LENGUAS ELECTRÓNICAS.

Presentación del tema: "LENGUAS ELECTRÓNICAS."— Transcripción de la presentación:

1 LENGUAS ELECTRÓNICAS

2 LENGUAS ELECTRÓNICAS Papilas: Circunvaladas Foliadas Filiformes
SISTEMA GUSTATIVO HUMANO Papilas: Circunvaladas Foliadas Filiformes Fungiformes

3

4 LENGUAS ELECTRÓNICAS Las lenguas electrónicas detectan las especies químicas presentes en las muestras líquidas. De esta manera pueden clasificar distintos sabores. COMO FUNCIONAN LAS LENGUAS ELECTRÓNICAS Esencialmente, realizan dos tareas: detectan las especies químicas mediante un conjunto de sensores con distinta capacidad específica, y analiza las respuestas de esos sensores para identificar los sabores. Sistemas de sensores Computador (Programa) Cerebro (Nervios Craneales) Papilas Gustativas SABOR RESPUESTA Impulso Nervioso Datos

5 LENGUAS ELECTRÓNICAS COMPONENTES DE UNA LENGUA ELECTRÓNICA
Estos instrumentos normalmente constan de varios componentes: 1) un muestreador automático; 2) un conjunto de sensores químicos de distinta especificidad; 3) instrumentación para adquirir la señal, y 4) el software con los algoritmos apropiados para procesar la señal obtenida. A B C D Muestra A B C D Sensores

6 LENGUAS ELECTRÓNICAS APLICACIONES DE LAS LENGUAS ELECTRÓNICAS
Puede usarse para diferentes propósitos incluyendo, el análisis de muestras, el control de calidad y la comparación de productos. Detectar productos que alteren la calidad de los alimentos, productos contaminantes, impurezas y sustancias tóxicas.

7 LENGUAS ELECTRÓNICAS APLICACIONES DE LAS LENGUAS ELECTRÓNICAS
Patrón de referencia para vinos blancos y tintos Patrones de referencia de varias aguas minerales

8 LENGUAS ELECTRÓNICAS VENTAJAS DE LAS LENGUAS ELECTRÓNICAS.
La lengua electrónica mide los compuestos no volátiles que permanecen en la comida o en la bebida. Los sensores de la lengua electrónica detectan todas las especies químicas presentes en las muestras. La respuesta R obtenida con la lengua electrónica puede formularse como sigue: R = f[SL, P)], dónde SL corresponde a la selectividad y sensibilidad del sensor del liquido, y P corresponde a la muestra del líquido. Con esto podemos medir atributos tales como: dulce, salado, amargo, ácido.

9 LENGUAS ELECTRÓNICAS Al igual que las Narices Electrónicas, las Lenguas Electrónicas utilizan patrones de reconocimiento similares a los vistos anteriormente. Las redes neuronales son las mas utilizadas en estas aplicaciones, pero deben contar con información veraz para ser entrenadas apropiadamente. De no contarse con la data apropiada el entrenamiento de la red no será adecuado y como resultado se obtienen grandes errores a su salida.

10 REDES NEURONALES Las redes neuronales son técnicas computacionales que permiten el reconocimiento de patrones, imitando el funcionamiento de las neuronas del cerebro humano. Mediante esta técnica se intenta imitar el proceso de aprendizaje del cerebro humano. El cerebro esta formado por miles de millones de neuronas conectadas entre si. Utiliza información que es percibida, transmitida hasta las neuronas y allí procesada por ellas para dar una respuesta a cada uno de los diferentes estímulos.

11 REDES NEURONALES Cada neurona tiene tres partes: un cuerpo celular, una estructura de entrada (Dendrita) y una de salida (Axón). La mayoría de las terminales de los axones se conectan con las dendritas de otras neuronas (Sinápsis). Neurona Axón Salida Sinapsis (Conexión neuronal) Dendritas (reciben las señales) Figura 1. Estructura de una Neurona Humana.

12 REDES NEURONALES El comportamiento de una neurona es el siguiente:
Recibe una señal de entrada con una fuerza determinada, dependiendo de ella la neurona emite una señal de respuesta. Las Sinápsis pueden variar en fuerza, algunas pueden dar una señal débil y otras una fuerte. A una neurona pueden llegar miles de señales de entrada, cada una con una fuerza y peso diferente. Matemáticamente el comportamiento de la neurona puede representarse por una lista de sus señales de entrada que son multiplicadas por sus pesos respectivos y posteriormente sumados. El resultado es llamado nivel de activación de la neurona del cual depende la señal de salida que es enviada a cada una de la neuronas a las que esta conectada ella.

