CARLOS DRAUGIALIS PESSOA
FACULTAD DE INGENIERÍA Carrera Ingeniería de Sistemas
MODALIDAD DE GRADUACIÓN
Tesis de Grado
“Análisis Comparativo entre el Análisis y Diseño de un Modelo Dinámico Adaptativo y un Modelo Estático” (Caso de Estudio : Señales en Patrones Luminosos)
Carlos Draugialis Pessoa
Santa Cruz - Bolivia 2014
CARLOS DRAUGIALIS PESSOA
FACULTAD DE INGENIERÍA Carrera Ingeniería de Sistemas
MODALIDAD DE GRADUACIÓN
Tesis de Grado
“Análisis Comparativo entre el Análisis y Diseño de un Modelo Dinámico Adaptativo y un Modelo Estático” (Caso de Estudio : Señales en Patrones Luminosos)
Carlos Draugialis Pessoa NR. 2005110078 Tesis de Grado para optar al grado de Licenciado en Ingeniería de Sistemas
Santa Cruz - Bolivia 2014
CARLOS DRAUGIALIS PESSOA
Dedicado:
“A la memoria de mi hermano Cristóbal, cuyo ejemplo me sirve de inspiración para perder el tiempo en cosas que valgan la pena.”
Agradecimientos:
Agradezco a mis padres por darme alas para volar, al Phd. Raúl Eid Ayala por ser compañero y amigo; al Phd. Javier Alanoca siempre presente. A Mis amigos que sin cuya oración, y apoyo no hubiese podido luchar.
TITULO:
AUTOR: PROBLEMÁTICA
CARLOS DRAUGIALIS PESSOA
ABSTRACT
“Análisis Comparativo entre el Análisis y Diseño de un Modelo Dinámico Adaptativo y un Modelo Estático” (Caso de Estudio : Reconocimiento de Señales en Patrones Luminosos) Carlos Draugialis Pessoa.
El uso y aplicación de Inteligencia Artificial, a tenido un crecimiento muy disparejo a comparación de otros paradigmas, muchas de sus capacidades positivas, y esperanzas de crecimiento se convirtieron rápidamente en aspectos claramente negativos; como las expectativas de crecimiento produciendo posteriormente su vertiginosa caída. Una de las principales trabas que surgieron es sus épocas de apogeo, fueron las capacidades de Hardware para hospedar dichas aplicaciones. Las expectativas puestas en dicho paradigma, son bien fundamentadas, vistas en la resoluciones de problemas no lineales, pero sobre todo la capacidad de emular en ciertos aspectos el razonamiento humano. Pero, ¿porque entonces, si el hardware ahora tiene las capacidades, y la tecnología esta tan avanzada, la Inteligencia Artificial sigue quedando de lado como primera opción para el desarrollo de aplicaciones simples?, ¿Es posible aplicar los Modelos Dinámico Adaptativo y Estático, para la resolución de un mismo problema de Búsqueda de señales dentro de patrones luminosos?. OBJETIVO
Destacar Las Ventajas Vs. Desventajas De Aplicar El Análisis Y Diseño De Un Modelo Dinámico Adaptativo Y De Un Modelo Estático Para La Resolución Del Problema De "Búsqueda De Señales En Patrones Luminosos". CONTENIDO
a)Inteligencia Artificial; b)Análisis y Diseño. c) Riesgos CARRERA PROFESOR GUIA DESCRIPTORES O TEMAS E-MAIL FECHA
: Ingeniería de Sistemas :Phd. Raúl G. Eidd Ayala, Ing.
Ernesto
Roca : Inteligencia Artificial, Algoritmos Estáticos
:
[email protected] : Agosto de 2014
CARLOS DRAUGIALIS PESSOA
CARLOS DRAUGIALIS PESSOA
Tabla de contenido
Resumen. .......................................................................................................................9 Introducción .................................................................................................................11 Capitulo 1 : Marco Teórico .............................................................................................1 1.1 Problemática............................................................................................................3 1.1.1 Planteamiento del Problema.............................................................................3 1.1.2 Situación Problemática....................................................................................4 1.1.3 Situación Deseada............................................................................................5 1.1.4 Justificación.....................................................................................................5 1.1.5 Hipótesis...........................................................................................................6 1.1.6 Esquema...........................................................................................................9 1.2 Objetivos y Metodología.......................................................................................12 1.2.1 Objetivo General............................................................................................12 1.2.2 Objetivos específicos.....................................................................................12 1.2.3 Requisitos.......................................................................................................14 1.2.4 Alcance...........................................................................................................15 1.2.5 Metodología...................................................................................................16 1.2.5.1 Alcance de la Metodología.....................................................................17 1.2.6 Resumen.........................................................................................................20 Capitulo 2 : Sustento Teórico ........................................................................................21 2.1 Inteligencia Artificial (IA).....................................................................................22 2.1.1 Introducción...................................................................................................22 2.1.2 Inteligencia.....................................................................................................22 2.1.3 Historia...........................................................................................................23 2.1.4 RNA Redes Neuronales Artificiales...............................................................25 2.1.5 Algoritmos Genéticos.....................................................................................28 2.1.6 Algoritmos Meméticos...................................................................................30 2.1.7 Lógica Difusa (borrosa).................................................................................30 i
CARLOS DRAUGIALIS PESSOA
2.1.7.1 Difusor....................................................................................................31 2.1.7.2 Des-difusor.............................................................................................31 2.2 Redes Neuronales Artificiales (RNA)....................................................................32 2.2.1 Nivel Biológico..............................................................................................32 2.2.1.1 La Neurona.............................................................................................32 2.2.1.2 Impulso Nervioso...................................................................................34 2.2.1.3 Sinapsis...................................................................................................34 2.2.1.4 Neurotransmisores..................................................................................35 2.2.2 Nivel Artificial...............................................................................................35 2.2.2.1 El perceptrón..........................................................................................35 2.2.2.2 Impulsos nerviosos y sinapsis................................................................36 2.2.3 Clasificación de las Redes Neuronales Artificiales........................................36 2.2.3.1 Mono-Capa.............................................................................................37 2.2.3.2 Multi-capa..............................................................................................37 2.2.4 Aprendizaje Supervisado................................................................................38 2.2.5 Aprendizaje no supervisado...........................................................................38 2.2.6 Memoria Asociativa.......................................................................................39 2.2.7 Ejemplos de Redes Neuronales......................................................................39 2.2.7.1 Adeline...................................................................................................39 2.2.7.2 Avalancha...............................................................................................40 2.2.7.3 BackPropagation....................................................................................40 2.2.7.4 Perceptron...............................................................................................41 2.2.7.5 Redes de Hopfield..................................................................................41 2.3 Imagen y su Tratamiento.......................................................................................42 2.3.1 Señal Analógica y Digital..............................................................................42 2.3.2 Digitalizar.......................................................................................................44 2.3.3 Imagen Digital................................................................................................46 2.3.3.1 Operaciones sobre Imágenes..................................................................49 2.3.4 Resumen.........................................................................................................49 Capitulo 3 : Modelos, su Análisis y Diseño ..................................................................50 ii
CARLOS DRAUGIALIS PESSOA
3.1 Modelo de Razonamiento Dinámico Adaptativo...................................................51 3.1.1 Justificación Científica del Modelo...............................................................51 3.1.2 Modelado.......................................................................................................56 3.1.2.1 Introducción............................................................................................56 3.1.2.2 Requisitos...............................................................................................57 3.1.2.3 Actividades.............................................................................................58 3.1.3 Diagramas de Flujo de Datos (DFDs)............................................................64 3.1.4 Algoritmia y Diccionario de Datos................................................................66 3.1.4.1 Algoritmo Mutación...............................................................................66 3.1.4.2 Algoritmo Red Neuronal Artificial.........................................................68 3.1.4.3 Algoritmo Ejecución de Tareas..............................................................70 3.1.4.4 Algoritmo Traductor...............................................................................72 3.1.4.5 Algoritmo Tratamiento de Imagen.........................................................73 3.1.4.6 Algoritmo Generar Matriz......................................................................75 3.1.4.7 Algoritmo Traductor...............................................................................77 3.1.4.8 Base de Datos.........................................................................................79 3.1.5 Aplicaciones referentes al Modelo Dinámico Adaptativo..............................90 3.2 Modelo de Estático................................................................................................92 3.2.1 Modelado.......................................................................................................92 3.2.1.1 Requisitos...............................................................................................92 3.2.2 Módulos del Sistema y sus Actividades.........................................................92 3.2.3 Diagramas de Flujo de Datos.........................................................................94 3.2.4 Algoritmia y Diccionario de Datos................................................................95 3.2.4.1 Algoritmo Procesamiento de la Información..........................................95 3.2.4.2 Algoritmo Editar Información................................................................97 3.2.4.3 Algoritmo Generar Trazo.......................................................................99 3.2.4.4 Ejecución de Tareas..............................................................................101 3.2.4.5 Algoritmo Traductor.............................................................................103 3.2.4.6 Algoritmo Tratamiento de Imagen.......................................................104 3.2.4.7 Algoritmo Traductor.............................................................................106 iii
CARLOS DRAUGIALIS PESSOA
3.2.5 Base de Datos...............................................................................................107 3.2.6 Aplicaciones referentes al Modelo Estático.................................................112 3.3 Análisis de riesgos................................................................................................113 3.3.1 Análisis de Riesgos del Modelo Dinámico Adaptativo................................114 3.3.2 Análisis de Riesgos Modelo Estático...........................................................115 3.4 Resumen...............................................................................................................116 Capitulo 4 : Análisis ....................................................................................................117 4.1 Justificación de los modelos de Diseño...............................................................118 4.2 Comparación de Modelos....................................................................................119 4.2.1 Área de Aplicación.......................................................................................120 4.2.2 Predicción de su funcionamiento y respuesta..............................................122 4.2.3 Razonamiento...............................................................................................123 4.2.4 Manejo de Información................................................................................124 4.2.4.1 La base de datos crece por....................................................................125 4.2.4.2 Genera su propia información para adaptarse......................................126 4.2.4.3 La información de la Base de datos es legible directamente................126 4.2.5 El Usuario Maneja directamente los cambios..............................................127 4.2.6 Facilidad.......................................................................................................128 4.2.6.1 Es Fácil de Reutilizar...........................................................................129 4.2.6.2 Facilidad para el Usuario......................................................................129 Capitulo 5 : Conclusiones ...........................................................................................130 Capitulo 6 : Recomendaciones ...................................................................................134 Bibliografía ................................................................................................................136 Anexos. ......................................................................................................................137 Hoja de Vida.............................................................................................................138
iv
CARLOS DRAUGIALIS PESSOA
Tabla de ilustraciones
Ilustración 1: Esquema del Problema : Carlos Draugialis Pessoa...................................9 Ilustración 2: Ejemplo de RNA totalmente conectada (Informática Aplicada a la Ingeniería de Procesos)..................................................................................................26 Ilustración 3: Variaciones de neuronas en forma (Cfr. Barr, 1975) [De la Neurona a la Persona, Ricardo Castañon Gomez, 1995, pag 41].......................................................32 Ilustración 4: Perceptrón:
http://electronica.com.mx/neural/informacion/perceptron.html....................................34 Ilustración 5: Analógico/Digital : Autor Huircán, Juan Ignacio....................................44 Ilustración 6: Fuente: Shaum Señal Analógica..............................................................44 Ilustración 7: Fuente: Shaum Señal Digital...................................................................45 Ilustración 8: Operaciones sobre Imágenes.
(http://informatica.uv.es/doctorado/AIRF/ParteAI/tema2.pdf )....................................48 Ilustración 9: Razonamiento : Carlos Draugialis Pessoa...............................................50 Ilustración 10: Diagrama 0 : Carlos Draugialis Pessoa.................................................63 Ilustración 11: Diagrama 1 : Carlos Draugialis Pessoa.................................................63 Ilustración 12: Diagrama 2 (MIA): (Carlos Draugialis Pessoa)....................................64 Ilustración 13: Algoritmo padre Mutacion (Carlos Draugialis Pessoa).........................65 Ilustración 14: Algoritmo Padre RED_NEURONAL_ARTIFICIAL (Carlos Draugialis Pessoa)...........................................................................................................................67 Ilustración 15: Algoritmo Ejecución de Tareas (Carlos Draugialis Pessoa)..................69 Ilustración 16: Algoritmo TRADUCTOR (Carlos Draugialis Pessoa)..........................71 Ilustración 17: Algoritmo TRATAMIENTO_DE_IMAGEN (Carlos Draugialis Pessoa) .......................................................................................................................................72 Ilustración 18: Algoritmo GENERAR_MATRIZ (Carlos Draugialis Pessoa)..............74 Ilustración 19: Algoritmo TRADUCTO (Carlos Draugialis Pessoa)............................76 Ilustración 20: Relaciones de la Base de Datos : Carlos Draugialis Pessoa..................79 Ilustración 21: Modelo ER de la Base de Datos : Carlos Draugialis Pessoa.................80 v
CARLOS DRAUGIALIS PESSOA
Ilustración 22: Diagrama "0" : Carlos Draugialis Pessoa..............................................93 Ilustración 23: Diagrama "1" :Carlos Draugialis Pessoa...............................................93 Ilustración 24: Algoritmo PROCESAMIENTO_DE_LA_INFORMACION: Carlos Draugialis Pessoa...........................................................................................................94 Ilustración 25: Algoritmo EDITAR_INFORMACION : Carlos Draugialis Pessoa......96 Ilustración 26: Algoritmo GENERAR_TRAZO : Carlos Draugialis Pessoa................98 Ilustración 27: Algoritmo EJECUTAR_TAREA : Carlos Draugialis Pessoa..............100 Ilustración 28: Algoritmo TRADUCTOR (Carlos Draugialis Pessoa)........................102 Ilustración 29: Algoritmo TRATAMIENTO_DE_IMAGEN (Carlos Draugialis Pessoa) .....................................................................................................................................103 Ilustración 30: Algoritmo TRADUCTOR (Carlos Draugialis Pessoa)........................105 Ilustración 31: Relaciones de la Base de Datos : Carlos Draugialis Pessoa................106 Ilustración 32: Diagrama de la BD (Estático) : Carlos Draugialis Pessoa..................106
vi
CARLOS DRAUGIALIS PESSOA
Índice de tablas
Tabla 1: Relaciones del Esquema : Carlos Draugialis Pessoa.......................................10 Tabla 2: Comparación de Señales Digital vs. Analógica (Carlos Draugialis Pessoa)...43 Tabla 3: Compresión de Imágenes. (Recolectado. Carlos Draugialis Pessoa)..............47 Tabla 4: Diccionario de Datos Mutación: Carlos Draugialis Pessoa.............................66 Tabla 5: Diccionario de Datos RNA: Carlos Draugialis Pessoa....................................68 Tabla 6: Diccionario de Datos Ejecución de Tareas : Carlos Draugialis Pessoa...........70 Tabla 7: Diccionario de Datos Traductor : Carlos Draugialis Pessoa............................71 Tabla 8: Diccionario de Datos Tratamiento de Imagen : Carlos Draugialis Pessoa......73 Tabla 9: Diccionario de Datos Generar Matriz : Carlos Draugialis Pessoa...................75 Tabla 10: Diccionario de Datos Traductor: Carlos Draugialis Pessoa...........................77 Tabla 11: Diccionario de Datos de Procesamiento: Carlos Draugialis Pessoa..............95 Tabla 12: Diccionario de Datos Editar Información : Carlos Draugialis Pessoa...........97 Tabla 13: Diccionario de Datos Generar Trazo: Carlos Draugialis Pessoa...................99 Tabla 14: Diccionario de Datos Ejecución de Tareas: Carlos Draugialis Pessoa........101 Tabla 15: Diccionario de Datos Traductor : Carlos Draugialis Pessoa........................102 Tabla 16: Diccionario de Datos Tratamiento de Imagen : Carlos Draugialis Pessoa. .104 Tabla 17: Diccionario de Datos Traductor : Carlos Draugialis Pessoa........................105 Tabla 18: Riesgos Modelo de Razonamiento Dinámico Adaptativo . (Carlos Draugialis Pessoa).........................................................................................................................113 Tabla 19: Riesgos Modelo Estático : Carlos Draugialis Pessoa..................................114 Tabla 20: Cambio en la Estructura según el Área : Carlos Draugialis Pessoa.............119 Tabla 21: PORCENTAJE DE ADPTACIÓN : Carlos Draugialis Pessoa....................120 Tabla 22: Comparación en Número de Módulos : Carlos Draugialis Pessoa..............121 Tabla 23: Comportamiento : Carlos Draugialis Pessoa...............................................122 Tabla 24: Capacidad de Razonamiento : Carlos Draugialis Pessoa............................123 Tabla 25: Tablas y Datos Mínimos : Carlos Draugialis Pessoa...................................123 Tabla 26: Generación de Información en la BD : Carlos Draugialis Pessoa...............124 vii
CARLOS DRAUGIALIS PESSOA
Tabla 27: Geración de Información para Adaptación : Carlos Draugialis Pessoa.......125 Tabla 28: Legibilidad de los Datos : Carlos Draugialis Pessoa...................................126 Tabla 29: Manejo de Cambios : Carlos Draugialis Pessoa..........................................127 Tabla 30: Facilidad de Re utilización de Código : Carlos Draugialis Pessoa..............128 Tabla 31: Facilidad para el Usuario : Carlos Draugialis Pessoa..................................128
viii
CARLOS DRAUGIALIS PESSOA
Resumen.
El presente proyecto esta enfocado a la búsqueda de una respuesta fundamentada dentro del diseño de aplicaciones informáticas, inicialmente se verifica la posibilidad de poder resolver un mismo problema mediante dos modelos (Análisis y Diseño), y mediante un Análisis de ambos modelos poder dar respuesta a la interrogante referida al poco uso y aplicación de I.A. (Inteligencia Artificial) como opción fuerte para solucionar problemas cotidianos (desarrollo de aplicaciones), debido a las ventajas que presenta respecto a otras modalidades; haciendo especial énfasis en una comparación entre dos Modelos propuestos para el Reconocimiento de Señales dentro de Patrones Luminosos. Siendo uno Modelo Dinámico Adaptativo, el cual hace uso de I.A. (Inteligencia Artificial), y el otro un Modelo Estático, el cual presenta una solución no Razonada (Resolución de Fuerza Bruta), es decir solo compara datos
introducidos
previamente;
esto
realizando
una
comparación
principalmente enfocada en los riesgos del Análisis y Diseño de dicho Modelo.
Se realiza solo el Análisis y Diseño de ambas propuestas, primeramente debido que para tomar una decisión se van analizando los riesgos y dificultades que se presentan, y el diseño es el punto optimo para poder tomar retirada en caso de dificultades o que la viabilidad costo – esfuerzo sea comprometida (no viable), y a que el Diseño de un software, nos entrega la información necesaria para dicho análisis; además se utiliza un diseño estructurado que da la posibilidad de enriquecer el contenido para que sea analizado no solo desde el diseño de software, si no también desde campos como la electrónica. Dicho análisis lleva a proponer una incógnita:
ix
CARLOS DRAUGIALIS PESSOA
“¿El Análisis y Diseño de los modelos Dinámico Adaptativo y Estático, son aplicables en la resolución del problemas de Búsqueda de señales dentro de patrones luminosos?”
x
CARLOS DRAUGIALIS PESSOA
Introducción.
