Posgrado Interinstitucional de Ciencia y Tecnología

COMIMSA CIENCIA Y
TECNOLOGIA
COPORACION MEXICANA DE INVESTIGACION EN MATERIALES
DIVISION DE ESTUDIOS DE POSGRADO

MÉTODO ITEREATATIVO Y HEURÍSTICO

PARA LA ELECCIÓN DE UNA FUNCIÓN
RADIAL MULTIVARIABLE

Anteproyecto para ingresar al Doctorado

En la Especialidad en Ingeniería Industrial
Y de Manufactura
Presenta:
Oswaldo Neave Ureña

Saltillo, Coahuila Agosto del 2018

 Posgrado Interinstitucional de Ciencia y Tecnología

COMIMSA CIENCIA Y
TECNOLOGIA
1.-DATOS GENERALES DEL ASPIRANTE

1.1 Nombres y Apellidos: Oswaldo Neave Ureña

1.2 Lugar y Fecha de Nacimiento: Saltillo, Coahuila
1.3 Nivel y especialidad de estudios terminados: Maestría en Ingeniería Aplicada
1.4 Institución(es) donde acredito estudios, año de terminación y promedio de
calificaciones: Universidad Autónoma de Coahuila, Enero del 2016.
1.5 Opción terminal y grado académico al que aspira en este posgrado: Doctorado en
Ciencia y Tecnología, Ingeniería Industrial

2. DATOS GENERALES DEL ANTEPROYECTO

2.1 Titulo: Método Iterativo y Heurístico para la elección de una función radial
multivariable
2.2 Empresa o Institución Proponente: COMIMSA
2.3 Tutor Académico: Rolando Javier Praga Alejo

2.4 Costo estimado del Proyecto

2.5 Fuente de Financiamiento

 Posgrado Interinstitucional de Ciencia y Tecnología

COMIMSA CIENCIA Y
TECNOLOGIA

3.1 Introducción

En la actualidad existen muchas herramientas estadísticas para el análisis de datos. En

este trabajo se enfocara en el del aspecto no lineal, es decir de datos que no tiene
ninguna relación aparente, ni matemáticamente.
Es decir aparentemente los datos no se comportan como ninguna de las distribuciones de
función existentes (lineal, cubica, exponencial, logarítmica, seno, coseno etc). Y
matemáticamente no se cumplen la definición de que los datos son lineales (es decir que
los datos de entrada expresados en su función que los describe son iguales a cero).
Las funciones de base Radial, son redes neuronales que a diferencia de las
convencionales (Backpropagation), estos son utilizados para datos como se mencionó
con anterioridad; datos no lineales. Un problema que surge en este tipo de funciones, es
el problema de elegir cual función de base Radial utilizar.
Existen diversos métodos que se han hecho en la actualidad, pero tienen problemas con
los diversos tipos de comportamiento en que se presentan los datos, algunas tipos de
distribución pueden afectar la elección de centros de la RBF. Lo que se pretende medir
cuando se seleccione el método propuesto es la rapidez, la precisión, la estabilidad bajo
diversos tipos de entrada de datos, ya que muchos métodos se ven afectados por el tipo
de datos de entrada.
Es un problema que existe tiempo atrás, ya que las redes neuronales con el paso del
tiempo tienden a evolucionar y hacerse más robustas, por lo que no es un problema que
se vaya a presentar en el futuro. La no linealidad es un problema que siempre ha estado
presente en las matemáticas, las funciones de base radial utilizan diversos tipos de
funciones como las multicuadraticas, inversas multicuadraticas, gaussianas que más
adelante iremos definiendo. El teorema de Michelle justifica el uso de estas funciones. En
donde se utilizan para calcular la distancia euclidiana de los datos con respecto a algún
punto, utilizando estas funciones.
La capa oculta es la capa de interés de este trabajo, pues es ahí en donde se debe de
desarrollar el algoritmo para poder establecer el método solución para la modelación del
proceso de manufactura. Debe de ser robusto ya que al ser robusto se acopla mejor a los
diversos tipos de datos que se le pudiesen presentar. La precisión como se menciona
con anterioridad es otro de los motivos de esta propuesta; ya que las funciones de base
radial son prometedoras en este aspecto.
Para poder desarrollar la función de base radial, es necesario calcular la matriz
(centros) y la matriz ya que para calcular la salida tenemos Donde
y , Haykin (1999). El cual utiliza la distancia euclidea para
calcular la distancia de los datos con respecto a los centros .
Hay muchos métodos, algunos calculan los centros con eigenvectores, algunos no, el
motivo de este trabajo es describir los diversos métodos más relevantes que existen en la
actualidad , colocarlos en una tabla de tal manera que al momento de integrarlos en uno
sola arroje la función radial más óptima. Existe una deficiencia en cuanto a la falta de
estandarización, falta de análisis y de una guía que determine cual método es el más
conveniente o cual función de base radial se aproxima mejor a los datos del investigador.
La utilización de las funciones de base radial surge de la necesidad de dar solución a la
problemática del sobre dimensionamiento de los datos, datos que tienen una distribución
poco común, en las que es necesario utilizar funciones que se asemejen a esas
distribuciones.
 Posgrado Interinstitucional de Ciencia y Tecnología

