1 / 41

Aplicaciones de redes neuronales

Aplicaciones de redes neuronales. Predicción de PM-10. ¿Qué es PM-10?. Es material sólido ó líquido suspendido en la atmósfera Emitido ó formado directamente en el aire Es material caracterizado por fracciones de tamaño gruesas ó finas

caspar
Télécharger la présentation

Aplicaciones de redes neuronales

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Aplicaciones de redes neuronales Predicción de PM-10 Lucila L. Chiarvetto Peralta

  2. ¿Qué es PM-10? • Es material sólido ó líquido suspendido en la atmósfera • Emitido ó formado directamente en el aire • Es material caracterizado por fracciones de tamaño gruesas ó finas • MP- 10 incluye particulas de 10 micrómetros en diámetro ó más pequeñas • MP- 2.5 incluye particulas de 2.5 micrómetros en diámetro ó más pequeñas Lucila L. Chiarvetto Peralta

  3. Comparación Lucila L. Chiarvetto Peralta

  4. Definición del predictor Se quiere predecir los promedios diarios de PM10 medidos en microgramos por metro cúbico, en función a los datos meteorológicos, para la ubicación actual de la EMCABB. Lucila L. Chiarvetto Peralta

  5. EMCABB Lucila L. Chiarvetto Peralta

  6. ¿Por qué se quiere construir este predictor? • Se identificó como requerimiento. • El observatorio ambiental debe ser capaz de generar alarmas cuando se pronostique que un cierto contaminante supere el valor de referencia de la norma que lo regula. Lucila L. Chiarvetto Peralta

  7. Justificaciones Las redes neuronales imitan el proceso de aprendizaje del cerebro y pueden procesar problemas que impliquen datos muy complejos con relaciones no lineales, incluso cuando los datos son imprecisos y “ruidosos”. En particular cuando la relación entre los datos es desconocida. Lucila L. Chiarvetto Peralta

  8. Otras aplicaciones • Herramienta de estudio, permitiendo conocimiento sobre el fenómeno, en cuestión. • Herramienta de modelado alternativa. Lucila L. Chiarvetto Peralta

  9. Usuario davies Diseño arquitectónico Estación meteorológica PECAS Modulo predictor Lucila L. Chiarvetto Peralta

  10. Red neuronal, herramienta • JOONE, Java Object Oriented Neural Engine • Joone (http://www.joone.org/) es un framework realizado en JAVA, para la construcción y desarrollo de aplicaciones basadas en redes neuronales. • Las aplicaciones de Joone pueden ser construidas en una maquina local. • Pueden ser entrenadas en un ambiente distribuido. • Licencia: GNU LESSER GENERAL PUBLIC LICENSE de la Free Software Foundation. Lucila L. Chiarvetto Peralta

  11. Joone utilizado en el mundo académico • Using JavaTM Technology – Based neural networks to predict trauma mortality • Layered learning in RoboCup Rescue simulation • Modelling and verification of digital circuit using neural network • Neural network and evolutionary algorithms. Lucila L. Chiarvetto Peralta

  12. Ejemplo Lucila L. Chiarvetto Peralta

  13. Screen shoots Lucila L. Chiarvetto Peralta

  14. Panel de control Lucila L. Chiarvetto Peralta

  15. Ejemplo, entrenamiento Lucila L. Chiarvetto Peralta

  16. Métodos de evaluación • RMSE, root mean square error • MSE, mean square error • MAE, mean absolute error • D, indice de acuerdo Lucila L. Chiarvetto Peralta

  17. MSE Lucila L. Chiarvetto Peralta

  18. RMSE Lucila L. Chiarvetto Peralta

  19. MAE Lucila L. Chiarvetto Peralta

  20. d Lucila L. Chiarvetto Peralta

  21. d • El valor d varia entre 0 y 1. • El valor d=1, significa una coincidencia perfecta entre los valores predichos y los observados. • El valor d=0, significa un completo desacuerdo entre los valores predichos y los valores observados. Lucila L. Chiarvetto Peralta

