1
a) .
I. MARCO TEÓRICO – CONCEPTUAL
III.1 Antecedentes
III.1.1 Prototipo de sistema de búsqueda en base de datos
textuales aplicando redes neuronales
En éste trabajo de investigación se manifiesta que la
búsqueda de la solución en una Base de Datos Textuales, se
logra mediante una búsqueda realizada a través del espacio de
estados. La idea consiste en mantener y ampliar un conjunto de
secuencias de solución parciales, más o menos como si fuera la
construcción de un árbol de búsqueda sobrepuesto al espacio de
estados.
La raíz del árbol de búsqueda es el nodo de búsqueda y
corresponde al estado inicial; los nodos hoja del árbol
corresponden a estados que no tienen ningún sucesor en el
árbol, ya sea porque todavía no se han expandido o porque ya lo
fueron pero generaron un conjunto vacío. También para poder
2
resolver cualquier tipo de problema se utiliza un solo algoritmo de
búsqueda general, y en este caso se utilizó el algoritmo de una
red neuronal.1
III.1.2 Prototipo de reconocimiento automático de notas en actas
de archivo académico UNA aplicando redes neuronales
En éste trabajo de investigación se manifiesta que
aplicando una red neuronal para el reconocimiento de notas en
actas del archivo académico es muy eficiente, ya que los
docentes de la UNA llenan las actas finales a mano y para
poderlos reconocer cuando por ejemplo se hace una fotocopia de
la misma acta, esta pueda resultar un poco ilegible o un poco
borroso, entonces puede darse el caso de que las notas del acta
no se lean bien ni se entienda.
Entonces ahí se aplica una red neuronal para el
reconocimiento óptico de caracteres; siendo en este caso los
caracteres de un texto los patrones que hay que reconocer.2
III.1.3 Desarrollo de un sistema tutor inteligente para el soporte en
el proceso enseñanza aprendizaje de redes neuronales
artificiales en la I.E.S. “María Auxiliadora” Puno-2008
En el trabajo de investigación, se hizo uso de las redes
neuronales artificiales, con las cuales se dio solución a
problemas complejos, no como una secuencia de pasos, sino
como la evolución de unos sistemas de computación inspirados
en el funcionamiento del cerebro humano y dotados por tanto de
1 TICONA RODRÍGUEZ, Eloy. Prototipo de sistema de búsqueda en base de datos textuales aplicando redes
neuronales. 2000 p. 108
2 ROSALES MAQUERA, César Roberto. Prototipo de reconocimiento automático de notas en actas de archivo
académico UNA aplicando redes neuronales. 2001 p. 154
3
cierta inteligencia, los cuales no son sino la combinación de una
gran cantidad de elementos simples de proceso (neuronas)
interconectados, que operando de forma masivamente paralela,
consiguen resolver problemas relacionados al reconocimiento
óptico de caracteres, reconocimiento de patrones y predicción de
series de tiempo.
Debido a su constitución y a sus fundamentos, las redes
neuronales artificiales presentan un gran número de
características semejantes a las del cerebro humano. Por
ejemplo, son capaces de aprender de la experiencia, de
generalizar casos anteriores a nuevos casos, de abstraer
características esenciales a partir de entradas que representan
información irrelevante. Esto hace que ofrezcan numerosas
ventajas las cuales incluyan el aprendizaje adaptativo,
autoorganización, tolerancia a fallos, operación en tiempo real y
fácil inserción dentro de la tecnología existente.