El crecimiento del Hardware de los computadores (parte física) a tenido un avance grande en estos últimos años, muchos factores han contribuido a este hecho, dando así decenas de posibilidades en el desarrollo de herramientas para el uso común, como también en áreas específicas. Podemos observar que en cualquier equipo electrónico de la actualidad existe una relación intima entre Hardware (físico) y software (lógico, no tangible), es decir que van juntos para la resolución de dichos problemas. Aquí penetramos más en el área del software, donde existen diferentes modelos para solucionar un mismo problema. Dadas las prestaciones físicas de los equipos (Hardware), surge una interrogante respecto al software más comúnmente desarrollado para aplicaciones cotidianas; entonces ¿Porque no aplicar soluciones razonadas y adaptables al entorno con la Aplicación de I.A. (Inteligencia Artificial)?, dado que dan muchas ventajas para el usuario final; ventajas que se expondrán en su debido momento al penetrar en el desarrollo de su modelo. Por esta motivación se proponen
dos
modelos
para
la
resolución
del
planteado
problema:
“Reconocimiento de Señales en Patrones luminosos.”, una un Modelo Dinámico Adaptativo, y en el otro extremo un Modelo Estático; para luego realizar una comparación de las ventajas y desventajas que presenta cada Modelo, y ¿Ambos modelos permiten las mismas condiciones de adaptación al entorno? . Además el diseño Estructurado (aplicando los diagramas de dicho diseño), nos permiten también ver un diseño aplicable para la electrónica (en uno de los modelos). La comparación bajo la incógnita propuesta, surge como referencia a encontrar una respuesta en un punto donde el entorno es esencial y variable, pudiendo así analizar los puntos fuertes.
“¿El Análisis y Diseño de los modelos Dinámico Adaptativo y Estático, son aplicables en la resolución del problemas de Búsqueda de señales dentro de patrones luminosos?”
xi
CARLOS DRAUGIALIS PESSOA
Capitulo 1 : Marco Teórico
CARLOS DRAUGIALIS PESSOA
Resumen.
Marco Teórico
En el presente apartado se verá lo referente al problema que dio luz al presente proyecto, analizando la motivación que lo impulsa, la justificación y la situación deseada, junto a la exposición de la Hipótesis del proyecto, en conjunto con los alcances deseados, justificando la elección de metodología, y las herramientas para su diseño.
2
Problemática
CARLOS DRAUGIALIS PESSOA
1.1
Marco Teórico
1.1.1 Planteamiento del Problema.
Actualmente la tecnología a tenido un gran avance, desde el primer computador que utilizaba un cuarto completo, hasta los actuales celulares (smarth phone) que nos brindan muchas más capacidades que los equipos de aquellas épocas, brindando tantas facilidades, comodidades, y herramientas, que hace solo 15 años atrás, eran ideas en las mentes de algunos soñadores.
Acompañando al ya nombrado y muy adelantado Hardware (parte física, tangible de un computador) existe también el software, aquella parte lógica, difícil de comprender o abstraer, principalmente debido a justamente que no se pude ver de manera física, pero que esta detrás de cada nueva herramienta. En la actualidad es muy difícil encontrar un equipo electrónico, sin un software por detrás, quien lo controla y es el alma de dicho dispositivo; utilizando la analogía de alma como elemento no tangible (no material) que da vida. Pero esta parte (software) a tenido un crecimiento algo diferente del hardware, muchas ideas y concepciones originadas hace mucho, no están tan difundidas o utilizadas, esto a pesar de las ventajas que pueden presentar para la resolución de muchos problemas, quedando relegadas para problemas que no tienen otra opción que el de aplicarlas (problemas no lineales, dificultades altas de entorno, etc) , o
3
CARLOS DRAUGIALIS PESSOA
Marco Teórico
donde la solución estática convencional sería muy compleja o insatisfactoria; siendo una de ellas el uso y aplicación de Inteligencia artificial o el razonamiento aplicado para la resolución de problemas en aplicaciones de software.
1.1.2 Situación Problemática.
El uso y aplicación de Inteligencia Artificial, a tenido un crecimiento muy disparejo a comparación de otros paradigmas, en su historia muchas de las capacidades
positivas,
y
esperanzas
de
crecimiento
se
convirtieron
rápidamente en aspectos claramente negativos; como las expectativas de crecimiento que surgieron basadas en sus grandes capacidades de adaptación, produciendo posteriormente una vertiginosa caída en su estudio y aplicación en la resolución de problemas. Una de las principales trabas que surgieron es sus épocas de apogeo, fueron las capacidades de Hardware para hospedar dichas aplicaciones, siendo muy limitadas para los requisitos que exponía. Las expectativas puestas en dicho paradigma, son bien fundamentadas, se ve especialmente en la resolución de problemas no lineales, pero sobre todo la capacidad de emular en ciertos aspectos el razonamiento humano, y se dice razonamiento y no pensamiento, porque la capacidad de generar sus propias ideas aun es algo no tan cercano a nosotros. Pero, ¿porque entonces, si el hardware ahora tiene grandes capacidades, y la tecnología esta tan avanzada, la Inteligencia Artificial sigue quedando de lado como primera opción para el desarrollo de aplicaciones cotidianas, cuyas capacidades superarían en gran medida a las aplicaciones que se diseñan y construyen bajo otros paradigmas? Es allí donde nos adentramos para buscar una respuesta lógica y fundamentada, entonces ¿es posible aplicar los Modelos Dinámico Adaptativo y Estático, para la resolución de problemas de Búsqueda de señales dentro de
4
CARLOS DRAUGIALIS PESSOA
Marco Teórico
patrones luminosos?, proponiendo una Hipótesis:
Podemos aplicar El Análisis y Diseño de un Modelo Dinámico Adaptativo y de un Modelo Estático para la resolución del problema de "Búsqueda de Señales dentro de Patrones Luminosos" 1.1.3 Situación Deseada.
Contar con material que sirva de consulta general sobre Inteligencia Artificial, y con un documento que muestre comparaciones en función a expectativas, entre el diseño de una posible solución mediante el uso y aplicación de Inteligencia artificial en el Análisis y Diseño de un Modelo Dinámico Adaptativo, y una solución utilizando el Análisis y Diseño de un Modelo Estático, es decir sin Aplicar I.A. (Inteligencia Artificial), para dar solución a un problema dado, siendo el problema principal “Reconocimiento de Señales en patrones Luminosos”. Haciendo análisis de Riegos en cada caso, y comparando las ganancias versus las desventajas en el diseño de ambos Modelos. Obteniendo al final la documentación pertinente al Análisis y al Diseño de ambas propuestas, con el respectivo análisis de riesgos,
y la comparación entre ambos de ciertos
aspectos, destacando las ventajas y desventajas de cada caso. Respondiendo de esta manera a la hipótesis planteada.
1.1.4 Justificación.
El diseño de software se caracteriza por manejar el proceso de manera ordenada, correlativa, guardando la correspondiente documentación del proceso, tanto de la parte de Análisis, en la de Diseño como también del desarrollo (siendo el caso de llegar a dicho punto). Toda aplicación tiene un 5
CARLOS DRAUGIALIS PESSOA
Marco Teórico
ciclo de vida, claramente identificado, dependiendo de las características y la necesidades que se presentan, las condiciones y la planificación realizada, esto sin olvidar el dinamismo que presenta el software. El Análisis y el Diseño nos presentan las pautas necesarias y suficientes para poder realizar un Análisis profundo del funcionamiento, y de las características dominantes, así como de los riesgos presentes para el futuro desarrollo de una aplicación, por este motivo se llega hasta el Diseño de las soluciones analizadas, sin tener necesidad de llegar al desarrollo, por motivo que se desea comparar la lógica, complejidad y funcionalidad, como los riesgos existentes. Al existir variadas posibilidades de resolución de un problema, surgen interrogantes como la expuesta: ¿El Análisis y Diseño de los modelos Dinámico Adaptativo y Estático, son aplicables en la resolución del problemas de Búsqueda de señales dentro de patrones luminosos? y ¿Porque no se utiliza IA (Inteligencia Artificial) para resolver y dar mejores capacidades a las herramientas?, y esto surge junto a visión de la mejora del Hardware, antiguo motivo para no aplicar IA(Inteligencia Artificial); por ejemplo al ver los celulares actuales, con tantas prestaciones y capacidades “físicas”, como ser memoria (decenas de gigas de capacidad por cm² de superficie), velocidad de proceso (miles de millones de cálculos por segundo), y en un equipo pequeño que fácilmente puede ser transportado, además de la reducción de los costos para adquirirlo. Entonces:
“¿El Análisis y Diseño de los modelos Dinámico Adaptativo y Estático, son aplicables en la resolución del problemas de Búsqueda de señales dentro de patrones luminosos?”
1.1.5
Hipótesis
Según la Epistemología existen tres herramientas básicas para poder abordar 6
CARLOS DRAUGIALIS PESSOA
Marco Teórico
los hechos: Observando, midiendo y experimentando. Mediante estas se genera información a través de Datos de su comportamiento, bajo este esquema observaremos y mediremos para poder llegar a comprobar la Hipótesis:
“Podemos aplicar El Análisis y Diseño de un Modelo Dinámico Adaptativo y de un Modelo Estático para la resolución del problema de "Búsqueda de Señales dentro de Patrones Luminosos" Hipótesis específicas
•
En el caso de tener un Entorno muy variable, es aconsejable utilizar modelos Dinámicos Adaptativos.
•
Existe mayores demandas de información (investigación) para al Analizar y Diseñar modelos Dinámicos Adaptativos respecto a Modelos Estáticos.
•
Los modelos Estáticos son muy útiles para la resolución de problemas donde se tiene un problema lineal, y entorno no variable.
•
Cada Modelo es ventajoso según las condiciones, y la dinámica del entorno.
7
8
CARLOS DRAUGIALIS PESSOA
Marco Teórico
•
PROPUESTA
CARLOS DRAUGIALIS PESSOA
1.1.6 Esquema.
ANÁLISIS
RAZONAMIENTO
Y
Marco Teórico
DISEÑO
DINÁMICO
DE
ADAPTATIVO
UN
MODELO
DE
(APLICACIÓN
DE
INTELIGENCIA ARTIFICIAL), PARA RECONOCIMIENTO DE SEÑALES EN PATRONES LUMINOSOS.
•
PROPUESTA ANÁLISIS Y DISEÑO DE UN MODELO ESTATICO, PARA RECONOCIMIENTO DE SEÑALES EN PATRONES LUMINOSOS.
•
ANÁLISIS COMPARATIVO EN DIVERSOS NIVELES DE AMBOS MODELOS,
BAJO
CATALOGACIÓN.
•
DIVERSOS
CRITERIOS
DE
MEDICIÓN
Y
RESPUESTA JUSTIFICADA BAJO EL ANÁLIS COMPARATIVO DE AMBOS MODELOS, PARA DETERMINAR LA PREFERENCIA EN LA ELECCIÓN DE LA METODOLOGÍA SEGUN EL ENTORNO.
9
CARLOS DRAUGIALIS PESSOA
Ilustración 1: Esquema del Problema : Carlos Draugialis Pessoa 10
PROPUESTA ANÁLISIS Y DISEÑO DE
UN
MODELO
RAZONAMIENTO ADAPTATIVO
OBJETIVOS
DE
DINÁMICO
(APLICACIÓN
DE
INTELIGENCIA ARTIFICIAL), PARA RECONOCIMIENTO DE SEÑALES EN PATRONES LUMINOSOS.
PROPUESTA
ANÁLISIS
DISEÑO
UN
DE
ESTATICO,
Y
MODELO PARA
RECONOCIMIENTO SEÑALES
EN
DE PATRONES
LUMINOSOS.
ANÁLISIS
COMPARATIVO
EN RESPUESTA JUSTIFICADA BAJO EL ANÁLIS
DIVERSOS NIVELES DE AMBOS COMPARATIVO DE AMBOS MODELOS, PARA MODELOS,
BAJO
CRITERIOS
DE
CATALOGACIÓN.
DIVERSOS DETERMINAR LA PREFERENCIA EN LA
MEDICIÓN
Y ELECCIÓN DE LA METODOLOGÍA SEGUN EL ENTORNO.
PROPUESTA ANÁLISIS Y DISEÑO DE UN
MODELO
DE
RAZONAMIENTO
DINÁMICO ADAPTATIVO (APLICACIÓN DE INTELIGENCIA ARTIFICIAL), PARA -
+ ANÁLISIS -
+ FUNDAMENTOS DEL MODELO +DISEÑO
RECONOCIMIENTO DE SEÑALES EN PATRONES LUMINOSOS.
CARLOS DRAUGIALIS PESSOA PROPUESTA ANÁLISIS Y DISEÑO DE UN
MODELO ESTATICO, PARA RECONOCIMIENTO DE SEÑALES EN -
+ ANÁLISIS
-
PATRONES LUMINOSOS. ANÁLISIS DIVERSOS
COMPARATIVO NIVELES
MODELOS, CRITERIOS
BAJO DE
DE
+ FUNDAMENTOS DEL MODELO
+DISEÑO
EN AMBOS
DIVERSOS + ANÁLISIS DE CUALIDADES Y
+ ANÁLISIS DE CUALIDADES
-
+ FUNDAMENTOS DE LA COMPARACIÓN
-
-
-
MEDICIÓN
CATALOGACIÓN. RESPUESTA JUSTIFICADA BAJO EL ANÁLIS COMPARATIVO DE AMBOS MODELOS,
PARA DETERMINAR
LA -
PREFERENCIA EN LA ELECCIÓN DE LA METODOLOGÍA SEGUN EL ENTORNO.
Tabla 1: Relaciones del Esquema : Carlos Draugialis Pessoa
11
CARLOS DRAUGIALIS PESSOA
1.2
Marco Teórico
Objetivos y Metodología.
1.2.1 Objetivo General.
DESTACAR LAS VENTAJAS VS. DESVENTAJAS DE APLICAR EL ANÁLISIS Y DISEÑO DE UN MODELO DINAMICO ADAPTATIVO Y DE UN MODELO ESTÁTICO PARA LA RESOLUCIÓN DEL PROBLEMA DE "BUSQUEDA DE SEÑALES DENTRO DE PATRONES LUMINOSOS".
1.2.2 Objetivos específicos.
Para poder Completar el presente proyecto se debe llegar a saciar :
•
Documento de Análisis y Diseño de un modelo de Inteligencia Artificial (Dinámico Adaptativo), para reconocimiento de patrones luminosos. ◦ Aplicar Diseño estructurado para la comprensión más específica de la estructura que del funcionamiento. ◦ Conceptos Generales de IA (Inteligencia Artificial) ◦ Razonamiento mediante uso y aplicación de Inteligencia Artificial. ▪ Dimensión 1. Red Neuronal Artificial. ▪ Dimensión 2. Lógica Difusa. ◦ Optimización Inteligente mediante uso de Inteligencia Artificial ▪ Dimensión 1. Red Neuronal Artificial.
12
CARLOS DRAUGIALIS PESSOA
Marco Teórico
▪ Dimensión 2. Algoritmos Genéticos.
◦ Documento que reúna los conceptos e ideas esenciales de los modelos, ideas, razonamientos, justificaciones y Diseño, tanto propuestos como utilizados.
◦ Justificación para el uso y aprovechamiento de las partes propuestas. •
Documento de Análisis y Diseño de un Modelo de Modelo Estático, para reconocimiento de Trazos (Patrones Luminosos). ◦ Aplicar Diseño estructurado para la comprensión más específica de la estructura que del funcionamiento. ◦ Conceptos generales sobre Imagen Digital. ▪ Imagen Digital. ▪ Digitalizar.
▪ Características del formato electo. ◦ Procesamiento de la Imagen. ▪ Conversión. ▪ Resolución. ▪ Operaciones.
◦ Documento que reúna la información, conceptos, ideas, Diseño y principios para la elaboración. •
Análisis de Riesgos de Análisis y Diseño de un modelo de Dinámico Adaptativo, para reconocimiento de patrones luminosos.
•
Análisis de Riesgos de Análisis y Diseño de un Modelo Estático, para 13
CARLOS DRAUGIALIS PESSOA
Marco Teórico
reconocimiento de Trazos. (Patrones Luminosos). •
Análisis entre ambos modelos, destacando las virtudes y desventajas de cada modelo.
•
Justificación científica de cada modelo Diseñado.
•
Teoría base para cada Diseño.
•
Respuesta fundamentada a la Hipótesis Propuesta.
1.2.3 Requisitos
El desarrollo del presente trabajo depende también del algunos factores necesarios para poder llegar al éxito del mencionado, obteniendo el resultado esperado, para lo cual detallamos a continuación los requisitos necesarios para emprender: •
Acceso a material de apoyo (libros, digital, personal) ◦ Teoría de Inteligencia Artificial. ◦ Algoritmia.
◦ Algoritmos Estáticos.
◦ Teoría de Imagen Digital.
◦ Tratamiento de Imágenes bmp. •
Apoyo científico.
◦ Expertos del área(s). ◦ Tutor.
14
◦ Otros •
CARLOS DRAUGIALIS PESSOA
◦ Docente Guía.
Marco Teórico
Acceso a Hardware (En caso de implementación) ◦ Computador
▪ Espacio en Disco de por lo menos 4 Gb. ▪ Memoria Ram de 1 Gb mínimo. ▪ Procesador
superior
procesamiento.
a
1.2
Ghz.
De
frecuencia
para
•
Cámara web.
•
Puntero Láser.
•
Capacidad de disponer de la imagen con las características necesarias.
•
Recursos de Tiempo.
•
Recursos de inversión.
•
Empeño.
1.2.4 Alcance.
Mediante la elaboración del Análisis y Diseño de un Modelo Dinámico Adaptativo usando I.A. (Inteligencia Artificial) y otro Modelo Estático, ambos bajo un diseño estructurado y obtener la documentación pertinente, para poder realizar la comparación entre los Modelos propuestos, realizando dicha comparación en diversos niveles, y diversas características que destacan a cada Modelo, dejando material de consulta para otros proyectos futuros, dando 15
CARLOS DRAUGIALIS PESSOA
Marco Teórico
respuesta a las incógnitas, y demostrando la veracidad de la Hipótesis (cierta o falsa). Dicho análisis nos ayudara a responder de manera experimental y fundamentada la Hipótesis, “Podemos aplicar El Análisis y Diseño de un Modelo Dinámico Adaptativo y de un Modelo Estático para la resolución del problema de Búsqueda de Señales dentro de Patrones Luminosos"
16
CARLOS DRAUGIALIS PESSOA
1.2.5 Metodología.
Marco Teórico
Para el desarrollo del presente proyecto, en ambos modelos, y por finalidad también de comparación, en ambos modelos se aplicará el proceso incremental, dado que presenta ventajas respecto a otros como ser: •
Aplicación de Estructuras.
•
Programación estructurada.
•
Diseño estructurado.
•
Altamente utilizado en el desarrollo de aplicaciones, conocido y probado.
•
Construcción de prototipos.
•
Evaluación continua.
•
Proyectos de larga duración.
•
Proyectos que pueden y serán mejorados.
•
Cada iteración presenta una mejora.
