exposicion unidad 5

EXPOSICION DE INGENIERIA
CONOCIMIENTO (DIGSA)
DEL
MECANISMOS DE PERCEPCIÓN
Introducción
El desarrollo de sistemas computacionales ha permitido que la información
proporcionada por estos, se perciba de manera agradable, sencilla y capaz de
ser entendida. Así, el concepto de percepción debe ser estudiado con el fin de
que el usuario final logre aprovechar al máximo los recursos proporcionados
por un sistema informático.
Definición
La percepción es un proceso en el que el perceptor, antes de procesar la nueva
información y con los datos archivados en su conciencia, construye un
esquema informático anticipatorio, que le permite contrastar el estimulo y
aceptarlo o rechazarlo según se adecue o no a lo propuesto por el esquema.
Así, la percepción es la imagen mental que se forma con ayuda de la
experiencia y necesidades. Es resultado de un proceso de selección,
interpretación y corrección de sensaciones.
Características



Es subjetiva: Las reacciones a un mismo estimulo varían de un
individuo a otro.
Es selectiva: Dado que la persona que no puede percibir todo al mismo
tiempo, selecciona su campo perceptual en función de lo que desea
percibir.
Es temporal: Es un fenómeno a corto plazo, ya que evoluciona a
medida que se enriquecen las experiencias, o varían las necesidades y
motivaciones de los mismos.
Componentes
Aunque los estímulos sensoriales pueden ser los mismos, para todas las
personas, cada una de ellas percibirá cosas distintas. Lo anterior, mediante los
siguientes elementos:


Sensaciones o el estimulo físico: Provienen del medio externo, en
forma de imágenes, sonidos, aromas, etc.
Componentes Internos: Provienen del individuo, tal es el caso de las
necesidades, motivaciones y experiencia previa, que proporcionaran una
elaboración psicológica distinta de cada uno de los estímulos externos.
Proceso



Selección: El sujeto percibe aquellos mensajes a que esta expuesto
según sus actitudes, intereses, escala de valores y necesidades.
Organización: Las personas clasifican los estímulos seleccionados,
asignándoles un significado determinado.
Interpretación: Se trata de dar contenido a los estímulos previamente
seleccionados y organizados. Esta depende de la experiencia previa del
individuo, así como de sus motivaciones.
PERCEPCIÓN
Proceso por el cual seleccionamos, organizamos e interpretamos la entrada de
nuestros receptores sensoriales. Ejemplos de ello son las sensaciones puras
que estimulan los receptores de los ojos, oídos y otros órganos sensoriales.
La transmisión de la información sensorial de los receptores sensoriales al
cerebro es sólo parte de la imagen. De igual importancia es el proceso de
percepción, la forma en que seleccionamos, organizamos e interpretamos la
entrada sensorial para lograr la comprensión de nuestro entorno.
Nuestra atención o foco mental, se centra sólo en una pequeña parte de
estímulos visuales o auditivos presentes, mientras ignora otros aspectos. Al
cambiar el foco de atención podemos notar de repente olores, sabores y
sensaciones táctiles que pocos momentos antes estaban fuera de nuestra
coincidencia.
La atención selectiva tiene ventajas obvias, ya que permite maximizar la
información obtenida del objeto en que nos concentramos a la vez reduce la
interferencia sensorial de otras fuentes irrelevantes.
Para entender mejor la percepción se debe de estudiar un poco el
funcionamiento de nuestros sentidos.
La Percepción, en tanto mecanismo interno que participa en el proceso de las
'representaciones semánticas' (Per Aage Brandt, 2001), es reactiva ante la
realidad al operar activando nociones abstraídas de la propia realidad - en un
circuito iterativo- . La percepción funcionaría como un tamiz o filtro (A.
Rapoport, 1978) que nos entrega 'perceptos' - unidades de registro + el sentido
de las cosas -, los cuales se constituyen en nuestras unidades de conocimiento
de la realidad; unidades de experiencia que permiten operar con el entorno.
Percibir se transforma entonces un proceso activo que -sostenemos funcionaría en forma instantánea como una 'inducción completa': depende , por
una parte de la deducción que derivamos desde las nociones o ideas
significativas que nos hemos formado de la realidad y que nos entrega una
primera confianza ("vemos lo que sabemos ver"); y, por otra, de la inducción
que, a partir de las características y atributos particulares de lo que se presenta
como estímulo a los sentidos y a la conciencia, nos permite construir ese
'percepto' que nos hace sentido y que pasamos a ver como mundo real.
Tratándose de movilidad en la ciudad y dada su escala, que necesita
manifestarse desde la distancia, entre todos los canales perceptivos es la
Percepción Visual la que adquiere la mayor importancia por su propiedad
telemétrica. Aún quienes la tienen limitada o son carentes, se ven en la
necesidad de acceder de algún modo a los mensajes urbanos, prever
situaciones y orientarse. Es también mediante la PV que nos formamos las
imágenes - incluso de lo que hemos recorrido y experimentado ocupando otros
registros - al darnos el sentido de totalidad y las relaciones de organización,
permitiéndonos captar las estructuras subyacentes y construir nuestros 'mapas
mentales' entre puntos de interés. Pero, más allá de la escala, y muy
especialmente por su estereometría que nos entrega la profundidad, la PV nos
permite vaticinar el escenario en su espacialidad, distancias y ubicación relativa
de las cosas.
SENSORES
Los sensores trasladan la información desde el mundo real al mundo abstracto
de los microcontroladores.
Esto aplica a la teoría de sistemas, permite que exista una interrelación entre el
sistema computacional, y el mundo real.
Existe gran variedad de sensores, de entre los que destacan son los siguientes:



Luz
Temperatura
Presión
SENSORES
La Percepción Visual (que cuando es suplida por otras formas de registro
sensorial, no alcanza a ser nunca totalmente reemplazada) es particularmente
incidente en el comportamiento individual y social, dadas sus propiedades
vinculativas que relacionan los componentes de la realidad. Hoy se habla de
'inteligencia visual' refiriéndose a la actividad que acomete la mente al 'leer' la
realidad mediante la percepción, capaz de realizar operaciones complejas
como son: la selección (que aísla lo que interesa dejando todo el resto como
'fondo'); la clasificación (que ordena, jerarquiza y categoriza); la evaluación
(que asigna valor y pondera para actuar); el simbolismo (que significa y abstrae
) y la autoconciencia del entorno (referencia a uno mismo para la asignación
significante - como por ejemplo "lejos/cerca"- ).
Esta forma de inteligencia vinculativa se caracterizaría por:







