Redes Neuronales - GNSS

8/18/2019 Redes Neuronales - GNSS

1/12

RedesNeuronales

y

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


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


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$


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


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


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$


8/12

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


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.


)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$


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


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$


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


12/12

GRACIAS

Documents

Redes Neuronales - GNSS