Se indica además que la arquitectura o topología de la red
backpropagation es adecuada para modelar y simular redes
neuronales artificiales, organizando en forma gráfica la
disposición de las neuronas en la red formando redes multicapa
(tres capas) y mostrando sus pesos en la fase inicial. 3
III.2 Marco Teórico
III.2.1 Inteligencia artificial
El hombre se ha aplicado a sí mismo el nombre científico de
homo sapiens (hombre sabio) como una valoración de la trascendencia
de nuestras habilidades mentales tanto para nuestra vida cotidiana
3HUANCOILLO TICONA, José. Desarrollo de un sistema tutor inteligente para el soporte en el proceso
enseñanza aprendizaje de redes neuronales artificiales en la I.E.S. “María Auxiliadora” Puno-2008 p.105
4
como en nuestro sentido de identidad. Los esfuerzos de la IA se
enfocan a lograr la comprensión de entidades inteligentes. Por ello, una
de las razones de su estudio es el aprender más acerca de nosotros
mismos. A diferencia de la filosofía y de la psicología, que también se
ocupan de la inteligencia, los esfuerzos de la IA están encaminados
tanto a la construcción de entidades inteligentes como a su
comprensión4.
La IA también es “la interesante tarea de lograr que las
computadoras piensen, máquinas con mente, en su amplio sentido
literal”5. La IA trata de encontrar las técnicas para diseñar y programar
máquinas, computadoras que emulen y extiendan nuestras
capacidades mentales. La IA está relacionada con otras áreas del
conocimiento como: La ciencia de la computación, lingüística,
ingeniería, medicina, filosofía, psicología, etc. Además la ingeniería de
cómputo ofreció el dispositivo que permite hacer realidad las
aplicaciones de la Inteligencia Artificial. Los programas de IA por lo
general son extensos y no funcionarían sin los grandes avances en
velocidad y memoria aportados por la industria de cómputo.6
III.2.2 Redes neuronales artificiales
Las Redes neuronales artificiales son redes interconectadas
masivamente en paralelo de elementos simples (usualmente
adaptativos) y con organización jerárquica, las cuales intentan
interactuar con los objetos del mundo real del mismo modo que lo hace
el sistema nervioso biológico.
4 RUSSELL, Stuart y NORVIG, Peter. Inteligencia Artificial. Editorial Prentice Hall. México. 1996 p. 3
5 HILERA, J.R., MARTINEZ, V.J. Redes Neuronales Artificiales. Editorial Addison. 1995 p. 5
6 RAO, V., RAO, H. C++ Neural Networks and Fuzzy Logic. 2da ed. Editorial Addison. 1995 p. 29
5
● Analogía con las redes neuronales biológicas: Las neuronas se
modelan mediante unidades de proceso. Se componen de un
núcleo encargada de los cálculos, una red o vector de conexiones
de entrada y una salida.
● 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. La 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
6
en el apartado de sistemas neurofuzzy veremos un caso en que se
utiliza una función de salida diferente a la identidad. 7
III.2.3 Características de las redes neuronales
Son las siguientes:
● Aprendizaje inductivo: No se le indican las reglas para dar
una solución, sino que extrae sus propias reglas a partir de
los ejemplos de aprendizaje, modifican su comportamiento en
función de la experiencia. Esas reglas quedan almacenadas
en las conexiones y no representadas explícitamente como
en los sistemas basados en conocimiento (simbólico-
deductivos).
● Generalización: Una vez entrenada, se le pueden presentar
a la red datos distintos a los usados durante el aprendizaje.
La respuesta obtenida dependerá del parecido de los datos
con los ejemplos de entrenamiento.
● Abstracción o tolerancia al ruido: Las redes neuronales
artificiales son capaces de extraer o abstraer las
características esenciales de las entradas aprendidas, de
esta manera pueden procesar correctamente datos
incompletos o distorsionados.
● Procesamiento paralelo: Las neuronas reales trabajan en
paralelo; en el caso de las redes artificiales es obvio que si
usamos un solo procesador no podrá haber proceso paralelo
real; sin embargo hay un paralelismo inherente, lo esencial
es que la estructura y modo de operación de las redes
neuronales las hace especialmente adecuadas para el
procesamiento paralelo real mediante multiprocesadores (se
están desarrollando máquinas específicas para la
computación neuronal).