Ser inmediata.
Ser una forma de experiencia válida (no sólo lo que se recorre, también
lo que se ve).
Ser objetiva (deja claro lo que me es externo) y, por lo tanto,
generalizable.
Ser móvil, y enseña a suponer variantes (de puntos de vista) sin
desorientarnos.
Ser discriminatoria (ve lo que quiere, puede o sabe, ver).
Permite advertir regularidades, deducir constancias y darnos certezas
(cabalidad).
Ser estereométrica, entregándonos la profundidad (conciencia
tridimensional y de las distancias) y la orientación.
Estas características son simultáneas e indivisibles en el momento del
entendimiento y reacción al ambiente. Pero, siendo las primeras características
adjetivas, las tres últimas son activas y dependen directamente de las claves
que entrega el estímulo.
Ello es pertinente al planeamiento para una movilidad urbana sostenible, ya
que éste propone artificios y situaciones que necesitan ser fácilmente
percibidas e internalizadas del modo previsto, a fin de provocar determinada
reacción. Pero como nada se percibe aisladamente, las decisiones objetivas
materiales y las medidas estratégicas que les conciernen, necesitan considerar
estas propiedades vinculativas de la percepción, desde el manejo de sus
características, ya que ellas funcionarán quiérase o no.
Adicionalmente, se deberá tener en cuenta que las disposiciones urbanas se
dirigen a satisfacer a un universo variado de usuarios que, al menos, tendrá
dos modos generales y personales de percibir: un modo analítico (en el que
predominan los mecanismos deductivos de lectura), o bien y un modo sintético
(dócil a los rasgos capaces de imponerse a la percepción más inductiva). Como
ambos modos están presentes en todos los individuos, pero éstos poseen
distintos contenidos y criterios de análisis, es el último el que interesa activar,
dado que es el único que podemos operar. Porque, si bien las respuestas se
condicionarán en parte por las características de cada individuo y esa variedad
no puede ser controlada, sabemos que sí podremos actuar sobre los atributos
de los estímulos que se les presenten, atributos que actuarán, al menos, sobre
los mecanismos comunes de especie. De modo que si se desea asegurar una
conducta social en algún grado homogénea, sólo se puede apostar a la
capacidad de inducción del estímulo y de que éste permita y facilite
determinada síntesis. El modo sintético de percibir es fundamental, además,
porque cualquier movilización en la ciudad que no sea la peatonal, requiere de
una rapidez de reacción que invalida la utilidad del modo analítico de percibir.
ACTUADOTES
Los actuadotes son dispositivos capaces de generar una fuerza a partir de
líquidos, de energía eléctrica y gases. El actuador recibe la orden de un
regulador o controlador y da una salida necesaria para activar a un elemento
final de control.
Tipos de actuadotes:



Hidráulicos: Son los mas antiguos, y se emplean cuando lo
que se necesita es potencia.
Neumáticos: Convierten la energía del aire comprimido en
trabajo mecánico.
Eléctricos: Solo se requieren de energía eléctrica como
fuente de poder. Es decir, convierte pulsos eléctricos en
movimientos mecánicos distintos.
ACTUADORES
Además de las características generales de las propiedades vinculativas de la
percepción a que nos hemos referido y que nos permiten leer el entorno como
un todo, existen mecanismos perceptivos que responden más directa y
precisamente a la situación en que se dan los atributos del estímulo y al
entorno que le rodea (importante, porque el contexto de un atributo puede
variarlo radicalmente, produciendo equívocos visuales) atributos y entorno que,
en conjunto, entregarán determinada lectura apoyando o inhibiendo la
captación del mensaje implícito y, consecuentemente, induciendo los
comportamientos derivados. Estos mecanismos son:



Nivelación / Agudización (se 'aplanan' los atributos o estímulos entre sí y
hacen indistinguibles o se resalta uno atributo o estímulo por sobre otro).
Articulación de campo (distingue partes de un todo; discrimina efectos
debidos al campo visual o entorno).
Alcance (promueve prestar la atención a campos amplios o bien a
concentrarla).
Es evidente que evitar los enunciados confusos e indecibles o ambiguos donde
se imponga la nivelación; controlar la captación total del enunciado
distinguiendo sus partes y los efectos debidos al campo visual o el soporte; y
prever el alcance de la atención en determinada situación, son aspectos que
los criterios de diseño deben considerar tomando en cuenta los umbrales de
reacción relativos a estos mecanismos, que si bien pueden ser modelados
culturalmente, son generales de especie, según las Teorías del 'estado
directivo'.
No obstante la importancia del modo inductivo en la percepción, la capacidad
de captar las denominadas 'constancias' del entorno, basadas en la
experiencia, utiliza el modo deductivo de percibir, haciendo que aquel no
parezca una amenaza. Por las constancias sabemos, por ejemplo que la
carretera en realidad no se 'angosta' como nos muestra la perspectiva, o que
un poste de alumbrado a mitad de cuadra, aunque parece lejano y no lo he
medido, es idéntico al que tengo a mi lado. Esta certeza permite hacer
inferencias del tamaño relativo de las diversas cosas que me enfrentan y me
permiten 'construir la escala' del lugar o del paisaje. La formación perceptiva de
constancias requiere no sólo 'aprehender' las regularidades del entorno sino
aprender a leerlas y, en su defecto, aprender a disponer de claves que
permitan establecer las relaciones entre las cosas y que ellas establecen con
nosotros. La 'constancia' se afinca como parte de la experiencia inconsciente e
instantánea del proceso de percepción espacial. En éste, los sistemas
analizadores (identificación, organización, memoria, asociación, etc.) que nos
facultan para advertir que algo es distinto de su fondo; para interpretar los
datos sensoriales del medio; y para atribuir valor y significado ( unicidad de un
conjunto o el rol de algo en el todo), nos aseguran su localización en varios
planos comprensivos (en profundidad y estructuración con lo demás) y , con
ello, nos entregan la 'escala' en referencias dimensionales recíprocas o
respecto del observador.
Entonces la 'constancia' - y su derivada, la escala - apoyada muy centralmente
por el comportamiento del color y de las texturas en la atmósfera (que le da
gradiente) y por las sombras, es la que nos permite ver 'en profundidad' - aún a
quienes tienen visión monocular - ya que las distancias y las dimensiones de
las cosas sería un 'constructo' que no corresponde exactamente a la imagen
retiniana ni pertenece a las cosas mismas.
Pero, para que opere eficazmente la constancia que postulamos como
fundamental, se requiere adicionalmente la presencia de 4 relaciones
topológicas: suficiente proximidad; suficiente separación; cierta sucesión (o
regularidad); y clausura (real / sugerida, o indicación de dominio).
Ellas hacen que reconozcamos algo como perteneciente a una estructura o a
un sistema, o bien como ajeno a él. (Las cosas aisladas, por su parte, en sí
mismas no contribuyen al sentido de escala y profundidad, sino en alguna
alusión a un contexto. Se rigen por sus propias leyes - como la ley de Rici que
postula que se intensifican atributos por la sola pequeñez o aislamiento; o de la
Gestalt que apuestan al poder inductor de la configuración-, las que habrán de
considerarse para la lectura y decodificación de los elementos particulares).
Se sostiene que, para orientarse, el individuo opera las señaladas relaciones
topológicas necesarias a la 'constancia', mediante las que es capaz de
establecer centros (o focos), direcciones (y/o ejes, pautas) y áreas (o campos
de comprensibilidad e influencia, o de referencia perceptiva), conceptos con los
que organizamos el conjunto de presencias. Esta especie de subestructura
virtual perceptiva que construimos sobreponiendo de una noción geométrica
simple, funciona como hipóstasis y nos permite componer los fragmentos en
unidades coherentes y orientarnos. Por lo dicho, la ausencia de constancias
impediría el fácil establecimiento de estas estructuras. Y, no obstante ser una
especie de esquema plano (a 'vuelo de pájaro') y abstracto, se opera
perfectamente a nivel de observador concreto.
Pero, una vez recorridos y experimentados, los esquemas comprensivos
devienen en 'mapas' significativos, 'mapas' personales que no son
homogéneamente neutros como los anteriores ni coincidentes con la realidad y
que nos hacen ver determinado espacio como un lugar. Los 'mapas' mentales
son expresión de vivencias y se acomodan a la predominancia de unos rasgos
por sobre otros en la experiencia, conforme van teniendo significado para el
observador como referentes. La capacidad de los elementos de un estímulo de
reflejar mejor las condiciones del ambiente (iluminación, sombras, por ejemplo)
y de manifestar con mayor elocuencia las direcciones en que sus formas se
desarrollan, hace que sus rasgos prevalezcan en la percepción y en el 'mapa'.
De aquí que, a escala urbana, las superficies como límites del espacio - o las
sucesiones tendientes a ser percibidas como tales - permiten buena
orientación.
En el ámbito de la psicología ambiental, los mapas mentales están referidos
como 'mapeo cognitivo'. Es un modo de adquisición, almacenamiento,
decodificación y utilización de la información, para la comprensión y uso del
ambiente. Representación simbólica que surge de la experiencia visual,
simplificada en un esbozo mental. Dependiendo del modo de movilización en
que nos desplacemos por la ciudad, el mapa que formemos será diferente.
Hemos demostrado en sendos estudios preceptúales con pasajeros de autobús
y de Metro, que las percepciones y mapas finales son totalmente diferentes
entre sí y respecto de los que construyen los peatones habituales en los
mismos sectores urbanos. De aquí que la orientación que se alcance en una u
otra situación sea diferente. A su vez, las estructuras del entorno tienen un
doble papel en la orientación y en la formación de mapas mentales. Por una
parte, la percepción aún con clave mínimas, descubre la noción que está en la
base de la estructura en que nos encontramos (por ejemplo, un redondel, o un
damero) o bien 'sobrepone' una conocida para adoptar confianza; y por otra,
una vez captada dicha estructura, ésta induce la lectura y las expectativas
sobre el resto del lugar
EJEMPLO: DEMÓTICA (AUTOMATIZACIÓN DE VIVIENDAS)
FUNCIONES MÁS IMPORTANTES
Seguridad