13 REDES NEURONALES Una red neuronal artificial (RNA) es un sistema compuesto de muchos elementos procesadores simples conectados en paralelo, cuya función es determinada por la estructura de la red, la fuerza de las conexiones y el procesamiento realizado por los elementos en los nodos. Las redes neuronales artificiales al igual que las personas, aprenden de la experiencia.

14 REDES NEURONALES Características Generales de las RNA:
Pesos: Las redes neuronales pueden tener factores de pesos adaptable o fijo. Las que tiene pesos adaptables emplean leyes de aprendizaje para ajustar el valor de la fuerza de interconexión con otras neuronas. Si se utilizan pesos fijos, su tarea debe estar previamente definida. Los pesos son determinados a partir de una descripción completa del problema a tratar. Los pesos adaptables son muy importantes, ya que no se conoce de antemano su valor correcto.

15 REDES NEURONALES Características Generales de las RNA:
Aprendizaje: Se utilizan dos tipos de aprendizaje: supervisado y no supervisado. En el primero se le proporciona a la red tanto la salida como la entrada correcta y la red ajusta sus pesos para disminuir el error en la salida que ella calcula. Este tipo es utilizado principalmente en los reconocimientos de patrones. En el segundo tipo a la red, la forma de aprendizaje que se utiliza depende del tipo de problema que se intenta resolver.

16 REDES NEURONALES Características Generales de las RNA:
- No son Algorítmicas: Las redes neuronales artificiales no se programan sólo para seguir una secuencia de instrucciones, sino que ellas mismas pueden generar sus propias reglas para aprender de su propia experiencia. - Necesitan un Patrón: Las redes neuronales no son capaces de reconocer nada que no tenga algún tipo de patrón. Son muy buenas resolviendo problemas de asociación, evaluación y reconocimientos de patrones.

17 REDES NEURONALES Tipos de Redes
Dependiendo de la estructura de la red neuronal existen varias topologías, algunas de estas son: el Perceptrón, Backpropagation, Hopfield, Kohonen. Perceptrón: Este tipo de Red Neuronal intenta modelar el comportamiento de la neurona biológica, derivado del modelo hecho por McCulloch y Pitts. Es la base de la arquitectura de las RNA. El Perceptrón trabaja con funciones de activación.

18 Modelo de una Red Tipo Perceptrón.
REDES NEURONALES Red Perceptron W2 W3 g1 g2 g3 g4 x,w F(z) Salidas Entradas Dendritas Axon Cuerpo  Axones Sinapsis W1 X1 X4 X2 X3 W4 Modelo de una Red Tipo Perceptrón.

19 REDES NEURONALES La figura anterior representa un perceptrón para reconocimientos de patrones. El cuerpo de la neurona es representado como un sumador lineal de estímulos, seguida por una función no lineal f(zj) que es la función de activación. Esta utiliza la suma de estímulos para determinar la salida de la neurona. En la red perceptrón cada entrada es multiplicada por un factor de peso w correspondiente; los resultados son sumados y luego evaluados contra el valor de umbral , si el valor es mayor al máximo la red perceptrón se activa.

20 REDES NEURONALES Se pueden desarrollar redes neuronales en un periodo de tiempo razonable, con la capacidad de realizar tareas concretas mejor que otras tecnologías. Cuando se implementan mediante hardware (redes neuronales en chips VLSI), presentan una alta tolerancia a fallos del sistema y proporcionan un alto grado de paralelismo en el procesamiento de datos. Esto posibilita la inserción de redes neuronales de bajo costo en sistemas existentes y recientemente desarrollados.

21 REDES NEURONALES Algunas aplicaciones de las Redes Neuronales Empresa:
- Evaluación de probabilidad de formaciones geológicas y petrolíferas. - Identificación de candidatos para posiciones específicas. - Explotación de bases de datos. - Optimización de cupos y horarios en líneas de vuelo. - Optimización del flujo del tránsito controlando convenientemente la temporización de los semáforos. - Reconocimiento de caracteres escritos. - Modelado de sistemas para automatización y control.

22 REDES NEURONALES Algunas aplicaciones de las Redes Neuronales
Finanzas: - Previsión de la evolución de los precios. - 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 procesos. - Inspección de la calidad.

23 REDES NEURONALES Algunas aplicaciones de las Redes Neuronales
Militares: - Clasificación de las señales de radar. - Creación de armas inteligentes. - Optimización del uso de recursos escasos. - Reconocimiento y seguimiento de tiro al blanco.

24 REDES NEURONALES Algunas aplicaciones de las Redes Neuronales
La mayoría de estas aplicaciones consisten en realizar un reconocimiento de patrones, como son: buscar un patrón en una serie de ejemplos, clasificar patrones, completar una señal a partir de valores parciales o reconstruir el patrón correcto partiendo de uno distorsionado. Sin embargo, está creciendo el uso de redes neuronales en distintos tipos de sistemas de

25 GRACIAS