cenidet norma josefin… · d.g.i.t. s.e.i.t. s.e.p. centro nacional de investigacion y desarrollo...
TRANSCRIPT
D.G.I.T. S.E.I.T. S.E.P.
CENTRO NACIONAL DE INVESTIGACION Y DESARROLLO TECNOLQGICO
cenidet "DESARROLLO DE UN SISTEMA DIAGNOSTICADOR GENERAL DE SEÑALES GRAFICAS BASADO EN LA
TECNOLOGIA DE REDES NEURONALES" CENTRO DE
C E N f D C T 0 OGIq T E S I S
Que para obtener el Grado de MAESTRO EN CIENCIAS DE LA COMI'UTACION
P R E S E N T A NORMA JOSEFINA ONTIVEROS " D E Z
FGGF-1
CUERNAVACA, MOR. MARZO DE 1995.
45 Q T -I 4,' c
SISTEMA NACIONAL DE INSTITUTOS TECNOLOGICOS
Centro Nacional de Investigación y Desarrollo Tecnológico ACADEMIA DE LA MAESTRIA EN CIENCIAS
DE LA COMPUTACION
Cuernavaca Mor., a 20 de marzo de 1995
'k.
Dr. Juan Manuel Ricaño Castillo Director del CENIDET P r e s e n t e
' At'n: M.C. Luis García Gutiérrez Jefe del Dpto. de Computación
Nos es grato comunicarle, que conforme a los lineamientos establecidos paTa la obtención del grado de maestría de este centro, y después de haber sometido a revisión académica el trabajo de tesis titulado:
"Desarrollo de un Sistema Diagnosticador General de Señales Gráficas basado en la Tecnología de Redes Neuronales"
. . - , . . . . . . . . . . ~
que presenta la L.I. NORMA JOSEFINA ONTIVEROS HERNANDEZ, y habiendo '
cumplido con todas las correcciones que le fueron indicadas, estamos de acuerdo con su contenido, por lo que aprobamos que el trabajo sea presentado en examen oral.
c.c.p
Sin más por el momento, quedamos de usted.
A t e n t a m e n t e 9. E, P.
CENTRO NACIONAL DE IbIVESTIGACION
Y DESARROLLO TECNOLOGICO
Comisión de revisión de la tesis . .
DlRECClClN
/ / M.C. Joaqtiín Pérez Ortega Presidente de 1$ Academia /
Interior Internado Palinira SIN C.P. 62490 Apartado Postal 5-164, C.P. 62050, Cuernavaca Mor., México
Tels. (73) 18-77-41 y 12-76-13, F.W. 12-24-34
$&I’ SISTEMA NACIONAL DE INSTITUTOS TECNOLOGICOS
Centro Nacional de Investigación y Desarrollo Tecnológico DEPARTAMENTO DE CIENCIAS COMPUTACIONALES
Cuernavaca Mor., a 23 de marzo de 1995
Lic. Norma J. Ontiveros Hernández Candidata al grado de Maestro en Ciencias de la Computación P R E S E N T E
Después de haber revisado su expediente escolar, y considerando que cumple con los lineamientos establecidos en el reglamento académico para la obtención del grado de maestría de este centro, me es grato comunicarle que se le concede la autorización para que proceda con la impresión de su tesis. AI mismo tiempo, aprovecho para indicarle que, deberá acordar con los miembros del jurado la fecha y hora de presentación del examen respectivo.
Sin más por el momento, reciba mis felicitaciones por el término de su trabajo de tesis, deseandole éxito en el examen correspondiente.
C.C.P. M.C. Wilberth Alcocer R. Subdirección Académica C.C.P. Ing. David Chávez A. Dpto. de Servicios Escolares
Interior Internado Palmira S N C.P. 62490 Apartado Postal 5-164, C.P. 62050, Cuernavaca Mor., México cenide f l -
Teis. (73) 18-77-41 y 12-76-13, Fax. 12-24-34
RECONOCIMIENTOS
Al Instihrto Tecnolbgko de Durango, en especial al Ing. Jesús Arreola Soria, exdirector del mismo, por su entusiasmo y apoyo para realizar otra Maestría.
Al Instituto de Investigaciones Eléctricas, en especial al Departamento de Sistemas de Información, por todas Urs faciüdades proporcionadas.
Al Director de Tesis: M.C. Manuel Mejh Lavalle, por elapoyo incondicional proporcionado, en cada una de las fases, para la elaboración y culminacwn de la presente.
Al L.C. Miguel Pérez Ramírez, por sus atinados comentarios y participacibn durante el desarrollo de la presente.
Al M.C. Felipe de Jesús Alaníz Q u e d a , M.C. René Santaolaya Salgado, y M.C. José Torres Jiménez, quienes fingieron como revisores y jurados de la presente tesis, porque con sus diversos comentanos aportaron mágnificas ideas para el mejoramiento de la misma.
A todos mis Maestros, que de una u otra forma han sabido guiarme por el camino de la Superación Profesional.
I N D C Pig .
Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
Capitulo I: Fundamentos de las disciplinas del ConOcimientO involucradas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.1.- Inteligencia Artificial (IA) y Redes Neuronales Artificiales (RNA’s) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.1.1.- Modelos de una Neurona . . . . . . . . . . . . . . . . . . . . 12
. 1.1.2.- Arquitecturas de RN . . . . . . . . . . . . . . . . . . . . . . 18
1.1.1.1.- RNA’s vistas como Gráficas Dirigidas . . . . . . . . . . . . . . . . . . . . . . . 13
1.1.3.- Beneficios de las RNa’s . . . . . . . . . . . . . . . . . . . . 24 1.1.4.- Aprendizaje Supervisado . . . . . . . . . . . . . . . . . . . 27
1.2.- Paradigmas o Modelos de RNA’s SUPeW i d a s 27 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.1.- Red Hopfield . . . . . . . . . . . . . . . . . . . . . . . . . . 29 1.2.2.- Red Hamming . . . . . . . . . . . . . . . . . . . . . . . . . 30 1.2.3.- Red PHAF-I1 . . . . . . . . . . . . . . . . . . . . . . . . . . 32
1.3.- Qué es el reconocimiento de señales . . . . . . . . . . . . . . . . . . . 34
1.4.- Aplicación de RNA’s ai procesamiento de señales . . . . . . . . . . 34 1.4.1.- Aplicaciones a sistemas eléctricos de potencia . . . . . . . 35 1.4.2.- Aplicaciones en el IIE . . . . . . . . . . . . . . . . . . . 37
1.5.- Lenguaje de programación utilizado . . . . . . . . . . . . . . . . . . 38
1.5.1.- Paradigma de programación orientado a objetos . . . . . 39
indice
páp . Capítulo ik Definición del problema y desarrollo
del modelo W p . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40.
. . . . . . . . . . . . . . . . . . . . . . . . . II.1.- Definición del problema 41
45 II.2.- Análisis del problema . . . . . . . . . . . . . . . . . . . . . . . . . . II.3.- Modelo m a p . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
II.3.1.- Paso 1: Nivel de entrada . . . . . . . . . . . . . . . . . . . 51
. Rastreo por frecuencia y por amplitud . . . . . . . . . . . 51 II.3.2.- Paso 2: Nivel de transformación
II.3.3.- Paso 3: Nivel de interpolacidn . . . . . . . . . . . . . . . 54 ii.3.4.- Paso 4: Nivel de comparación
Cálculo del error con consideración de la bruma . . . . 57 II3.5.- Paso 5: Nivel de filtrado
dcu lo de factores de similitud . . . . . . . . . . . . . . . 58 II.3.6.- Paso 6: Nivel de salida . . . . . . . . . . . . . . . . . . . . 60
II.3.6.1.- Obtención de los errores o diferencias encontradas entre todos y cada uno de los bloques de la gráfica a reconocer y ia(s) gráfica@ patr6n . . . . . . . . . . . . . . 60
ií.3.6.2.- Reporte del tiempo de procesamiento . . . . . 61 II.3.6.3.- Emisión de diagnóstico ylo acción
correctiva . . . . . . . . . . . . . . . . . . . . . . 61
II.4.- Arquitectura del modelo RNMap . . . . . . . . . . . . . . . . . . . 61
II.5.- Algoritmo de la red RNMap . . . . . . . . . . . . . . . . . . . . . . 63
Capitulo IIk Desarrollo del sistema SISREC . . . . . . . . . . . . . . . . . . . . . . . . . 67
iii.l.- Modelo conceptual del sistema ..................... 68
iii.l.1.- Clases y sus métodos . . . . . . . . . . . . . . . . . . . . . 69
ii
Indice
Pág.
iii.2,- &.talles de la implementación de los módulos que conforman al paradigma: RNMap. . . . . . . . . . . . . . .