Detección de fugas de gas y agua
Detección de incendios
Detección de intrusos
Simulación de presencia
Alerta médica
Ahorro



Ahorro energético en calefacción
Ahorro con tarifas nocturnas de electricidad
Regulación mediante termostatos
Confort





Riegos automáticos
Accionamiento automático de toldos y persianas
Conexión y desconexión de alumbrado
Uso del modem para enviar órdenes desde grandes distancias, y recibir
mensajes en un PC
Facilidad de uso La programación de un autómata es muy sencilla, se
realiza desde el ordenador. El manejo del autómata se hace desde un
teclado, acompañado de una pequeña pantalla.
ESTRUCTURAS DE CONTROL
El programa del autómata se divide en cuatro grupos. El primero engloba
todas las señales de emisores y actuadores que intervienen en las
alarmas y que pertenecen al apartado de seguridad. Algunos de ellos se
utilizan también en los grupos 2 a 3. En los grupos 2 a 4 se desarrollan los
apartados correspondientes al ahorro y confort.




Grupo 1: Avisos del sistema
Grupo 2: Sistemas de riego
Grupo 3: Iluminación, toldos, persianas
Grupo 4: Control de cargas
Alarma por robo
La activación de la alarma por robo, se puede realizar con un pulsador
normal de alumbrado en el interior de la vivienda, o por llave en el exterior
de la puerta de acceso. También se puede activar o desactivar desde el
panel de visualización. Al activar la alarma parpadeará el flash interior y
sonará el zumbador durante un corto espacio de tiempo, y el sistema no
tendrá en cuenta los detectores. Pasado este espacio de tiempo, que
permite al usuario abandonar la vivienda y cerrar la puerta, si se detecta
intrusión se activan la sirena y flash exteriores.
Detección de incendio
Al aparecer la señal de incendio (detector de humos) se activan el flash y
zumbador interiores y tras un breve retardo se activan los exteriores y la
llamada telefónica de incendio, previamente grabada. El sistema está
preparado para falsas alarmas como las del humo del tabaco.
Detección de fugas de agua y gas
Al detectarse un escape se interrumpe el suministro mediante la
activación de la válvula correspondiente, activándose además el
zumbador y flash interiores. AL dar acuse de alarma se restablece el
suministro.
Sistema de riego
Existen diferentes modos de riego:



Manual. Al activarlo se realiza la secuencia completa programada
(tiempo dado para cada zona)
Automático por horario. Se ajustará una hora determinada en la
que se realizará la secuencia de riego completa
Automático por humedad: Durante el horario programado y sólo
si se activa algún detector de humedad, se regará sólo la zona a
él asignada, durante el tiempo previsto.
Simulación de presencia
Con esta función se asegura que no queda ninguna luz encendida
después de una hora dada.
Toldos
En modo manual se dispone de una entrada para extender el toldo y otra
para recogerlo. Se puede aplicar a simulación de presencia. Además se
puede complementar con un detector de luminosidad y un anemómetro
que mide la velocidad del viento.
Persianas
Su funcionamiento es análogo al de los toldos.
Control de cargas
Permite realizar dos funciones diferentes:
Conexión y desconexión de
electrodomésticos, luces, etc.)
cargas
(enchufes
de
En caso de sobrecarga eléctrica desconecta diferentes cargas en un
orden
prefijado.
Puede funcionar en modo manual y en modo automático
UN EJEMPLO DIARIO:
Son las 7 de la mañana, suena el despertador, se levantan las persianas y se
enciende la luz. Puntualmente como cada mañana el procesador le despierta,
con la tranquilidad de saber que ha estado toda la noche cuidando su vivienda.
Si hubiera habido algún escape de agua lo habría cortado y tendría un aviso. El
jardín ha estado toda la noche protegido por un sistema de detección perimetral
que conecta automáticamente los focos y el riego. Cuando baja a desayunar, el
café ya esta caliente, al igual que la cocina, que se ha encendido cuando él
entraba. No se va a molestar en apagarla, ni tampoco las luces del pasillo por
que lo hará el procesador. Al pasar por el cuarto de los niños, nota que acaba
de encender la calefacción, les quedan quince minutos para levantarse. Ayer
estuvieron jugando en el cuarto ¡menos mal que los enchufes fueron
desactivados por el procesador! Cuando se va de casa, toca suavemente la
pantalla táctil de la entrada, le comunica que no hay ninguna ventana ni puerta
abierta. Al salir con el coche por el jardín, se da cuenta que los primeros rayos
del sol han apagado la luz exterior y han abierto las persianas del salón.
Cuando llegue a la oficina, conectará el ordenador, introducirá su código
personal y durante toda la mañana sabrá todo lo que pasa en su vivienda. Si de
camino en el coche se ha olvidado de conectar algo, llamará con su teléfono
móvil y le dirá al procesador que lo haga por el. Lo mismo hará cuando vaya de
viaje a su apartamento que tiene en la sierra una hora antes de llegar, dará la
orden para que el procesador conecte la calefacción y el apartamento se vaya
calentando.
Esquema Funcional
INTERFACES MULTIMEDIALES
INTERFAZ, punto en el que se establece una conexión entre dos elementos,
que les permite trabajar juntos.
La interfaz es el medio que permite la interacción entre esos elementos.
Informática se distinguen diversos tipos de interfaces que actúan a diversos
niveles, desde las interfaces claramente visibles, que permiten a las personas
comunicarse con los programas, hasta las imprescindibles interfaces
hardware,(a menudo invisibles), que conectan entre sí los dispositivos y
componentes dentro de los ordenadores o computadoras.
Interfaz de usuario.- conjunto de componentes (dispositivos E/S) empleados
por los usuarios para comunicarse e interaccionar con las computadoras.