  22. d • No tiene dimensión. • Estándar de comparación. Lucila L. Chiarvetto Peralta

  23. Entrenamiento, validación, evaluación Se selecciona del conjunto total de observaciones: • 70% para entrenamiento • 15% para validación • 15% para evaluación Lucila L. Chiarvetto Peralta

  24. Ejemplo, error Lucila L. Chiarvetto Peralta

  25. Ejemplo, entrenamiento Lucila L. Chiarvetto Peralta

  26. Ejemplo, estado luego del entrenamiento • Epoch: 7000 • RMSE: 0.4461003990923533 • d: 0.9991660 Lucila L. Chiarvetto Peralta

  27. Ejemplo, validación Lucila L. Chiarvetto Peralta

  28. Ejemplo, evaluación Lucila L. Chiarvetto Peralta

  29. Consideraciones de diseño más importantes • Selección de una arquitectura optima (cantidad de elementos de la capa oculta). • Selección de la mejor función de activación. • Selección de los ejemplos de entrenamiento, testing y evaluación. • Selección de cantidad de epochs. Lucila L. Chiarvetto Peralta

  30. Ejemplo otra arquitectura Lucila L. Chiarvetto Peralta

  31. Selección de la arquitectura Lucila L. Chiarvetto Peralta

  32. Selección de arquitectura Lucila L. Chiarvetto Peralta

  33. Selección de la mejor función de activación • Tangente hiperbólica: RMSE=7.73276 • Logaritmo: RMSE= 6.60171 Lucila L. Chiarvetto Peralta

  34. Error, logaritmo Lucila L. Chiarvetto Peralta

  35. Selección de los ejemplos La selección de los ejemplos de entrenamiento, debe ser capaz de mostrar toda la complejidad del problema. Sin dar información en exceso, ni en defecto. La tarea de selección es particularmente difícil, dado que la relación entre los datos que se desea modelar, es usualmente, desconocida. Lucila L. Chiarvetto Peralta

  36. Selección de la cantidad de epochs • Falta de entrenar la red, produce que la red quede atrapada en un mínimo local. • Sobre entrenamiento, produce una falta de capacidad en filtrar el ruido. Es como si aprendiera de “memoria”. Lucila L. Chiarvetto Peralta

  37. Sobreentrenamiento Lucila L. Chiarvetto Peralta

  38. Conclusiones Es una técnica que ya ha sido utilizada en la predicción de calidad de aire, que ha mostrado ser efectiva para la predicción de polución en aire. Esto hace posible la generación de alarma, cuando se supere la norma de referencia. Lucila L. Chiarvetto Peralta

  39. Conclusiones Permite el estudio, cuantificación y comparación, de la contribución meteorológica en las variaciones de concentraciones del material particulado. Lucila L. Chiarvetto Peralta

  40. Conclusiones Predicción de calidad de aire: Si bien, los modelos a base de redes neuronales han mostraron mejores resultados que los modelos de regresión y deterministas. Se observaron dos corrientes de pensamientos diferente en la comunidad científica: • Adoptan el modelo. • Adoptan el modelo de forma temporaria, mientras se desarrollan modelos deterministas. Lucila L. Chiarvetto Peralta

  41. Bibliografía y referencias • Air quality prediction in Milan: feed-forward neural networks, pruned neural networks and lazy learning. Giorgio Corani • Artificial neural network approach for modelling nitrogen dioxide dispersion from vehicular exhaust emissions. S.M. Shiva Nagendra, Mukesh Khare. • Assessment and prediction of tropospheric ozone concentration levels. Usign artificial neural networks. S.A. Abdul-Wahab, S.M. Al-Alawi • Willmott, C.J., 1982. Some comments on the evaluation of model performance. Bull. Am. Meteorol. Soc. 63, 1309–1313 • www.epa.gov • www.jooneworld.org Lucila L. Chiarvetto Peralta

More Related