Dado que en cada interacción se basa en las mismas partes, realizando mejoras en cada una, las partes presentes son:
Análisis •
Levantamiento de los requisitos del sistema ◦ Listado de requisitos
•
Condiciones necesarias para el sistema
17
•
CARLOS DRAUGIALIS PESSOA
◦ Requerimientos
Marco Teórico
Identificación de requisitos ◦ Listado de requisitos
•
Priorizar requisitos
◦ Listado de requisitos principales •
Análisis de Riesgos
•
Elaborar Documentación
Diseño •
Justificación científica
•
Diagrama de Flujo
•
DFDs
•
Diccionario de Datos
•
Diseño Lógico de la Base de Datos
•
Diseño Físico de la Base de Datos
•
Listado de Módulos.
1.2.5.1 Alcance de la Metodología.
La utilización de las normas ANSI 78 para el modelado del sistema ( a pesar de su antigüedad) tiene varias razones, las cuales se listan a continuación.
18
CARLOS DRAUGIALIS PESSOA
Marco Teórico
•
Versatilidad.
•
Probada sus capacidades.
•
Se tienen requisitos fijos (No variarán con el tiempo del proyecto).
•
Pueden ser utilizadas para un diseño estructurado como también O.O. (orientado a Objetos).
•
Mostrar una vez más su utilidad.
•
Material de apoyo.
•
Simplicidad.
•
Nos muestra más la complejidad de la estructura en si.
•
Menor tiempo de desarrollo. (opinión personal)
•
De mayor conocimiento en el área. (Más conocida).
•
Se centra en la funcionalidad de los procesos, permitiendo: ◦ Analizar profundamente los procesos ◦ Analizar la complejidad de los procesos. ◦ Realizar un análisis de riesgos más profundo de los procesos de la aplicación.
◦ Mejorar la concepción de los conceptos e información necesaria para su futura construcción.
◦ No se centra en el dominio del problema. ◦ No generaliza la funcionalidad, ve más la transformación que sufren los datos. •
Preferencia personal.
19
20
CARLOS DRAUGIALIS PESSOA
Marco Teórico
CARLOS DRAUGIALIS PESSOA
Marco Teórico
Dado que el presente proyecto se centra en mostrar la descomposición de la funcionalidad de los procesos y deja de lado (parcialmente) el dominio del problema; se utiliza el Diseño Estructurado, dado que el enfoque con el cual fue concebido el proyecto se centra en este principio de descomposición de funcionalidad de los procesos, además de permitir a expertos de otras áreas, considerar esta investigación como principio de otras posibles aplicaciones de la misma. Los objetivos (Ver. Punto 1.2.2 Pag. 11) definen también dicho enfoque y dicha necesidad de un diseño estructurado, dejando de lado un posible enfoque orientado a objetos.
21
CARLOS DRAUGIALIS PESSOA
1.2.6 Resumen.
Marco Teórico
Se reviso de manera específica el problema, su entorno, e las inquietudes referentes a este (el Problema), revisando la situación actual, y las motivaciones que nos llevan a su abstracción.
Se plantean los Objetivos, tanto el general como los Específicos, y los requerimientos necesarios para poder llegar al éxito, definiendo y delimitando el Alcance del proyecto.
22
CARLOS DRAUGIALIS PESSOA
Capitulo 2 : Sustento Teórico
CARLOS DRAUGIALIS PESSOA
2.1
Sustento Teórico
Inteligencia Artificial (IA).
2.1.1 Introducción.
La evolución de la Ciencia de la Computación, se ha caracterizado por una tendencia marcada hacia la concepción de un agente artificial, con una capacidad esencial, la de razonar. Dicho deseo proviene de la necesidad del humano, por deshacerse de tareas tediosas, peligrosas y repetitivas; poco a poco la genialidad humana da paso de sueños a una realidad; pasando por distintas etapas hasta llegar a nuestros días.
La capacidad del ser humano es increíble comparada con los actuales equipos informáticos, pero ya en nuestros días disponemos de equipos hardware software que emulan en gran medida el comportamiento humano, en la resolución de tareas. Justo esta capacidad de adaptación y de encontrar soluciones a tareas o respuestas a estímulos, es la que se busca de entregar a los equipos, produciendo un agente artificial, capas de desenvolverse en nuestro entorno, sin necesidad de indicarle a cada instante las tareas a realizar.
2.1.2 Inteligencia.
Para comprender lo que es la Inteligencia Artificial (IA) debemos primeramente comprender lo que es o a lo que se hace referencia con inteligencia, para ello haremos referencia a la definición de :
Howard Gardner define la inteligencia como:
1
“la capacidad de resolver
problemas o elaborar productos que sean valiosos en una o mas culturas”. 1 Diccionario Enciclopédico de Ciencia de la Educación- Edición El Salvador, 2005: pag. 216
24
CARLOS DRAUGIALIS PESSOA
2
Sustento Teórico
Inteligencia es la capacidad que tienen muchos seres vivos de planear,
resolver problemas, pensar en abstracto, aprender, comprender ideas. De dicha definición se puede extractar que inteligencia se caracteriza por ser una capacidad de obtener respuestas (resolver y construir), en base a experiencias anteriores. Por lo tanto : •
Es una capacidad.
•
Otorga Entender el entorno (estímulos).
•
Recordar.
•
Emplear.
Por lo tanto se puede decir que es la capacidad de entender el entorno, y en base a estímulos nuevos y estímulos memorizados, lanzar una respuesta empleando los medios y la información disponible.
2.1.3 Historia.
La historia de la IA (Inteligencia Artificial) como concepto es muy reciente, pero su concepción como idea, es bastante antigua, dicha idea se inicia asentando las bases, mediante conjuntos de reglas que expresan el comportamiento humano (Aristoteles, 300 a.C.) hasta los principios de funcionamiento como tal, aquí son muchos los autores actuales como en 1959 Rosenblatt introduce el Perceptrón.
A
continuación
se
presenta
un
breve
desarrollo
histórico,
con
los
acontecimientos que se consideran sobresalientes en este desarrollo. 2 Diccionario Ramses Edición 1999
25
CARLOS DRAUGIALIS PESSOA
Sustento Teórico
En 1315 mucho antes de que surgiese el concepto de Inteligencia Artificial, el Beato Raimundo Lulio, concibe la idea de construir una máquina lógica, la cual le permitiría mostrar la verdad.
En 1936 Alan Turing da un paso más y diseña formalmente una Máquina universal la cual demuestra viabilidad para la construcción de un dispositivo físico que sirviese para implementar cualquier cómputo formalmente definido.
Entre 1920 y 1992 Isaac Asimov, a pesas de ser principalmente escritor de ciencia ficción, entre estas obras concibe un imperio Galáctico, introduciendo términos nuevos, como robot, y la concepción de una maquina capaz de razonar. Este también introduce la idea de las tres leyes de la robótica.
Stanisław Lem 1921-2006 Un escritor Polaco, considerado como el máximo exponente de la ciencia ficción, imagina un computador con capacidades de razonamiento, incluso de poder comprender el razonamiento humano.
En 1943 Warren McCulloch y Walter Pitts presentaron su modelo de neuronas artificiales, el cual es considerado como el primer trabajo elaborado de campo, inclusive aun sin estar acuñado el termino.
En 1955 Herbert Simon, Allen Newell y J.C. Shaw, desarrollan el primer lenguaje de programación orientado a la resolución de problemas, el IPL- 11. Un año más tarde desarrollan el LogicTheorist, el cual era capaz de demostrar teoremas matemáticos.
26
CARLOS DRAUGIALIS PESSOA
Sustento Teórico
En 1956 fue inventado el término inteligencia artificial por John McCarthy, Marvin Minsky y Claude Shannon en la Conferencia de Dartmouth, un congreso en el que se hicieron previsiones triunfalistas a diez años que jamás se cumplieron, lo que provocó el abandono casi total de las investigaciones durante quince años.
En 1959 Rosenblatt introduce el Perceptrón.
En 1973 Shank y Abelson desarrollan los guiones, o scripts, pilares de muchas técnicas actuales en Inteligencia Artificial y la informática en general.
De este modo se puede observar que la concepción de un artefacto Inteligente es antigua, pero con muchos problemas, los cuales se mantienen hasta nuestros días.
2.1.4 RNA Redes Neuronales Artificiales.
El ser humano, poco a poco va concibiendo artefactos que se hagan cargo de las tareas mas penosas para el humano, y para ello surge la necesidad de emular el comportamiento nuestro (humano), de allí la aparición de las RNA (redes Neuronales Artificiales).
Una de las características principales de este tipo de redes RNA (Redes Neuronales Artificiales) es la de no ser programadas para realizar una tarea en específico, si no que se le da pautas de como responder a estímulos, y esta aprende, y en base a sus experiencias adquiriere nuevos conocimientos. 27
CARLOS DRAUGIALIS PESSOA
Sustento Teórico
Esta característica conlleva nuevas capacidades como la de Aprender, memorizar, intercambiar datos, optimizar, etc. lo cual permite la resolución de problemas no lineales, entregando capacidades de adaptabilidad a nuevos problemas, sin la necesidad de intervención de un agente humano.
Existen numerosas formás de definir lo que son las redes neuronales. Aún así y lejos de abrumar con definiciones complejas sólo se cita la dada por
T.
Kohonen ("An Introduction to Neural Computing". Neural Networks, Vol. 1, págs. 3-16, 1988):
"Un conjunto de redes interconectadas más vivamente en paralelo de elementos simples (usualmente adaptativos) y con organización jerárquica, las cuales intentan interactuar con los objetos del mundo real de mismo modo que lo hace el sistema nervioso biológico" Las redes Neuronales Artificiales tienen ciertas características como ser:
Aprendizaje adaptativo. Este se basa en la capacidad de poder aprender y desarrollar tareas basadas en un entrenamiento o experiencia inicial, la cual sirve para en el futuro desempeñar sus tareas, pudiendo también (en ese proceso de desarrollo) aprender de nuevas experiencias e inclusive de lo errores.
Auto organización. Cuando se le suministra información a una RNA (Red Neuronal Artificial) esta puede organizarse (organizar sus pesos) para poder encontrar el valor exacto que realice la activación de la misma.
28
CARLOS DRAUGIALIS PESSOA
Sustento Teórico
Tolerancia a fallos. Si en caso sucediese que la red sufre un gran daño, por cualquier motivo, esta tiene la capacidad de mantener parte de sus atributos, y de este modo podrá volver a aprender y la degradación de su estructura (daño), será parcial.
Operación en tiempo real. En caso de tener un equipo hecho, diseñado y construido para una operación con RNA, este podrá trabajar en tiempo real, es así el caso de la maquina construida por la IBM para jugar ajedrez la súper computadora Deep Junior, la cual en la primera oportunidad empato, pero ya conociendo las movidas de su oponente (aprendió) pudo ganarle en la siguiente oportunidad.
Fácil inserción dentro de la tecnología existente. La Tecnología evoluciona para encontrar soluciones más optimás , sencillas, y en poco espacio (pequeñas), estas ayudan a mejorar el desempeño de una RNA, dándole mayores capacidades.
Ilustración 2: Ejemplo de RNA totalmente conectada (Informática Aplicada a la Ingeniería de Procesos)
29
CARLOS DRAUGIALIS PESSOA
2.1.5 Algoritmos Genéticos
Sustento Teórico
Los algoritmos genéticos son parte de la computación evolutiva, es un área creciente de la inteligencia artificial que esta basada en la evolución natural biológica, y pueden adaptarse a la resolución de múltiples problemas .
Como es de esperarse los AG (algoritmos genéticos) están basados en la teoría de la evolución de Darwin, y son apropiados para resolver problemas donde el dominio de la solución pueda resultar demasiado extenso. La eficacia de dichos algoritmos se basa en la elección de los criterios de evolución, y el nivel de aptitud de los individuos.
Las mutaciones son la materia prima de la evolución, esto tanto en el nivel biológico, como en el caso de su simulación. La evolución tiene lugar cuando una nueva versión de un gen, que originalmente surge por una mutación, aumenta su frecuencia y se extiende a la especie gracias a la selección natural, en el caso de la naturaleza es la subsistencia, en el caso de su simulación son los criterios que se manejan.
En los AG(Algoritmos Genéticos), las mutaciones son quienes permiten crear nuevos individuos, escapar de los mininos locales, abastecernos de nuevo material genético, y en ciertos casos mejorar los procesos de elitismo en busca de mejores soluciones.
En los procesos evolutivos las hembras seleccionan a los machos mejor dotados que aseguren su descendencia, por su parte los AG involucran en su desarrollo criterios de elitismo por medio de penalizaciones para determinar su 30
CARLOS DRAUGIALIS PESSOA
Sustento Teórico
aptitud; los cromosomas con el menor número de penalizaciones serán los más aptos. Este criterio se aplica con la finalidad de mantener al mejor individuo de cada población y copiarlo a la siguiente de esta manera se asegura mantener en cada nueva población al cromosoma con mejor aptitud.
(Introducción a los Algoritmos Genéticos Tomás Arredondo Vidal, 2009) El Algoritmo Genético Simple
BEGIN /* Algoritmo Genético Simple */ Generar una población inicial.
Computar la función de evaluación de cada individuo. WHILE NOT Terminado DO
BEGIN /* Producir nueva generación */ FOR Tamaño~ población/2 DO BEGIN /*Ciclo Reproductivo */
Seleccionar dos individuos de la anterior generación, para el cruce (probabilidad de selección proporcional a la función de evaluación del individuo). Cruzar con cierta probabilidad los dos
individuos obteniendo dos descendientes. Mutar los dos descendientes con cierta probabilidad. Computar la función de evaluación de los dos descendientes mutados.
Insertar los dos descendientes mutados en la nueva generación. END
31
CARLOS DRAUGIALIS PESSOA
Sustento Teórico
IF la población ha convergido THEN Terminado := TRUE END END
2.1.6 Algoritmos Meméticos.
Los Algoritmos Meméticos o MA, se surgen a finales de los 80, época en la cual la computación evolutiva estaba asentándose. Y es allí donde surge la idea de la
combinación
de
diferentes
métodos
y
estrategias
de
diferentes
metaheurísticas, intentando de este modo recobrar y aprovechar las ventajas y puntos fuertes de cada una de ellas (metaheurística).
El Dr. Raúl Eid Ayala expone un uno de sus artículos referentes a este tema [Ph.D. Raúl Eid Ayala, Metaheurística 37, pag. 24] La Metaheurística es una estrategia de alto nivel que guía a otras heurísticas para buscar soluciones factibles en dominios donde la tarea es compleja.
2.1.7 Lógica Difusa (borrosa).
La lógica borrosa es parte de la inteligencia artificial la cual se funda en el concepto "Todo es cuestión de grado" [La teoría de subconjuntos borrosos: aplicaciones; Javier Puente García,Raúl Pino Díez; 3], lo cual permite manejar información vaga o de difícil especificación si quisiéramos hacer cambiar con esta información el funcionamiento o el estado de un sistema especifico. Es entonces posible con la lógica borrosa gobernar un sistema por medio de reglas 32
CARLOS DRAUGIALIS PESSOA
Sustento Teórico
de 'sentido común' las cuales se refieren a cantidades indefinidas.
A={(x,r)/x E X} Donde:
x: elemento del conjunto X
r : grado de pertenencia al conjunto X Entonces cuando se necesita saber si un elemento pertenece a un conjunto dado, se vera su grado de pertenencia a ese conjunto, donde “0” no pertenece, y “1” pertenece totalmente.
2.1.7.1 Difusor
En esta etapa es cuando se asigna a la variable de entrada un valor de pertenencia a cada conjunto difuso existente de los considerados, mediante funciones características asociadas al trabajo con lógica difusa, produciéndose de esta manera un grado de pertenencia a cada conjunto de los tomados en cuenta. De tal manera que a la entrada el flujo de información son valores concretos y la información de salida son grados de pertenencia.
2.1.7.2 Des-difusor
El des-difusor utiliza las matemáticas para después de pasar por procesos de inferencia (asociación de conjuntos difusos con las reglas que definen el sistema), para obtener nuevamente del grado de pertenencia un valor concreto, el cual viene a ser la respuesta que se da para los parámetros (valores) de entrada iniciales a nuestra lógica Difusa.
33
CARLOS DRAUGIALIS PESSOA
2.2
Sustento Teórico
Redes Neuronales Artificiales (RNA).
Las redes neuronales Artificiales son un 3protosictagma de aprendizaje
y
procesamiento automático inspirado en la forma en que funciona el sistema nervioso de los animales, al referirnos a los animales incluimos a los humanos, el cual consiste en una interconexión de neuronas (Unidad celular del cerebro) las cuales forman una red, la cual produce un estímulo de salida.
Para poder realizar esta tarea se simula dicho comportamiento mediante modelos matemáticos, recreados mediante mecanismos Artificiales; todo este trabajos es para poder obtener maquinas que den respuestas similares a las que podría dar un cerebro animal, el cual es caracterizado por su generalidad y robustez. Al introducirse en el inmensurable mundo de la inteligencia biológica, nos encontramos con un pequeño pero a la vez gran elemento, La Neurona, la cual tardó mucho en ser conocida, en especial por su minúsculo tamaño, por lo cual no es observable a ojo desnudo.
2.2.1 Nivel Biológico. 2.2.1.1 La Neurona.
Cuando se habla de la neurona debemos enfocarnos a nivel general su función general que es la capacidad de recibir estímulos, ya sean excitatorios o inhibitorios, además de conducir los impulsos nerviosos.
3
Sintagma el hecho de aprovechar paradigmas de otras ciencias para demostrar, y hasta consolidar los propios.
34
CARLOS DRAUGIALIS PESSOA
Sustento Teórico
(De la Neurona a la Persona, Ricardo Castañon Gomez, 1995: 40) “A la luz de la neuropsicofisiología moderna sabemos hoy que le cerebro, con un peso promedio de 1350 gramos en el hombre, consta de alrededor de 100000 millones de neuronas.”
Las neuronas están compuestas por un cuerpo celular central que recibe la estipulación de fibras neurales ramificadas denominadas dendritas. Cuando una neurona es excitada por el estímulo que recibe, elicita un impulso nervioso hacia una fibra de conducción externa denominada axón. En la terminal de éste se
liberan
unos
mensajeros
bioquímicos
especiales
denominados
neurotransmisores. El neurotransmisor puede entonces excitar a una neurona vecina, generando otro impulso nervioso. El intercambio que se produce cuando se da este proceso se denomina sinapsis.
Ilustración 3: Variaciones de neuronas en forma (Cfr. Barr, 1975) [De la Neurona a la Persona, Ricardo Castañon Gomez, 1995, pag 41] 35
CARLOS DRAUGIALIS PESSOA
2.2.1.2 Impulso Nervioso
Sustento Teórico
(Ricardo Castañon Gomez, De la Neurona a la persona, 1995) Al llegar un estímulo a las dendritas de la neurona se inicia el proceso del impulso nervioso, usualmente dicho estímulo es bioquímico, el cual es proveniente de un neurotransmisor; las neuronas se basan en una interesante e importante ley, la del “todo o nada”
Es decir que o se llega al umbral de excitación y se descarga por completo el impulso nervioso, o por el contrario, si no alcanza el umbral, no se genera ningún impulso nervioso, cabe recalcar que es un si o un no, no existiendo intermedios.