Interfaz de línea de comandos.- interfaz entre el sistema operativo
y el usuario, exigen que se introduzcan instrucciones breves
mediante un teclado. Reconocible por los símbolos A o C del
sistema MS-DOS, que responde a los comandos introducidos por
el usuario.

la interfaz controlada por menús.- utilizada en muchas aplicaciones
(por ejemplo Lotus 1-2-3) ofrece al usuario una selección de
comandos, permitiéndole elegir uno de ellos presionando la tecla
de la letra correspondiente (o una combinación de teclas),
desplazando el cursor con las teclas de dirección o apuntando con
el Mouse (ratón)

la interfaz gráfica de usuario (GUI).-Tipo de entorno que permite al
usuario elegir comandos, iniciar programas, ver listas de archivos y
otras opciones utilizando las representaciones visuales (iconos) y
las listas de elementos del menú.

En hardware se entienden por interfaces las tarjetas, los
conectores y otros dispositivos con que se conectan los diversos
componentes a la computadora para permitir el intercambio de
información. Existen, por ejemplo, interfaces estandarizadas para
la transferencia de datos, como el RS-232-C y el SCSI, que
permiten interconectar computadoras e impresoras, discos duros y
otros dispositivos.
MULTIMEDIA, forma de representar la información que emplea una
combinación de texto, sonido, imágenes, animación y video.
INTERFAZ MULTIMEDIAL.- Constituye el punto de contacto con el usuario,
permitiendo la interacción con el mismo; a través de ella ingresan y egresan
datos con el fin de establecer las comunicaciones respectivas.
La mayoría de las aplicaciones multimedia incluyen asociaciones
predefinidas conocidas como hipervínculos, que permiten a los usuarios
moverse por la información de modo más intuitivo e interactivo.
Una Interfaz multimedia constituye el punto de contacto con el usuario,
permitiendo la interacción con el mismo; a través de ella ingresan y egresan
datos con el fin de establecer las comunicaciones respectivas.
Entre las aplicaciones informáticas multimedia más usuales:
PROGRAMAS DE APRENDIZAJE.
( El Software Educativo (SE)
El SE es el componente lógico que incorpora los conceptos y
metodologías pedagógicas a la utilización del computador, buscando
convertirlo en un elemento activo dentro del proceso de enseñanza y
aprendizaje.
La variedad o tipos de Software Educativo podemos mencionar la siguiente
clasificación:

Sistemas tutoriales: en estos sistemas se mantiene una interacción
continua entre el computador y el alumno o usuario. El propio
programa tutoriza el aprendizaje, proponiendo al alumno diferentes
actividades cuyo grado de dificultad y avance vendrá determinado
por las respuestas el alumno de; el sistema lleva un registro del
estadio de avance del usuario en el dominio del tema;

Sistemas tutoriales inteligentes:Estos tienen las mismas
características que los anteriores, pero éstos tienen la propiedad
de detectar el nivel de conocimiento que tiene el usuario en
relación al tema de objeto. Esto permite que la exposición del
material se personalice, no solo en el punto inicial, sino en las
posibles bifurcaciones que contenga. s del conocimiento:
Psicología cognoscitiva, Inteligencia artificial e Investigación
educativa

Simuladores(micromundos): es una representación fiel de un
proceso real. Estos obedecen a un modelo interno que incluye el
mayor número de variables que, en efecto, modulan el
comportamiento del sistema real. Este tipo de SE convierte al
computador en un laboratorio informático.
Juegos educativos: Los juegos educativos tienden a dar
información al usuario mientras juega. los cuales tienden a
mantener la atención del usuario sobre la pantalla.

WWW (World Wide Web)
También conocido como la Web, es una de las más interesantes
herramientas de Internet. Se trata de un área gráfica multimedial, cuya finalidad
es brindar acceso universal a la información en sus diversas formas de
representación electrónica. La Web proporciona a los usuarios de Internet el
acceso a una amplia variedad de recursos (imágenes, textos, datos, sonido y
video).
Enciclopedia
Colección de contenidos cuidadosamente estructurada, seleccionada e
ínter vinculada que presenta los temas de manera clara y fiable. En sus
artículos se incluyen gran variedad de presentaciones así como información
específica sobre los temas tratados.
SELECCIÓN DE MECANISMOS DE PERCEPCION PARA EL PROYECTO A
DESARROLLO.
Las técnicas aplicadas en los sistemas inteligentes conducen en la
elección de sistemas de razonamiento cuyo comportamiento emula el de la
mente humana.
Estos programas emplean un conjunto de hechos, reglas y otros tipos de
conocimientos de un campo determinado, así como de métodos para aplicar
las reglas para hacer inferencias. Los sistemas inteligentes están diseñados
para tratar resolver problemas en campos tan especializados como diagnosis
médica, robótica, finanzas, administración, manufactura, maquinas diccionario,
bases de datos inteligentes.
Sin embargo, en un área de la inteligencia artificial - aquella que razona
con el conocimiento en un dominio limitado - los programas pueden no sólo
aproximarse a la forma de actual humana, si no que a veces lo superan.
Se diferencian substancialmente de los programas de computadora
convencionales porque sus tareas no tienen soluciones algorítmicas y porque a
menudo deben obtener conclusiones que se basan en una información
incompleta o incierta.
Sensores
del
robot
La utilización de mecanismos sensores externos permite a un robot
interaccionar con su entorno de una manera flexible, esto esta en contraste con
operaciones preprogramadas en las cuales a un robot se le enseña para
efectuar tareas repetitivas mediante un conjunto de funciones preprogramadas.
La función de los sensores del robot se puede dividir en dos categorías
principales:
a) estado interno (tratan con la detección de variables tales como la
posición de la articulación del brazo, que se utiliza para controlar el
robot.)
b) estado externo. (tratan con la detección de variables tales como alcance,
proximidad y contacto.)
Los sensores externos se utilizan para guiado de robots, así como para la
identificación y manejo de objetos. Aunque los sensores de proximidad,
contacto y fuerza juegan un papel significativo en la mejora del
funcionamiento del robot, se reconoce que la visión es la capacidad
sensorial más potente del robot.
Vision del Robot.
Al igual que sucede en el ser humano, la capacidad de visión proporciona un
sofisticado mecanismo de percepción que permite a la visión del robot
responda a su entorno de una manera inteligente y flexible. El uso de la visión
y otros esquemas de percepción, están motivados por la constante necesidad
de aumentar la flexibilidad y los campos de aplicación de los sistemas de
robótica.
Este proceso, también comúnmente conocido visión de máquina o de
ordenador, se puede subdividir en seis áreas principales:
1) sensor.- La captación es el proceso a través del cual se obtiene una
imagen visual.
2) preprocesamiento.- incluye técnicas tales como la reducción de ruido y
realce de detalles.
3) segmentación.- proceso que divide una imagen en objetos que sean de
nuestro interés.
4) descripción.- se obtienen características (por ejemplo: tamaño, forma)
convenientes para diferenciar un tipo de objeto de otro.
5) reconocimiento.- estos objetos (por ejemplo una llave inglesa, un
tornillo, un soporte de motor).
6) interpretación.- asocia un significado a un conjunto de objetos
reconocidos.
ACTUADORES: mecanismos perceptivos que responden más directa y
precisamente a la situación en que se dan los atributos del estímulo y al
entorno que le rodea (importante, porque el contexto de un atributo puede
variarlo radicalmente, produciendo equívocos visuales) atributos y entorno que,
en conjunto, entregarán determinada lectura apoyando o inhibiendo la
captación del mensaje implícito y, consecuentemente, induciendo los
comportamientos derivados.
Estos mecanismos son:



Nivelación / Agudización (se 'aplanan' los atributos o estímulos entre sí y
hacen indistinguibles o se resalta uno atributo o estímulo por sobre otro).
Articulación de campo (distingue partes de un todo; discrimina efectos
debidos al campo visual o entorno).
Alcance (promueve prestar la atención a campos amplios o bien a
concentrarla).
Es evidente que evitar los enunciados confusos e indecibles o ambiguos
donde se imponga la nivelación; controlar la captación total del enunciado
distinguiendo sus partes y los efectos debidos al campo visual o el soporte; y
prever el alcance de la atención en determinada situación, son aspectos que
los criterios de diseño deben considerar tomando en cuenta los umbrales de
reacción relativos a estos mecanismos, que si bien pueden ser modelados
culturalmente, son generales de especie, según las Teorías del 'estado
directivo'.
Un Actuador es un mecanismo real que genera el movimiento de los
elementos del robot. La mayoría de los actuadores simples controlan sólo un
grado de libertad (izq.-der., arriba-abajo), en donde un eje en general controla
un único grado de libertad (GL). Cuando hay un actuador por Grados de
Libertad todos son controlables.
REDES
SEMANTICAS
Introducción.
Desde el punto de vista del léxico, las redes semánticas consisten en nodos,
que representan objetos, enlaces que representan relaciones entre objetos y
etiquetas de enlace que denotan relaciones particulares. Desde el punto de
vista estructural, los nodos están conectados entre sí por enlaces etiquetados.
En los diagramas, los nodos a menudo aparecen como círculos, elipses o
rectángulos, y los enlaces como flechas que apuntan de un nodo, el nodo cola,
a otro, el nodo cabeza.
DIFERENTES
DEFINICIONES
DE
RED
SEMANTICA
DEF1. Red Semántica
Una
Red
Semantica
es
un
conjunto
de
Nodos
y
Arcos.
DEF2. Una Red Semantica es una representación grafica del conocimiento.
DEF3. Una Red Semantica es una representación grafica del conocimiento en
la que existe una jerarquia de Nodos.
DEFINICION
Un
Nodo
Nodo
Donde
un
1.
2.
3.
5.
6.
7.
Atributos
es
Objeto
o
DE
identificado
=
puede
caracteristicas
que
por
ser
un
representado
identifican
a
NODO:
objeto.
objeto
por:
Personas
Animales
Eventos
Acciones
Conceptos
un
objeto.
Nota. Los Nodos de un Red Semantica estan unidos por arcos, los cuales
indican la relacion que existe entre ellos.
Existen ciertos tipos de Arcos tipicos entre los cuales estan.
1. ISA (Es-un) el cual usa para identificar que un cierto pertenece a una clase
mayor
de
objeto.
2. HAVE-a (tiene-un), este tipo de arcos se utiliza para identificar que un cierto
nodo tiene o pase una cierta caracteristicas o atributo o propiedad.
Desde la perspectiva de la semántica, el significado de nodos y enlaces
depende de la aplicación. Desde la perspectiva operativa, los procedimientos
de acceso son cualquiera de los siguientes: procedimientos constructores,
lectores, escritores o tal vez de eliminación. Las redes semánticas usan
constructores para formar nodos y enlaces, lectores para responder preguntas
acerca de éstos, escritores para modificar nodos y enlaces y, ocasionalmente,
eliminadores para borrar nodos y enlaces.
Propiedades
de
las
Redes
Semánticas
Las redes Semanticas posen la propiedad de la Herencia; en la que unos
nodos heredaron las propiedades o atributos de Nodos de una clase mayor.
Nota.
En Redes Semánticas las inferencias de información o respuestas o preguntas
se hacen en base a las propiedades de herencia que existen entre los Nodos.
ESCUELAS DE PENSAMIENTO ACERCA DEL SIGNIFICADO DE LA
SEMÁNTICA
Los argumentos acerca de lo que significa tener una semántica han hecho
reflexionar a los filósofos durante milenios.
Las siguientes son algunas de las alternativas propuestas por una escuela u
otra:

Semántica de la equivalencia: Debe haber una manera de relacionar
descripciones en la representación con descripciones de alguna otra
representación que ya tiene una semántica aceptada.

Semántica operativa: Debe haber un conjunto de programas que
operan sobre las descripciones de la representación. Digamos que el
significado está definido por lo que hacen los programas.