(rastreo por frecuencia y por amplitud) . . . . . . . . . iii.2.2.- Interpelación . . . . . . . . . . . . . . . . . . . . . . . . . 3 5
consideración de la bruma). . . . . . . . . . . . . . . . . .76
73,
m.2.1.- Transformación 74
m.2.3.- Comparación (cálculo del error con
m.2.4.- Filtrado (cálculo de factores de similitud) . . . . . . . . 78
m.3.- Dekripción y algunos detalles de la impiementación de los Módulos que conforman ai Sistema: SEREC. . . . . . . 79
79 iii.3.1.- GMica a rmnocer . . . . . . . . . . . . . . . . . . . . . iii.3.2.- Gráficas patrón . . . . . . . . . . . . . . . . . . . . . . . . 79
79 iii.3.3.- Diagnósticos. . . . . . . . . . . . . . . . . . . . . . . . . . m.3.4.- interfaz con el usuario. . . . . . . . . . . . . . . . . . . .80 iii.3.5.- Generador de gráficas . . . . . . . . . . . . . . . . . . . . 80 iii.3.6.- Datos a procesar. . . . . . . . . . . . . . . . . . . . . . . . 81 iii.3.7.- Proceso de suavización. . . . . . . . . . . . . . . . . . . . 81 m.3.8.- Detección del inicio y número de picos de
la gráfica patr6n . . . . . . . . . . . . . . . . . . . . . . . .83 m.3.9.- Detección del inicio y número de picos de
la gráfica a reconocer . . . . . . . . . . . . . . . . . . . 84 m.3.10.- Detección de un bloque en la gráfica a
reconocer. . . . . . . . . . . . . . . . . . . . . . . . . . . 84 m.3.11.- Resultados a detalle . . . . . . . . . . . . . . . . . . . . .86 m.3.12.- Resultados finales . . . . . . . . . . . . . . . . . . . . . . 86 m.3.13.- Diagnosticador . . . . . . . . . . . . . . . . . . . . . . . .86 iii.3.14.- Cálculo del tiempo de respuesta. . . . . . . . . . . . . . 86
m.4.- Principal problema encontrado durante la implernen- taci6n de la solución propuesta y, la manera en la que resuelve. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .87
iii.5.- Recursos de implementación. . . . . . . . . . . . . . . . . . . . . . 88
m.5.1.- Características de "Hardware". . . . . . . . . . . . . . . 88
... 111
Indice
iii.5.2.- Caractedsticas de "Software" bajo el 88' cual se desarrolló el sistema. . . . . . . . . . . . . . . .
Capítulo iV: Pruebas de funcionalidad del sistema SISREC . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
90
98
y resultados obtenidos
N.l.- Pruebas específicas . . . . . . . . . . . . . . . . . . . . . . . . . . . iV.2.- Ejemplo del funcionamiento del sistema. . . . . . . . . . . . . . .
Capítulo V: Conclusiones y trabajo futuro. . . . . . . . . . . . . . . . . . . . . . 105
V.1.- Metas logradas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .lo6
V.2.- Conclusiones finales . . . . . . . . . . . . . . . . . . . . . . . 107
V.3.- Sugerencias para trabajos futuros. . . . . . . . . . . . . . . . . . . . 109
Referencias. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
Apéndice A: Procedimientos de pruebas de aceptación. . . . . . . . . . . . . . . . . . . 114
Apéndice B Parte del C6digo empleado para la implementación del sistema SISREC. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .132
iv
INDICE DE FIGURAS No. de Figura Título pag.
13
14
I. 1
1.2
Modelo No Lineal de una Neurona. . . . . . . . . . . . . . . . . . . . . . Ovos Dos Modelos No Lineales de una Neurona. . . . . . . . . . . . . .
1.3 Reglas Basicas para la Construcción de G f i c a s de Flujo de Señales. . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Gráfica de Flujo de Señales de una Neurona. . . . . . . . . . . . . . . . . 16 1.4
1.5
1.6
1.7
1.8
1.9
I. 10
1.11
I. 12
I. 13
I. 14
I. 15
II. 1
Gráfica de la Arquitectura de una Neurona. . . . . . . . . . . . . . . . . . 17
Red de Alimentación hacia Adelante con una Capa Simple de Neuronas. . . . . . . . . . . . . . . . . . . . . . . . . . . Red de Alimentación hacia Adelante Conectada Comple- tamente con una Capa Escondida y una Capa de Salida . . . . . . . . . . 20
Red de Alimentación hacia Adelante Conectada Parcialmente. . . . . . . 20
Red Recurrente Sin Ciclos de Alimentación hacia Atrás a Sí Misma y Sin Neuronas Escondidas. . . . . . . . . . . . . . . . . . . . . 22
Red Recurrente con Neuronas Escondidas . . . . . . . . . . . . . . . . . . 22
19
(a) Enrejado de Una Dimensión de 3 Neuronas. @) Enrejado de Dos Dimensiones de 3 X 3 Neuronas. . . . . . . . . . . . . . . . . . . 23
Una taxonomfa de seis RNA’s que pueden ser usadas a m o 29 Clasificadores. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Arquitectura de la Red Hopfield. . . . . . . . . . . . . . . . . . . . . . . . 30
Arquitectura de la Red Hamming . . . . . . . . . . . . . . . . . . . . . . . 31
Arquitectura de la Red PHAF-iI . . . . . . . . . . . . . . . . . . . . . . . .33
Dos Ejemplos de Señales que indican Anomalías. . . . . . . . . . . . . . 41
V
No . de Wra TCtuIo pag . 42’
Comparación entre una Gráfica sin Ruido y otra Con Ruido . . . . . . . 42
II.2
II.3
II.4
II.5
11.6
Gráfica Resultado de algún ProCesO . . . . . . . . . . . . . . . . . . . . . .
Rastreo por Frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
Rastreo por Amplitud . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
Margen de Ruido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44 Comparación entre una Gráfica sin Ruido y otra con Pequeño
11.7 Gráficas Patrón y Gráfica a Reconocer . . . . . . . . . . . . . . . . . . . . 47
II.8 Ilustración de los Picos en una Gráfica . . . . . . . . . . . . . . . . . . . . 49
11.9 Muestra de todos los bloques del mismo inicio y número de Picos que la gráfica patrón . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
11 . 10 Proceso de Transformación . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
11.11 Proceso de ~nterpolación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
11.12 Arquitectura de la Red RNMap . . . . . . . . . . . . . . . . . . . . . . . . 62
111 . 1 Modelo Conceptual del Sistema SISREC . . . . . . . . . . . . . . . . . . 70
111.2 Representación gráfica de la Herencia entre Ias Clases Implementadas en el Sistema . . . . . . . . . . . . . . . . . . . . . . . . . . 74
Aplicación de Bruma a la Gráfica . . . . . . . . . . . . . . . . . . . . . . . 77
Proceso de Suavización . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
Visualización de PATRONO1 . DAT . . . . . . . . . . . . . . . . . . . . . . 99
111.3
III.4
N.1
IV.2 Viasualización de Gráfica con Errores Mfnimos . . . . . . . . . . . . . . 101
IV.3 Visualización de Errores Mínimos . . . . . . . . . . . . . . . . . . . . . . . 102
vi
TABLADEACRONIMOS - - - -
Número de datos de la Gráfica Patrón.
Número de datos de la Gráfica a Reconocer.
dP
dr
FCG - - Factor de Certeza Global.
FCL - Factor de Certeza Local. -
FEX
FEY
GP
GR
iP
ir
PHAF
PP
Pr
RNA
RNA’s
RNMap
SISREC
VLSI
Factor de Escala para el eje de las X’S.
Factor de Escala para el eje de las Y’s.
Gráfica Patrón.
Gráfica a Reconocer.
Tipo de inicio de la Gi%fica Patrón.
Tipo de inicio de la Gráfica a Reconocer.
Paradigma neuronal basado en el modelo Hamming que maneja factores de certeza.
Número de picos de la Gráfica Patrón.
Número de picos de la Gráfica a Reconocer.
Red Neuronal Artificial.
Redes Neuronales Artificiales.
Red Neuronal basada en el Mapeo de datos.
Sistema Reconocedor.
Very-Large-Scale Integrated.
vii
Introducción
ANTECEDENTES.
En el Instituto de Investigaciones Eléctricas se está haciendo investigación en tomo al reconocimiento de señales gráfcas utilizando una de las &nias de Inteligencia Artificial: Redes Neuronales (RN).
Quizás más que cualquier otra publicación, el artículo de 1982 de Hopfield y el libro de dos volúmenes de 1986 de Rumelhart y McLelland fueron las publicaciones que más influyeron en el resurgimiento del interés por el campo de RNA's en los años 1980's. Las RN se han establecido a sí mismas como un tema interdisciplinario con profundas m'ces en la neurociencia, filosofía, matemáticas, la ciencia física y la ingeni,ena. Estas continuarán creciendo en teoría, diseño, y aplicaciones, [Haygo]. Las RN han probando ser una tecnología viable, pero no son una panacea sino otras técnicas de computación. Actualmente, varios productos recientes han probado que en aplicaciones comerciales las RN son una posibilidad real, [Cur92], más adelante se mencionan algunos ejemplos.
El reconocimiento automático de señales gráficas ha sido un problema difícil de resolver debido a que las señales generalmente se registran con ruido o con variaciones suficientemente importantes como para que su reconocimiento sea difícil, aún para el especialista.
En la actualidad, muchos especialistas tienen que dedicar gran parte de su tiempo a la actividad de "interpretar" señales gráficas que indican el comportamiento de X proceso y poder así emitir algún diagnóstico sobre el mismo.
1
Introducción
La tarea de "interpretación" de señales gdficas tiene la característica de ser rutinaria por lo que es deseable llevarla acabo en forma automática, y asf aligerar un poco la sobrecarga que seguramente tiene el especialis@.
Según Wej92A1, dicha automatización traería enormes ventajas como las qué se mencionan a continuación:
Estandarización en los diagnósticos, Rapidez en la detección oportuna de anormalidades en el proceso, Liberación de personal altamente calificado de actividades repetitivas y Posibilidad de no perder el conocimiento experto en reconocimiento de señales sino al contrario, irlo enriqueciendo con el tiempo.
La clasificación e interpretación de señales han probado ser áreas fértiles para aplicaciones de Redes Neuronales Artificiales (RNA's).
Por ejemplo, [GorSS] ha usado exitosamente redes incrementales de multicapa para discriminar con gran precisión entre señales de sonar de una mina y de una roca formada similarmente.
En el área de clasificación de señales médicas, [Boo881 demostró que las RNA's pueden actuar tan bien como expertos humanos entrenados en la detección de ciertos módulos en datos radiológicos.
[Lap87l, demostró el uso de RNA's para predecir puntos en series de tiempo altamente caóticas.
Bam911, presenta un método, utilizando RNA's, para dar solución al problema de la ubicación de fallas en sistemas eléctricos de potencia basado en el estado de interruptores. En este trabajo, se analiza el comportamiento del algoritmo de retropropagación del error dando varios valores diferentes a las variables que afectan su proceso de aprendizaje, determinando así, los mejores valores de los paidmetros de la RN, para el problema propuesto.