2.2.1.3 Sinapsis
La sinapsis es una unión intercelular, la cual es especializada en las neuronas (células nerviosas) pudiéndose presentar en otra variedad de células. En dichos contactos es donde se lleva a cabo la comunicación del impulso nervioso. Esto se consigue mediante la liberación de una serie de sustancias químicas, las cuales producen la la excitación o inhibición en la otra célula. Los neurotransmisores como se menciono anteriormente, son sustancias químicas liberadas por la célula emisora.
36
CARLOS DRAUGIALIS PESSOA
2.2.1.4 Neurotransmisores
Sustento Teórico
Los neurotransmisores, son compuestos químicos que se relacionan con el sistema nervioso, para llevar información, o dicho de otra manera son agentes químicos que sirven para la comunicación de las neuronas.
2.2.2 Nivel Artificial
Cuando se hablo de la simulación del comportamiento del sistema biológico, hacia el artificial, se tubo que simular sus elementos.
2.2.2.1 El perceptrón
Un perceptrón hace referencia a una neurona artificial, la cual también conocida como la unidad básica de inferencia, y discriminador lineal, que generalmente forma parte de una RNA (Red Neuronal Artificial).
Ilustración 4: Perceptrón: http://electronica.com.mx/neural/i nformacion/perceptron.html El perceptrón es la unidad mínima y el elemento principal de una red neuronal artificial RNA, dicha red esta formada por un conjunto de perceptrones.
37
CARLOS DRAUGIALIS PESSOA
Sustento Teórico
El perceptrón tiene como entrada una serie de “datos”, los cuales son multiplicados por un valor de peso, el valor de peso es modificable, es más dicho valor es el que en realidad de el multiplicador para que de el valor exacto que será el que tiene la capacidad de excitar a la neurona. Para comprender un poco mejor, supongamos que como entrada se tiene un valor binario, es decir un conjunto de 8 datos, entonces tenemos 8 entradas, cada entrada tiene un peso asociado, la neurona tiene un estado de excitación, el cual induce a la neurona a dar una respuesta afirmativa o no dar una respuesta.
2.2.2.2 Impulsos nerviosos y sinapsis
La sinapsis se cambia por una relación matemática, la cual puede ser física si existe o simula físicamente la red neuronal, o una relación lógica mediante la simulación del procesamiento en paralelo. Las sustancias químicas son cambiadas por valores numéricos, los cuales varían según el modelo de la red que se esta utilizando, o con la cual se esta trabajando.
2.2.3 Clasificación de las Redes Neuronales Artificiales
Se puede clasificar las Redes Neuronales Artificiales (RNA) de dos maneras diferentes, la primera por su topología, en Redes mono-capa, y Redes Multicapa. Y también se las pude clasificar por el modelo de aprendizaje, donde tenemos Aprendizaje Supervisado y Aprendizaje No Supervisado.
38
CARLOS DRAUGIALIS PESSOA
2.2.3.1 Mono-Capa
Sustento Teórico
Estas redes se caracterizan por tener interconectadas todas sus neuronas en una sola capa, dichas neuronas se interconectan con todas las demás neuronas de la única capa existente. Las redes más representativas son la red de Hopfield, la red BRAIN-STATE-IN-A-BOX o memoria asociativa y las maquinas estocásticas de Botzmann y Cauchy. Dentro de estas redes mono-capa, existen algunas neuronas que se conectan consigo mismas , las cuales se denominan auto recurrentes. Este modelo de Redes Neuronales Artificiales, son ampliamente utilizadas para aplicaciones electrónicas, dado que son fáciles de implementar en Hardware.
Las redes más representativas son la red de Hopfield, la red BRAIN-STATE-INA-BOX o memoria asociativa y las maquinas estocásticas de Botzmann y Cauchy.
2.2.3.2 Multi-capa
Estas Redes Neuronales Artificiales, se caracterizan, como su nombre indica, por contener varias capas de neuronas (2,3,....n). Por lo general están ordenadas (las capas de neuronas) según su relación con el orden de la señal que reciben: de entrada, oculta, de salida. Sus relaciones son mucho más complicadas que las mono-capa, dado que no todas están relacionadas entre si.
39
CARLOS DRAUGIALIS PESSOA
Sustento Teórico
2.2.4 Aprendizaje Supervisado
Por lo general y los más destacable de este tipo de redes es que se les pasa los patrones del objetivo, y se va ajustando hasta encontrar un óptimo, reajustando los pesos de entrada.
2.2.5 Aprendizaje no supervisado
Este tipo de aprendizaje no necesita que le mostremos los patrones objetivo para salida, ya que el algoritmo y la regla de modificación de las conexiones producen patrones de salida consistentes. La red busca la similitud de patrones, con los que da por conocidos (almacenados) y clasifica los patrones en categorías de patrones parecidos. El error es indicado, aunque generalmente es cuadrático medio.
Se puede imaginar que en el proceso de aprendizaje, la red mide cuanto se parecen el patrón que le llega y los que tiene almacenados y en función de ello los agrupa en una categoría o otra, aunque en un principio no sepamos que salida corresponderá a cada tipo o grupo de patrones de entrada, ni que atributos usará para clasificarlos.
Esto es, nosotros solo tenemos un conjunto de patrones no sabemos ni las características ni las categorías posibles y la red en función de su algoritmos de aprendizaje diferenciara ambas cosas y nos clasificara los patrones en categorías.
40
CARLOS DRAUGIALIS PESSOA
2.2.6 Memoria Asociativa
Sustento Teórico
Se llama memoria asociativa si permite recuperar información a partir de conocimiento parcial de su contenido, sin saber su localización de almacenamiento, es decir a partir de ciertos parámetros dados, se ubica, o consigue la información necesaria. Un ejemplo clásico de esta situación es cuando buscamos un nombre, no buscamos el orden en que aprendimos o memorizamos este, si no, nos basta las letras con que inicia para poder buscar dicho nombre. . También se suele llamar memoria de direccionamiento por contenido.
2.2.7 Ejemplos de Redes Neuronales 2.2.7.1 Adeline
La red Adaline es similar al Perceptrón, excepto en su función de transferencia, la cual es una función de tipo lineal en lugar de un limitador fuerte como en el caso del Perceptrón. La red Adaline presenta la misma limitación del Perceptrón, en cuanto al tipo de problemas que pueden resolver, ambas redes pueden sólo resolver problemas linealmente separables.
Sin embargo el
algoritmo LMS es más potente que la regla de aprendizaje del Perceptrón, ya que minimiza el error medio cuadrático, característica que lo hace bastante práctico en las aplicaciones de procesamiento de señales digitales, por ejemplo las líneas telefónicas de gran distancia utilizan la red Adaline para cancelar el ruido inherente a su recorrido.
41
CARLOS DRAUGIALIS PESSOA
Sustento Teórico
El elemento de procesamiento realiza la suma de los productos de los vectores de entrada y de pesos, y aplica una función de salida para obtener un único valor de salida, el cual debido a su función de transferencia lineal será +1 si la sumatoria es positiva o –1 si la salida de la sumatoria es negativa. En términos generales la salida de la red está dada por a =W T p
El Adaline es Lineal porque la salida es una función lineal sencilla de los valores de la entrada. Se podría decir que el Adaline es un Elemento Lineal, evitando por completo la definición como Neurona .
2.2.7.2 Avalancha
Construida por Stephen Grossberg, que consistía básicamente en elementos discretos con actividad variable en el tiempo que satisfacen un conjunto de ecuaciones diferenciales continuas, era utilizado para reconocimiento continuo del habla y para aprendizaje del movimiento de los brazos de un robot.
2.2.7.3 BackPropagation
El nombre de backpropagation resulta de la forma en que el error es propagado hacia atrás a través de la red neuronal, en otras palabras el error se propaga hacia atrás desde la capa de salida. Esto permite que los pesos sobre las conexiones de las neuronas ubicadas en las capas ocultas cambien durante el entrenamiento.
42
CARLOS DRAUGIALIS PESSOA
Sustento Teórico
El cambio de los pesos en las conexiones de las neuronas además de influir sobre la entrada global, influye en la activación y por consiguiente en la salida de una neurona. Por lo tanto, es de gran utilidad considerar las variaciones de la función activación al modificarse el valor de los pesos. Esto se llama sensibilidad de la función activación, de acuerdo al cambio en los pesos.
2.2.7.4 Perceptron
El perceptrón es la unidad mínima y el elemento principal de una red neuronal artificial RNA, dicha red esta formada por un conjunto de perceptrones. El perceptrón tiene como entrada una serie de “datos”, los cuales son multiplicados por un valor de peso, el valor de peso es modificable, es más dicho valor es el que en realidad de el multiplicador para que de el valor exacto que será el que tiene la capacidad de excitar a la neurona.
2.2.7.5 Redes de Hopfield
La red de Hopfield es una red que pertenece (al menos en forma general) a una red mono capa, aunque gran parte de sus aplicaciones es como red multicapa, donde la capa central es la capa de procesamiento. Otra de las principales características de este modelo de red, es que toma valores bipolares {-1,1} aunque también puede usar {0,1}. Este modelo de red esta basado en conceptos energéticos, su propagación de tipo asíncrona, una unidad a la vez, es otra de sus principales características.
43
CARLOS DRAUGIALIS PESSOA
Sustento Teórico
Este modelo de red fue concebido inicialmente como una red de aprendizaje auto asociativo, adaptación probabilística de la activación de las unidades, conexiones recurrentes y simétricas, y regla de aprendizaje no supervisado. Los modelos recurrentes como lo es el modelo de Hopfield dan soluciones inestables (dinámicas), lo que no siempre es aconsejable. La principal aportación de Hopfield consistió precisamente en conseguir que tales redes recurrentes fueran así mismo estables. Imaginó un sistema físico capaz de operar como una memoria auto-asociativa, que almacenara información y fuera capaz de recuperar dicha información aunque la misma se hubiera deteriorado.
2.3
Imagen y su Tratamiento
Antes de poder entrar en conceptos más profundos sobre la imagen digital y su tratamiento o manejo, se deben considerar algunos conceptos y algunas comparaciones, para de esta manera poder manejarse por los mismos principios, dichos conceptos se desarrollan a continuación.
2.3.1 Señal Analógica y Digital.
Estamos conscientes que a diario vivimos en un mundo de señales, con los avances tecnológicos de los últimos años, estamos experimentando cada día más las señales digitales; ambas las tomamos como parte de la vida cotidiana, pero la naturaleza como tal es en esencia analógica, es decir que puede formar infinitos valores entre dos rangos, siendo por este motivo más exacta y precisa, tenemos como ejemplo el sonido, el cual es (en la naturaleza) analógico. En contraparte tenemos la señal digital, la cual toma sus cambios en incrementos discretos, limitando la continuidad existente en la señal analógica, es decir que 44
CARLOS DRAUGIALIS PESSOA
Sustento Teórico
nuestra señal digital es menos precisa, menos exacta, pero más sencilla de tratar, analizar y observar, la señal digital más utilizada es la binaria, es decir que sus estados pueden ser dos “0” o “1”, o su equivalente lógico verdad o falso.
Una de las grandes ventajas de los circuitos digitales con respecto a los analógicos, es que si están bien diseñados e implementados, no varían sus estados, como influencia de la temperatura, o el voltaje, fuentes, por lo tanto la señal se mantiene.
Se presenta a continuación una tabla que expone algunas de las diferencias entre señales Digitales, y analógicas.
45
CARLOS DRAUGIALIS PESSOA
DIGITAL
Sustento Teórico
ANALÓGICA
* No se deteriora por temperatura, * Se deteriora fácilmente voltaje u otros. * Intervalos e incrementos definidos * Continua * Aproximada
* Exacta
* De fácil diseño.
* Complicada de manejar.
* Fácil de manejar en espacio * Variación Infinita en el espacio tiempo. tiempo. * Fácil de filtrar.
* Velocidad procesamiento.
* Complejo diseño para el filtrado, mediante capacitores, resistores, etc.
alta
para
* Menos costos de diseño.
el * Compleja de procesar.
* Se puede convertir
Tabla 2: Comparación de Señales Digital vs. Analógica (Carlos Draugialis Pessoa)
2.3.2 Digitalizar
La digitalización es el proceso de conversión de una señal analógica (continua) en una señal digital (discreta), por medio de un proceso que depende del uso, exactitud, etc. Por ejemplo se puede digitalizar una fotografía, o se puede llevar a una serie de valores una señal de sonido.
Un transductor permite relacionar las señales del mundo real y sus análogas eléctricas. Para compatibilizar la información con un sistemas digital, se requiere de convertidores de datos del tipo ADC o DAC, según corresponda. 46
CARLOS DRAUGIALIS PESSOA
Sustento Teórico
Ilustración 5: Analógico/Digital : Autor Huircán, Juan Ignacio
[Passeig Marítim 37 – 2008] El muestreo (en inglés, sampling) consiste en tomar muestras periódicas de la amplitud de onda. La velocidad con que se toman esta muestra, es decir, el número de muestras por segundo, es lo que se conoce como frecuencia de muestreo.
Ilustración 6: Fuente: Shaum Señal Analógica
47
CARLOS DRAUGIALIS PESSOA
Sustento Teórico
Ilustración 7: Fuente: Shaum Señal Digital
2.3.3 Imagen Digital.
Una imagen digital es (valga la redundancia) una imagen, que mediante un dispositivo de muestreo, tenemos disponible en un computador, dicha imagen esta representada mediante pixels, dichos pixels estan formados por información ordenada, que en conjunto muestras o expresan una imagen. La imagen digital esta caracterizada por:
•
Se representa en dos dimensiones.
•
Profundidad de color que es la cantidad de bits dedicados a almacenar información sobre el color de un píxel de la imagen. Si tenemos una profundidad de color de 8 bits (1 Byte) por cada color primario tendríamos 256 rojos, 256 verdes y 256 azules, ya que cada píxel de color está compuesto por 3 píxeles, 1 para el rojo, otro para el verde y otro para el azul.
48
CARLOS DRAUGIALIS PESSOA
•
Sustento Teórico
Pixel es la mínima unidad de una imagen digital que guarda la información de un solo punto de la imagen.
•
Resolución de la imagen, que es la cantidad de píxeles por unidad de longitud. A más pixel más detalles, o mejor resolución.
•
Tamaño de la imagen esta dado por la cantidad de pixels de ancho, por la cantidad de pixels de alto.
La imagen digital puede ser almacenada en diferentes formatos, los cuales tienen especificaciones diversas para su almacenamiento, por lo tanto para su respectivo tratamiento.
IMÁGENES DE MAPA DE BITS: Estas imágenes están formadas por una rejilla de celdas, cada una de estas celdas, que se denominan píxeles, se le asigna un valor de color y luminancia propios, y al verlas en conjunto dan la impresión de ser una imagen completa.
IMÁGENES VECTORIALES : Los llamados gráficos orientados a objetos son las imágenes vectoriales. Su tamaño es mucho más reducido, en comparación con los mapas de bits, porque el modo como organizan la información de una imagen es más simple que en aquellos. Dicha simplicidad radica en generar los objetos que conforman una imagen a través de trazos geométricos determinados por cálculos y fórmulas matemáticas.
La dinámica de la información, exige que las imágenes puedan y deban ser transportadas, enviadas, compartidas, publicadas, por diversos medios de comunicación, y como se ha podido observar, dependiendo de las características, y los detalles (resolución) que se dispongan, serán de mayor o 49
CARLOS DRAUGIALIS PESSOA
Sustento Teórico
menor tamaño, esto lleva a la necesidad de reducirlas, para ello existe la compresión, existiendo dos tipos, con perdida, y sin perdida. CON PERDIDA CARACTERISTICAS
SIN PERDIDA
* Se pierde información * Se mantiene el 100% de la imagen (se de la información de la desecha información imagen. redundante). * Menor compresión. * Mayor compresión. * Suavizan bordes(jpg).
EJEMPLOS
JPG
RLE (Run Encoded)
Length
BMP LZW (Lemple-Zif-Welch) ZIP
Tabla 3: Compresión de Imágenes. (Recolectado. Carlos Draugialis Pessoa)
50
CARLOS DRAUGIALIS PESSOA
Sustento Teórico
2.3.3.1 Operaciones sobre Imágenes.
Ilustración 8: Operaciones sobre Imágenes. (http://informatica.uv.es/doctorado/AIRF/ParteAI/tema2.pdf )
2.3.4 Resumen
Se ha recolectado los conceptos principales de la Teoría necesaria para la elaboración del proyecto, dicho sustento teórico no profundiza la información, pero si da las pautas necesarias para su investigación (si fuese necesario), y expresa los conceptos necesarios para la comprensión y justificación del proyecto.
51
CARLOS DRAUGIALIS PESSOA
Capitulo 3 : Modelos, su Análisis y Diseño
CARLOS DRAUGIALIS PESSOA
3.1
Modelos, su Análisis y Diseño
Modelo de Razonamiento Dinámico Adaptativo
3.1.1 Justificación Científica del Modelo
ESTIMULO EXTERNO
SENTIDOS
PROCESAMIENTO DE LA INFORMACIÓN (RAZONAMIENTO)
RESPUESTA
Ilustración 9: Razonamiento : Carlos Draugialis Pessoa
Las células son organismos auto-suficientes, pero sin una interrelación con otras
células
(Sistema)
no
tienen
ninguna
función;
sin
embargo
interrelacionadas, pertenecientes a un sistema, son el motor de otros seres, como ejemplo el ser humano. Una de las más grandes características de los seres vivos es el hecho de poder reaccionar de diversas maneras según el entorno, según las necesidades; para lo cual contamos con diferentes subsistemas que nos proporcionan esta capacidad. Los sentidos que nos permiten captar el medio que nos rodea, esta recepción se realiza de diferentes maneras, el tacto nos permite percibir cualidades de los objetos, como su temperatura, suavidad, etc. Uno igualmente interesante es el de la vista, que sin estar en contacto directo con los objetos a ser analizados, relacionados y/o estudiados, permitiéndonos captar su color, detalles, tamaño, o simplemente su presencia. También gozamos con subsistemas que nos permiten comunicarnos con el medio, o relacionarnos con este; dándonos así igualmente la capacidad de comunicación, de este modo nos comunicamos en ambas direcciones, percibimos el medio y damos respuestas hacia este.
En el proceso de aprendizaje de cualquier ser vivo, mucho más en el ser humano, intervienen una serie de elementos, los cuales realizan una determinadas tareas, que interrelacionadas entre si, dan como resultado una
53
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
serie de complejos procesos, de los cuales se obtiene como consecuencia la “inteligencia”. En este increíble proceso interactúan una serie de sustancias químicas
como la acetilcolina, dopamina, serotonina, adrenalina, etc. Cuyo
efecto de trabajar (reaccionar) en conjunto, los convierten en elementos de comunicación, en neurotransmisores; los cuales nos permiten la comunicación entre neuronas, y no solo eso, si no también la esencia necesaria para la memorización (aprendizaje), también el razonamiento (reaccionar) es resultado de esta interrelación. La activación de las neuronas del sistema nervioso, esta dado por la sumatoria de las sustancias químicas que intervienen en la excitación, y la respuesta esta dada por la sumatoria total de las respuestas en paralelo del conjunto de neuronas que intervienen en el proceso, siendo la respuesta eléctrica (impulso nervioso) el resultado de la sumatoria de las sustancias químicas puestas en marcha por los estímulos externos padres de dicha reacción.