Semántica descriptiva: Debe haber explicaciones de lo que significan
las descripciones en términos que podamos entender intuitivamente.
Desde el punto de vista de la semántica descriptiva, la red del lado izquierdo no
es una red semántica porque no hay una descripción evidente en términos
comprendibles ni una explicación del significado de las etiquetas de enlace en
términos también comprendibles. La red del lado derecho es una red semántica
ya que uno tiende de manera natural a asignar un significado a las etiquetas.
En caso de preguntar qué significa la red, la mayoría de la gente diría
inmediatamente que es un objeto, conocido como dintel, el cuál está sostenido
por otros dos, conocidos como postes.
Los objetos y las relaciones implicadas en las redes semánticas no necesitan
ser tan concretos. La representación utilizada en el ejemplo del granjero y sus
pertenencias pueden considerarse objetos abstractos y, por tanto, merecedores
de la posición de nodo, mientras que los cruces permitidos del río pueden
considerarse relaciones abstractas y, por consiguiente, merecedores del nivel
de enlace.
Finalmente, la semántica de equivalencia y la operativa conducen a la
semántica descriptiva. En el caso de la semántica de equivalencia, las
descripciones tienen significado ya que hacen que un programa muestre un
comportamiento que tiene significado. Por tanto, todas las alternativas parecen
tener raíces en percepciones a las que usted intuitivamente asigna un
significado.
LA EQUIVALENCIA TEORICA ES DIFERENTE A LA EQUIVALENCIA
PRÁCTICA
Desde cierto punto de vista teórico carente de interés, cualquier representación
basada en computadora puede hacer cualquier cosa que otra pueda hacer,
debido a que tales representaciones se basan, finalmente, en distribuciones de
bits de memoria. En consecuencia, cualquier representación que pueda usarse
para representar distribuciones de bits podrá emplearse como sustrato para la
construcción
de
cualquier
otra
representación.
Sin embargo, desde un punto de vista práctico, algunas representaciones
ayudan a enfocar los objetos y las relaciones que usted necesita para resolver
un tipo de problemas. Una representación, por tanto, resulta más poderosa que
otra dado que es más conveniente aun cuando, teóricamente, ambas pueden
realizar el mismo trabajo. Aunque tal vez conveniencia sea una palabra muy
débil. En general, las buenas cualidades de las representaciones poderosas
hacen que sea paracticable lo que de otra forma sería impractible con
representaciones débiles.
Estos sistemas de organización del conocimiento estructuran conceptos, no
como
jerarquía
sino
como
una
red
o
una
web.
Los conceptos son como nodos, con varias relaciones que se ramifican hacia
fuera de ellas. Las relaciones van generalmente más allá del BT, del NT y del
RT estándares, pueden incluir relaciones tipo todo-parte, causa-efecto,
padre-niño,
es_un
o
es_parte.
Las redes semánticas son grafos orientados que proporcionan una
representación declarativa de objetos, propiedades y relaciones. Ejemplo:
Redes neuronales
INTRODUCCIÓN
El cerebro es un procesador de información con unas características muy
notables: es capaz de procesar a gran velocidad grandes cantidades de
información procedentes de los sentidos, combinarla o compararla con la
información almacenada y dar respuestas adecuadas incluso en situaciones
nuevas. Logra discernir un susurro en una sala ruidosa, distinguir una cara en
una calle mal iluminada o leer entre líneas en una declaración política; pero lo
más impresionante de todo es su capacidad de aprender a representar la
información necesaria para desarrollar tales habilidades sin instrucciones
explícitas para ello.
Aunque todavía se ignora mucho sobre la forma en que el cerebro aprende a
procesar la información, se han desarrollado modelos que tratan de mimetizar
tales habilidades; denominados redes neuronales artificiales ó modelos de
computación conexionista (otras denominaciones son computación neuronal y
procesamiento distribuido paralelo o P.D.P.). La elaboración de estos modelos
supone en primer lugar la deducción de los rasgos o características esenciales
de las neuronas y sus conexiones, y en segundo lugar, la implementación del
modelo en una computadora de forma que se pueda simular. Es obvio decir
que estos modelos son idealizaciones burdas de las auténticas redes
neuronales, en muchos casos de dudosa plausibilidad neurofisiológica, pero
que sin embargo resultan interesantes cuando menos por sus capacidades de
aprendizaje.
Las Redes Neuronales Artificiales (ANNs de Artificial Neural Networks) fueron
originalmente una simulación abstracta de los sistemas nerviosos biológicos,
formados por un conjunto de unidades llamadas "neuronas" o "nodos"
conectadas unas con otras. Estas conexiones tienen una gran semejanza con
las dendrítas y los axones en los sistemas nerviosos biológicos.
El Primer modelo de red neuronal fue propuesto en 1943 por McCulloch y Pitts
en términos de un modelo computacional de "actividad nerviosa". El modelo de
McCulloch-Pitts es un modelo binario, y cada neurona tiene un escalón o
umbral prefijado. Este primer modelo sirvió de ejemplo para los modelos
posteriores de Jhon Von Neumann, Marvin Minsky, Frank Rosenblatt, y muchos
otros.
Una primera clasificación de los modelos de ANNs podría ser, atendiendo a su
similitud con la realidad biológica:
1. Los modelos de tipo biológico. Este comprende las redes que tratan de
simular los sistemas neuronales biológicos así como las funciones
auditivas o algunas funciones básicas de la visión.
2. El modelo dirigido a aplicación. Estos modelos no tienen porque
guardar similitud con los sistemas biológicos. Sus arquitecturas están
fuertemente ligadas a las necesidades de las aplicaciones para las que
son diseñados.
Analogía con las redes neuronales biológicas
Las neuronas se modelan mediante unidades de proceso. Cada unidad de
proceso se compone de una red de conexiones de entrada, una función de red
( de propagación), encargada de computar la entrada total combinada de todas
las conexiones, un núcleo central de proceso, encargado de aplicar la función
de activación, y la salida, por dónde se transmite el valor de activación a otras
unidades.
Ilustración 4: Unidad de proceso típica
La función de red es típicamente el sumatorio ponderado, mientras que la
función de activación suele ser alguna función de umbral o una función
sigmoidal.

Función de propagación o de red: Calcula el valor de base o entrada
total a la unidad, generalmente como simple suma ponderada de todas