7 MALCON, T., XERES, M., RODRIGUEZ, W. Redes Neurais Artificiais. Editorial Eko. 1996 p. 51
7
● Memoria distribuida: El conocimiento acumulado por la red
se halla distribuido en numerosas conexiones, esto tiene
como consecuencia la tolerancia a fallos. Una red neuronal
es capaz de seguir funcionando adecuadamente a pesar de
sufrir lesiones con destrucción de neuronas o sus
conexiones, ya que la información se halla distribuida por
toda la red, sin embargo en un programa tradicional un
pequeño fallo en cualquier punto puede invalidarlo todo y dar
un resultado absurdo o no dar ningún resultado.
III.2.4 Algoritmos genéticos
Son llamados así porque se inspiran en la evolución
biológica y su base genético-molecular. Estos algoritmos hacen
evolucionar una población de individuos sometiéndola a acciones
aleatorias semejantes a las que actúan en la evolución biológica
(mutaciones y recombinaciones genéticas), así como también a una
selección de acuerdo con algún criterio, en función del cual se decide
cuáles son los individuos más adaptados, que sobreviven, y cuáles los
menos aptos, que son descartados. Es incluido dentro de los algoritmos
evolutivos, que incluyen también las estrategias evolutivas, la
programación evolutiva y la programación genética.
Un algoritmo genético es un método de búsqueda dirigida
basada en probabilidad. Bajo una condición muy débil (que el algoritmo
mantenga elitismo, es decir, guarde siempre al mejor elemento de la
población sin hacerle ningún cambio) se puede demostrar que el
algoritmo converge en probabilidad al óptimo. En otras palabras, al
aumentar el número de iteraciones, la probabilidad de tener el óptimo
en la población tiende a 1 (uno). 8
8 DOMINGUEZ DORADO, M. Programación de algoritmos genéticos. Editorial Iberprensa Madrid. 2004 pp.
16-20
8
III.2.5 Funcionamiento de un algoritmo genético
Un algoritmo genético puede presentar diversas
variaciones, dependiendo de cómo se aplican los operadores genéticos
(cruzamiento, mutación), de cómo se realiza la selección y de cómo se
decide el reemplazo de los individuos para formar la nueva población.
En general, el pseudocódigo consiste de los siguientes pasos:
● Inicialización: Se genera aleatoriamente la población inicial, que está
constituida por un conjunto de cromosomas los cuales representan
las posibles soluciones del problema. En caso de no hacerlo
aleatoriamente, es importante garantizar que dentro de la población
inicial, se tenga la diversidad estructural de estas soluciones para
tener una representación de la mayor parte de la población posible o
al menos evitar la convergencia prematura.
● Evaluación: A cada uno de los cromosomas de esta población se
aplicará la función de aptitud para saber cómo de "buena" es la
solución que se está codificando.
● Condición de término: El Algoritmo Genético (AG) se deberá detener
cuando se alcance la solución óptima, pero ésta generalmente se
desconoce, por lo que se deben utilizar otros criterios de detención.
Normalmente se usan dos criterios: correr el AG un número máximo
de iteraciones (generaciones) o detenerlo cuando no haya cambios
en la población. Mientras no se cumpla la condición de término se
hace lo siguiente:
✔ Selección: Después de saber la aptitud de cada cromosoma se
procede a elegir los cromosomas que serán cruzados en la
siguiente generación. Los cromosomas con mejor aptitud tienen
mayor probabilidad de ser seleccionados.
✔ Recombinación o Cruzamiento: La recombinación es el principal
operador genético, representa la reproducción sexual, opera
sobre dos cromosomas a la vez para generar dos descendientes
9
donde se combinan las características de ambos cromosomas
padres.
✔ Mutación: Modifica al azar parte del cromosoma de los
individuos, y permite alcanzar zonas del espacio de búsqueda
que no estaban cubiertas por los individuos de la población
actual.
✔ Reemplazo: Una vez aplicados los operadores genéticos, se
seleccionan los mejores individuos para conformar la población
de la generación siguiente.
III.3 MARCO CONCEPTUAL
III.3.1 Sistema híbrido
Es aquel que no es puro, es decir que está mezclado, en este
caso de computación puede haber mezcla de dos o mas versiones de
un programa.
