pico de un sistema 7No Super(isado8
R E D E S D E E N T R E N A M I E N T O N OS U ) E R V I S A D A
R E D E S D E ) E S O S F I J O S
0ara las redes de pesos os no e#iste ning+n tipo de entrenamiento$
-
8/18/2019 Redes Neuronales - GNSS
8/12
M O D U L A R N E U R A L N E T / O R 0 S F O RM A ) 1 M A T C 2 E D G ) S ) O S I T I O N I N G
% 3 4 A R T 5 C U L O '
C O N C L U S I O N E S
)as RN5 creadas tienen potencial para meorar la precisión de la posición para
situaciones con los sat'lites reducidos a la (ista y la geometr*a de receptores pobres&
por eemplo& ca1ones urbanos& zonas de bosque o terreno accidentado$ 0or otraparte& los resultados de in(estigaciones anteriores demuestran que las RN5 son
capaces de seleccionar el camino correcto utilizando entradas num'ricas deri(ados
de la trayectoria del receptor G0S y la geometr*a de la red de carreteras$
El resultado de este trabao es una meora de alrededor del 9:; en comparación
con G0S mm seleccionar el segmento de ruta correcta para posiciones G0S prima
en escenarios de carreteras dif*ciles$ Esto demuestra que el empareamiento demapas puede ser aumentado de manera efecti(a con la ayuda de RN5s$
Se busca meorar la precisión &el posicionamiento y obtener la ruta mas optima en
carreteras y caminos consiguiendo obtener resultados óptimos utilizando tecnolog*a
de redes Neuronales 5rticiales$ aun cuando se pierda la se1al GPS con estructuras
ya sea por su tama1o o ubicación $
)a RNA S"#er6isada& se entrenó con parámetros de entrada adecuados e#tra*dos
de la geometr*a de la carretera digitales de carretera l*neas centrales& y latrayectoria del receptor G0S utilizando G0S mm$ )os datos de prueba del G0S seobser(aron en diferentes escenarios de la carretera& como caminos rectos& piezascur(adas carreteras& (*as paralelas& cruces y rotondas para demostrar el rendimientode la red nal
-
8/18/2019 Redes Neuronales - GNSS
9/12
E L D I S E 7 O D E U N A R E DN E U R O N A L ) A R A E L G ) SI N T E G R A C I Ó N 8 I N S 8 ) L
( 2 º A R T Í C U L O )0or medio de un dise1o alta precisión G0S ueriendo predecir las soluciones de na(egación
-cuando la se1al esta disponible.
C O N C L U S I O N E S
)as Redes Neuronales se pueden utilizar para meorar las soluciones de na(egaciónestimando el ltro de ?alman cuando las mediciones =NS están disponibles$
El m'todo propuesto puede meorar la solución de na(egación entre lasactualizaciones de G0S$ Se necesitan más in(estigaciones para desarrollar una redneuronal para su uso con G0S$
)os resultados de las pruebas primarias "an indicado que "ay algunas relaciones entre laplataforma de cambios dinámicos durante la actualización ltro de ?alman -entrada redesneuronales. y el ltro de ?alman predieron estados de error -salida redes neuronales.$
El 0rocedimiento de formación de redes neuronales se procesa a la tasa de muestreoG0S& y luego debidamente capacitado redes neuronales se puede utilizar parameorar la predicción con el ltro de ?alman a la tasa de salida del sistema -"asta la
tasa de muestreo =4!. en tiempo real$
-
8/18/2019 Redes Neuronales - GNSS
10/12
C A S O D E E S T U D I O
A P R O X I M A C I O N G E O I D A L L O C A LU S A N D O U N A R E D N E U R O N A L
C O N C L U S I O N E S
Se quiere utilizar para algunos nes en ingenier*a& en donde se requiere laaltura de carácter f*sico con buena precisión$ En (ista que G0S proporcionaalturas sobre una supercie geom'trica& es necesario determinar un modelogeoidal para poder transformarla a la altura ortom'trica 4odelos Geoidalesactuales
)a t'cnica de RN5 es muy +til para ser utilizado como apro#imación desupercies ya que da meores resultados que el auste de una superciematemática para apro#imar al geoide$
)os (alores obtenidos& indica que este modelo neuronal puede ser(ir paraalgunos trabaos en ingenier*a& principalmente en acti(idades en donde elerror en la altura ortom'trica requerida& sea menor que los : cm$
-
8/18/2019 Redes Neuronales - GNSS
11/12
Internationa Goba !a"igation Sateite Syste#s Society IG!SS
Sy#posiu# 200$
http://%%%.researchgate.net/pubication/22&'$$(2)*+esigning*a*neura*net
%or,*-or*GPSI !SP*integration
Mouar !eura !et%or,s -or MapMatche GPS Positioning
http://.ac#.org/citation.c-#1i3&&04)'
5pro6i#acion Geoia oca 7sano una Re !eurona 5rti-icia Muticapa
https://%%%.u-pe.br/cgtg/SIMG89II*+/9rganizao/geo/244.p-
o#paraci;n e rees neuronaes y regresi;n inea para esti#ar
proucti"ia e sitio en pantaciones -orestaes< utiizano geo#=tica
http://#ingaonine.uach.c/scieo.php1piS0>3>
'200200$00030000)?scriptsci*artte6t
8 @itro +e Ka#an
http://%%%.bccr.-i.cr/in"estigacionesecono#icas/#etooscuantitati"os/@i
tro*e*Ka#an.p-
B I B L I O G R A F I A
-
8/18/2019 Redes Neuronales - GNSS
12/12
GRACIAS