Mariela N. Uhrig Julio R. Galli Hugo L. Rufiner Diego H. Milone

Presentación del tema: "Mariela N. Uhrig Julio R. Galli Hugo L. Rufiner Diego H. Milone"— Transcripción de la presentación:

1 Estimación del consumo en rumiantes en pastoreo utilizando redes neuronales artificiales
Mariela N. Uhrig Julio R. Galli Hugo L. Rufiner Diego H. Milone Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional 9º Congreso Argentino de Agroinformática 46º Jornadas Argentinas de Informática

2 Organización Introducción: Motivación Estado del arte Materiales y métodos Redes neuronales artificiales Datos Experimentos y resultados Conclusiones y trabajos futuros M. Uhrig (sinc(i) UNL-CICYTTP- CONICET) CAI – 46 JAIIO Septiembre /16

3 Motivación Proyecto Chewbiters
M. Uhrig (sinc(i) UNL-CICYTTP- CONICET) CAI – 46 JAIIO Septiembre /16

4 Objetivo Estado del arte
Estimar el consumo mediante un modelo de regresión no lineal utilizando redes neuronales artificiales. Estado del arte El sonido: caracterizar y cuantificar actividades, tipo de pasturas y cantidad total ingerida. Análisis acústico de la masticación: cuantificar comportamiento ingestivo. Disponer de una metodología precisa y económica es importante. M. Uhrig (sinc(i) UNL-CICYTTP- CONICET) CAI – 46 JAIIO Septiembre /16

5 Redes Neuronales Artificiales
Se aplicaron dos técnicas propias del aprendizaje maquinal: Perceptrón multicapa (MLP) Máquinas de aprendizaje extremo (ELM) Ambos actuando como modelos de regresión no lineales multivariada Entradas Salida M. Uhrig (sinc(i) UNL-CICYTTP- CONICET) CAI – 46 JAIIO Septiembre /16

6 Perceptrón Multicapa M. Uhrig (sinc(i) UNL-CICYTTP- CONICET) CAI – 46 JAIIO Septiembre /16

7 Máquinas de aprendizaje extremo
M. Uhrig (sinc(i) UNL-CICYTTP- CONICET) CAI – 46 JAIIO Septiembre /16

8 Datos Registradas en el Departamento de Ciencia Animal de la Universidad de California en Davis. Señales registradas y procesadas por Galli et. al (2011) que dieron origen a las 10 variables utilizadas en este trabajo. M. Uhrig (sinc(i) UNL-CICYTTP- CONICET) CAI – 46 JAIIO Septiembre /16

9 Variables utilizadas SPECIE
especie forrajera (alfalfa y pasto ovillo). HEIGHT alto y corto. VC intensidad de masticación. EC energía total de densidad de flujo de masticación. ECc energía de densidad de flujo de masticación por masticación. Et energía de densidad de flujo de masticación por unidad de tiempo de comida. VB Intensidad de arranque. EBb energía de densidad de flujo de arranque por arranque. ECb energía total de densidad de flujo de masticación por arranque. DMI materia seca consumida. M. Uhrig (sinc(i) UNL-CICYTTP- CONICET) CAI – 46 JAIIO Septiembre /16

10 Se crearon particiones 70/30 en dos etapas.
Experimentos Se crearon particiones 70/30 en dos etapas. Remuestreo Remuestreo M. Uhrig (sinc(i) UNL-CICYTTP- CONICET) CAI – 46 JAIIO Septiembre /16

11 Para cada partición de entrenamiento:
Experimentos Para cada partición de entrenamiento: MLP: se exploró la cantidad de neuronas (1, 3, 5, 10 y 11), la velocidad de aprendizaje (0.15, 0.30 y 0.60), el momento (0.15, 0.30 y 0.60) y el número de épocas (200 y 500). ELM: se exploró la cantidad de neuronas en 100, 500, 1000, 1500 y 2000. Evaluación del desempeño de cada prueba: La correlación (R2) El error cuadrático medio (RMSE). M. Uhrig (sinc(i) UNL-CICYTTP- CONICET) CAI – 46 JAIIO Septiembre /16

12 MLP ELM RNA R2 RMSE MLP (izquierda) 0,91 4,22 ELM (derecha) 0,92 3,65
Resultados MLP ELM RNA R2 RMSE MLP (izquierda) 0,91 4,22 ELM (derecha) 0,92 3,65 M. Uhrig (sinc(i) UNL-CICYTTP- CONICET) CAI – 46 JAIIO Septiembre /16

13 MLP ELM RNA R2 RMSE MLP (izquierda) 0,98 6,05 ELM (derecha) 0,92 3,65
Resultados MLP ELM RNA R2 RMSE MLP (izquierda) 0,98 6,05 ELM (derecha) 0,92 3,65 M. Uhrig (sinc(i) UNL-CICYTTP- CONICET) CAI – 46 JAIIO Septiembre /16

14 MLP ELM Galli et al. (2011) MLP ELM R2 0,96 1 RMSE 3,76 1,33 R2 RMSE
Datos originales MLP ELM MLP ELM R2 0,96 1 RMSE 3,76 1,33 Galli et al. (2011) R2 RMSE 0,92 4,1 M. Uhrig (sinc(i) UNL-CICYTTP- CONICET) CAI – 46 JAIIO Septiembre /16

15 Mejor desempeño Conclusiones
MLP: 5 neuronas, 0,15 velocidad de aprendizaje, 0,15 momento, y 200 épocas. ELM: 2000 neuronas. Conclusiones Es posible estimar el consumo con RNA. En general se observa que el MLP obtuvo mejores valores de desempeño que el ELM. Se proyectan trabajos futuros con vacas. M. Uhrig (sinc(i) UNL-CICYTTP- CONICET) CAI – 46 JAIIO Septiembre /16

16 ¡Muchas gracias por su atención!
Estimación del consumo en rumiantes en pastoreo utilizando redes neuronales artificiales ¡Muchas gracias por su atención! Mariela N. Uhrig Instituto de Investigación en Señales, Sistemas e Inteligencia Computacional