III.3.2 Red neuronal artificial
Modelos matemáticos, computacionales, artificiales, ideales de
una red neuronal empleados en estadística, psicología cognitiva, e
inteligencia artificial.
Las redes neuronales son sistemas ideados como
abstracciones de las estructuras neurobiológicas (cerebros)
encontradas en la naturaleza y tienen la característica de ser sistemas
desordenados capaces de guardar información
III.3.3 Red neuronal biológica
Cúmulo de neuronas físicamente interconectadas cuya
actividad ayuda a definir un circuito reconocible en el sistema
nervioso.
10
III.3.4 Algoritmo genético
Los Algoritmos Genéticos (AGs) son métodos adaptativos que
pueden usarse para resolver problemas de búsqueda y optimización.
Están basados en el proceso genético de los organismos vivos. A lo
largo de las generaciones, las poblaciones evolucionan en la
naturaleza de acorde con los principios de la selección natural y la
supervivencia de los más fuertes, postulados por Darwin. Por imitación
de este proceso, los Algoritmos Genéticos son capaces de ir creando
soluciones para problemas del mundo real. La evolución de dichas
soluciones hacia valores óptimos del problema depende en buena
medida de una adecuada codificación de las mismas.
Un algoritmo genético consiste en una función matemática o
una rutina de software que toma como entradas a los ejemplares y
retorna como salidas cuales de ellos deben generar descendencia
para la nueva generación.
IV. HIPÓTESIS
IV.1 Hipótesis general
La calidad del sistema híbrido agiliza el aprendizaje y clasificación de
una cierta clase de datos.
IV.2 Hipótesis específicas
IV.2.1 La topología de la red neuronal backpropagation facilita el buen
aprendizaje y clasificación de una cierta clase de datos.
11
IV.2.2 El algoritmo genético aplicado permite encontrar la mejor
topología para el aprendizaje y clasificación de una cierta clase
de datos en forma óptima.
IV.2.3 El uso de los lenguajes de programación de última generación
facilita diseñar e implementar el sistema híbrido en forma
interactiva.
IV.3 VARIABLES
IV.3.1 Variable Independiente: Sistema híbrido (red neuronal artificial y
algoritmo genético).
IV.3.2 Variable Dependiente: Aprendizaje y clasificación de una cierta
clase de datos.
IV.4 OPERACIONALIZACIÓN DE VARIABLES
12
Variable Independiente Indicador Índice
Sistema híbrido ● Arquitectura ● Adecuado
óptima de red ● No adecuado.
neuronal artificial
● Eficiencia del ● Muy eficiente
algoritmo ● Eficiente
genético. ● Poco eficiente
● Nada eficiente
Variable Dependiente Indicador Índice
Aprendizaje y ● Repetición del ● Muy adecuado
Clasificación de cierta entrenamiento de ● Adecuado
clase de datos. la red ● Poco adecuado.
backpropagation
● Eficiencia del ● Muy eficiente
aprendizaje y ● Eficiente
clasificación de ● Poco eficiente
datos. ● Nada eficiente.
13
V. METODOLOGÍA
IV.1 Método de investigación
El método que se aplicará a la presente investigación será el método
de análisis y síntesis.
IV.2 Diseño de la investigación
IV.2.1 Diseño de investigación
El presente trabajo de investigación se adecua al diseño No
Experimental de tipo longitudinal.
IV.2.2 Tipo de investigación
El presente trabajo de investigación está enmarcado dentro del tipo
de investigación aplicada.
IV.2.3 Nivel de investigación
El presente trabajo se delimita dentro del nivel explicativo.
IV.3 Población y muestra
IV.3.1 Población
La población está considerada por todas las clases de datos que
existen.
IV.3.2 Muestra
Para el presente trabajo de investigación, el tamaño de la muestra,
se establece según el tipo de clase común de datos.
IV.4 Técnicas e instrumentos de investigación
Para facilitar la recopilación de la información en el trabajo de
investigación se aplicará la siguiente técnica:
● Observación.