El sistema nervioso en general actúa bajo la presencia de estímulos, que son las que desencadenan una sopa de sustancias químicas, que se traducen en comunicaciones, que despiertan procesos, que nos permiten aprender (memorizar), y comportarnos de manera inteligente, dando respuestas razonadas y razonables, para las nuevos estímulos (excitaciones) de nuestro entorno; utilizando una cadena de sucesos para este objetivo. (Dr. Ricardo Castañon Gomez: Cuando la Palabra hiere. Grupo Internacional para La Paz, Cuarta Edición )
Cuando al ser humano le toca aprender sobre aquello del mundo, o retener información referente a rostros, acontecimientos, que tiene algún grado consciente, es allí donde actúa la memoria explicita; sin embargo las destrezas, hábitos se aprenden de una manera inconsciente, y esto se permite mediante la memoria implícita. A pesar que la capacidad de almacenamiento del cerebro humano, no tiene un valor de limite para su aprendizaje, es interesante constatar 54
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
que, tiene su propio proceso de optimización, de este modo es, que para que algo quede realmente aprendido (memorizado), debe repetirse reiteradas veces, de este modo se constata su utilidad, y por lo tanto se realiza su memorización. Todo este proceso se lleva a cabo por un complejo e interrelacionado conjunto de neuronas (cerca de 100.000.000.000 en un humano), que conforman distintos órganos, como los sentidos, el cerebro, cerebelo, conformando el sistema nervioso central, sistema nervioso periférico, etc. Se debe tomar en cuenta que cada neurona a su vez, se interconecta con otras, llegando hasta 50000 conexiones, para algunas células. Como se puede observar, el todo esta dado por varias partes claramente definidas, las cuales, permiten en conjunto realizar tareas (aprendizaje y razonamiento en este caso).
Cuando el entorno (medio) realiza un estimulo hacia la persona, este es percibido por alguno de los sentidos que se disponen (vista, tacto, olfato, etc), inmediatamente ingresa a una zona llamada memoria sensorial, la cual es el primer filtro para el aprendizaje, pero no necesariamente se aislá de los demás, es más también tiene la capacidad de almacenar información de manera implícita (comer, sentarse, etc), en esta área se procesa una gran cantidad de información, pero permanece por muy poco espacio de tiempo; si este estimulo es constante (repetitivo) lo toma como un estimulo para ser procesado de manera más detallada, detenida, de este modo tomando en cuenta ya un aprendizaje explicito (consciente) el estimulo es transferido a la memoria de corto plazo, es aquí donde la información queda por un poco más de tiempo, esto para ser analizada de manera más minuciosa, o porque el individuo esta “consciente” que utilizara esa información en un periodo corto.
Pongamos el ejemplo encontrado en el libro del Dr. Ricardo Castañon Gomez, “Cuando la Palabra Hiere”
55
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
(Dr. Ricardo Castañon Gomez, Cuando la Palabra Hiere, 2006, Centro Internacional por la Paz, pag. 37)
“Cuando se pide memorizar un número telefónico para realizar un encargo dentro de un par de minutos, la información en este caso no debe permanecer más que un tiempo necesario”.
Cuando hablamos de Inteligencia Artificial (IA), no podemos escapar de todo el envolvimiento biológico del proceso de “pensar”, prestándonos una frase muy interesante del Dr. Humberto Maturana (Conferencia del Dr. HUMBERTO MATURANA ROMESIN en la apertura de las JORNADAS DEL AMOR EN LA TERAPIA Barcelona, España.) “¿Como hago, lo que hago?”
Tenemos entonces una relación, directa con la parte biológica, los seres vivos nacen con inteligencia, es de allí de donde tenemos que extractar, contraer, abstraer, su modelo para llevarlo a cabo en un equipo computacional, esa maravillosa lógica ilógica de la vida. En el presente caso, mediante lógica difusa se pueden formar conjuntos de respuestas posibles, según la tendencia obtenida en el proceso. Dicha tendencia estará basada en los valores obtenidos, e interactuan (los valores) con valores de tendencia, cantidad de neuronas activas, cuyas conexiones (combinaciones) darán la respuesta al estímulo obtenido. La búsqueda se realizara según la decisión difusa, y comparara los valores finales de las sumatorias de cada respuesta neuronal, es decir los valores finales de cada red. El camino de una red neuronal, son las posiciones encendidas y apagadas (activadas o desactivadas) de las neuronas, en si llegan a interesar solo las activas, porque teniendo las activas se sabe cuales están inactivas. Entonces llevando esta idea a informática, obtenemos una sucesión de ceros y unos. Al asignarles un valor único por su posición en la capa, obtenemos un valor de combinación.
56
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
El cerebro, por lo tanto el ser humano, tiene una disposición a trabajar bajo la influencia de tendencias. Por ejemplo cuando tenemos que dirigirnos a algún lugar (del trabajo a la casa), tendremos una tendencia para elegir el camino, puede estar dado por ejemplo, por las ganas de encontrarnos con alguien, o no; podría ser por cercanía, o si vamos en vehículo, fuera de respetar las normas, podremos seleccionar uno que no sea tan transitado, aunque la distancia final a recorrer sea mayor.
57
3.1.2.1 Introducción
CARLOS DRAUGIALIS PESSOA
3.1.2 Modelado
Modelos, su Análisis y Diseño
La activación de las neuronas del sistema nervioso, esta dado por la sumatoria de las sustancias químicas que intervienen en la excitación, y la respuesta esta dada por la sumatoria total de las respuestas en paralelo del conjunto de neuronas que intervienen en el proceso, siendo la respuesta eléctrica (impulso nervioso) el resultado de la sumatoria de las sustancias químicas puestas en marcha por los estímulos externos que desencadenaron la reacción.
En la RNA la red esta compuesta por m*n neuronas interrelacionadas entre si, por lo tanto si se asignan diferentes valores a cada neurona (peso individual) dado por una relación entre la posición dentro de la capa, y la posición de capa, se obtiene un valor único, por lo tanto dicho valor no será repetido en las demás operaciones; es decir que un valor de sumatoria de las neuronas, sera único e identificable, pudiendo también identificar las neuronas que intervinieron en dicho proceso. De este modo se evita la comparación directa porcentual de neurona a neurona, haciendo el proceso más exacto y rápido.
Mediante lógica difusa se pueden formar conjuntos de respuestas posibles, preferibles según la tendencia obtenida en el proceso. Dicha tendencia estará basada en los valores obtenidos, e interactuan (los valores) con valores de tendencia, cantidad de neuronas activas, cuyas conexiones (combinaciones) darán la respuesta al estímulo obtenido. La búsqueda se realizara según la decisión difusa, y comparara los valores finales de las sumatorias de cada respuesta neuronal, es decir los valores finales de cada red.
58
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
El camino de una red neuronal, son las posiciones encendidas y apagadas (activadas o desactivadas) de las neuronas, en si llegan a interesar solo las activas, porque teniendo las activas se sabe cuales están inactivas. Entonces llevando esta idea a informática, obtenemos una sucesión de ceros y unos. Al asignarles un valor único por su posición en la capa, obtenemos un valor de combinación. 3.1.2.2 Requisitos
Características del sistema: •
No preciso
•
Razona (No algorítmico)
•
Aprende.
•
Evolutivo.
•
Evaluativo.
•
De Propósito más general.
Módulos Sistema •
Red Neuronal.
•
Tratamiento de Imagen.
•
Transformación (traducción) de Datos.
•
Ejecución de tareas.
•
Lógica Difusa (Tendencias).
•
Mutación (optimización).
•
Reflexivo Acumulativo (A priori).
59
Red Neuronal.
CARLOS DRAUGIALIS PESSOA
3.1.2.3 Actividades
Modelos, su Análisis y Diseño
Encargada del proceso de razonamiento puro, es decir la que recibe los datos de entrada (estímulos) y por medio de una abstracción del modelo biológico, realiza el razonamiento (análisis) de la información de entrada (estímulos), que en este caso son imágenes, con las instrucciones a realizar. Dicha red esta orientada a recibir cualquier información previamente traducida, es decir que ha sido dispuesta de tal manera para que la red neuronal la comprenda.
Tratamiento de Imagen.
Este encargado de realizar tareas directas sobre la información de entrada (estímulos), como convertir la imagen a extensión BMP si no estuviese, cambiar el tamaño o la resolución, si fuese necesario. En este caso de aplicación en específico trabaja con la imagen de entrada antes de ser traducida, a una manera legible para la RNA (Red Neuronal Artificial).
Transformación de Datos.
Aquí es donde la información de la imagen de entrada (en la presente aplicación), es convertida, y separada en datos concretos que sean comprensibles para la RNA (Red Neuronal Artificial), dichos datos serán las entradas para las neuronas correspondientes.
60
CARLOS DRAUGIALIS PESSOA
Ejecución de Tareas.
Modelos, su Análisis y Diseño
Después de haberse encontrado la tendencia mediante razonamiento, esto conlleva a alguna respuesta (no siempre correcta), la cual deberá ser entendida y ejecutada, produciendo de este modo el final del proceso estimulo – respuesta.
Lógica difusa.
Es aquí donde mediante conjuntos borrosos, se busca tendencias, al igual que las personas se dejan llevar por tendencias para tomar ciertas decisiones; podríamos ejemplificar con el hecho de que ruta seguir para ir a casa, deberemos elegir dependiendo si vamos a pie, en servicio publico, en un propio automóvil; seguidamente buscaremos una ruta no necesariamente óptima, si no, según nuestras tendencias, estimuladas por diversos factores, como embotellamientos, distancia, tiempo, compañía, tipo de camino (asfalto, zonas de tierra, etc) o simplemente por el hecho de caminar.
Mutación.
Cuando una persona deja de utilizar cierta información, el cerebro para no desaprovechar esta región optimiza mezclando la información para deducir nuevos resultados, o simplemente olvida ciertas cosas que al parecer y año son necesarias. En este caso se utiliza Ing. Genética para realizar combinaciones de los individuos más aptos, y dejar de lado (olvidar) a los individuos poco provechosos, optimizando de esta manera el sistema.
61
CARLOS DRAUGIALIS PESSOA
Tratamiento de Imagen. •
Depende de la aplicación del sistema.
•
Tareas ◦ Lectura de imagen
Modelos, su Análisis y Diseño
◦ Almacenamiento de imagen
◦ Conversión de imagen (formato) ◦ Transformación de imagen (Tamaño, color, etc) ◦ Borrado de imagen.
Red Neuronal Artificial •
No depende de la aplicación del sistema (multi aplicación)
•
Tareas
◦ Generar una RNA por primera vez. ◦ Procesa la información ◦ Razona la información
◦ Crea correspondencias (eléctricas – químicas abstractas ) ◦ Construye caminos de neuronas en base a la información de entrada, no en función neta de los estímulos. ◦ Concuerda la información con los caminos y los razonamientos.
Transformación (traductor) •
Depende de la aplicación del sistema. 62
Tareas
CARLOS DRAUGIALIS PESSOA
•
Modelos, su Análisis y Diseño
◦ Traduce la información de entrada (estímulos) en datos para la RNA. ◦ Generaliza la información para la RNA (pj. Si es imagen (aplicación actual) la traduce en datos para cada neurona, Si fuese sonido, realizaría la tarea con el sonido, siendo modificado para ello) ◦ Comunica la realidad con el sistema.
Ejecución de tareas •
Depende de la aplicación
•
Tareas
◦ Comprende la respuesta del sistema difuso ◦ Ejecuta las respuestas tendencia les del razonamiento del sistema. ◦ Comunica el sistema con la realidad.
Lógica Difusa •
Características
◦ No categorizado (difuso)
◦ Dinámico (modificado según su expansión) ◦ Moldeable
◦ Aplicado a la información de la RNA, es decir a los estímulos razonados. •
Conlleva
63
◦ Confiabilidad
CARLOS DRAUGIALIS PESSOA
◦ Seguridad
Modelos, su Análisis y Diseño
◦ Esca-labilidad (a la red) ◦ Estabilidad (robustez)
•
Tareas
◦ Busca tendencias en conjuntos no categorizados (borrosos) sobre la información de la RNA.
◦ Busca la respuesta de tendencia posible, preferible según las tendencias suscitadas.
◦ Actualizar sus conjuntos difusos (dinámica) Mutación. •
Tareas
◦ Relaciona individuos óptimos
◦ Realiza ingeniería genética con individuos de la población (caminos) ◦ Elimina individuos poco productivos ◦ Mejora generación a generación. ◦ Construye individuos más óptimos.
Base de Datos.
La base de datos del sistema, es como la memoria a largo plazo del humano, es decir donde queda almacenada la información, el recuerdo. El iniciar se
64
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
hablo de que el presente sistema es capaz de aprender, y cuando se habal de aprender, se debe tener la capacidad de almacenar información.
La Base de Datos esta compuesta lógicamente por tres sectores claramente identificados, que son: •
Base de Datos de Experiencias B.E.
•
Base de Datos de Tareas B.T.
•
Base de Datos Acumulativa semántica. B.A.S.
Constituyendo las tres la Base de Conocimientos del sistema.
En la B.E. Base de datos de Experiencias, tenemos almacenados los caminos con la información completa implicada en cada camino, se podría decir el razonamiento de cada acontecimiento para el sistema. Es como el análisis que realiza nuestro cerebro. Base de Datos de Tareas B.T. Se almacena la información referente a las tareas a ejecutar, es guardar la información para caminar, leer, etc.
Base de Datos Acumulativa semántica. B.A.S. Es encargada de almacenar información que a resultado optima, y que sirve para realizar una evaluación de los hechos.
65
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
66
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
3.1.3 Diagramas de Flujo de Datos (DFDs)
Ilustración 10: Diagrama 0 : Carlos Draugialis Pessoa
67
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
Ilustración 11: Diagrama 1 : Carlos Draugialis Pessoa
68
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
Ilustración 12: Diagrama 2 (MIA): (Carlos Draugialis Pessoa)
69
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
3.1.4 Algoritmia y Diccionario de Datos 3.1.4.1 Algoritmo Mutación
70
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
Ilustración 13: Algoritmo padre Mutacion (Carlos Draugialis Pessoa)
Diccionario de Datos
71
NOMBRE CAMINO_1
CAMINO_2
CAMINO_3
CARLOS DRAUGIALIS PESSOA
ID
TIPO
Modelos, su Análisis y Diseño
VALOR PREDETERMINA DO
DESCRIPCIÓN
ENTERO 0
VARIABLE QUE ALMACENA (DESPUES DE LA CONSULTA) EL CAMINO MENOS USADO
ENTERO 0
VARIABLE QUE ALMACENA EL CAMINO MÁS USADO (DESPUES DE REALIZAR LA CONSULTA)
ENTERO -
CAMINO RESULTANTE DE LA MEJORA GENETICA
Tabla 4: Diccionario de Datos Mutación: Carlos Draugialis Pessoa
72
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
3.1.4.2 Algoritmo Red Neuronal Artificial
Ilustración 14: Algoritmo Padre RED_NEURONAL_ARTIFICIAL (Carlos Draugialis Pessoa)
73
ID
NOMBRE
EJECUCION
PRIMERA_VEZ
i j k CANTIDAD_CAPAS
CANTIDAD_NEURONAS
MATRIZ
DATOS
CARLOS DRAUGIALIS PESSOA
Diccionario de Datos RNA
Modelos, su Análisis y Diseño
TIPO
VALOR PREDETERMINAD O
DESCRIPCIÓN
ENTERO
0
VARIABLE ENTERA QUE INDICA SI EL PROGRAMA YA ESTA EN EJECUCIÓN O RECIEN SE ESTA INICIANDO
ENTERO
0
VARIABLE QUE INDICA SI ES LA PRIMERA VEZ QUE SE EJECUTA, PARA DECIDIR LAS TAREAS A SER EJECUTADAS
ENTERO
0
VARIABLE CONTADOR AUXILIAR
ENTERO
0
VARIABLE CONTADOR AUXILIAR
ENTERO
0
VARIABLE CONTADOR AUXILIAR
ENTERO
0
VARIABLE GLOBAL, MANTIENE EL NÚMERO DE CAPAS DE LA RNA
ENTERO
0
VARIABLE GLOBAL, MANTIENE EL NÚMERO DE NEURONAS POR CAPA DE LA RNA
MATRIZ
[0.0.0]
MATRIZ GLOBAL QUE ALMACENA MOMENTANEAMENTE LA LOS CAMINOS DE LA RNA
ARRAY
[0]
ARRAY QUE ALMACENA LOS DATOS TRADUCIDOS POR EL APV
Tabla 5: Diccionario de Datos RNA: Carlos Draugialis Pessoa
74
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
3.1.4.3 Algoritmo Ejecución de Tareas
Ilustración 15: Algoritmo Ejecución de Tareas (Carlos Draugialis Pessoa)
75
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
Diccionario de Datos Ejecución de Tareas
ID
NOMBRE CAMINO ORDEN
ACCION
TIPO
VALOR PREDETERMINA DO
DESCRIPCIÓN
ENTERO
CODIGO DEL CAMINO A BUSCAR
ENTERO 0
NÚMERO DE ORDEN DE LA TAREAA SER EJECUTADA
ENTERO 0
TOMA EL VALOR DE LAS ACCIONES REALIZADAS
Tabla 6: Diccionario de Datos Ejecución de Tareas : Carlos Draugialis Pessoa
76
CARLOS DRAUGIALIS PESSOA
3.1.4.4 Algoritmo Traductor
Modelos, su Análisis y Diseño
77
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
Ilustración 16: Algoritmo TRADUCTOR (Carlos Draugialis Pessoa)
Diccionario de Datos Traductor
ID NOMBRE
TIPO
VALOR DESCRIPCIÓN PREDETERMINADO
IMAGEN_1 IMAGEN
-
IMAGEN A SER TRADUCIDA (APV)
IMAGEN_2 IMAGEN
-
IMAGEN A SER TRADUCIDA (APV)
IMAGEN_3 IMAGEN
-
IMAGEN A SER TRADUCIDA (APV)
Tabla 7: Diccionario de Datos Traductor : Carlos Draugialis Pessoa
78
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
3.1.4.5 Algoritmo Tratamiento de Imagen
79
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
Ilustración 17: Algoritmo TRATAMIENTO_DE_IMAGEN (Carlos Draugialis Pessoa)
Diccionario de Datos Tratamiento de Imagen
80
NOMBRE IMAGENES
IMAGEN
ALTO ANCHO SENIAL
CARLOS DRAUGIALIS PESSOA
ID
TIPO
Modelos, su Análisis y Diseño
VALOR PREDETERMINA DO
DESCRIPCIÓN
ENTERO 0
VARIABLE QUE CUENTA LAS IMAGENES CON SEÑAL DE ENTRADA
IMAGEN -
IMAGEN CAPTURADA DESDE LA CAMARA PARA SER ANALIZADA
ENTERO 480
ALTURA EN PIXELS DE LA IMAGEN
ENTERO 640
ANCHO EN PIXELS DE LA IMAGEN
ENTERO 0
RESPUESTA DEL RAZONAMIENTO EN BUSQUEDA DE SEÑAL EN LA IMAGEN
Tabla 8: Diccionario de Datos Tratamiento de Imagen : Carlos Draugialis Pessoa
81
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
3.1.4.6 Algoritmo Generar Matriz
Ilustración 18: Algoritmo GENERAR_MATRIZ (Carlos Draugialis Pessoa)
82
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
Diccionario de Datos Generar Matriz ID
NOMBRE
i j MATRIZ
CANTIDAD_CAPAS
TIPO
VALOR DESCRIPCIÓN PREDETERMINAD O
ENTERO 0
AUXILIAR PARA CONTADOR
ENTERO 0
AUXILIAR PARA CONTADOR
MATRIZ [0.0.0]
ALMACENA MOMENTANEAM ENTE LOS CAMINOS
ENTERO 0
GLOBAL ALMACENA EL NUMERO DE CAPAS DE LA RED
CANTIDAD_NEURON ENTERO 0 AS
GLOBAL ALMACENA EL NUMERO DE NEURONAS POR CAPA
Tabla 9: Diccionario de Datos Generar Matriz : Carlos Draugialis Pessoa
83
CARLOS DRAUGIALIS PESSOA
3.1.4.7 Algoritmo Traductor
Modelos, su Análisis y Diseño
Ilustración 19: Algoritmo TRADUCTO (Carlos Draugialis Pessoa)
84
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
Diccionario de Datos Traductor ID
NOMBRE
A_TRANSFORMAR RAZON
ANCHO ALTO i j k
DATOS
TIPO
VALOR DESCRIPCIÓN PREDETERMI NADO
IMAGEN -
IMAGEN A SER TRADUCIDA
ENTERO 1
VARIABLE QUE ALMACENA EL ORDEN DE LA IMAGEN, PARA SU POSICIONAMIENTO
ENTERO 640
ANCHO DE LA IMAGEN
ENTERO 480
ALTO DE LA IMAGEN
ENTERO 0
VARIABLE CONTADOR
ENTERO 0
VARIABLE CONTADOR
ENTERO 0
VARIABLE CONTADOR DE POSICIONAMIENTO
ARRAY
ARRAY QUE ALMACENARA LOS DATOS TRADUCIDOS
Tabla 10: Diccionario de Datos Traductor: Carlos Draugialis Pessoa
85
NEURONA ID_NEURONA:ENTERO CAPA :ENTERO POSICION : ENTERO VOLTAJE : FLOAT
CARLOS DRAUGIALIS PESSOA
3.1.4.8 Base de Datos
Modelos, su Análisis y Diseño
CAMINO ID_CAMINO : ENTERO VOLTAJE_TOTAL : FLOAT CANTIDAD_NEURONAS : ENTERO USOS : ENTERO CASTIGOS : ENTERO
NEURONAS_DE_UN_CAMINO ID_CAMINO : ENTERO ID_NEURONA : ENTERO VALOR_ACTIVACIÓN : FLOAT
RESPUESTA ID_RESPUESTA : ENTERO DESCRIPCION : char (256) TIPO : CHAR (8)
CAMINOS_PARA_RESPUESTA ID_RESPUESTA : ENTERO ID_CAMINO : ENTERO USOS_CAMINO : ENTERO
IMAGEN ID_CAMINO : ENTERO IMAGEN : IMAGEN
86
NEURONA (ID_NEURONA, CAPA, POSICION, VOLTAJE) CAMINO (ID_CAMINO, VOLTAJE_TOTAL, CANTIDAD_NEURONAS, USOS, CASTIGOS) NEURONAS_DE_UN_CAMINO (ID_CAMINO, ID_NEURONA, VALOR_ACTIVACION) RESPUESTA(ID_RESPUESTA, DESCRIPCCION, TIPO) CAMINOS_PARA_RESPUESTA (ID_RESPUESTA, ID_CAMINO, USOS_CAMINO)
CARLOS DRAUGIALIS PESSOA IMAGEN ( ID_CAMINO, IMAGEN)
Ilustración 20: Relaciones de la Base de Datos : Carlos Draugialis Pessoa 87
CARLOS DRAUGIALIS PESSOA
Ilustración 21: Modelo ER de la Base de Datos : Carlos Draugialis Pessoa 88
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
FORMA DE DESCRIPCIÓN DEL ELEMENTO ID NOMBRE : ID_NEURONA DESCRIPCIÓN : Identificador único para las neuronas, entero largo.