COMIMSA CIENCIA Y
TECNOLOGIA

Se plantea utilizar un método Heurístico e Iterativo que me permita determinar la función

de base radial utilizar, de manera rápida y eficaz. De tal manera que el Investigador sepa
que exista un método y una forma de llevar a cabo este proceso, sin la necesidad de
utilizar procedimientos tradicionales.
Aprender es equivalente a encontrar la superficie en un espacio multidimensional que
provee el mejor ajuste a los datos de entrenamiento con el criterio “mejor ajuste” en
términos estadísticos, Haykin (1999).
Las redes neuronales tratan de simular a las redes neuronales reales (cerebro humano),
son muy complejas y procesan información de manera paralela. Lo que ocurre en la
realidad es un proceso muy complejo que necesita de procesos complejos para poderlos
describir. Las redes neuronales son la mejor replica que describe de lo que ocurre hoy en
día, sobre la inteligencia artificial. Están compuestas de capas y de términos estadísticos
complejos que iremos definiendo.
La construcción de funciones de base radial (RBF), es la básica forma, que incluye tres
capas con completos roles diferentes. La capa de entrada que conectan el mundo exterior
con la red neuronal, la segunda capa, aplica trasformaciones no lineales del espacio de
entrada al espacio escondido, la cual es en su mayoría de casos altamente dimensional, y
la capa de salida que incluye la respuesta al patrón de activación (señal) aplicada en la
capa de entrada, Haykin (1999).

El algoritmo que se va a utilizar para la determinación de una función de base radial se

muestra en la siguiente tabla
Algoritmo 1
1.- Inicializar parámetros del problema (Datos, Centros, Anchos, Pesos de Conexión), de la
manera tradicional.
2.- Generar la función de base radial tradicional.
3.- Generar varias funciones de base radial de acuerdo a la gran variedad a los métodos más
relevantes que existen en la actualidad.
4.-Generar una función de base radial de manera combinada el cual este conformada por los
parámetros más distintivos de cada uno de los métodos definidos en el paso 3.
6.- Comparar ese modelo obtenido en el paso 3 con respecto a los modelos originales obtenidos
del paso 3.
7. Si no es mejor que los originales (obtenidos en el paso 3); generar otra combinación, en caso
de que ninguna combinación resulte optimo, utilizar el que arroje mejores resultados de los
obtenidos con anterioridad.
5.-Dar al investigador una tabla en donde se comparen los resultados los estadísticos más
significativos para evaluar una función de base radial
6.-Dar a conocer ese modelo o función que se ajusta mejor al proceso
7.-Representarlo gráficamente con respecto a la función original
Tabla 1.0 Algoritmo a utilizar para la generación de la función de base radial
 Posgrado Interinstitucional de Ciencia y Tecnología

COMIMSA CIENCIA Y
TECNOLOGIA

3.2 Marco Teórico

Hay que entender algunas definiciones del cerebro humano para poder asimilar el
funcionamiento de una red neuronal artificial como lo son;

Cerebro= Recibe la información y realiza las apropiadas decisiones.