las entradas recibidas, es decir, de las entradas multiplicadas por el
peso o valor de las conexiones. Equivale a la combinación de las
señales excitatorias e inhibitorias de las neuronas biológicas.
Función de activación: Es quizás la característica principal o definitoria
de las neuronas, la que mejor define el comportamiento de la misma. Se
usan diferentes tipos de funciones, desde simples funciones simples de
umbral a funciones no lineales. Se encarga de calcular el nivel o estado
de activación de la neurona en función de la entrada total.
Conexiones ponderadas: hacen el papel de las conexiones sinápticas,
el peso de la conexión equivale a la fuerza o efectividad de la sinápsis.
Las existencia de conexiones determina si es posible que una unidad
influya sobre otra, el valor de los pesos y el signo de los mismos definen
el tipo (excitatorio/inhibitorio) y la intensidad de la influencia.
Salida: calcula la salida de la neurona en función de la activación de la
misma, aunque normalmente no se aplica más que la función identidad,
y se toma como salida el valor de activación. El valor de salida cumpliría
la función de la tasa de disparo en las neuronas biológicas. De momento
consideramos el caso más simple, aunque en el apartado de sistemas
neurofuzzy veremos un caso en que se utiliza una función de salida
diferente a la identidad.
Redes Neuronales de tipo Biológico
Se estima que el cerebro humano contiene más de cien mil millones de
neuronas y sinápsis en el sistema nervioso humano. Estudios sobre la
anatomía del cerebro humano concluyen que hay más de 1000 sinápsis a la
entrada y a la salida de cada neurona. Es importante notar que aunque el
tiempo de conmutación de la neurona ( unos pocos milisegundos) es casi un
millón de veces menor que en las actuales elementos de las computadoras,
ellas tienen una conectividad miles de veces superior que las actuales
supercomputadoras.
El objetivo principal de de las redes neuronales de tipo biológico es
desarrollar un elemento sintético para verificar las hipótesis que
conciernen a los sistemas biológicos.
Las neuronas y las conexiones entre ellas (sinápsis) constituyen la clave para
el procesado de la información. Observe la figura:
La mayor parte de las neuronas poseen una estructura de árbol llamadas
dendritas que reciben las señales de entrada que vienen de otras neuronas a
través de la uniones llamadas sinápsis. Algunas neuronas se comunican solo
con las cercanas, mientras que otras se conectan con miles.
Hay tres partes en una neurona:
1. el cuerpo de la neurona,
2. ramas de extensión llamadas dendrítas para recibir las entradas, y
3. un axón que lleva la salida de la neurona a las desdirías de otras
neuronas.
La forma que dos neuronas interactuan no está totalmente conocida,
dependiendo además de cada neurona. En general, una neurona envía su
salida a otras por su axón. El axón lleva la información por medio de diferencias
de potencial, u ondas de corriente, que depende del potencial de la neurona.
Este proceso es a menudo modelado como una regla de propagación
representada por la función de red u(.). La neurona recoge las señales por su
sinápsis sumando todas las influencias excitadoras e inhibidoras. Si las
influencias excitadoras positivas dominan, entonces la neurona da una señal
positiva y manda este mensaje a otras neuronas por sus sinápsis de salida. En
este sentido la neurona puede ser modelada como una simple función escalón
f(.). Como se muestra en la próxima figura, la neurona se activa si la fuerza
combinada de la señal de entrada es superior a un cierto nivel, en el caso
general el valor de activación de la neurona viene dado por una función de
activación f(.).
Redes Neuronales para aplicaciones concretas
Las ANNs dirigidas a aplicación están en general poco ligadas a las redes
neuronales biológicas. Ya que el conocimiento que se posee sobre el sistema
nervioso en general no es completo, se han de definir otras funcionalidades y
estructuras de conexión distintas a las vistas desde la perspectiva biológica.
Las características principales de este tipo de ANNs son los siguientes:
1. Auto Organización y Adaptatividad: utilizan algoritmos de aprendizaje
adaptativo y auto organización, por lo que ofrecen posibilidades de
procesado robusto y adaptativo (véase entrenamiento adaptativo y redes
auto organizativas).
2. Procesado No Lineal: aumenta la capacidad de la red de aproximar,
clasificar y su inmunidad frente al ruido.
3. Procesado paralelo: normalmente se usa un gran número de células de
procesado por el alto nivel de interconectividad.
Estas características juegan un importante papel en las ANNs aplicadas al
procesado de señal e imagen. Una red para una determinada aplicación
presenta una arquitectura muy concreta, que comprende elementos de
procesado adaptativo masivo paralelo combinadas con estructuras de
interconexión de red jerárquica.
Taxonomía de las Redes Neuronales
Existen dos fases en toda aplicación de las redes neuronales: la fase de
aprendizaje o entrenamiento y la fase de prueba. En la fase de
entrenamiento, se usa un conjunto de datos o patrones de entrenamiento para
determinar los pesos (parámetros de diseño) que definen el modelo neuronal.
Una vez entrenado este modelo, se usará en la llamada fase de prueba o
funcionamiento directo, en la que se procesan los patrones de prueba que
constituyen la entrada habitual de la red, analizándose de esta manera las
prestaciones definitivas de la red.