CARACTERISTICAS DEL ELEMENTO LONGITUD : 2 DECIMALES: 0 VALOR POR DEFECTO : CONTINUO X O DISCRETO TIPO [ALFABETICO – ALFANUMERICO – FECHA – NUMERICO – BÁSICO – DERIVADO] CRITERIOS DE VALIDACIÓN Único COMENTARIOS : Valor numérico largo.
FORMA DE DESCRIPCIÓN DEL ELEMENTO ID NOMBRE : CAPA DESCRIPCIÓN : Capa a la que pertenece la neurona. CARACTERISTICAS DEL ELEMENTO LONGITUD : 1 DECIMALES: 0 VALOR POR DEFECTO : 1 CONTINUO X O DISCRETO TIPO [ALFABETICO – ALFANUMERICO – FECHA – NUMERICO – BÁSICO – DERIVADO] CRITERIOS DE VALIDACIÓN
Se encuentra como limites 1 y el número mayor de capas. COMENTARIOS :
89
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
FORMA DE DESCRIPCIÓN DEL ELEMENTO ID NOMBRE : POSICION DESCRIPCIÓN : Valor entero que indica la posición de la neurona dentro de la capa a la que pertenece. CARACTERISTICAS DEL ELEMENTO LONGITUD : 1 DECIMALES: 0 VALOR POR DEFECTO : CONTINUO X O DISCRETO TIPO [ALFABETICO – ALFANUMERICO – FECHA – NUMERICO – BÁSICO – DERIVADO] CRITERIOS DE VALIDACIÓN
Desde 1 hasta el valor máximo del total de datos COMENTARIOS :
FORMA DE DESCRIPCIÓN DEL ELEMENTO ID NOMBRE : VOLTAJE DESCRIPCIÓN : Valor que indica el valor entero correspondiente a la neurona. CARACTERISTICAS DEL ELEMENTO LONGITUD : 1 DECIMALES: 3 VALOR POR DEFECTO : CONTINUO X O DISCRETO TIPO [ALFABETICO – ALFANUMERICO – FECHA – NUMERICO – BÁSICO – DERIVADO] CRITERIOS DE VALIDACIÓN COMENTARIOS :
90
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
FORMA DE DESCRIPCIÓN DEL ELEMENTO ID NOMBRE : ID_CAMINO DESCRIPCIÓN : Valor entero único que identifica cada camino que aprende la RNA CARACTERISTICAS DEL ELEMENTO LONGITUD : 1 DECIMALES: 0 VALOR POR DEFECTO : CONTINUO X O DISCRETO TIPO [ALFABETICO – ALFANUMERICO – FECHA – NUMERICO – BÁSICO – DERIVADO] CRITERIOS DE VALIDACIÓN Único COMENTARIOS :
FORMA DE DESCRIPCIÓN DEL ELEMENTO ID NOMBRE : VOLTAJE_TOTAL DESCRIPCIÓN : Valor entero que indica la sumatoria de los voltajes de todo el camino, equivalente a los voltajes de las neuronas activas. CARACTERISTICAS DEL ELEMENTO LONGITUD : 1 DECIMALES: 3 VALOR POR DEFECTO : CONTINUO X O DISCRETO TIPO [ALFABETICO – ALFANUMERICO – FECHA – NUMERICO – BÁSICO – DERIVADO] CRITERIOS DE VALIDACIÓN Superior a “0” COMENTARIOS :
91
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
FORMA DE DESCRIPCIÓN DEL ELEMENTO ID NOMBRE : CANTIDAD_NEURONAS DESCRIPCIÓN : Valor entero que indica la cantidad de neuronas activas involucradas en cada camino correspondiente. CARACTERISTICAS DEL ELEMENTO LONGITUD : 1 DECIMALES: 0 VALOR POR DEFECTO : 1 CONTINUO X O DISCRETO TIPO [ALFABETICO – ALFANUMERICO – FECHA – NUMERICO – BÁSICO – DERIVADO] CRITERIOS DE VALIDACIÓN COMENTARIOS :
FORMA DE DESCRIPCIÓN DEL ELEMENTO ID NOMBRE : USOS DESCRIPCIÓN : Valor entero que indica la cantidad de veces que se a utilizado el camino después de su generación. CARACTERISTICAS DEL ELEMENTO LONGITUD : 1 DECIMALES: 0 VALOR POR DEFECTO : 1 CONTINUO X O DISCRETO TIPO [ALFABETICO – ALFANUMERICO – FECHA – NUMERICO – BÁSICO – DERIVADO] CRITERIOS DE VALIDACIÓN COMENTARIOS :
92
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
FORMA DE DESCRIPCIÓN DEL ELEMENTO ID NOMBRE : CASTIGOS DESCRIPCIÓN : Valor entero que indica cuantas veces a sido considerada mala elección el camino correspondiente. CARACTERISTICAS DEL ELEMENTO LONGITUD : 1 DECIMALES: 0 VALOR POR DEFECTO : 1 CONTINUO X O DISCRETO TIPO [ALFABETICO – ALFANUMERICO – FECHA – NUMERICO – BÁSICO – DERIVADO] CRITERIOS DE VALIDACIÓN COMENTARIOS :
FORMA DE DESCRIPCIÓN DEL ELEMENTO ID NOMBRE : VALOR_DE_ACTIVACION DESCRIPCIÓN : Valor que es guardado cada vez que se genera un camino, sirve para estudio del comportamiento de la RNA CARACTERISTICAS DEL ELEMENTO LONGITUD : 1 DECIMALES: 3 VALOR POR DEFECTO : CONTINUO X O DISCRETO TIPO [ALFABETICO – ALFANUMERICO – FECHA – NUMERICO – BÁSICO – DERIVADO] CRITERIOS DE VALIDACIÓN COMENTARIOS :
93
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
FORMA DE DESCRIPCIÓN DEL ELEMENTO ID NOMBRE : ID_RESPUESTA DESCRIPCIÓN : Valor único que identifica cada respuesta posible. CARACTERISTICAS DEL ELEMENTO LONGITUD : 1 DECIMALES: 0 VALOR POR DEFECTO : CONTINUO X O DISCRETO TIPO [ALFABETICO – ALFANUMERICO – FECHA – NUMERICO – BÁSICO – DERIVADO] CRITERIOS DE VALIDACIÓN COMENTARIOS :
FORMA DE DESCRIPCIÓN DEL ELEMENTO ID NOMBRE : DESCRIPCION DESCRIPCIÓN : Breve descripción de la tarea que se realizara, sirve para información de respaldo del usuario. CARACTERISTICAS DEL ELEMENTO LONGITUD : 256 DECIMALES: VALOR POR DEFECTO : CONTINUO O DISCRETO X TIPO [ALFABETICO – ALFANUMERICO – FECHA – NUMERICO – BÁSICO – DERIVADO] CRITERIOS DE VALIDACIÓN COMENTARIOS :
94
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
FORMA DE DESCRIPCIÓN DEL ELEMENTO ID NOMBRE : TIPO DESCRIPCIÓN : Hace referencia al tipo de respuesta (señal, tarea, error) CARACTERISTICAS DEL ELEMENTO LONGITUD : 8 DECIMALES: VALOR POR DEFECTO : CONTINUO X O DISCRETO TIPO [ALFABETICO – ALFANUMERICO – FECHA – NUMERICO – BÁSICO – DERIVADO] CRITERIOS DE VALIDACIÓN
Tipos de tareas posibles, permite interactuar al usuario con el sistema. COMENTARIOS : Da la capacidad de que el usuario interactué con la RNA en el comportamiento de las tareas.
FORMA DE DESCRIPCIÓN DEL ELEMENTO ID NOMBRE : USOS_CAMINO DESCRIPCIÓN : Valor que almacena el número de veces utilizado un camino en una respuesta. CARACTERISTICAS DEL ELEMENTO LONGITUD : 1 DECIMALES: 0 VALOR POR DEFECTO : CONTINUO X O DISCRETO TIPO [ALFABETICO – ALFANUMERICO – FECHA – NUMERICO – BÁSICO – DERIVADO] CRITERIOS DE VALIDACIÓN Mínimo 1 COMENTARIOS :
95
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
FORMA DE DESCRIPCIÓN DEL ELEMENTO ID NOMBRE : ACCION DESCRIPCIÓN : Acción a realizarse en el paso correspondiente para entregar una respuesta. CARACTERISTICAS DEL ELEMENTO LONGITUD : 128 DECIMALES: 0 VALOR POR DEFECTO : CONTINUO X O DISCRETO TIPO [ALFABETICO – ALFANUMERICO – FECHA – NUMERICO – BÁSICO – DERIVADO] CRITERIOS DE VALIDACIÓN COMENTARIOS :
FORMA DE DESCRIPCIÓN DEL ELEMENTO ID NOMBRE : IMAGEN DESCRIPCIÓN : Imagen que se almacena para comparaciones y aprendizajes futuros CARACTERISTICAS DEL ELEMENTO LONGITUD : 1 DECIMALES: VALOR POR DEFECTO : CONTINUO O DISCRETO X TIPO [ALFABETICO – ALFANUMERICO – FECHA – NUMERICO – BÁSICO – DERIVADO] CRITERIOS DE VALIDACIÓN COMENTARIOS :
96
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
3.1.5 Aplicaciones referentes al Modelo Dinámico Adaptativo.
Debido a la amplitud y también gracias a la complejidad del Modelo Dinámico Adaptativo mostrado, se puede verificar su capacidad de aplicación a diferentes áreas de la realidad, dicha aplicación se puede realizar sin causar cambios de estructura en el software. Dicha capacidad esta dada en gran medida por la complejidad en su Desarrollo (Análisis, Diseño e Implementación). Es notorio al ver los diferentes puntos del Diseño del proyecto, que dicho modelo es más largo de analizar y diseñar, para poder otorgarle las capacidades de adaptación antes mencionadas.
Se detallará a continuación una serie ejemplos de su aplicación.
•
Se puede implementar mediante integrados la red propuesta, dando capacidades de velocidad y procesamiento paralelo al proyecto, pudiendo así ver un tiempo de reacción más pequeño, y probar las capacidades de diferentes integrados.
•
Se puede implementar para la construcción de una silla de ruedas basada en la interpretación de señales luminosas, teniendo capacidad de adaptarse a las instrucciones entregadas por personas con diversas enfermedades, que no les permite la capacidad total de motricidad.
•
Se puede implementar para el manejo de carteles (letreros o propagandas publicas) dándoles una jerarquía de aparición, teniendo mediante esta aplicación la posibilidad de manejar dichas propagandas inalcanzables para los que se encuentran observando, y adaptarse a cada usuario (aprender).
97
CARLOS DRAUGIALIS PESSOA
•
Modelos, su Análisis y Diseño
Automatización, proyectando un esquema del Centro, Hogar, u edificio sobre una superficie, se puede adaptar para manejar la proyección, y entregar instrucciones específicas.
•
Seguridad, se puede implementar para reaccionar a ciertos estímulos de sombras, iluminación, para reaccionar automáticamente y ejecutar una acción, sin la intervención de personal.
•
Es posible implementarlo para el envío de trabajos a equipos industriales, interpretando señales luminosas.
•
Es posible manejar maquinaria en lugares peligrosos mediante instrucciones
luminosas,
donde
por
ejemplo
existe
demasiada
interferencia para manejo inalámbrico.
98
Modelo de Estático
3.2.1 Modelado. 3.2.1.1 Requisitos
Características del Sistema.
CARLOS DRAUGIALIS PESSOA
3.2
Modelos, su Análisis y Diseño
•
Que de solución al Problema.
•
Sirva de comparación (Realice las Mismas o similares tareas).
•
De propósito lo más general Posible.
•
Que se puedan modificar datos referentes a: ◦ Imagen. ◦ Características. ◦ Procesamiento. ◦ Respuestas.
3.2.2 Módulos del Sistema y sus Actividades.
•
S. Tratamiento de Imagen.
Se encarga de recibir la imagen directamente del dispositivo de entrada (cámara web), y verificar las condiciones necesarias para que exista compatibilidad con su procesamiento, cumpliendo características específicas de resolución, profundidad de color, formato. •
Leer Imagen.
99
CARLOS DRAUGIALIS PESSOA
•
•
Verificar Formato.
•
Verificar Resolución.
•
Traducción a Matriz de Datos.
•
Borrado de la Imagen.
Modelos, su Análisis y Diseño
S. Procesamiento de Imagen y Control de Características. Se encarga de (como su nombre indica) procesar la matriz de imagen, realizando operaciones sobre esta información, para de este modo obtener la información necesaria y procesada, para poderla relacionar con las especificaciones dadas, y realizar la evaluación de existencia de trazos, y por lo tanto de información útil.
•
•
Realizar resta de Imágenes.
•
Buscar existencia de Trazo.
•
Leer y comparar las características de posición, y forma del trazo.
•
Evaluar si existe información.
S. Traductor de Respuesta.
Se encarga de recibir la información procesada, es decir que existe una señal, contrastarla con los datos, y especificaciones existentes, y evaluar la respuesta. •
Verificar la existencia de Respuesta para trazo.
•
Enviar respuesta a Dispositivo de salida.
100
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
3.2.3 Diagramas de Flujo de Datos.
Ilustración 22: Diagrama "0" : Carlos Draugialis Pessoa.
Ilustración 23: Diagrama "1" :Carlos Draugialis Pessoa
101
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
102
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
3.2.4 Algoritmia y Diccionario de Datos 3.2.4.1 Algoritmo Procesamiento de la Información
Ilustración 24: Algoritmo PROCESAMIENTO_DE_LA_INFORMACION: Carlos Draugialis Pessoa 103
ID
NOMBRE PROCESAR
EX_SENAL
INSTRUCCION
CARLOS DRAUGIALIS PESSOA
Diccionario de Datos
Modelos, su Análisis y Diseño
TIPO
VALOR PREDETERMIN ADO
DESCRIPCIÓN
ENTERO
0
VARIABLE ENTERA QUE CONTIENE LA SELECCION DEL USUARIO EN CASO DE EDITAR, O AGRAGAR INFORMACION A LA BD. CARACTERISTICAS
BOLEAN FALSO
ALMACENA EN VALOR BOOLEANO (VERDAD O FALSO) LA EXISTENCIA DE UN TRAZO AL RESTAR ALS MATRICES (IMAGENES) DE ENTRADA.
ENTERO
VARIABLE QUE ALMACENA EL VALOR CORRESPONDIENTE A LA TAREA A EJECUTAR, SI ES 0 NO EXISTE INSTRUCCION
-
Tabla 11: Diccionario de Datos de Procesamiento: Carlos Draugialis Pessoa
104
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
3.2.4.2 Algoritmo Editar Información.
Ilustración 25: Algoritmo EDITAR_INFORMACION : Carlos Draugialis Pessoa
105
ID
NOMBRE TAREA
CARLOS DRAUGIALIS PESSOA
Diccionario de Datos
Modelos, su Análisis y Diseño
TIPO
VALOR PREDETERMIN ADO
DESCRIPCIÓN
ENTERO
0
VARIABLE QUE ALMACENA LA TAREA QUE SE DESEA HACER CON LA INFORMACION DE LA BD.