14
IV.5 Matriz de consistencia
TÍTULO: Implementación de un sistema híbrido para el aprendizaje y clasificación de una clase de datos.
Diseño
Problema Objetivo Hipótesis Variable
Justificación Indicadores Índice metodológic
General general general Independiente
o
Es importante La calidad Sistema Arquitectura óptima Adecuado Método de
¿Cómo Implementar
porque del sistema híbrido (red de red neuronal No adecuado estudio:
influye el un híbrido
contribuye al híbrido neuronal artificial. Análisis y
sistema para que
campo de los agiliza el artificial y síntesis.
híbrido para fácilmente
sistemas aprendizaje y algoritmo Eficiencia del Muy eficiente
que pueda
híbridos en clasificación genético) algoritmo genético. Eficiente. Diseño:
fácilmente aprender y
inteligencia de una cierta Poco eficiente Tipo
puedan clasificar una
artificial. clase de Nada longitudinal
aprender y cierta clase
datos. eficiente
clasificar una de datos.
Tipo:
cierta clase
Aplicada.
de datos?
Nivel:
Explicativo
15
TÍTULO: Implementación de un sistema híbrido para el aprendizaje y clasificación de una clase de datos.
Sub Problemas Objetivos Justificación Hipótesis específicas Variable Indicador Índice Diseño
específicos dependient metodológico
e
Es importante La topología de la red Aprendizaje Repetición Muy Población:
¿Cómo determinar Determinar la
porque trata neuronal y del adecuado Diferentes
la topología de una topología de red
de encontrar backpropagation clasificació entrenamient Adecuado. clases de
red neuronal neuronal artificial
una facilita el buen n de cierta o de la red Poco datos.
artificial para que para que
arquitectura aprendizaje y clase de back – adecuado.
fácilmente pueda fácilmente pueda
óptima de red clasificación de una datos. propagation. Muestra:
aprender y clasificar aprender y
neuronal en la cierta clase de datos. Clase común
una cierta clase de clasificar una
aprehensión Muy de datos.
datos? cierta clase de
de problemas Eficiencia del eficiente.
datos.
¿Cómo influye el particulares.. El algoritmo genético aprendizaje y Eficiente. Técnica:
algoritmo genético Aplicar la teoría aplicado permite clasificación Poco Observación
en la búsqueda de del algoritmo encontrar la mejor de datos. eficiente.
la mejor topología, genético para topología para el Nada Instrumentos
para el aprendizaje encontrar la mejor aprendizaje y eficiente. Guía de
y clasificación de topología en el clasificación de una observación.
una cierta clase de aprendizaje y cierta clase de datos
datos en forma clasificación de en forma óptima.
óptima? una cierta clase
de datos en forma
¿Es posible
óptima. El uso de los
implementar el
sistema híbrido lenguajes de
haciendo uso de los programación de
Implementar el última generación
lenguajes de sistema híbrido facilita diseñar e
programación de haciendo uso de implementar el
última generación? los lenguajes de sistema híbrido en
programación de forma interactiva.
última
generación.
16
V. ASPECTOS ADMINISTRATIVOS
V.1 Presupuesto y financiamiento
● Presupuesto de Bienes
Costo
Cantida
Bienes Unitario Unidad Total
d
(S/.)
Papel Bond 75 g 25.00 Millar 2 50.00
USB 24.00 Unidad 1 24.00
CD 1.00 Unidad 12 12.00
Materiales de 300.00 Unidad 1 300.00
escritorio
Anillados 4.00 Unidad 10 40.00
Fotocopias 0.10 Millar 1 100.00
Imprevistos 300.00
Total 826.00
● Presupuesto de servicios:
Costo
Servicios Unidad Cantidad Total
Unitario (S/.)