[Cur92], considera que muchas aplicaciones que usan RN basadas en "chips" han empezado a ser desarrolladas en productos comerciales. Por ejemplo, Synaptics ha desarrollado una de las más inovadora implementación de RN para el reconocimiento de caracteres ópticos (OCR), considerado como una promesa del área de RN. Otras aplicaciones comerciales recientes de las RN incluyen: procesos de comprensión, sistema de captura de datos y depósito, sistemas de metas en mercadotecnia, sistema de detección de fraude de tarjetas de crédito, etc.
Las RN han tenido, básicamente cinco etapas en la evolución de su tecnología, [Cur92]:
2
Introducción
A) Desarrollo de productos de RN.- Herramientas y medio ambiente consmir Y operar aplicaciones.
5) ~ ~ ~ ~ i ~ ~ t a ~ ~fbri&s de Sistemas Expertos y RN.- Hemmientas que reconocimiento de basados en reglas.
c) prductos de Dominio Especifico.- Herramientas para desarrollar aplicaciones para dominios específicos, tales como control de procesos, anáiisis químico, "minas de b a s de datos" y sistemas de visión para la inspección de PmdUCtOS.
D) productos Disponibles en el Mercado.- Aplicaciones para Venta usando la wnob$a de RN para reconocimiento de caracteres escritos a mano, reconocimiento de caracteres ópticos, detección de fraude, pronssticos de la demanda de lugares en una línea aérea, escritorios de ayudas, procesamiento hipotecario y control de procesos); y
y las capacidades de clasificación de las RN con sistemas exgms
E) RN en "Chips".- "Chips" y herramientas para crear algoritmos de RN basados en silicón y plataformas de cómputo para productos comerciales, aplicaciones de visión y computadoras de alta velocidad masivamente paralelas.
Pero en sí, de acuerdo con estos autores, no existe específicamente un trabajo que trate de la utilización de RNA's partiendo de señales gráficas para emitir diagnósticos.
En general, el tratamiento que se le ha venido dando al problema tiene el inconveniente de ser ineficiente en tiempo y pobre en porcentaje de reconocimientos acertados, una de las soluciones que se le ha dado al problema es la adquisición de equipo para reconocimiento de señales, pero dichos equipos son sumamente costosos, por lo que sólo se justifica en pocos casos, no pudiendo así representar una buena opción para la solución de este problema.
Así, como una de las respuestas a esa necesidad, surge el planteamiento del tema de tesis siguiente: "Reconocimiento de Señales Gráficas basado en la Tecnología de Redes Neuronales".
Dado que no se cuenta con recursos disponibles, se desea la utilización de la PC, bajo el sistema operativo MS-DOS, para inscursionar haciendo una simulación del comportamiento de una RN ante el reconocimiento de señales gráficas y emisión de diagnósticos, Y comprobar Si este Puede ser un buen método de reconocimiento (en función del tiempo de respuesta confiabilidad). Este trabajo es el pionero de una serie de trabajos futuros relacionados con la utilización de la PC para llevar a cabo el reconocimiento de señales basándose en la tecnología de RNA's.
para efectuar el reconocimiento de señales primeramente se pensó en seleccionar uno de los paradkmas Ya existentes, por 10 que se procedió al estudio de algunos de 10s paradigms
3
Introduccidn
clásicos en el reconocimiento de patrones, tales como Hopfield y Hamming, además del modelo PHAF (paradigma neuronal basado en el modelo Hamming que maneja factores de certeza). Pero como el resultado de dicho estudio fue que ninguno de ellos se presta exactamente para llevar a cabo el reconocimiento de las señales gráficas como se desea (ver capítulo n, q i ó n II.2., pág.45), surge la idea de crear un nuevo paradigma, lleghdose a lo que es m P (Red Neuronal basada en el M a p de datos), cuyo funcionamiento se describe detalladamente en el capítulo ii (sección II.3., & 48).
El diseño de la red RNMap lleva implícito la consideración de algunas estrategias para el ahorro de tiempo de respuesta.
Para implementar el funcionamiento de RNMap se elaboró el sistema SISREC (SIStema =Conocedor), bajo el sistema operativo MS-DOS y utilizando el lenguaje de programación Turbo C+ + versión 3.0, el cual se encarga de efectuar un reconocimiento de señales gráficas utilizando para ello la filosofía de Redes Neuronales encerrada dentro del paradigma neuronal: m p , aportación original del presente tema de tesis.
OBJETIVO.
Dadas las limitaciones de equipo con que se cuenta, surge la idea de desarrollar un programa de aplicación general usando una RNA que permita resolver el problema del reconocimiento de señales gráficas. Una vez efectuado dicho reconocimiento, el sistema emitirá un diagnóstico de si lo que se está presentando cae dentro de lo normal 6 si está sucediendo alguna anormalidad que haga que se tengan que tomar ciertas medidas ylo decisioges.
haga de los paradigmas que más se presten para el reconocimiento de señales gráficas. El paradigma de RNA ha utilizarse dependerá de los resultados de la evaluación que se
Así pues, el presente tema de tesis, tiene como objetivo el desarrollo de on sistema computarizado que permita, mediante la simulación del comportamiento de una RN, reconocer señales gráficas, sobre cualquier área, provenientes de un equipo de medición, con el fin de establecer diagnósticos automáticos. De este modo se podrán proporcionar respuestas rápidas, confiables y normalizadas a los usuarios de tal sistema.
REQ-OS DEL PROBLEMA COMPUTACIONAL.
AI finalizar la elaboración del presente tema de tesis, se contará con un sistema cornputacional que satisfaga, como mínimo, los siguientes puntos:
4
Introducción
m
Un sistema elaborado con el lenguaje de programación c+ +.
sistema será capaz de aprender y reconocer señales gráficas.
A partir del andisis de las señales gráficas el sistema podrá emitir diagnósticos de la forma:
Del tiempo to al t l existe una señal que tiene un parecido del X% al patrón del ejemplo No. Y, por lo que el diagnóstico es Z (No. de neurona de salida que a su vez puede tener asociada una descripción de diagnóstico).
El tiempo de respuesta será en el rango de los minutos
Se aceptará &rededor de un 10% de error en el Diagnóstico emitido.
Todos estos puntos encierran algunos de los requerimientos básicos generales que se deben de considerar para la elaboración de un sistema completo que simule la tecnología de RNA’s para que se lleve a cabo el reconocimiento de señales gráficas y se emita un diagnóstico de la situación y en base a los resultados obtenidos puedan surgir nuevas ideas para desarrollar futuros proyectos.
APORTACIONES DE LA TESIS.
rn La aportación más importante del presente proyecto, la constituye su característica de generalidad lo cual significa que el sistema a desarrollar se podrá aplicar en cualquier proceso en donde se tenga un esquema similar. Se contará con una herramienta de apoyo para hacer diagnósticos a partir de señales gráficas, dentro de áreas tales como: medicina, industria, geología, et&tera. Así, el reconocimiento de señales gráficas sería de gran utilidad a la Comisión Federal de Electricidad, para realizar todas aquellas tareas que involucren el reconocimiento de señales gráficas ya que liberarían a los expertos de tareas rutinarias y se logm’a un ahorro considerable de tiempo, [Ger84].
El mismo uso de RNA’s constituye otra de las aportaciones en el desarrollo de este proyecto, ya que esto constituye una opción para el desarrollo de un sistema diagnosticador eficiente tanto en USO de la tecnología más actual, como en tiempo de respuesta. . Finalmente, con este trabajo se aporta la creación del modelo RNMap, cuyo funcionamiento, de acuerdo a la serie de pruebas realizadas, se considera rápido y confiable.
5
Introducción
DESCRIPCION DEL C O W DE LA TESIS.
son cinco los capítulos que conforman el presente trabajo de tesis, Y a continuacióP se
En el capftulo I, denominado: Fundamentos & laS Discipliw del Conocimiento Invo[u-&, se hace la especificación de teoría relevante al Presente tema de tesis. se abordan temas tales como: Inteligencia Artificial (IA) y Redes Neuronales Artificiales (RNA's), en donde se define a la IA y lo que es una RN, 10s modelos de una Neurona, en donde se mencionan 10s elementos básicos que la conforman, las RNA's vistas como gráficas dirigidas, en donde se especifica cómo hacer la representación de una RN mediante una gráfica diigida, las arquitecturas de RN, en,donde se exponen cuatro grandes clasificaciones de arquitecturas de RN, los beneficios de las RNA's, lo que es el aprendizaje supervisado, los paradigmas 0 modelos supervisados estudiados, lo que es el Reconocimiento de Señales y, por Último, SU aplicación al procesamiento de &ales.
hace una breve descripción del contenido de todos y cada uno de elloS.
En el capítulo 11, denominado: Dejinicibn del Problema y Desarrollo del Modelo RNMap, se define, tanto de manera descriptiva como de manera gráfica, el problema que se va a solucionar. Además, se lleva a cabo el análisis del problema, dentro del cuál se hace la discriminación del uso de los paradigmas ya estudiados y se presentan las bases del nuevo modelo de RNA, elaborado específicamente para el problema que se tiene, y el cuál es nombrado RNMap, así como su topología o arquitectura que comprende los siguientes pasos:
Paso 1: Nivel de Entrada. Paso 2: Nivel de Transformación: rastreo por frecuencia y por amplitud. Paso 3: Nivel de Interpolación. Paso 4: Nivel de Comparación (cálculo del error con consideración de la bruma). Paso 5: Nivel de Filtrado (cálculo de factores de similitud). Paso 6: Nivel de Salida.
Por último, se incluye lo que es el algoritmo de dicho modelo.