Tabla 12: Diccionario de Datos Editar Información : Carlos Draugialis Pessoa
106
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
3.2.4.3 Algoritmo Generar Trazo
107
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
108
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
Ilustración 26: Algoritmo GENERAR_TRAZO : Carlos Draugialis Pessoa
Diccionario de Datos
109
CARLOS DRAUGIALIS PESSOA
ID
Modelos, su Análisis y Diseño
VALOR PREDETER MINADO
DESCRIPCIÓN
SENIAL1, SENIAL2 MATRIZ_TIPO
-
MATRICES QUE ALMACENAN LAS SEÑALES DE CADA MATRIZ PORTADORA, PARA DEFINIR EL MOVIMIENTO.
MATRIZ1, MATRIZ_TIPO MATRIZ2, MATRIZ3, MATRIZ
-
MATRIZ QUE CONTIENE LOS DATOS DE LA IMAGEN SIN ENCABEZADO (PUNTOS O PIXELS)
NOMBRE
TIPO
VALOR
ENTERO
VALOR DEL COLOR DEL PUNTERO
TRAZO
MATRIZ_TIPO
ALMACENA DESPUES DE UN BARRIDO SI EXISTE TRAZO EN LA IMAGEN
Tabla 13: Diccionario de Datos Generar Trazo: Carlos Draugialis Pessoa
110
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
3.2.4.4 Ejecución de Tareas.
Ilustración 27: Algoritmo EJECUTAR_TAREA : Carlos Draugialis Pessoa
111
ID
NOMBRE INSTRUCCION
ACCION
CARLOS DRAUGIALIS PESSOA
Diccionario de Datos
TIPO
Modelos, su Análisis y Diseño
VALOR PREDETERMINA DO
DESCRIPCIÓN
ENTERO
VARIABLE QUE ALMACENA EL VALOR CORRESPONDIENTE A LA TAREA A EJECUTAR, SI ES 0 NO EXISTE INSTRUCCION
ENTERO 0
ALMACENA LA CCION DE LA TAREA NUMERICAMENTE
Tabla 14: Diccionario de Datos Ejecución de Tareas: Carlos Draugialis Pessoa
112
CARLOS DRAUGIALIS PESSOA
3.2.4.5 Algoritmo Traductor
Modelos, su Análisis y Diseño
113
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
Ilustración 28: Algoritmo TRADUCTOR (Carlos Draugialis Pessoa)
Diccionario de Datos
ID NOMBRE
TIPO
VALOR PREDETERMINADO DESCRIPCIÓN
IMAGEN_1 IMAGEN
-
IMAGEN A SER TRADUCIDA (APV)
IMAGEN_2 IMAGEN
-
IMAGEN A SER TRADUCIDA (APV)
IMAGEN_3 IMAGEN
-
IMAGEN A SER TRADUCIDA (APV)
Tabla 15: Diccionario de Datos Traductor : Carlos Draugialis Pessoa
114
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
3.2.4.6 Algoritmo Tratamiento de Imagen
115
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
Ilustración 29: Algoritmo TRATAMIENTO_DE_IMAGEN (Carlos Draugialis Pessoa)
116
ID
NOMBRE IMAGENES
IMAGEN
ALTO ANCHO SENIAL
CARLOS DRAUGIALIS PESSOA
Diccionario de Datos
TIPO
Modelos, su Análisis y Diseño
VALOR PREDETERMINA DO
DESCRIPCIÓN
ENTERO 0
VARIABLE QUE CUENTA LAS IMAGENES CON SEÑAL DE ENTRADA
IMAGEN -
IMAGEN CAPTURADA DESDE LA CAMARA PARA SER ANALIZADA
ENTERO 480
ALTURA EN PIXELS DE LA IMAGEN
ENTERO 640
ANCHO EN PIXELS DE LA IMAGEN
ENTERO 0
RESPUESTA DEL RAZONAMIENTO EN BUSQUEDA DE SEÑAL EN LA IMAGEN
Tabla 16: Diccionario de Datos Tratamiento de Imagen : Carlos Draugialis Pessoa
117
CARLOS DRAUGIALIS PESSOA
3.2.4.7 Algoritmo Traductor
Modelos, su Análisis y Diseño
Ilustración 30: Algoritmo TRADUCTOR (Carlos Draugialis Pessoa)
Diccionario de Datos
ID NOMBRE
TIPO
VALOR DESCRIPCIÓN PREDETERMINADO
IMAGEN_1 IMAGEN
-
IMAGEN A SER TRADUCIDA (APV)
IMAGEN_2 IMAGEN
-
IMAGEN A SER TRADUCIDA (APV)
IMAGEN_3 IMAGEN
-
IMAGEN A SER TRADUCIDA (APV)
Tabla 17: Diccionario de Datos Traductor : Carlos Draugialis Pessoa
118
RESPUESTA ID_RESPUESTA : ENTERO DESCRIPCION : char (256) TIPO : CHAR (8)
CARLOS DRAUGIALIS PESSOA
3.2.5 Base de Datos
Modelos, su Análisis y Diseño
POSICIONES ID_POSICION : ENTERO PORCENTAJE_DE_ACEPTACON : FLOAT DESCRIPCION : char (256) POSICION : ENTERO
Ilustración 31: Relaciones de la Base de Datos : Carlos Draugialis Pessoa
Ilustración 32: Diagrama de la BD (Estático) : Carlos Draugialis Pessoa
119
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
FORMA DE DESCRIPCIÓN DEL ELEMENTO ID NOMBRE : ID_RESPUESTA DESCRIPCIÓN : Valor entero que caracteriza a cada respuesta posible. CARACTERISTICAS DEL ELEMENTO LONGITUD : 1 DECIMALES: 0 VALOR POR DEFECTO : auto incrementa CONTINUO X O DISCRETO TIPO [ALFABETICO – ALFANUMERICO – FECHA – NUMERICO – BÁSICO – DERIVADO] CRITERIOS DE VALIDACIÓN Superior a “0” COMENTARIOS :
FORMA DE DESCRIPCIÓN DEL ELEMENTO ID NOMBRE : DESCRIPCCION DESCRIPCIÓN : Valor que almacena una descripccion de la respuesta correspondiente. CARACTERISTICAS DEL ELEMENTO LONGITUD : 256 DECIMALES: 0 VALOR POR DEFECTO : CONTINUO O DISCRETO X TIPO [ALFABETICO – ALFANUMERICO – FECHA – NUMERICO – BÁSICO – DERIVADO] CRITERIOS DE VALIDACIÓN Superior a “0” COMENTARIOS :
120
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
FORMA DE DESCRIPCIÓN DEL ELEMENTO ID NOMBRE : TIPO DESCRIPCIÓN : Valor que almacena el tipo de respuesta, para caracterizarla (sistema o externa). CARACTERISTICAS DEL ELEMENTO LONGITUD : 8 DECIMALES: 0 VALOR POR DEFECTO : CONTINUO O DISCRETO X TIPO [ALFABETICO – ALFANUMERICO – FECHA – NUMERICO – BÁSICO – DERIVADO] CRITERIOS DE VALIDACIÓN Superior a “0” COMENTARIOS :
FORMA DE DESCRIPCIÓN DEL ELEMENTO ID NOMBRE : ID_POSICION DESCRIPCIÓN : Valor que identifica la posición. CARACTERISTICAS DEL ELEMENTO LONGITUD : 1 DECIMALES: 0 VALOR POR DEFECTO : CONTINUO X O DISCRETO TIPO [ALFABETICO – ALFANUMERICO – FECHA – NUMERICO – BÁSICO – DERIVADO] CRITERIOS DE VALIDACIÓN Superior a “0” COMENTARIOS :
121
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
FORMA DE DESCRIPCIÓN DEL ELEMENTO ID NOMBRE : PORCENTAJE_DE_ADAPTACION DESCRIPCIÓN : Valor flotante que identifica el porcentaje de “error” aceptable al analizar posiciones. CARACTERISTICAS DEL ELEMENTO LONGITUD : 1 DECIMALES: 3 VALOR POR DEFECTO : CONTINUO X O DISCRETO TIPO [ALFABETICO – ALFANUMERICO – FECHA – NUMERICO – BÁSICO – DERIVADO] CRITERIOS DE VALIDACIÓN Superior a “0” COMENTARIOS :
FORMA DE DESCRIPCIÓN DEL ELEMENTO ID NOMBRE : DESCRIPCION DESCRIPCIÓN : Valor que describe la posición, sirve como bitácora. CARACTERISTICAS DEL ELEMENTO LONGITUD : 256 DECIMALES: 0 VALOR POR DEFECTO : CONTINUO X O DISCRETO TIPO [ALFABETICO – ALFANUMERICO – FECHA – NUMERICO – BÁSICO – DERIVADO] CRITERIOS DE VALIDACIÓN Superior a “0” COMENTARIOS :
122
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
FORMA DE DESCRIPCIÓN DEL ELEMENTO ID NOMBRE : POSICION DESCRIPCIÓN : Valor entero que indica la posición inicial de la señal, para su identificación. CARACTERISTICAS DEL ELEMENTO LONGITUD : 1 DECIMALES: 0 VALOR POR DEFECTO : CONTINUO O DISCRETO X TIPO [ALFABETICO – ALFANUMERICO – FECHA – NUMERICO – BÁSICO – DERIVADO] CRITERIOS DE VALIDACIÓN Superior a “0” COMENTARIOS :
123
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
3.2.6 Aplicaciones referentes al Modelo Estático.
En cuanto a la reutilización del Modelo Estático, podemos aplicarlo también en diferentes áreas y para diversas tareas, tomando en cuenta que para cada aspecto se debe realizar una modificación significativa en el diseño, y posteriormente (según sea el caso) también el el software.
•
Se puede implementar para la construcción de una silla de ruedas basada en la interpretación de señales luminosas, teniendo en cuenta que se debe modificar las partes correspondientes a la ejecución de tareas, e introducir las posibles señales, indicando las posiciones de las instrucciones serán aceptadas (Modulo de Ejecución de Tareas, y Módulo de Procesamiento).
•
Se puede implementar para el manejo de carteles (letreros o propagandas publicas) dándoles una jerarquía de aparición, teniendo en cuenta la modificación de los Módulos Procesamiento y Ejecución de tareas).
•
Seguridad, se puede implementar para reaccionar a ciertos estímulos de sombras, iluminación, para reaccionar automáticamente y ejecutar una acción, tomando en cuenta que se debe manejar con porcentajes (probabilidades), y que se deben modificar los Módulos correspondientes (cambiar código) cuando existan falsas alarmas.
•
Es posible implementarlo para el envío de trabajos a equipos industriales, interpretando señales luminosas específicas y únicas.
124
Análisis de riesgos.
CARLOS DRAUGIALIS PESSOA
3.3
Modelos, su Análisis y Diseño
En el desarrollo de cualquier proyecto en nuestra vida cotidiana, se debe tomar en cuenta el riesgos que se corren en el transcurrir de dicho proyecto; cuando se toman en cuenta estos posibles riesgos se puede tomar medidas precautorias, o respuestas, ya sea para reducir su efecto, o eliminar por completo la incidencia en el desarrollo. En el caso de un proyecto de software no es la excepción, al contrario, se debe tomar muy en cuenta dichas posibilidades, dado que son difíciles de notar, dado que un software es algo abstracto.
Para poder comprender de una manera más visual dichos acontecimientos, serán expresados en una tabla, la cual se muestra a continuación:
125
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
3.3.1 Análisis de Riesgos del Modelo Dinámico Adaptativo Problema
Área en la que se Grado de incidencia presenta
Material
de
apoyo Problema de Ciencia
para la investigación Existencia de equipos
Problema
Alto
de Alto
aplicabilidad Acceso a equipos
Problema
de Alto
aplicabilidad
Existencia problema
del Problema Realidad
Disponibilidad
de Problemas
Tiempo
del Investigador
Investigador Disponibilidad
de Problemas
Recursos
del Investigador
Investigador
Disponibilidad
de Problemas
trabajo
del Investigador
Investigador
de
la Alto
del -Alto
del -Medio
del -Alto
Alternativas y/o Medidas precautorias -
Postulado
de
teoremas - No existe medida precautoria -
Posibilidad
de
compra -Posibilidad
de
Alquiler -Posibilidad
de
Préstamo -Existencia comprobada - Cambiar rumbo del proyecto
- Conseguir préstamo -Conseguir Patrocinador -Cambio de rumbo del proyecto -Cambio
de
actividades
del
investigador -Cambio de rumbo del Proyecto
Tabla 18: Riesgos Modelo de Razonamiento Dinámico Adaptativo . (Carlos Draugialis Pessoa) 126
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
3.3.2 Análisis de Riesgos Modelo Estático. PROBLEMA
ÁREA INCIDENCIA
DE GRADO INCIDENCIA
Material de Apoyo Problema de Ciencia Equipos Existencia Problema
Problema Aplicabilidad
Bajo
de Bajo
del Problema de Realidad Alto
DE ALTERNATIVAS Y/O MEDIDAS PRECAUTORIAS Investigación - Compra - Préstamo - Alquiler Cambio
Tiempo
Problema Investigador
del Bajo
- Disminuir Alcance
Recursos
Problema Investigador
del Alto
- Conseguir préstamo
Disponibilidad de Problema Trabajo del Investigador Investigador
del Alto
-Conseguir Patrocinador -Cambio de rumbo del proyecto -
Cambio
de
Actividades - Cambio de rumbo del Proyecto
Tabla 19: Riesgos Modelo Estático : Carlos Draugialis Pessoa
Cuando se intenta definir los problemas que se encierran o encuentran en la elaboración de un proyecto, se tiene la tendencia a diseccionar la realidad en partes, las cuales siguen perteneciendo a esta (realidad) pero se observa de diferente ángulos. Por eso a pesar del problema pertenecer a la realidad, se lo divide en áreas que sirvan para su fácil relación. La Ciencia es parte de la realidad, refiriéndose a la información que se tiene o se puede obtener del problema; la aplicabilidad enfocándose la equipamiento material del proyecto, y por ultimo lo referente al investigador, el cual participa activamente en el proyecto.
127
CARLOS DRAUGIALIS PESSOA
Modelos, su Análisis y Diseño
Cuando hablamos de un grado de incidencia de estos problemas existentes, no podemos cuantificarlos, porque se escapan de una regla matemática que nos permita hacer esta operación, pero al contrario es posible calificarlos, para lo cual se eligió tres categorías bajo, medio y alto; las cuales nos permiten identificar de una manera más clara su incidencia, sin intentar buscar un factor cuantificador, no aplicable en este caso.
3.4
Resumen.
En el presente apartado se tocaron los riesgos existentes, y sobresalientes en ambos Modelos, buscando en cada caso una alternativa en caso de que la ocurrencia sea positiva, y de una incidencia alta.
128
Análisis
CARLOS DRAUGIALIS PESSOA
Capitulo 4 :
CARLOS DRAUGIALIS PESSOA
4.1
Análisis
Justificación de los modelos de Diseño
Al desarrollar cualquier proyecto en la realidad, se van presentando dificultades, las cuales son difíciles de predecir sin tener la información necesaria de manera disponible para su predicción; dicha información se va presentando conforme se avanza en el desarrollo de dicho proyecto, al mismo tiempo que se introducen criterios de verificación y validación de información.
El desarrollo de software no esta eximio de dicha característica, poco a poco en el desarrollo se van encontrando problemas, y presentando complicaciones (riesgos) según la información del sistema va ampliándose, y justamente en la fase de diseño es donde se pueden vivir y predecir más los problemas existentes en el desarrollo del proyecto; dado que en esta etapa el proyecto contiene información vasta y suficiente sobre todo el sistema y su funcionamiento, sus necesidades y conocimiento del material necesario para su implementación; por este motivo se llega hasta dicha face, para poder realizar la comparación entre ambos modelos de resolución de un mismo problema, enfocando las ventajas y las desventajas de cada uno de los modelos de manera individual y luego comparativa. También cabe considerar que al tener el diseño del proyecto se puede predecir con mayor exactitud los recursos necesarios, y realizar un ajuste a los expuestos en el plan del proyecto, y retirarse o desechar sin realizar una inversión fuerte en el desarrollo de dicho proyecto.
130
CARLOS DRAUGIALIS PESSOA
Análisis
También se toma en cuenta la filosofía de negocio en dicha comparación, dado que la mayoría de las aplicaciones de uso diario son hechas a medida, y como negocio, por lo cual también existe información de análisis en dicha estructura de pensamiento. 4.2
Comparación de Modelos
Al realizar una comparación entre los modelos propuestos para la solución de un mismo problema, se toca diferentes aspectos de dichos Diseños, debido que de esta manera podemos obtener la información necesaria para su comprensión y por lo tanto para su comparación, tocando diferentes puntos de vista, para de este modo poder exponerlos y disponer del enfoque necesario según el criterio de nuestro entorno.
En la comparación para obtener la respuesta a una hipótesis, se deben de igual manera
considerar
diferentes
fundamentación.
aspectos,
y
tener
las
bases
para
su
Para el presente proyecto se presenta diferentes criterios comparativos, haciendo especial énfasis en tres de ellos:
•
Riesgos
•
Negocio
•
Complejidad
Bajo estos tres criterios esenciales se dará respuesta fundamentada a la interrogante propuesta.
131
CARLOS DRAUGIALIS PESSOA
4.2.1 Área de Aplicación
Análisis
El área de aplicación hace referencia directa al entorno, es decir en que áreas puede ser aplicado el software diseñado, tomando en cuenta el cambio necesario para su adaptación a dicha área. Es importante este análisis debido al horizonte actual del desarrollo de software, enfocado a la re utilización de código, y programación orientada a componentes.
En este caso cabe señalar que ambos diseños pueden ser aplicados en diversas áreas, pero se debe dar principal énfasis en el Modelo de Razonamiento Dinámico Adaptativo; el cual pude participar en muchas más áreas, debido a su capacidad de adaptación, y a la “complejidad de su Diseño”, tiene la ventaja que la base de su reconocimiento de patrones como su nombre indica, es Dinámico y Adaptativo, cambia según las necesidades del entorno.
Debido a la capacidad de adaptación que dispone el Modelo Dinámico Adaptativo, lleva la ventaja en este punto, dado que su capacidad de razonamiento, y al ser un un diseño evolutivo puede adaptarse de manera sencilla y funcional a diversas áreas.
◦ Necesidad de cambio en la estructura para su adaptación ▪ Cuantos Módulos se verán afectados
132
CARLOS DRAUGIALIS PESSOA
Número / Modelo
Dinámico Adaptativo
---------------------------------- 0
Análisis Modelo Estático 1
Tabla 20: Cambio en la Estructura según el Área : Carlos Draugialis Pessoa
Se debe argumentar también, que la comparación de ambos modelos, para su Análisis esta siendo realizada dentro del reconocimiento dentro de imágenes.
Para poder realizar la adaptación del Modelo a otra área, en la cual se desea realizar un reconocimiento de patrones luminosos, se debe:
•
En el caso del uso de Modelo Dinámico Adaptativo se debe realizar el entrenamiento de la red, es decir, enseñar el entorno al software.
•
En el caso del Modelo Estático se debe volver a programar el módulo correspondiente a Procesamiento, dado que a sus algoritmos se deben introducir las características del entorno.
En el caso de hablar de cambios o adaptaciones a nivel de aplicación, se debe poner en claro que adaptarse no implica cambios en la estructura del software, ni cambios en las líneas de código del software; sin embargo al hablar de cambios indicamos la necesidad de cambiar o incrementar código en la aplicación, bajo este criterio indicamos que el Modelo Dinámico Adaptativo no necesita cambio en su estructura, solo realizar un nuevo entrenamiento bajo el actual entorno de condiciones, y este irá aprendiendo y adaptándose al entorno, por propias capacidades.