Teléfono 0.50 Minuto 50 25.00
Luz 50.00 Recibo 6 300.00
Movilidad 5.00 Día 100 500.00
Pasajes Puno- 120.00 Unidad 2 240.00
Lima-Puno
Consultoría 200.00 Persona 2 400.00
externa
Internet 1.00 Hora 100 100.00
Otros 50.00
Total 1615.00
TOTAL = 826.00 + 1615 = S/. 2441.00
17
● Financiamiento: El presente trabajo de investigación será
autofinanciado.
V.2 Cronograma
ACTIVIDADES 2013
Mes
En Fe Ma Ab Ma Ju Jul Ag Set oct No Di
e b r r y n o v c
Revisión de literatura X X X X
Consulta a personas X X X
Definición del problema y X
formulación de objetivos.
Formulación y X X
presentación del
proyecto de
investigación.
Aprobación del proyecto. X X
Redacción del trabajo y X X X
revisión de la
investigación.
Presentación del trabajo X X X
y revisión del trabajo de
investigación.
Sustentación y X
publicación de la tesis.
VI. ESTRUCTURA TENTATIVA DE LA TESIS
PORTADA
CARÁTULA
DEDICATORIA
18
AGRADECIMIENTOS
ÍNDICE
RESUMEN
INTRODUCCIÓN
CAPÍTULO I
I. EL PROBLEMA DE INVESTIGACIÓN
1.1 Análisis de la situación problemática
1.2 Planteamiento del problema
1.3 Objetivos.
1.3.1 Objetivo general
1.3.2 Objetivos específicos
CAPÍTULO II
II. MARCO TEÓRICO REFERENCIAL
2.1 Antecedentes de la investigación
2.2 Bases teóricas
2.3 Marco conceptual
2.4 Hipótesis
2.5 Análisis de variables e indicadores
CAPÍTULO III
III. MÉTODO DE INVESTIGACIÓN
3.1 Método de investigación
3.2 Diseño de la investigación (diseño, tipo, nivel)
3.3 Población y muestra
3.4 Técnicas e instrumentos
3.5 Diseño de contrastación de hipótesis
3.6 Matriz de consistencia
CAPÍTULO IV
IV. RESULTADOS Y DISCUSIÓN
19
4.1 Resultados y discusión
4.2 Aportación teórico - práctica
CONCLUSIONES Y SUGERENCIAS
CAPÍTULO V
V. REFERENCIAS BIBLIOGRÁFICAS
ANEXOS
VII. BIBLIOGRAFÍA:
1. TICONA R.E. Prototipo de sistema de búsqueda en base de datos textuales
aplicando redes neuronales [Tesis]. Madrid: Universidad de España. Facultad
de Ingeniería; 2000.
2. ROSALES M. C. Prototipo de reconocimiento automático de notas en actas de
archivo académico UNA aplicando redes neuronales [Tesis]. Puno:
Universidad Nacional del Altiplano. Facultad de la FIMEES; 2001.
3. HUANCOILLO T. J. Desarrollo de un sistema tutor inteligente para el soporte
en el proceso enseñanza aprendizaje de redes neuronales artificiales en la
I.E.S. “María Auxiliadora” Puno-2008 [Tesis]. Puno: Universidad Andina Néstor
Cáceres Velasquez. Facultad de Ingeniería de Sistemas; 2011.
4. RUSSELL, S., NORVIG, P. Inteligencia Artificial: Un enfoque moderno. 1ª ed.
México: Editorial Prentice Hall; 1996.
5. HILERA, J. R., MARTÍNEZ, V. J. Redes Neuronales Artificiales: Fundamentos,
modelos y aplicaciones. 1ª ed. Estados Unidos: Editorial Addison – Wesley;
1995.
6. RAO, V., RAO, H. C++ Neural Networks and Fuzzy Logic. 2da ed. Estados
Unidos; Editorial Addison – Wesley; 1995.
7. MALCON, T., XEREZ, M., RODRIGUEZ, W. Redes Neurais Artificiais. 1 ed.
Brazil: Editorial Eko; 1996.
20
8. DOMINGUEZ, M. Programación de algoritmos genéticos. 1ª ed. Madrid:
Editorial Iberprensa; 2004.