El capítulo 111, denominado: Desarrollo de¿ SISREC, incluye las especificaciones de la implementación de la solución propuesta en el presente tema de tesis. Aquí se propone un modelo conceptual del sistema, haciendo mención a las clases implementadas así como a algunos de sus métodos. Además se especifican los detalles de la implementación de los módulos que conforman al paradigma RNMap así como la especificación de la descripción y algunos de los detalles de la implementación de los Módulos que conforman a SISREC. Y, debido a la relevancia que tiene, se describe el principal problema encontrado al estar implementando la solución propuesta, así como la manera en la que se resolvió. Y, como último punto, se mencionan las características de "hardware" y "software" involucradas en su desarrollo.
6
Introducci6n
sistema srsREc y ~ ~ ~ ~ b & ~ obtenidos, se incluyen los requerimientos condensados del Programa de computadora
así mmo 10s planes de prueba que se llevaron a cabo para proba la eficiencia de1 sistema de@e de los darns con los que se experimentó, así como los resuitados obtenidos Y la intevremión de los mismos.
y, por último, en el capítulo V, nombrado: Concluriones y Trabajo m m , es donde se retoma la espificación del tema de tesis para hacer énfasis en las metas log-, se espif ia la serie de conclusiones a las que de llegaron con el trabajo desarrollado Y se dan algunas sugerencias para proyectos futuros.
el capítulo IV, denominado: Prueba de Funcionalidad
En dicho capitulo se remite d aphdice A en donde se incluye
Despub se incluye una lista con la descripción detallada de las referencias.
Son dos los apéndices incluidos en la redacción de la presente tesis. En el A#ndice A, se muestran los resultados obtenidos de las pruebas planteadas en el capítulo IV. Mientras que, en el segundo de ellos, Apéndice B, se muestra parte del código empleado para la implementación de SEREC; primeramente, se muestra la declaración de los arreglos globales y después se da un ejemplo de la declaración de dichos arreglos en los programas RECUPERA.CPP y RECONOCE.CPP, además, se muestran las clases definidas en RECUPERAHPP, RECONOCE.HPP, PORTADA.HPP y en MOUSE.HPP y, asimismo, se listan algunos de los métodos implementados, como lo son: método que controla a SISREC, método que pide el nombre de la gráfica a visualizar, método que coloca la PC en modo g&ico, método para cambiar a modo gráfico, método que saca a la PC del modo gráfico, método que calcula el máximo y el mínimo de un arreglo, método que checa la existencia del archivo especificado, método que lee los datos de un archivo, método que calcula los valores mapeados de X y Y, método que traza el eje de las X's, método que traza el eje de las Y's, método para poner título a la grrüica a visualizar en mayúsculas, método que traza una gráfica, método que guarda en un archivo los bloques donde se encuentren los errores mínimos, método que efectúa el proceso de suavizacion, método que aplica la fórmula de Intepiación: Y = m(valor - Xi) + Y], método que controla el proceso de la inteplación, método que lee una cadena hasta encontrar RETURN o ESC, método para llevar a cabo el procesamiento de los patrones, método para hacer un cuadro con mensaje, mktodo que controla el mouse, método para la impiementacion de la portada y menú principal, método constructor de la clase portada, método Para verificar la existencia del mouse, método que muestra el cursor del mouse, método que Oculta el cursor del mouse, ~étodo que Coloca el cursor del mouse en la posición mx, my.
7
Capítulo I Fundamentos de las disciplinas del conocimiento involucradas
Ei objetivo básico del presente capítuio es establecer las áreas de conocimiento involucradas en el presente tema de tesis. Pam ello se abarca como primer punto la relación entre el campo de la Inteligencia Artificial OA) y las RNA’s, los modelos de una neurona en donde se indican los elementos que conforman a cada uno de sus nodos así como la concepción de RNA’s vistas como gráficas dirigidas, las arquitecturas de red y los beneficios de las RNA’s y, dado que la creación de la red que se usa comprende un tipo de aprendizaje del tipo supervisado, se contempla, dentro de este primer punto, un inciso en donde se especifica a que se refiere dicho tipo de aprendizaje.
Después de la revisión de numerosa bibliografía, se encontró que el artículo intrcductorio de Lippmann (1983, referente a la computación con RNA’s ha sido uno de los que más han tenido auge debido a la sencillez y completitud con que son manejados los diferentes conceptos, por lo que, se mencionan, como segundo punto, los paradigmas o modelos de RNA’s, de
8
Ca~ihilo I: Fundamentos de las disciplinar del conocimiento involucradas
acuerdo a este autor, y se especifica, brevemente, cómo trabajan algunas de las RNA’s.
Por otra parte, ya que el presente tema de tesis surge de la necesidad de reaiizar diagnósticos basándose en señales que indican el comportamiento de algún proceso, se abarca, como tercer punto, lo referente al reconocimiento de señales. Y, como cuarto punto, se abarca lo que es la aplicación de RNA’s al procesamiento de señales, haciéndose énfasis en SUS aplicaciones dentro del Sector eléctrico.
Y, se concluye con el quinto punto referente al lenguaje de programación utilizado para la implementación del paradigma de RNA’s, propuesto dentro de esta tesis, así como del paradigma de programación orientado a objetos.
1.1.- L4 Y RNA’s.
La IA es la solución de problemas complejos con el apoyo del computador mediante la aplicación de procesos que son anáiogos al proceso de razonamiento humano, [R0190].
El fin de la IA es el desarrollo de paradigmas o algoritmos que requieren de máquinas para ejecutar tareas que aparentemente requieren conocimiento cuando son ejecutados por los humanos, piay941.
Un sistema de IA debe ser capaz de hacer tres cosas, [Hay94]:
1) almacenar conocimiento;
2) aplicar el conocimiento almacenado para resolver problemas; y,
3) adquirir nuevo conocimiento a través de experiencia.
Una de las áreas más recientes de la IA la constituye el campo de RNA’s.
Una neurona es una unidad de procesamiento de información que es fundamental para
[Ale89], define la computación neuronal como sigue: “Es el estudio de redes celulares que tienen una predisposición natural para almacenar conocimiento en base a experiencia. Tales sistemas están inspirados en el cerebro en el sentido de que el conocimiento se adquiere a través de entrenamiento, en lugar de programación; y es retenido mediante cambios en funciones nodales. El conocimiento toma la forma de estados (de activación) o ciclos de estados en la
la operación de una RN, [Hay94].
9
caD(~lo 1 Fundaentos de las discidinas del COnociiniento involucrndas
de la red. Una p r o p i d centrai de tales redes es SU capacidad asumir esos estados 0 ciclos, en respuesta a la presentación de estímulos".
En la definición antefior, el termino 'conocimiento' involucra a las entradas de 'a. red junto con el patrón de conexiones, y se refleja en los estados de activación de los Podemos pen= que el conocimiento de la red reside en las conexiones Y ese conocimiento aplicado a las en- (estímulos), es decir las inferencias, Wionan 10s estados de activación de los nodos.
De una manera general, una RNA es una estructura basada en un sistema de nodos idealizado, (sistema nervioso biológico) interconatadas y separadas, casi siempre en tres c a p : la capa de entrada, la de salida y la oculta, [Qui92]. La habilidad de las RNA's depende de la manera en que la red está estructurada y del poder de las conexiones entre neuronas, las cuales, son modificadas por el pro'ceso de aprendizaje.
Una RNA, según [Qui92],"Es una estructura computacional conformada por muchos elementos de procesamiento densamente interconectados llamados nodos. Los nodos están agrupados en capas, normalmente tres o cuatro. La complejidad, comportamiento y capacidad de un sistema de redes neuronales artificiales dependen básicamente de a) la topología o arquitectura de la red (número de nodos, número de capas y la forma de interconectarlos); b) la función de transferencia (que determina el procesamiento ejecutado por cada nodo), y c) el algoritmo de aprendizaje. Estas características determinan el tipo de red con que se cuenta".
Aunque hace ya algunos años se encuentran en el mercado programas simuladores de RNA's para computadoras personales y además existen tarjetas de "hardware" que asignan la simulación de las redes y se están desarrollando circuitos analógicos integrados de silicio y circuitos integrados con tecnología óptica y, a pesar de la construcción de algunas neurocomputadoras, 14 tipos en el período de 1960-1988, de las cuales ocho han sido comerciales, la mayor parte de las RNA's han sido implementadas por el propio investigador en computadoras ordinarias.
Las RNA's no son programadas para resolver algún problema específico, en vez de esto, aprenden a resolver problemas generales, mediante un entrenamiento previo. Las RNA's son kieales Para tareas de mmleza paralela, es decir, tareas en donde se procesen datos en bases globales, considerando "todos a la vez". Las RNA's están inspiradas en la forma en que, se Cree, funciona el cerebro, en contraposición con el modelo secuencial convencional que considera ~610 pequeñas porciones a un tiempo.
Las RNA's se están aplicando básicamente para resolver problemas de clasificación
El conocimiento de la operación de las RNA's es un camino posible hacia la máquina
(diagn6stico), predicción @ronóstico) y reconocimiento (visión), Mej92Bl.
10
Ca~lhilo I: Fundamentos de las disciDlinas del conocimiento involucradas
capaz de pensar, objetivo óptimo de la IA.
Pam poder utilizar una RNA se requieren realizar dos etapas. La pnmera de ellas se con- como: etwa de entrenamiento 6 etajm de aprendiuye y la segunda fase 6 etapa es nombrada indistintamente, por distintos autores, como: etapa de prudwcidn, etqÚ de adotación, etapa defincionOmiento. 6 etapa a¿? reconocimiento, [Qui92]. A continuación se detalla cada una de es-a fases.
La etapa de entrenamiento 6 aprendizaje consiste en que cuando la informaci6n, agrupada en casos o patrones de ejemplos, fluye en forma paralela de la entrada de la red a su salida a través de los nodos 6 NA's, se logra un aprendizaje de clasificación de los datos que se alimentaron a la red, así pues, el aprendizaje de una red esta controlado por la llamada regla de aprendizaje, la cual permite que la red vaya adaptándose 6 aprendiendo modificando el peso de alguna o todas las conexiones de la red para llegar a las respuestas deseadas. Existen varios tipos de aprendizaje: supervisado, no supervisado, aleatorio, por grados, etcétera, y todos ellos tienen un objetivo común: el hecho de tratar de ajustar los pesos de cada interconexión para que se produzca una respuesta cercana a la respuesta deseada, [Qui92].