133
CARLOS DRAUGIALIS PESSOA
Dinámico Adaptativo
Análisis
Estático
Se adapta 66,67%
Se adapta 0%
Cambios 0 %
Cambios 50%
Invariable 33,33%
Invariable 50%
Tabla 21: PORCENTAJE DE ADPTACIÓN : Carlos Draugialis Pessoa Al Modelar los dos algoritmos, se realizo esfuerzo para que la mayor de la estructura a nivel de Módulos sea similar para poder realizar el Análisis comparativo entre ambos modelos por lo cual para poder encontrar el porcentaje de cambio y adaptación, se hace una comparación entre los Módulos, y estos dan el valor del porcentaje:
Modelo Adaptativo Módulos
6
Cambios
0
Adaptación
4
Dinámico Modelo Estático 4 2 0
Tabla 22: Comparación en Número de Módulos : Carlos Draugialis Pessoa
4.2.2 Predicción de su funcionamiento y respuesta
Todo sistema desarrollado es para dar respuesta a una necesidad, y por lo tanto debe dar respuestas internas, dichas respuestas en muchos casos pueden ser calculadas fuera del sistema, para poder verificar su funcionamiento. En otros casos dichas respuestas no son predictivas, es decir se puede estimar las respuestas que dará el sistema, pero no predecirlas al 100%.
134
CARLOS DRAUGIALIS PESSOA
Análisis
◦ Se puede predecir su comportamiento ▪ Nada (no es predecible para nada) ▪ Bajo (Se puede acercar probabilisticamente) ▪ Medio (Se puede predecir con un mínimo error) ▪ Es predecible
Modelo
Predicción
de Detalle
comportamiento Dinámico Adaptativo
Bajo
Por análisis de bitácora.
Estático
Es predecible
Según el procesamiento y las condiciones.
Tabla 23: Comportamiento : Carlos Draugialis Pessoa
4.2.3 Razonamiento
El razonamiento es una capacidad humana, que en la actualidad es entregada a los sistemas comunicacionales, para aplicaciones específicas, por lo tanto muy poco usado para aplicaciones de uso común, al menos en nuestro entorno; aunque en empresas muy grandes y que desean ganar al usuario, se van introduciendo de manera más rápida, un claro ejemplo los asistentes en los teléfonos inteligentes de la actualidad.
◦ Que capacidad de razonar tiene ▪ Nada (Estático)
135
CARLOS DRAUGIALIS PESSOA
Análisis
▪ Bajo (Probabilista)
▪ Medio (Genera respuestas)
▪ Alto (Genera respuestas y busca Tendencias)
Modelo
Capacidad
de Detalles
Razonamiento Dinámico Adaptativo
Alto
Se adapta y optimiza.
Estático
Nada
Solo interpreta datos y los
compara,
para
obtener respuestas.
Tabla 24: Capacidad de Razonamiento : Carlos Draugialis Pessoa
4.2.4 Manejo de Información
◦ Base de Datos
El manejo de información es un punto interesante al realizar comparación entre modelos, debido a que en este punto se puede ver reflejado en las tablas, la información que se maneja en cada caso, dando una idea fuerte de la masa de información y por lo tanto un valor de complejidad de cada modelo.
▪ Cuantas Tablas y Datos mínimos maneja.
136
CARLOS DRAUGIALIS PESSOA
Modelo
Análisis
Cantidad de Tablas Datos Mínimos Estimados
Dinámico Adaptativo 5 Estático
3
1440013 9
Tabla 25: Tablas y Datos Mínimos : Carlos Draugialis Pessoa
4.2.4.1 La base de datos crece por
El crecimiento de la Base de Datos se debe únicamente a la existencia (agregar) de información adicional, dicha información puede ser incrementada por tres tipos de entes, el usuario, un sistema externo, o el mismo sistema.
•
El usuario Introduce información (El usuario introduce las nueve información)
•
El usuario corrige la información generada por el sistema (ej. hopfield)
•
El sistema genera sus propia información y es evaluada la respuesta.
137
Usuario
CARLOS DRAUGIALIS PESSOA
Modelo
Análisis
Usuario
Introduce
El
la Supervisa
información
(corrige)
sistema
genera, evalúa, y la valida
Información
la
información.
Generada
Dinámico Adaptativo Estático
X
X
Tabla 26: Generación de Información en la BD : Carlos Draugialis Pessoa
4.2.4.2 Genera su propia información para adaptarse
El software necesita información para comprender su entorno, dicha información
puede
ser
adquirida
por
experiencia,
probabilidad,
o
necesariamente entregada por el programador. En el caso de ser adquirida por experiencia, se consideran las nuevas respuestas por un nuevo entorno, o la evolución para adaptarse.
•
Nada
•
Bajo (corrige, y mejora sus probabilidades)
•
Medio (Genera nuevos estados para sus respuestas)
•
Alto ( Genera nuevos estados para sus respuestas y Optimiza sus estados)
138
CARLOS DRAUGIALIS PESSOA
Modelo
Análisis
Generación de Información para adaptarse
Dinámico Adaptativo Estático
Alto Nada
Tabla 27: Geración de Información para Adaptación : Carlos Draugialis Pessoa
4.2.4.3 La información de la Base de datos es legible directamente.
Los datos que se almacenan en la Base de Datos de un software, presentan información para el sistema en si, pero en muchos de los casos dicha información dispersa en datos, es legible y comprensible para el usuario (programador) de manera directa sin realizar ninguna interpretación adicional de los datos existentes, ademas de concordar de manera directa para poder extraer la información de los datos presentes, y en otros casos la información es amplia, los datos necesarios para generar la comprensión (información) son numerosos. •
Alta (Se puede ver los datos y relacionarlos directamente)
•
Media (Los datos son complejos, probabilistas)
•
Bajo (Los datos no son comprensibles, y son numerosos)
Modelo Dinámico Adaptativo Estático
Legibilidad de los Datos Bajo Alta
Tabla 28: Legibilidad de los Datos : Carlos Draugialis Pessoa 139
CARLOS DRAUGIALIS PESSOA
Análisis
4.2.5 El Usuario Maneja directamente los cambios
Al existir un cambio en el entorno del software (sistema, aplicación), se deben manejar o administrar dichos cambios del entorno dentro del sistema, esto debido a que si cambia el entorno, se debe cambiar las condiciones, y adaptarlas para que las respuestas sean óptimas, para satisfacer de manera exacta la expectativas, para ello se puede examinar el grado de participación del programador (usuario) para configurar o manejar los cambios.
•
Alto (el usuario se hace cargo de cambiar la información pertinente a las decisiones)
•
Medio (El usuario corrige la información de manera directa respecto a las decisiones)
•
Bajo (El usuario mediante bitácora puede hacer el seguimiento de los cambios que realiza el sistema)
Modelo Dinámico Adaptativo Estático
Manejo de los Cambios Bajo Alto
Tabla 29: Manejo de Cambios : Carlos Draugialis Pessoa
4.2.6 Facilidad
140
CARLOS DRAUGIALIS PESSOA
Análisis
La facilidad de manejo del software se puede ver desde dos puntos de vista principales, uno de ellos y el más importante cuando de aplicaciones de negocio se trata, es la facilidad de uso para el usuario, es decir, del sistema como tal; en contraparte
a
este
esta
la
facilidad
de
la
generación
de
código
(implementación), la cual es desde el punto de vista del desarrollador de la aplicación, considerando bajo esta observación la facilidad de reutilizar su código.
4.2.6.1 Es Fácil de Reutilizar ▪ Su código •
Bajo
•
Medio
•
Alto
Modelo
Facilidad de Re utilización
Dinámico Adaptativo Estático
Alto Bajo
Tabla 30: Facilidad de Re utilización de Código : Carlos Draugialis Pessoa
4.2.6.2 Facilidad para el Usuario •
Bajo (El usuario debe tener cuidado en los datos, y debe aprender mucho detalle del sistema) 141
Medio (El sistema verifica los datos, existe confianza)
•
Alto (El sistema intenta entender al Usuario)
Modelo Dinámico Adaptativo Estático
CARLOS DRAUGIALIS PESSOA
•
Análisis
Facilidad para el Usuario Alto Medio
Tabla 31: Facilidad para el Usuario : Carlos Draugialis Pessoa
142
CARLOS DRAUGIALIS PESSOA
Capitulo 5 : Conclusiones
CARLOS DRAUGIALIS PESSOA
Conclusiones
Al realizar la comparación entre ambos modelos, se puede observar diversas características que dan ventajas y desventajas a ambos modelos. Lo que cabe resaltar con mayor énfasis, es el riesgo que implica el desarrollo de una aplicación Dinámica Adaptativa (aplicando I.A.), debido a que los riesgos inician incluso desde el plano informativo respecto al modelo, es decir, que el material de consulta a pesar de ser bastante, en algún caso puede (según se muestra en el Análisis de Riesgos) tornarse insuficiente. Otra dificultad que resalta de manera inmediata al inspeccionar las comparaciones es la del manejo de los Datos, presentando grandes dificultades para su interpretación directa, y su predicción en torno a las respuestas, dando como resultado la espera de la “reacción” del sistema en torno a las respuestas que este dará (Justificado por los conceptos expuestos). Aunque no todo es negativo, dado que este modelo presenta una potencial característica, y es su alta capacidad de adaptarse al entorno, y generar sus propias respuestas, sin la necesidad inmediata de la intervención del desarrollador; junto a esto queda expuesta la alta capacidad del sistema respecto a la tolerancia hacia la perdida de información. Una vez expuestas las características más sobresalientes (Ver Análisis pag. 124), se presenta a continuación una lista de conclusiones:
➢ Las áreas a las cuales pueden ser adaptados son múltiples, presentando una total ventaja el Modelo Dinámico Adaptativo. ➢ La necesidad de cambio en la estructura del software (código) debe realizarse en el Modelo Estático, por lo tanto el Modelo Dinámico Adaptativo es mejor opción en un entorno variable. ➢ Cuando se desea realizar un seguimiento de los Datos, y realizar una interpretación directa de estos el Modelo Estático es el más indicado. ➢ Cuando existe necesidad de tener facilidad para predecir las respuestas del Sistema (por el motivo que fuese) el indicado es el Modelo Estático. 144
CARLOS DRAUGIALIS PESSOA
Conclusiones
➢ Cuando el problema, necesita capacidad de Razonamiento, es decir poder tomar decisiones con pérdida de datos, o resolver problemas no lineales, el Modelo Indicado es el Modelo Dinámico Adaptativo. ➢
El Modelo Estático respecto el Modelo Dinámico Adaptativo maneja menos Datos (Traducidos a información), por lo tanto la exigencia de recursos respecto a Base de Datos son inferiores en el Modelo Estático.
➢ Cuando la Intervención de la mano humana necesita disminuirse para generar y evaluar información respecto al entorno, el Modelo Dinámico Adaptativo es el conveniente.
➢ El Modelo Estático es más sencillo de Diseñar, y tiene una menor exigencia en cuanto a los conocimientos de otras áreas. ➢ El reutilizar código es un punto fuerte en el Modelo Dinámico Adaptativo, al referirnos a los cambios de entorno, pero más sencillo de reutilizar en el Modelo Estático.
➢ El Modelo Dinámico Adaptativo presenta ventajas para aprender del usuario, mientras el Modelo Estático solo cumple condiciones.
Por lo tanto podemos dar Respuesta a nuestra Hipótesis:
“Podemos aplicar El Análisis y Diseño de un Modelo Dinámico Adaptativo y de un Modelo Estático para la resolución del problema de Búsqueda de Señales dentro de Patrones Luminosos"
145
•
CARLOS DRAUGIALIS PESSOA
Indicando que:
Conclusiones
Es posible desarrollar mediante ambos Métodos soluciones a un mismo problema, en el caso del presente proyecto, Búsqueda de Señales en Patrones Luminosos. (Ver Modelos, su Análisis y Diseño pag. 57)
•
El entorno variable Justifica el uso de Algoritmos Dinámicos Adaptativos (Ver Justificación Científica del Modelo pag. 58).
•
Hay mayor exigencia de investigación al Analizar y Diseñar un Modelo Dinámico Adaptativo (Ver Diseño Modelo Dinámico Adaptativo pag. 63).
•
En el caso de problemas lineales, y/o de entorno no variable son útiles los Algoritmos Estáticos (Ver Análisis pag. 124).
•
Cada Modelo expone utilidad según las condiciones y la dinámica del entorno (Ver Análisis pag. 124).
146
147
CARLOS DRAUGIALIS PESSOA
Conclusiones
CARLOS DRAUGIALIS PESSOA
Capitulo 6 : Recomendaciones
CARLOS DRAUGIALIS PESSOA
Recomendaciones
Debido a las posibilidades existentes entre ambos modelos, es conveniente asegurarse de tomar la elección correcta, dado que quedo demostrado la dificultad existente para la construcción de aplicaciones mediante Modelos Dinámicos Adaptativos, se debe considerar:
•
Tener material de consulta, tanto sobre la teoría de ambos modelos, como (dentro de la posibilidad) ejemplos de Análisis, Diseño e Implementación (Ver. Sustento Teórico pag. 28).
•
Empaparse de la teoría e investigar lo más posible, realizando un Análisis de Riesgos en cada etapa del proyecto (Ver. Análisis de Riesgos pag. 120).
•
Rodearse de expertos del diversas áreas del proyecto, para que en conjunto con ellos, y la teoría se pueda tomar una decisión acertada y a tiempo (Destacable por las áreas involucradas).
•
A pesar de las dificultades que presenta una Aplicación Dinámica Adaptativa (aplicando I.A.) cabe reconocer sus amplias ventajas (Ver. Aplicaciones referentes al Modelo Dinámico Adaptativo pag. 97).
•
El Modelo Estático es eficiente y sencillo, lo cual lo hace aplicable en diversos proyectos, especialmente donde todas las condiciones son dadas, es decir conocidas y un entorno estático, donde muestra su potencial .
149
Anónimo; Redes Neuronales;
CARLOS DRAUGIALIS PESSOA
Bibliografía
Cristina Planell Pérez – José Manuel Pérez Sevilla ; Historia de la Inteligencia Artificial
Daniela López De Luise-EnterpriseWare SRL-Junio de 2001 ; Inteligencia Artificial y Redes Neuronales
David Díaz, Gastón Crevillén ; 2001; Inteligencia Artificial, Robótica, Neurocomputación, Programación Neuronal y otras hierbas Disponible en: www.ciberpunk.com
Eduardo Morales ; Búsqueda, Optimización y Aprendizaje Ferran Gómez y José M. Godoy ; INTRODUCCION A LA INTELIGENCIA ARTIFICIAL
James A. Freeman , David M. Skapura ; 1991; Neural Networks Algorithms, Applications, and Programming Techniques ; Addison-Wesley Pedro Larranaga , 2002; Redes Bayesianas ; Disponible en: http://www.sc.ehu.es/isg/
Ph. D. Raúl Gustavo Eid Ayala, 2010, Metaheurística. Ph. D. Raúl Gustavo Eid Ayala, 2007, Estructura de una Tesis (Propuesta) Ricardo Castañon Gomez, 1995, De la Neurona a la Persona, Centro Internacional de Estudios Humanos.
Stuart J. Russell and Peter Norvig ; 1995; Artificial Intelligence A Moderm Approach; Prentice Hall
150
CARLOS DRAUGIALIS PESSOA
Anexos.
Carlos Draugialis Pessoa Teléfono: 3-3495489 Celular: 70042181 Email:
[email protected] C.I. : 3646160 Ch. Estado Civil: Soltero Edad: 32
CARLOS DRAUGIALIS PESSOA
Hoja de Vida
Anexos.
OBJETIVOS.-Desempeñarme en la aplicación de los conocimientos obtenidos, principalmente como Ingeniero de Sistemas, de forma amplia y dedicada, buscando soluciones y cumpliendo metas. EXPERIENCIA LABORAL
2001 – 2002
Independiente
Sucre - Bolivia
Ensamblando y vendiendo equipos (computadoras) en la ciudad de Sucre.
2002 CARITAS SUCRE Sucre - Bolivia Técnico Mantenimiento preventivo de Equipos de Computación Técnico auxiliar de reparaciones
2004 ACLO Sucre - Bolivia Mantenimiento de Cuatro redes regionales cualificada para su funcionamiento regular La optimización del Sistema informatizado de Seguimiento La habilitación de Base de Datos Ampliada con opciones a requerimiento del Sistema La capacitación de uso y manejo de paquetes de computación. 152
Mantenimiento de los Equipos de Computación de ACLO Requerimientos inmediatos de los funcionarios de ACLO en cuanto a equipos de computación de se refiere.
2004
CARLOS DRAUGIALIS PESSOA
Anexos.
Comando de Institutos Sucre - Bolivia Militares Participante como Jurado Calificador en Examen de Grado
2007
EMBOL S.A.
Santa Cruz - Bolivia
Servicio de Consultaría especifica de limpieza (lógica) de equipos. Spyware Archivos temporales Instalación de parches
2008 Dando soporte Servidores Red de La Universidad
2008
UPSA
Santa Cruz - Bolivia
UPSA
Santa Cruz - Bolivia
Investigación y programación del Robot Industrial MOTOMAN K3S
153
CARLOS DRAUGIALIS PESSOA
ESTUDIOS REALIZADOS
Anexos.
1999 Estudios y Obtención de Técnico Medio en Informática, otorgado por la UMRPSFXCH (UNIVERSIDAD MAYOR, REAL Y PONTIFICIA DE SAN FRANCISCO XAVIER DE CHUQUISACA) 2000 – 2004 Inicio de Estudios en Ingeniería de Sistemas en la UMRPSFXCH (UNIVERSIDAD MAYOR, REAL Y PONTIFICIA DE SAN FRANCISCO XAVIER DE CHUQUISACA ) .2005 Traslado a la Universidad Privada de Santa Cruz de la Sierra UPSA, donde actualmente me encuentro para la Culminación de mi carrera.
CURSOS
2000 Congreso CCBOL2000, ciclo de conferencias Sucre (Congreso Nacional de Ciencias de la Computación) 2001 Curso “Redes de Computadoras e Internet” UMRPSFXCH 2002 Congreso VICISAISI (Jornadas Internacionales de Informática y Sistemas), Ciclo de conferencias 2004 Participante en IV Congreso Internacional de Software Libre GNU/LINUX 2005 Curso de Creación de Placas Impresas UPSA 2005 Conferencias “Microsoft Blog en Vivo 2005” 2006 Curso Taller “Redes Inalámbricas WIRLESS ” UPSA 2006 Participante en la Feria Científica TECNO UPSA, donde fue premiado con el Segundo Lugar En área de Informática con el trabajo de Investigación “Compiladores, Análisis Léxico y Herramienta” 2006 Seminario Taller “Sistemas de Gestión Ambiental” 2006 Curso Taller “Robótica Industrial UPSA” 2006 Curso “Psicología del Niño” 2007 Ciclo de Conferencias “Automatización e IA” 2008 Curso “Experto en Automatización UTEPSA”
2014 Seminario taller “Configuración de una central Telefónica IP”.
2014 Taller de ARC I – ARC II: ARC I - Introducción a los SIG, ARC II -
Flujo de Trabajos esenciales.
154