Fase de Prueba: los parámetros de diseño de la red neuronal se han
obtenido a partir de unos patrones representativos de las entradas que
se denominan patrones de entrenamiento. Los resultados pueden ser
tanto calculados de una vez como adaptados iterativamente, según el
tipo de red neuronal, y en función de las ecuaciones dinámicas de
prueba. Una vez calculados los pesos de la red, los valores de las
neuronas de la última capa, se comparan con la salida deseada para
determinar la validez del diseño.
Fase de Aprendizaje: una característica de las redes neuronales es su
capacidad de aprender. Aprenden por la actualización o cambio de los
pesos sinápticos que caracterizan a las conexiones. Los pesos son
adaptados de acuerdo a la información extraída de los patrones de
entrenamiento nuevos que se van presentando. Normalmente, los pesos
óptimos se obtienen optimizando (minimizando o maximizando) alguna
"función de energía". Por ejemplo, un criterio popular en el
entrenamiento supervisado es minimizar el least-square-error (error
cuadrático medio) entre el valor del maestro y el valor de salida actual.
Las aplicaciones del mundo real deben acometer dos tipos diferentes de
requisitos en el procesado. En un caso, se requiere la prueba en tiempo real
pero el entrenamiento ha de realizarse "fuera de linea". En otras ocasiones, se
requieren las dos procesos, el de prueba y el de entrenamiento en tiempo real.
Estos dos requisitos implican velocidades de proceso muy diferentes, que
afectan a los algoritmos y hardware usados.
Atendiendo al tipo de entrenamiento, una posible taxonomía de las redes
neuronales es:
Redes Neuronales
Fijo
No supervisado
Red
Hamming
de
Red de Hopfield
Supervisado
Mapa de características
Basadas en decisión
Aprendizaje
competitivo
Perceptrón
ADALINE (LMS)
Perceptrón Multicapa
Modelos
Dinámicos
Temporales
Modelos Ocultos de Markov
Redes Neuronales Supervisadas y no Supervisadas
Las redes neuronales se clasifican comúnmente en términos de sus
correspondientes algoritmos o métodos de entrenamiento: redes de pesos
fijos, redes no supervisadas, y redes de entrenamiento supervisado. Para
las redes de pesos fijos no existe ningún tipo de entrenamiento.
Reglas de entrenamiento Supervisado
Las redes de entrenamiento supervisado han sido los modelos de redes más
desarrolladas desde inicios de estos diseños. Los datos para el entrenamiento
están constituidos por varios pares de patrones de entrenamiento de entrada y
de salida. El hecho de conocer la salida implica que el entrenamiento se
beneficia la supervisión de un maestro. Dado un nuevo patrón de
entrenamiento, por ejemplo, (m+1)-ésimo, los pesos serán adaptados de la
siguiente forma:
Se puede ver un diagrama esquemático de un sistema de entrenamiento
supervisado en la siguiente figura:
Reglas de entrenamiento No Supervisado
Para los modelos de entrenamiento No Supervisado, el conjunto de datos de
entrenamiento consiste sólo en los patrones de entrada. Por lo tanto, la red es
entrenada sin el beneficio de un maestro. La red aprende a adaptarse basada
en las experiencias recogidas de los patrones de entrenamiento anteriores.
Este es un esquema típico de un sistema "No Supervisado":
Ejemplos típicos son La Regla de Aprendizaje de Hebb, y la Regla de
Aprendizaje Competitiva. Un ejemplo del primero consiste en reforzar el peso
que conecta dos nodos que se excitan simultáneamente.
Como ejemplo de aprendizaje competitivo, si un patrón nuevo se determina
que pertenece a una clase reconocida previamente, entonces la inclusión de
este nuevo patrón a esta clase matizará la representación de la misma. Si el
patrón de la entrada se determinó que no pertenece a ninguna de las clases
reconocidas anteriormente, entonces la estructura y los pesos de la NN serán
ajustados para reconocer la nueva clase.
Estructuras de las Redes Neuronales Artificiales
Los aspectos más característicos de las estructuras son la estructura de
conexión, el tamaño de la red y la elección entre ACON y OCON.
Estructuras de conexión de atrás hacia delante
Una red neuronal se determina por la neurona y la matriz de pesos . El
comportamiento de la red depende en gran medida del comportamiento de la
matriz de pesos. Hay tres tipos de capas de neuronas: la de entrada, las
ocultas y la de salida. Entre dos capas de neuronas existe una red de pesos
de conexión, que puede ser de los siguientes tipos: Hacia delante, hacia atrás,
lateral y de retardo, tal como puede verse en la siguiente figura:
1. Conexiones hacia delante: para todos los modelos neuronales, los datos
de las neuronas de una capa inferior son propagados hacia las neuronas
de la capa superior por medio de las redes de conexiones hacia
adelante.
2. Conexiones hacia atrás: estas conexiones llevan los datos de las
neuronas de una capa superior a otras de la capa inferior.
3. Conexiones laterales. Un ejemplo típico de este tipo es el circuito "el
ganador toma todo" (winner-takes-all), que cumple un papel importante
en la elección del ganador.
4. Conexiones con retardo: los elementos de retardo se incorporan en las
conexiones para implementar modelos dinámicos y temporales, es decir,
modelos que precisan de memoria.
Las conexiones sinópticas pueden ser total o parcialmente interconectadas,
como muestra la figura. También es posible que las redes sean de una capa
con el modelo de pesos hacia atrás o bien el modelo multicapa hacia adelante.
Es posible así mismo, el conectar varias redes de una sola capa para dar lugar
a redes más grandes.
AproximacionesACON frente a OCON
Abordamos el problema de cuantas redes son necesarias para la clasificación
en multicategorias. Típicamente, cada nodo de salida se usa para representar
una clase. Por ejemplo, en un problema de reconocimiento alfanumérico, hay
36 clases; así que en total habrá 36 nodos de salida. Dado un patrón de
entrada en la fase de prueba, el ganador (i.e., la clase que gana) es
normalmente el nodo que tiene el valor más alto a la salida.
Dos posibles tipos de arquitectura son "All-Class-in-One-Network" (ACON),
esto es, todas las clases en una red y "One-Class-in-One-Network" (OCON),
esto es, una red para cada clase. En la aproximación ACON, todas las clases
son reconocidas dentro de una única súper red. En algunos casos es ventajoso
descomponer esta macro red en varias subredes mas pequeñas. Por ejemplo,
una red de 36 salidas se puede descomponer en 12 subredes, cada una
responsable de tres salidas. La descomposición mas extrema es la llamada
OCON, donde una subred se dedica para una sola clase. Aunque el número de
subredes en la estructura OCON es relativamente largo, cada subred individual
tiene un tamaño menor que la red ACON. Esto se puede explicar con las
siguientes figuras,
la red entera
se divide en
varias subredes.
Ventajas que ofrecen las redes neuronales
Debido a su constitución y a sus fundamentos, las redes neuronales artificiales
presentan un gran número de características semejantes a las del cerebro. Por
ejemplo, son capaces de aprender de la experiencia, de generalizar de casos
anteriores a nuevos casos, de abstraer características esenciales a partir de
entradas que representan información irrelevante, etc. Esto hace que ofrezcan
numerosas ventajas y que este tipo de tecnología se esté aplicando en
múltiples áreas. Entre las ventajas se incluyen:
Aprendizaje Adaptativo: capacidad de aprender a realizar tareas basadas en un
entrenamiento o en una experiencia inicial.
Auto-organización: una red neuronal puede crear su propia organización o
representación de la información que recibe mediante una etapa de
aprendizaje.
Tolerancia a fallos: la destrucción parcial de una red conduce a una
degradación de su estructura; sin embargo, algunas capacidades de la red se
pueden retener, incluso sufriendo un gran daño.
Operación en tiempo real: los cómputos neuronales pueden ser realizados en
paralelo; para esto se diseñan y fabrican máquinas con hardware especial para
obtener esta capacidad.
Fácil inserción dentro de la tecnología existente: se pueden obtener chips
especializados para redes neuronales que mejoran su capacidad en ciertas
tareas. Ello facilitará la integración modular en los sistemas existentes.
Aplicaciones de las Redes Neuronales
Las redes neuronales son una tecnología computacional emergente que puede
utilizarse en un gran número y variedad de aplicacione, tanto como comerciales
como militares.
Hay muchos tipos diferentes de redes neuronales, cada uno de los cuales tiene
un aplicación particular más apropiada. Separandolas según las distintas
disciplinas algunos ejemplos de sus aplicaciones son:
Biología:
Aprender más acerca del cerebro y otros sistemas.
Obtención de modelos de la retina.
Empresa
Reconocimiento de caracteres escritos.
Identificación de candidatos para posiciones específicas.
Optimización de plazas y horarios en líneas de vuelo.
Explotación de bases de datos.
Evaluación de
petrolíferas.
probabilidad
de
formaciones
Sintesís de voz desde texto.
Medio Ambiente
Analizar tendencias y patrones.
Previsión del tiempo.
Finanzas
Previsión de la evolución de los precios.
geológicas
y
Valoración del riesgo de los créditos.
Identificación de falsificaciones.
Interpretación de firmas.
Manufacturación
Robots automatizados y sistemas de control (visión artificial y
sensores de presión, temperatura, gas, etc.)
Control de producción en líneas de proceso.
Inspección de calidad.
Filtrado de señales.
Medicina
Analizadores del habla para la ayuda de audición de sordos
profundos.
Diagnóstico y tratamiento a partir de síntomas y/o de datos
analíticos (encefalograma, etc.).
Monitorización en cirugía.
Predicción de reacciones adversas a los medicamentos.
Lectoras de Rayos X.
Entendimiento de causa de ataques epilépticos.
Militares
Clasificación de las señales de radar .
Creación de armas inteligentes.
Optimización del uso de recursos escasos.
FUTURO
Es necesario resaltar la significación e importancia que las redes neuronales
están adquiriendo en la actualidad como lo evidencia el hecho de formar parte
de los estudios centrales de instituciones gubernamentales a nivel mundial.
Así que la intención principal es profundizar en esta nueva tecnología,
aprovechando el hecho de que será está una materia en cursos posteriores en
el transcurso de mi carrera, para así lograr un alto grado de aprendizaje y con
el la implementación practica de alguna red neuronal.