La etapa de reconocimierUo 6 segunda fase consiste en que la RNA ya entrenada, acepta patrones que no formaron parte del conjunto de entrenamiento, y los clasifica de acuerdo al entrenamiento previo. En esta etapa, por lo general, los pesos de interconexión neuronal no se modifican.
Durante esta segunda fase, la red puede producir la respuesta comportándose como cualquiera de los dos tipos siguientes: como una red tipo "feed-forward" (alimentación hacia adelante) 6 como una red tipo "feed-back" (alimentación hacia atrás).
El tipo de redes más común y sencillo es la red tipo "feed-forward". Aquí la red puede producir la respuesta en un solo ciclo, ya que las señales van siempre en dirección de la entrada a la salida.
Las redes tipo "feed-back" son configuradas para que algunas interconexiones vayan a capas antenores o a la misma capa; las señales avanzan cíclicamente hasta que algún criterio de convergencia específico se cumpla para poder dar la respuesta. En éste tipo de redes el período de aprendizaje es mayor; efectúan más cálculos por respuesta, pero permiten realizar ventajosamente algunas operaciones.
Básicamente, los programas usados en el campo de la computación pueden ser de dos
Los programas algodrmicos están constituidos por procedimientos secuenciales que van indicando todos y cada uno de los pasos a seguir, de ahí que la mayor parte de los programas
tipos: algorítmico y no algoritmico.
11
caofhilo I: Fuedmentos de 1% disciplinas del conocimiento involucradas
usados en el campo de computación sean de este tipo.
El caso de los programas de RNA se dice que son no algodmiicos, pues estan constituidos por información que fluye paralelamente de la entrada de la red a su salida a trav6 de un gran número de elementos de procesamiento interconectados, llamados nodos, sufrikndo un proceso de clasificación.
Básicamente se siguen dos tendencias para la implementación de una RNA, [Arb89]:
a) La construcción de simuladores a nivel de "software", de neurona especializadas (en Estados Unidos está surgiendo un verdadero mercado de estos simuladores, implementados ya sea en computadoras personales o estaciones de trabajo, los cuáles están provistos de instrucciones especializad? que permiten efectuar algunas operaciones a gran velocidad) y
b) La creación de verdaderas RNA's (se empiezan a tener "chips" de unos millones de neuronas construidas, dado el avance del "hardware", con circuitos electrónicos 6 tarjetas aceleradoras, los cuales implementan una determinada red y funcionan en coordinación con computadoras convencionales).
1.1.1.- MODELOS DE UNA NEURONA.
De acuerdo con [Hay94], la figura I. 1 muestra el modelo de una neurona.
En dicha figura se identifican tres elementos básicos, que son:
1. Un conjunto de sinapsis o conexiones enlazadas, cada una de las cuales esta caracterizada por un peso o fuerza propia. Específicamente, una señal xJ como la entrada de la sinapsis j conectada a la neurona k es multiplicada por el peso sináptico Wkj (en donde, el primer subíndice se refiere a la neurona en cuestión y el segundo subíndice se refiere a la entrada final de la sinapsis a la cual el peso se refiere). El peso W, es positivo si la sinapsis asociada es excitatoria; y es negativo si la sinapsis es inhibitoria.
2. Un sumatoria para acumular las seiiales de entrada, pesadas por la respectiva sinapsis de la neurona; las operaciones descritas aqut constituyen una combinación lineal.
Una función de activación para limitar la amplitud de la salida de la neurona. La función de activación es también llamada función de encajonamiento en el sentido
3.
Capítulo I: Fundamentos de las disciplinas del conocimiento involucradas
de que limita el rango de amplitud permisible de la selial de salida a algún valor finito. Típicamente, el rango de amplitud normalizada de la salida de una neurona se escribe como [O, 11 o alternativamente [-l,l].
I
Fig. I.1: Modelo No Lineal de una Neurona. @mado en la Fig. 1.4 de Haykin. 1994).
El modelo de la neurona de la figura 1.1 también incluye un umbral aplicado externamente U, que tiene el efecto de minimizar la entrada de la red de la función de activación. Aunque también, la entrada de la red de la función de activación puede ser incrementada empleando el término de tendencia; la tendencia es el negativo del umbral.
En la figura 1.2 se muestran otros dos ejemplos de mcdelos no lineales de una neurona.
1.1.1.1.- RNA’s VISTAS COMO GRAFICAS DIRIGIDAS.
De acuerdo con [Hay94], tanto el diagrama de bloque de la figura I. 1 como los de la figura 1.2 que representan una descripción funcional de varios elementos que constituyen el modelo de una neurona artificial se pueden simplificar usando la idea de gráficas de flujo de señales sin sacrificar ninguno de los detalles del modelo. Las gráficas de flujo de señales con
13
I Fig. 1.2: Otros Dos Modelos No Lineales de una Neurona.
un conjunto bien definido de reglas fueron originalmente desarrolladas por Manson (1953, 1956) para redes lindes. La presencia de no linealidad en el modelo de una neurona, sin embargo, limita el alcance de estas aplicaciones de RN. No obstante, una gráfica de flujo de señales esta provista de un método elegante para la representación del flujo de señales en una RN.
14
CmiNio I: Fundamentos de las disciplinas del conocimiento iovolucradas
Una gMica de flujo de señales es una red de enlaces dirigidos (ramas) que interconectadas con ciertos puntos llamados nodos. El flujo de las señales en varias partes de la gráfica es guiado por tres reglas bhicas, [Hay94]:
REGLA 1. Una señal fluye a lo largo de un sólo enlace en la dirección definida pÓr la flecha del enlace.
Dos tipos diferentes de enlaces pueden ser distinguidos:
a) Enlaces Sidpticos, gobernados por una relación de entrada-salida lineal. Específicamente, la seiial del nodo x j es multiplicada por los pesos sinápticos W, para producir la señal del nodo Yi, como se ilustra en la figura I.3a.
b) Enlaces de Activáción, gobernados en general por una relación de entrada-salida no lineal. Esta forma de relación esta ilustrada en la figura I.3b, donde 4(.) es una función de activación no lineal.
WtIl
X I 0 o 'K wS,x,
(4 4 (-1
y,
XI- y, - 4VI) @) ...> y, Y, - Y,+Y,
_ _ < ' _ _ - - (c)
XI. .....
.. <x;
(a Fig. 1.3: Reglas Básicas para la Construcci6n de Gráficas de Flujo
de SeAales.
REGLA 2. Una señal de nodo igual a la suma algebraica de todas las señales que entran al nodo pertinente vía los enlaces que ingresan.
caDítulo I: Fundamentos de las disciDlinUS del conocimiento involucradas
~ s t a segun& regla se ilustra en ia figura 1% para el caso de convergencia SináPtia O
abanico hacia adentro.
=LA 3. La señal en un nodo es transmitida a cada enlace de salida que se Origina desde ese nodo de salida, siendo la transmisión completamente independiente de las funciones de transferencia de los enlaces salientes.
La tercer regla esta ilustrada en la figura I.3d para el caso de divergencia sináptica o
Usando estas reglas podemos construir la gráfica de flujo de señales de la figura 1.4 como
Y, basándose en la gráfica de flujo de señales de la figura 1.4 como modelo de una
abanico hacia afuera.
el modelo de una neurona, correspondiente ai diagrama de bloque de la figura I.2a.
neurona, [Hay94], ofrece la siguiente definición matemática de una red:
+ (4 ___o VE
.
Fig. 1.4: Gráfica de Flujo de SeAales de una Neurona.
1
Fig. 1.4: Gráfica de Flujo de SeAales de una Neurona.
Una RN es una gráfica dirigida consistente de nodos con interconexiones sinápticas y enlaces de activación, y la cuál es caracterizada por cuatro propiedades:
1. Cada neurona es representada por un conjunto de ligas sináptiw lineales, un umbral aplicado externamente, y una liga de activación no lineal. El umbral es representado por una liga
16
CaDímlo I: Fundamentos de IRS disciolinas del conocimiento involucrdas
sináptica con una señal de entrada fijada a un valor de -1.
2. Las ligas sinápticas de una neurona pesan SUS respectivas señales de entrada.
3. La suma de los pesos de las señales de entrada define el nivel de actividad interno total de la neurona en cuestión.
4. Las ligas de activacidn encajonan el nivel de actividad interno de la neurona para producir una salida que representa el estado variable de la neurona.
Una gráfica dirigida así definida es completa en el sentido de que describe no solo el flujo de señales de neurona a neurona, sino también el flujo de las señales dentro de cada neurona. Cuando, sin embargo, el foco de atención es restringido al flujo de señal de neurona a neurona, podemos usar Úna forma reducida de esta gráfica mediante la omisión de los detalles del flujo de señal dentro de las neuronas individuales. Tal gráfica dirigida se dice que es p c ~ m e n t e completa. ata es 'caracterizada como sigue:
I Fig. 1.5: Gráfica de la Arquitectura de una Neurona.
1. Los nodos fuente proporcionan las señales dr entrada a la gráfica.
2. Cada neurona es representada por un simple nodo llamado nodo de cáiculo.
17
Cavítulo I: Fundamentos de las discii>linas del conocimiento ¡nVO¡UCradS
3. Las ligas de comunicación inteconectan los nodos fuente y de cálculo de la gH1ca que no tiene peso; ellas simplemente proporcionan direcciones de flujo de señal en la gráfica.
Una gráfica dirigida parcialmente completa definida de esta manera es referida comquna gdfica de arquitectura describiendo la forma de la RN. Esta ilustrada en la figura 1.5 para el caso simple de una neurona con p nodos fuentes y un solo nodo representando el umbral.
1.1.2.- ARQUITECTURAS DE RN.
