Professional Documents
Culture Documents
COMIMSA CIENCIA Y
TECNOLOGIA
COPORACION MEXICANA DE INVESTIGACION EN MATERIALES
DIVISION DE ESTUDIOS DE POSGRADO
COMIMSA CIENCIA Y
TECNOLOGIA
1.-DATOS GENERALES DEL ASPIRANTE
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
COMIMSA CIENCIA Y
TECNOLOGIA
3.1 Introducción
COMIMSA CIENCIA Y
TECNOLOGIA
COMIMSA CIENCIA Y
TECNOLOGIA
Hay que entender algunas definiciones del cerebro humano para poder asimilar el
funcionamiento de una red neuronal artificial como lo son;
(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)
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
Las funciones de transformación suelen ser sigmoidales o lineales, y se les llama con
frecuencia funciones de activación o funciones de transferencia.
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.
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
H0: El método propuesta para la selección de una base radial no cumple con el supuesto
de análisis de varianza mulivariado.
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
3.7 Delimitaciones
COMIMSA CIENCIA Y
TECNOLOGIA
3.8 Limitaciones
COMIMSA CIENCIA Y
TECNOLOGIA
3.7 Metodología
COMIMSA CIENCIA Y
TECNOLOGIA
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.
COMIMSA CIENCIA Y
TECNOLOGIA
3.9 Bibliografía.
Libros
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
5.2 Instalaciones
COMIMSA
5.3 Equipos
5.4 Equipos