Receptors= convierten el estímulo del cuerpo humano del ambiente externo en impulsos
eléctricos que transmiten la información hacia la red neuronal.
Effectors= Convierten los impulsos eléctricos generados por la red neuronal hacia
respuestas discernibles como sistemas de salidas.
Synapses= Son la estructura elemental y funcional que regulan las interacciones entre
neuronas.
El diagrama de bloques de la representación de un sistema nervioso, el cual se muestra
en la siguiente figura Haykin (1999).

Tipos de Funciones de Activación

La función de activación denotada por define la salida de una neurona en términos
del campo local inducido v. Identificamos tres tipos de funciones de activación.
Función del Umbral.
Para este tipo de función tenemos
(3.0)
Función Lineal
Donde el factor de amplificación adentro de la región lineal es asumido a ser la unidad.
Esta forma de una función de activación puede ser vista como una aproximación a un
amplificador no lineal.

(3.1)
 Posgrado Interinstitucional de Ciencia y Tecnología

COMIMSA CIENCIA Y
TECNOLOGIA

Montgomery et. al. (2002) definen una red neuronales como una estructura diseñada
para resolver ciertas clases de problemas, tratando de emular la forma en que lo haría el
cerebro humano. Es una “caja negra” la cual está compuesta por tres capas.

Función Sigmoidal

Por mucho es la forma de activación más usada en la construcción de una red neuronal.

( 3.2)

Donde a es el parámetro slope de la función sigmodal.

En la siguiente figura se pueden ver los diversos tipos de funciones de activación de una
red neuronal.

Figura 3.0 Diversas funciones de activación dentro de una red neuronal a) Umbral b)
Lineal
c) Sigmoidal
 Posgrado Interinstitucional de Ciencia y Tecnología

COMIMSA CIENCIA Y
TECNOLOGIA

Entradas= Datos de entrada

Capa Oculta= conjunto de variables derivadas
Capa de Salida= Respuestas
La arquitectura se muestra en la siguiente Imagen.

Figura 1.0 Arquitectura de una Red Neuronal

Las funciones de transformación suelen ser sigmoidales o lineales, y se les llama con
frecuencia funciones de activación o funciones de transferencia.

Donde son los parámetros desconocidos a calcular y es el parámetro que juega el

papel de ordenada al origen en regresión lineal (nodo de sesgo).
Cada nodo se transforma por la función de activación , sea , la salida del
nodo . Ahora se forma una combinación lineal de esas salidas, por ejemplo
donde . Por último, la v-esima
respuesta es una transformación de las , por ejemplo , siendo la
función de activación de la respuesta. Todo lo anterior se puede combinar y resulta.
 Posgrado Interinstitucional de Ciencia y Tecnología

COMIMSA CIENCIA Y
TECNOLOGIA
3.3 Funciones de Base Radial

Es un tipo de función que utiliza funciones gaussianas como función de activación de las
unidades. La capa oculta esta entrenada de la manera habitual, pero la entrada se
procesa de forma diferente en cada unidad oculta.
Todos ellos producen un valor de salida que se combina con el asociador lineal en la
salida. Es deseable que la unidad cuyo vector de peso se encuentre más cerca del vector
de entrada se dispara con más fuerza que las otras unidades ocultas.
Moody ay Darken propusieron la arquitectura mostrada en la siguiente Figura 3.0.

Figura 3.0 Red Hibrida con RMFs

Donde cada unidad es calculada como salida.