Según Way941, en general, podemos identificar cuatro diferentes clases de arquitecturas de red:
1. Redes de Capa Simple con Alimentación hacia Adelante. (Single-Layer Feedforward Networks).
Una RN capeada es una red de neuronas organizadas en la forma de capas. En la forma más simple de una red capeada, se tiene a una capa de entrada de nodos fuente que se proyecta sobre una capa de neuronas de salida (nodos de cálculo), pero no viceversa. En otra palabras, esta red es estrictamente del tipo de alimentación hacia adelante. Esto se encuentra ilustrado en la figura 1.6 para el caso de cuatro nodos en ambas capas de entrada y salida. Tal red es llamada red de capa simple, con la designación capa simple refiriéndose a la capa de salida del nodo de cálculo (neuronas). En otras palabras, no podemos contar la capa de entrada del nodo fuente, porque ahí no se lleva a cabo ningún cálculo.
Una memoria asociativa lineal es un ejemplo de RN de capa simple. En tales aplicaciones la red asocia un patrón de salida (vector) con un pawn de entrada (vector), y la información es almacenada en la red en virtud de las modificaciones hechas a los pesos sinápticos de la red.
2. Redes Multicapa con Alimentación hacia Adelante. (Multilayer Feedforward Networks).
La segunda clase de RN con alimentación hacia adelante es distinguida por la presencia de una o más capas escondidas, cuyos nodos de cálculo son llamados neuronas escondidas o unidades escondidas. La función de las neuronas escondidas es intervenir entre las entradas externas y la salidas de la red. Sumando una o más capas escondidas, la red es capaz de extraer estadísticas de orden más alto para (en un mejor sentido) la red adquiere una perspectiva global a pesar de su conectividad local en virtud del conjunto extra de conexiones
.
18
Fig. 1.6: Red de AlimenIaci&n hacia Adelante con una Capa Simple de Neuronas.
sinápticas y la dimensión extra de interacciones neuronales (Churchland y Sejnowski, 1992, citado en IHay941). La habilidad de las neuronas escondidas para extraer estadísticas de orden más alto es particularmente valioso cuando el tamaño de la capa de entrada es grande.
Los nodos fuente en la capa de entrada de la red suministran los elementos respectivos del patrón de activación (vector de entrada), el cual constituye las señales de entrada aplicadas a las neuronas (nodos de cálculo) en la segunda capa @or ejemplo la primer capa escondida). Las señales de salida de la segunda capa son usadas como entradas para la tercer capa, y así sucesivamente para el resto de la red. Tipicamente, las neuronas en cada capa de la red tienen como en- s610 las señales de salida de la capa precedente. El conjunto de señales de las neuronas de salida en la capa de salida (final) de la red constituye sobretodo la respuesta de la red para el pawn de activación suministrado por los nodos fuente en la entrada brimera) capa. La arquitectura de la gráñca de la figura 1.7 ilustra la capa de salida de una RN multicapa con alimentación hacia adelante para el caso de una sola capa escondida. Para simplificar esta red es nombrada como una red 10-4-2 ya que son 10 los nodos fuente, 4 las neuronas escondidas y 2 las neuronas de salida. Como otro ejemplo, la red de alimentación hacia adelante con p nodos fuente, hi neuronas en la primer capa escondida, it2 neuronas en la segunda capa, y q neuronas en la capa de salida, es nombrada como red ph,-it2-q.
La RN de la figura 1.7 esta conectada completamente en el sentido de que todos los nodos en cada capa de la red están conectados a todos los otros nodos adyacentes en la capa de hacia
19
Cai>hlo I: Fundamentos de las discii>linas del conOcimient0 inVOlUCrada5
I
Fig. I . 7: Red de Alimentaci6n hacia Adelante Conectado Completamente con una Capa Escondida y una Capa de Salida.
Fig. 1.8: Red de Alimentacih hacia Adelante Conectada Parcialmente.
20
CaDítulo I: Fundamentos de las discinlinas del conoclmlenlo involucradas
adelante. Cuando algunas de las ligas de comunicación (conexiones sinápticas) son omitidas de la red, decimos que la red esta parcialmente conectada. Una forma de red multicapa de alimenta- ción hacia adelante conectada parcialmente de particular interés es una red conectada localmente. Un ejemplo de tal red con una capa simple escondida es presentado en la figura 1.8. Aquí, ,cada neurona en la capa escondida esta conectada a un conjunto local (parcial) de nodos fuente que se extiende en su vecindad inmediata; tal conjunto de nodos localizados alimentando a una neurona se dice que constituyen el campo receptivo de la neurona. Del mismo modo, cada neurona en la capa de salida es conectada a un conjunto local de neuronas escondidas. La red de la figura 1.8 tiene el mismo número de nodos fuente, neuronas escondidas, y neuronas de salida que las de la figura 1.7. Sin embargo, comparando estas dos redes, vemos que la red conectada localmente de la figura 1.8 tiene una estructura especializada. En la práctica la estructura especializada construida dentro del diseño de una red conectada refleja información anterior acerca de las características del patrón de activación que esta siendo clasificado. Para ilustrar este Último punto, & encuentra incluido en la figura 1.8 un patrón de activación formado de series de tiempo (es decir una secuencia de valores ejemplificados uniformemente de señal de tiempo variante), el cuál es representado todos a la vez como un patrón espacial sobre la capa de entrada. Así, cada neurona escondida en la figura 1.8 responde esencialmente a variaciones locales de la señal fuente.
3. Redes Recurrentes. (Recurrent Networks).
Una RN recurrente se distingue de una RN con alimentación hacia adelante en que ésta tiene al final un ciclo de alimentación hacia atrás. Por ejemplo, una red recurrente Puede consistir de una capa simple de neuronas con cada neurona alimentando la señal de salida de atrás para la entrada de todas las otras neuronas, como se ilustra en la gráfica de la arquitectura de la figura 1.9. En la estructura representada en esta figura no hay ciclos de alimentación hacia atrás a sí mismo en la red; la alimentación hacia atrás a sí mismo se refiere a la situación donde la salida de a neurona esta alimentando hacia atrás a su propia entrada. La red recurrente ilustrada en la figura 1.9 tampoco tiene neuronas escondidas. En la figura I. IO se ilustra otra clase de redes recurrentes con neuronas escondidas. Las conexiones de alimentación hacia atrás mostradas en la figura 1.10 son originadas tanto de las neuronas escondidas como de las neuronas de salida. La presencia de ciclos de alimentación hacia atrás, como los de la estructura recurrente de la figura 1.9 o los de la figura 1.10 han hecho un profundo impacto sobre las capacidades de aprendizaje de la red, y sobre su rendimiento. Además, los ciclos de alimentación hacia atrás involucm el uso de ramas particulares compuestas por elementos de unidades de espera (denotados port'), los cuales resultan en un comportamiento dinámico no lineal en virtud de la naturaleza no lineal de las neuronas.
21
CENiRü DE INFORMACION P E NI n ~ t
Fig. 1.9: Red Recurrente Sin Ciclos de AlimetUmi6n hacia Atrás a SI Misma y Sin Neuronas Escondidh.
Fig. 1.10: Red Recurrente con Neuronas Escondidas.
22
0 : - 0 :
Capa de
-
Fig. 1.11: (a) E n r e j e de Una Dimemih de 3 Neuronas. (b) Enrejado de Dos Dimemiones de 3 X 3 Neumm.
Entradade --* Nodos Fuente
23
-*
Capítulo I: Fundamentos de las disciplinas del conocimiento iovolucradas
1.1.3.- BENEFICIOS DE LAS RNA's.
c~~~~~~ I: Fundamentos de 1% d i ~ d i n a s del conwimlento involucradas
ser disenada para cambios en sus pesos sinápticos en tiempo r d . ~a arquitectura natural de una RN para la clasificación de patrones, procesamiento de señales y aplicaciones de contro1, se
con la capacidad adaptativa de la red, la hace una herramienta ideal Para Su uso en la clasificación de patrones adaptativos, procesamiento de sefiah adaptativas, Y control Como una regla general, puede ser dicho que lo más adaptativo que nosotros podemos hacer un sistema en una moda apropiadamente diseñada, asumiendo que el Sistema adaPhtiV0 es estable, 10 robusto de SIJ rendimiento probablemente ser6 cuando el Sistema Opere en un medio ambiente no estático. ser enfatizado, sin embargo, que la adaptatividad no Siempre conduce a robustez, en d i d a d esto puede ser io opuesto. Por ejemplo, un sistema adaptativo con constan& de tiempo corto puede cambiar rápidamente y por lo tanto tender a responder a distorsiones causando un drástica degradación en el rendimiento del sistema. Para apreciar todos los beneficios de la adaptatividad, las constantes del tiempo principales deben ser suficientemente grandes para que el sistema ignore las distorsiones y aún suficientemente cortas para responder a los cambios significativos' en el medio ambiente. El problema descrito aquí es referido como el dilema de estabilidad-plasticidad (Grossberg, 1988, citado en [Hay94]). Adaptatividad Ó entrenamiento ("in situ") como dgunas veces es referido, es un tópico de investigación abierta.
4. Respuesta Evidential.- En el contexto de clasificación de patrones, una RN puede ser diseñada para proveer información no solamente acerca de un patrón particular para seleccionar, sino también acerca de la confidencia en la toma de decisiones. Esta Última información puede ser usada para rechazar patrones ambiguos, deben ellos ser originados, y por lo tanto mejorar el rendimiento de clasificación de la red.
5 . Información Contextual- El conocimiento es representado por la estructura y estado de activación de una RN. Cada neurona en la red es potencialmente afectada por la actividad global de todas las otras neuronas en la red. Consecuentemente, la información contextual es tratada con naturalidad por una RN.
6. Tolerancia a Fallas.- Una RN, implementada en forma de hardware, tiene el potencial de ser inherentemente tolerante a fallas en el sentido de que su ejecución es elegantemente degradada bajo condiciones de operación adversas (Bolt, 1992, citado en mayg41). por
si una neurona 0 SUS conexiones están dañadas el recuerdo de un patrón almacenado sufre un daño en SU calidad. Sin embargo, debido a la naturaleza distribuida de información en la red, tiene el daño que ser extensivo antes de que ia respuesta de la red sea degradada
una RN exhibe una degradación elegante en la ejecución más que una falla catastróficamente.
7. ImPlementabilidad vLSI.- La naturaleza masivamente paralela de una RN la hace potencialmente rápida Para la computación de ciertas tara. &ta misma -ctefistica hace a una RN idealmente apropiada Para la implementación usando la tecnología very-large-da-
&CUI= de VLsI es que provee un medio de capturn verdadero comportamiento complejo en una moda aitamente jerárquica ( M a d y Conway, 1980, citado en
(vLsr).
25
caDítulo I: Fundamentos de las discidinas del COmCimlentO invOIUcradas
[Hay94]), lo que ha= posible usar una RN como una herramienta para aplicaciones de tiempo 4 involucrando reconocimiento de patrones, procesamiento de s%iks Y control.
8.- Uniformidad de analisis y diseño.- Básicamente, h S RN gozan de universalidad como procesadores de información. La misma notación es usada en todo el dominio involucrado en la aplicación de "S. Esta mcterística se manifiesta por sf misma de diferentes maneras:
- Neuronas, en una forma u otra, representan un ingrediente común para todas las
ata comunidad hace posible compartir teorías y aprender &Pritmos en
Las redes Modulares pueden ser construidas a través de integración de modulos.
RN.
diferentes aplicaciones de RN. - -
9. Analogía Neurobiol6gica.- El diseño de una RN es motivado por analogías con el cerebro, el cual es una prueba viviente de que el procesamiento paralelo tolerante a fallas no s610 es físicamente posible sino también rápido y poderoso. Los neurobiólogos ven a las RN (artificiales) como una herramienta de investigación para la interpretación del fenómeno neurobiológico. Por ejemplo, las RN han sido usadas para proporcionar ideas en el desarrollo de circuitos premotor en el sistema oculo motor (responsable de los movimientos del ojo) y la manera en que ellos procesan las señales (Robinson, 1992, citado en [Hay94]). Por otra parte, los ingenieros ven a la neurobiologfa por las nuevas ideas para resolver problemas más complejos que aquellos basados en técnicas de diseño convencional fuertemente alambrado. Aquí, por ejemplo, podemos mencionar el desarrollo de un modelo recibidor de sonar basado en el del murciélago (Simmons, et al, 1992, citado en Fay941). El modelo inspirado en murciélago consiste de tres etapas: 1) Un borde final que emula las orejas inherentes del murciélago a fin de codificar las formas de onda; 2) Un subsistema de líneas de retraso que computa los retardos del eco; y 3) Un subsistema que computa el espectro de ecos, que es usado para estimar el tiempo de separación de ecos desde múltiples destellos originales. La motivación es desarrollar un nuevo sonar recibidor que es superior al disefiado por métodos convencionales. ia analogía neurobiológica es también útil de otra importante manera: proporciona una esperanza y creencia (y, aún a cierta extensión, una prueba de existencia) que el entendimiento físico de eStruCturaS neurobiológicas podrfa en verdad influenciar el arte de la electrónica y así del V U 1 (Andreou, 1992, citado en Fay941).
"Ya desde McCulloch Y Pitts (1943) se demostr6 que cualquier programa de una máquina de podfa ser realizado por una red de neuronas lógicas" [Arb89]. Esto significa que dada una estructura de la red Y Su entrenamiento adecuado, no existen tareas computaciondes que no Puedan ser ejecutadas por la RNA. Pero hay que observar el hecho de que dichas t a r a puedan ejecutarse, no implica wmariamente que sea de una manera eficiente, al igual que una máquina de Tun% no es tan eficiente como una computadora convencional.
26
car>[hilo I: Fundamentos de las discidinas del conocimiento invalueradas
1.1.4.- APRENDIZAJE SUPERVISADO-
Según [Lip87], el aprendizaje supervisado significa que se presenta a la RNA un conjynto de pares de ejemplos de entrada-salida (Xi, di) esperándose que la RNA realice un m a p que iguale los ejemplos tan aproximadamente como sea posible. En contraste, para el aprendizaje no supervisado, a la RNA se le presentan solo casos de ejemplo de entrada (Xi) esperándose que la RNA agrupe los ejemplos en clases similares.
En el tipo de aprendizaje supervisado, el usuario proporciona a la red tanto la información como la respuesta correcta (es decir, la salida que se espera de cada entrada), en cada ejemplo, la red compara su propia respuesta con la corre~ta, calcula el error que cometió y 10 usa para ajustar los pesos asignados a sus interconexiones con objeto de reducir su error, repitiendo este proceso has& que el error cometido es aceptable. El período de aprendizaje puede tener una duración de minutos, horas o hasta días de cómputo, según la máquina usada, el tamaño y modelo de la red y la’complejidad del problema.
Esta capacidad de aprendizaje puede resultar ventajosa en una red con algunos nodos dañados y que por alguna razón resulte dificil reparar; la red podria ser reentrenada Para que los otros nodos ajustaran nuevamente los pesos de sus conexiones, compensando así la falla del procesador.
Puede ser difícil, y hasta imposible, ajustar los pesos de las conexiones para que todas las respuestas sean correctas. Generalmente sólo se lograrán respuestas satisfactorias, lo cuál será suficiente en algunos problemas.
Cuando una RNA se ha configurado a sí misma, es decir, ha logrado la relación deseada entre una señal de entrada y su salida, está lista para entrar en la segunda fase y procesar señales auténticas.
1.2.- PARADIGMAS O MODELOS DE RNA’s SUPERVISADAS.
Las características esenciales de las neuronas biológicas fueron abstraídas dentro de modelos, dando origen a los diferentes paradigmas 6 modelos de RNA’s, los cuales, están compuestos de muchos elementos computacionales no lineales que se encuentran operando en paralelo, debido a esto, las RNA’s presentan un elevado grado de robustez o tolerancia a fallas, y una mayor velocidad de respuesta computacional, [Lip87].
Existen varios modelos que simulan el comportamiento de una RNA, pero para poder
27
Capítulo I: Fundamentos de. las disciplinas del conocimiento involucradas
elegir el correcto para una aplicación determinada se deben de tomar en cuenta ciertos aspectos como lo son: el tamaño de la red, el mecanismo de aprendizaje, el tipo de salida que se requiere, el tiempo de aprendizaje, etcétera.
[Lip87], presentó una taxonomía de seis RNA’s que pueden ser UtihXk3.S como clasificadores según la manera en que podrían manejarse dados los tipos de entrada que Pudiesen presentar y dado su tipo de aprendizaje (figura 1.12). Esta clasificación comprende a dos grandes grupos que son:
a) Las redes de entrada binaria y
b) Las redes de entrada de valores continuos.
Y éstos grupos, a’su vez, pueden estar clasificados de acuerdo a cómo se de SU aprendizaje, que puede ser del tipo:
a) Supervisado y
b) No Supervisado.
Dentro de las redes de entrada binaria (ya que el tipo de entrada que manejan puede ser: O y 1 O bipolar: -1 y 1, tal es el caso de las imágenes en blanco y negro donde los elementos de entrada son valores de pixeles: -1 =inactivo y 1 =activo) y de tipo de aprendizaje supervisado (dado que se va a inducir a una salida determinada) se pueden mencionar a la red de Hopfield y a la red de Hamming. Mientras que dentro de las redes de entrada binaria y de tipo de aprendizaje no supervisado se encuentra el clasificador de CarpenterlGrossberg, o paradigma ART (Adaptive Resonance Theory).
Dentro de las RNA’s de entrada de valores continuos y de tipo de aprendizaje supervisado se pueden mencionar al Perceptron y a la red Perceptron Multicapa o modelo de Retropropagación (Backpropagation). Mientras que dentro de las redes de entrada de valores continuos y de tipo de aprendizaje no supervisado se encuentra a la red de Auto-Organización de Mapas de Características de Kohonen.
De conformidad con lo anterior, a continuación se mencionarán las características que se involucran dentro del presente tema de tesis, que comprende el desarrollo de un sistema diagnosticador general de señales gráficas utilizando el paradigma de RNA’s, en cuanto al área que corresponde, la clasificación del grupo y el tipo de aprendizaje dentro del cuál entra. Así pues, dicho tema cae en el área de reconocimiento de patrones dentro de la subárea de procesamiento de selfales, así como dentro la clasificación del grupo de entradas continuas y es el tipo de aprendizaje supenisado.
28
En
Fig. I . 12: Una taxonomía de seis RNA’s que pueden ser usadas como ClasiJicadores. (Algoritmos clásicos que son los más similares a cada uno de estos seis mo#elos de RNA’s aparecen en el nivel más bajo).
secciones siguientes, se eswifica. brevemente. el commrtamiento de os paradigmas cuyo estudio seilevó a cabo an& de la elaboración del sistema definitivo de esta tesis, que contempla la implementación del paradigma RNMap, aportación original de misma:
1.2.1. Red Hopfield.
1.2.2. Red Hamming.
1.2.3. Red PHAF-11.
1.2.1.- RED HOPFIELD.
Según [Lip87‘J, la red Hopfield cuenta con una sola capa de “n” neuronas, y cada una de ellas tiene “n-1” neurona de entrada y solamente una salida, lo que permite que tenga comunicación con el resto de las neurona excepto con ella misma, dicha comunicación se da
29
La arquitectura de la red Hopfield se muestra en la figura 1.13.
I y3
Fig. 1.13 Arquitectura de la Red Hop$eld.
Un estudio completo acerca del funcionamiento, arquitectura y algoritmo de la red original, la cual puede ser usada como memoria direccionable por contenido o memoria asociativa se describe en [Lip87].
1.2.2.- RED HAMMJNG.