 Posgrado Interinstitucional de Ciencia y Tecnología

COMIMSA CIENCIA Y
TECNOLOGIA

3.4 Antecedentes

Se han hecho trabajos utilizando las redes neuronales con funciones radiales, uno es el
caso del de de Jesús León, (2016); “Análisis multivariado del proceso de fundición por
molde permanente mediante una red neuronal de función de base radial” en donde utiliza
las redes neuronales con funciones de base radial para modelar el problema de calidad
de número de poros en las masas de las cabeceras de material ZAMAK del asiento de un
automóvil.
Moreno Escobar et al en su tesis nombrada “Redes Neuronales para la detección de
microcalcificaciones en imágenes de mamografía”, utiliza la optimización en el espacio de
entradas, k-medias, distancias geométricas entre los centros de las funciones gaussianas
para el entrenamiento de estas redes neuronales.
Polani y Natajaran (2010); con sus tesis nombrada “Prediction of surface roughness in
CNC end milling by machine visión system using artificial neural network base don 2D
Fourier Transform” implementa las redes neuronales en un CNC end mill, utilizando un
sistema de visión, en donde recolectan los datos mediante un sistema de visión y va
recopilando los feed marks, utilizando la técnica de transformadas de Fourier. Una vez
recopilado los datos los analizaba con redes neuronales con back propagación todo esto
con la finalidad de predecir el acabado de la superficie que dejaría el endmill en su
trayectoria, presentan el trabajo en varias secciones en donde en cada uno se va
formando el modelo de predicción.
Lata et al. (2016), con el nombre “A review on experimental investigation of machining
parameters during CNC machining of OHNS” utiliza la serie de taguchi para ver la taza de
remoción de material, utilizando la metodología de superficies de respuesta NURBS. En
donde las variables que utilizan son corriente, pulso en tiempo, feed rate, etc. La máquina
que utilizan es una EMCO 105 CNC lathe, el acero utilizado es un SAE 1020 y el
software que utilizan es el matlab.
Hu, Jia (2017), hacen un trabajo en donde seleccionan la base de eigenvector para el
rápido entrenamiento de una red neuronal, en donde el rápido entrenamiento de la red
neuronal puede ser reducido con el eigenvector. Este método propone un buen balance
en cuanto al tiempo de entrenamiento y la veracidad de los datos obtenidos, sin embargo
algunas de las problemáticas dan a conocer son que las distribuciones en que se
comportan los datos pudiesen afectar la elección de los centros, y que también necesita
una explicación matemática.
Zhou, Li, Cheng (2010) con el trabajo “La automatización de la selección de un modelo y
el ancho de la variable kernel para las funciones de base radial” en donde desarrollaron
un nuevo algoritmo automático para el criterio de selección del modelo, el método que
propusieron puede garantizar superposición entre los kernels gausianos y puede detectar
el numero correcto de las unidades escondidas en diferente sistemas no lineales.
Xu, Jayawardena, etc (2012) con su artículo “Selección del modelo para RBF
generalizando los grados de libertad” establecen un método en donde asumen los anchos
, los arreglan, y estiman los anchos por medio del método de mínimos cuadrados,
después arreglan los anchos por el método Lerberg-Marquant, regresan al paso
donde arreglan los anchos hasta que se cumpla que sea menor al
valor límite, en donde dicen que este método es más estable y poderoso que otros
métodos de elección de la función de base radial.
 Posgrado Interinstitucional de Ciencia y Tecnología

COMIMSA CIENCIA Y
TECNOLOGIA

3.4 Justificación

En la actualidad existen muchos modelos o predictores que determinan la solución a un

sistema de origen no lineal, sin embargo, cuando se presenta un problema con varias
respuestas a la vez, las soluciones se reducen, y entra la cuestión de cual elegir.
Analizar los métodos existentes y proponer uno mejor que sea más simple y rápido, dar al
diseñador una catálogo de las posibles soluciones al problema de predicción en tiempo
real, e elegir el mejor de acuerdo a un estadístico en particular, de tal manera que esa
selección sea el que más se asemeja a la problemática, es uno de los propósitos de este
trabajo. La no linealidad resulta un tema importante en el análisis de datos, ya que resulta
imposible analizar estos datos con métodos como redes neuronales con backpropagation,
análisis de regresión multivariable, etc. Es necesario utilizar un método de modelado que
permita ajustar a esa función en particular, sin necesidad de ir revisando modelo por
modelo para ver cual se ajusta mejor. ¿Cuál función de base radial a utilizar? ¿Cuál tiene
el mínimo porcentaje de error? Son unas de las preguntas que nos tenemos que ir
formulando. Las aportaciones que se generen a este trabajo, pudiese solventar o ayudar
al investigador o al diseñador la elección de la función de base radial para el modelado en
los procesos de manufactura.
Las redes neuronales son asignadas a un subconjunto de tareas que encajan con sus
capacidades, Haykin (1999).

3.5.3 Hipótesis de Investigación

El método de selección de base radial propuesto en este trabajo, ofrece un ahorro de

tiempo y genera mayor exactitud al investigador en la búsqueda de esa función, al
momento de evaluar los datos de investigación.

3.5.1 Hipótesis Nula

H0: El método propuesta para la selección de una base radial no cumple con el supuesto
de análisis de varianza mulivariado.

3.5.2 Hipótesis Alternativa

El método propuesto para la selección de una base radial cumple con el supuesto de
análisis de varianza multivariado
La función de base radial elegida tiene el menor error residual
Mediante este método propuesto de selección de la función de base radial es posible
determinar cuál variable de entrada es la más significativa.
 Posgrado Interinstitucional de Ciencia y Tecnología

COMIMSA CIENCIA Y
TECNOLOGIA
3.6 Objetivo General

 Diseñar un método Iterativo e Heurístico que permita seleccionar la función de

base Radial que mejor describa un proceso de manufactura en particular.

3.6.2 Objetivos Específicos

 Modelar un proceso de manufactura, mediante la función de base radial elegida

con anterioridad de acuerdo a su porcentaje de error.
 Determinar el grado de predicción de la función radial elegida con anterioridad
 Determinar el porcentaje de error de los diferentes funciones de base radial
 Estimar los anchos por el método de mínimos cuadrados
 Determinar el procedimiento o solución para la elección de la función de base
radial de una red neuronal, en donde se dé una explicación matemática de los
resultados obtenidos así como el involucramiento de diversos tipos de datos (no
solo lineales)

3.7 Delimitaciones

 La investigación se delimita al estudio de las redes neuronales, enfocándose más

en las de base radial, sin considerar otro tipo de métodos de inteligencia artificial
 La investigación se centrara en procesos de manufactura relacionados con
maquinado CNC en la supervisión del acabado superficial, sin considerar diversos
tipos de manufactura como lo son la soldadura, electro erosionado, etc.
 Posgrado Interinstitucional de Ciencia y Tecnología

COMIMSA CIENCIA Y
TECNOLOGIA

3.8 Limitaciones

Durante el desarrollo metodológico de la elección de una función de red neuronal

multivariable se pueden presentar diversos retos que se abordarán y trataran de dar
solución durante el transcurso del doctorado.
 Posgrado Interinstitucional de Ciencia y Tecnología

COMIMSA CIENCIA Y
TECNOLOGIA

3.7 Metodología

Figura 3.0 Metodología de Proyecto de Investigación de Selección de una base de

Función Radial

Para el desarrollo de este trabajo se plantea primero obtener datos de un proceso de

manufactura relacionado con el proceso de maquinado por CNC, en donde se presente
problemas de control de una variable en particular; obteniendo así sus principales
variables que pudiesen afectar su salida. Una vez obtenida la muestra, se plantean los
diversos funciones de base radial en mis datos obtenidos, se sacan sus resultados con
base a fórmulas ya establecidas, se grafican contra la respuesta deseada, se colocan de
tal manera que el investigador tengan un panorama general de las diversas funciones que
existen; para eso será necesario estudiar el funcionamiento de cada una de estas
funciones y se colocan todo en una solo archivo o ventana. Una vez evaluado los datos
en cada una de las funciones se procederá al análisis de datos; determinar cuál es la
función de base radial con menor error de predicción, para esto se hará uso des
estadístico , sin embargo pueden resultar otras variables que puedan
conducir a evaluarla de manera diferente y podría cambiar la forma de elección,
finalmente obtenido esa función de base radial se pueden plasmar los resultados.
 Posgrado Interinstitucional de Ciencia y Tecnología

COMIMSA CIENCIA Y
TECNOLOGIA

3.8 Cronograma y Actividades

Dentro del cronograma de actividades como se puede apreciar en la Tabla 3.8, se llevan a
cabo varias materias de asignatura de formación hasta el décimo cuatrimestre,
asignaturas de aplicación hasta el segundo cuatrimestre, en donde en los primeros meses
lo que se pretende es generar estado de arte durante los primeros 5 cuatrimestres, en el
6to cuatrimestre se genera el nuevo modelo iterativo. En el 7mo y 8vo se generan los
datos obtenidos de un proceso de manufactura, en el 9no se evalúan los datos. En el
10mo se analizan los datos. En el 11vo se elige el método, ya para en el 12vo
cuatrimestre se espera obtener los resultados.

Tabla 3.8 Cronograma de Actividades

 Posgrado Interinstitucional de Ciencia y Tecnología

COMIMSA CIENCIA Y
TECNOLOGIA

3.9 Bibliografía.

Libros

1.Montgomery, Peck and Vening (2002) Introducción al Análisis de Regresión Lineal,

Patria.
2.Chennakesava, R.A(), Fuzzy Logic and Neural Networks Basic concepts and aplications,
New Age.
3.Haykin S (1999), Neural Networks a comprehensive foundation, Pearson.
4.Rojas R. (1996), Neural Networks a systematic Introduction, Springer

Journals

1.Moreno Escobar A, Gallegos Funes F.J, () La función de base Radial como un método
para la detección de microcalcificaciones en imágenes de mamografía
2.Lata S, Gupta A, Jain A, Rana R (2016) A review on experimental investigation of
machining parameters during CNC machining of OHN , Engineering Research and
Applications.
3.Polani S, Natajaran N (2010) Prediction of surface Roughness in CNC end milling by
machine visión system using artificial neural network base don 2D fourier transform,
Springer.
4.De León Delgado H.J (2016) Análisis Multivariable del proceso de fundición por molde
permanente mediante una red neuronal de función de Base Radial, Tesis.
5.Hu Y, You J.J, Tiantian J.N.K (2017) An eigenvector based center selection for fast
training scheme of RBNN, Springer.
6.Li Z, Wu, Cheng (2010) The automatic model selection and variable kernel width for RBF
neural networks, Springer.
7.Su, Jawardena, Li (2012) Model Selection for RBF network via generalized degree of
freedom, Springer.
 Posgrado Interinstitucional de Ciencia y Tecnología

COMIMSA CIENCIA Y
TECNOLOGIA

4. RESULTADOS E IMPACTOS ESPERADOS

Los resultados que se esperan es ahorrar tiempo y simplificar el proceso de selección de

una red neuronal de base radial

5. INFRAESTRUCTURA Y APOYOS TECNICOS DISPONIBLES

5.1 Recursos Humanos

Laptop con buenas capacidades para elaborar cálculos científicos

5.2 Instalaciones
COMIMSA

5.3 Equipos

5.4 Equipos

5.5 Colaboraciones con otras instituciones del PICYT y externas