La filosofía de la red de Hamming nace a raíz del análisis de las limitaciones de la red de Hopfield. Tratando de superar éstas, se introduce un espacio métrico en la entrada de la red, en el que se calcula el concepto denominado: distancia Hamming del patrón de entrada a cada uno de los patrones aprendidos y se selecciona el que cuente con la mínima distancia. Así pues, dicha distancia se define, según [Lip87], como "el número de bits de la entrada cuyos valores no coinciden con los correspondientes bits del patrón ejemplo".
Mientras que la red Hopfield reconstruye paso a paso la entrada distorsionada hasta que llega a un patrón aprendido con anterioridad, la red Hamming solamente señala el patrón al cuál se asemeja dicha entrada, [Lip87].
La red Hamming presenta ventajas sobre la red de Hopfield, Fip87l. Implementa un clasificador de error mínimo que es óptimo cuando los errores de bits son aleatorios e indepen-
30
Capítulo I: Fundamentos de las discidinas del conocimiento involucradas
I
Fig. 1.14 Arquitectura de la Red Hamming.
dientes, y así el rendimiento de la red de Hopfield debe ser igual o peor a la red Hamming en tales situaciones. Haciendo la comparación de estas dos redes sobre problemas tales como reconocimiento de caracteres, reconocimiento de patrones aleatorios y recupemción bibliográfica se ha demostrado esta diferencia en el rendimiento. La red Hamming requiere mucho menos conexiones que la red Hopfield. Por ejemplo, con 100 entradas y 10 patrones aprendidos la red Hamming requiere de sólo 1,100 conexiones mientras que la red Hopfield requiere de 10,OOO. Además, la diferencia en el número de conexiones requeridas aumenta conforme el número de entradas aumenta, dado que el número de conexiones en la red Hopfield crece en función del cuadrado del número de entradas mientras que el número de conexiones en la red Hamming crece linealmente. La red Hamming también puede ser modificada para ser un clasificador de error mínimo cuando los errores son generados invirtiendo las entradas de los elementos de + 1 a -1 y de -1 a +1 asimébicamente con diferentes probabilidades y cuando los valores de los elementos de entrada específicos son desconocidos. Finalmente, la red Hamming no sufre con los patrones de salida alterados los cuáles pueden producir un resultado de "no coincidencia".
La arquitectura de la red Hamming se muestra en la figura I. 14.
Un estudio completo acerca del funcionamiento, arquitectura y algoritmo de la red se describe en [Lip87l.
31
CaDítulo I: Fundamentos de. las disciDlinas del conocimiento involucradas
1.2.3.- RED PHAF-II. Paradigma neuronal basado en el modelo Hamming que maneja factores de certeza.
PHAF-II surge como respuesta de una mejor adaptación de PHAF-1.
Según mej92A], PHAF-11 es un paradigma neuronal que presenta ventajas impmtes sobre la red Hamming, en la cual esta basada, Y problemas donde el m a p e n d a d i d a no es uno a uno, se puede empiear más fácilmente que una red "Backpropagation" según ~m*as realidas, con la ventaja adicional de que PHAF-IT proporciona factores de certeza en la respuesta.
PHAF-I1 es un modelo que emplea la tecnología de RNA y surge en el Instituto de Investigaciones Eléctricas (IIE) a m'z de la inquietud específica de dar soluciones a aplicaciones concretas del Sector Elktrico basándose en la tecnología más actual y como evolución de PHAF-I.
Uno de los grandes problemas prácticos que tiene el sector elktrico consiste en: El Reconocimiento de Seriales Gráficas, y de ahí también que como PHAF-I se ha ido depurando se pueda hablar de una nueva versión: PHAF-11.
Según [Mej92A] "Es una red con tres capas de neuronas interconectadas: la capa de entrada cuenta con N neuronas (siendo N igual al número de bits de cada patrón de ejemplo), la capa intermedia de M neuronas (siendo M igual al número de patrones de ejemplo), y la capa de salida con P neuronas (siendo P del tamaño que se desee, pudiendo ser menor, igual o mayor que M)".
En este se manejan dos tipos de patrones de datos. El primero de ellos patrón ejemplo el Cual representa las señales de entrada que se tienen para ser
reconocidas. y el segundo de ellos es el patrón objetivo que representa algún modelo de anormalidad en el comportamiento de las señales, que puede implicar algunos tipos de acciones preventivas y16 correctivas.
La arqUi@hn del modelo PHAF-11, se muestra en la figura 1.15.
Un estudio completo acerca del funcionamiento, arquitectura y algoritmo de la red se. describe en Wej92Al.
32
CaDíNlO I: Fundamentos de las disciDiinas del conocimiento involucrdas
Fases
Etapas O Patrón
Objetivo tttttt
5 f 1 f Capa de Salida P
hl
N
I Etapa 2 j,k
E-l i f 1 f
I
capa Intermedia
hi Capa de Entrada
L
r t t t t t f Etapa 4
' I -w I Patrón I
L
j = 1 ... N j = 1 ... M k = 1 ... P
E i j
Fig. 11.15: Arquitectura de la Red PHAF-II.
33
Ca~ínilo I: Fundamentos de las disciplinas del conocimiento involucradas
1.3.- QUE ES EL RECONOCIMLENTO DE SEÑALES.
El reconocimiento de señales, básicamente, consiste en detectar la similitud que pueda existir entre dos o más señales dadas para lograr un diagnóstico de la situación. El hecho de que dicha detección de similitudes se pueda llevar a cabo automáticamente y de la manera más eficaz y eficiente constituye un factor muy importante para el avance de las tareas de los distintos especialistas en cuya labor se involucren actividades de lecturas 6 interpretación de gráficas ya que reduce significativamente el tiempo de dedicación a ello.
De ahí, que se han tenido que ir buscando formas de agilizar las tareas de reconocimiento de señales para que la productividad de los especialistas se vea incrementada.
1.4.- APLICACION DE RNA’s AL PROCESAMIENTO DE SENALES.
Las RNA’s son ideales para tareas de naturaleza paralela, es decir, tareas en donde se procesen datos en bases globales; considerando “todos a la vez“. Las RNA’s están inspiradas en la forma en que, se cree, funciona el cerebro, en contraposición con el modelo secuencial convencional que considera s61o ,‘;pequeñas porciones a un tiempo.
~a RNA’s se están aplicando básicamente para resolver problemas de clasifícaci6n
Recientemente ha habido un incremento en el trabajo de la aplicación de RNA’s al procesamiento de imágenes y señales. La ventaja es la reducción en el tiempo de cómputo debido a la naturaleza del procesamiento paralelo distribuido de las RNA’s, [Qui92].
Las RNA’s, según [Qui92], comprenden un espectro muy amplio de aplicaciones y el número de aplicaciones está en constante expansión. Las áreas de aplicación más populares son: reconocimiento de patrones, análisis de imágenes, procesamiento de voz, monitoreo y diagnóstico de sistemas, control de procesos e inspección industrial, modelos neurofisiológicos, simulación de software y control de procesos no lineales. A continuación se dan ejemplos de algunas aplicaciones de sistemas usando RNA’s.
Una red de casi 200 nodos para leer documentos escritos a mano con tasas de reconocimiento muy elevadas; un sistema para reconocer el habla humana, capaz de distinguir 3000 palabras con una precisión de 95%; un sistema que emula el comportamiento de una central de energía eléctrica a fin de estudiar los factores que influyen en el consumo de
(diagnóstico), predicción (pronóstico) y reconocimiento (visión), [Mej92B].
34
Cwíhilo I: Fundamentos de las disciplinai del conocimiento involucradar
combustible; una red integrada a los dispositivos automáticos de inspección de equipajes en 10s aeropuertos, para separar las maletas que en apariencia puedan contener explosivos; RNA’s que reciben como señal de entrada la que ,procede de un radar, para analizarla e identifiw el objeto ObserVadO.
Otras aplicaciones de las RNA’s son: en robótica, en el desarrollo de pilotos automáticos, en el reconocimiento de firmas, en el análisis financiero, en el reconocimiento de olores y de semillas para la siembra, en el reconocimiento de señales sismicas, como auxiliares en la elaboración de horarios, etcétera. La lista es larga y se amplía continuamente.
1.4.1.- APLICACIONES EN SISTEMAS ELECTRICOS DE POTENCIA.
Los sistemas eléctricos de potencia representan un campo muy amplio de aplicación de las RNA’s debido a que se pueden dar las cuatro circunstancias siguientes:
Es muy probable que la cantidad de información a manejar sea muy grande. El proceso para llegar a la respuesta no puede expresarse algorftmicamente. La información llega incompleta o con ruido. Se requieren respuestas rápidas y seguras. 9
Se han encontrado ejemplos de aplicaciones en análisis de fallas, análisis de seguridad en Pronóstico de carga, control’de voltaje, etc.
A continuación, según lista presentada por [Qui92], se presentan las áreas y ejemplos de aplicaciones de RNA’s en sistemas eléctricos de potencia.
1) Análisis de fallas:
- Fallas de alta impedancia en alimentadores de distribución que no son fácilmente
- Evaluación del tiempo de liberación de fallas críticas. - Diagnóstico de fallas.
2) Procesamiento de alarmas:
detectados por protecciones de sobrecorriente.
- Procesador inteligente de alarmas para analizar e identificar problemas en sistemas eléctricos de potencia.
3) Pronóstico de carga:
35
caDfhilo I: ~ ~ ~ h ~ ~ b ~ de las d,scii>iinas del conocimiento involucradas
- Pronóstico de carga para las 24 horas sobre COnSUmOS de comente-
4) Control de voltaje y potencia reactiva:
- conmi de tiempo real de capacitores instalados en sistemas de distribuci6n F' mantener al mínimo las pérdidas del sistema.
5 ) Operación de interruptores:
- planación del patrón de interruptores en sistemas de distribución.
6) Análisis de seguridad:
- Ayudas al operadbr de dálisis de seguridad. - Identificación de ramas sobrecargadas. - Estudio de corrientes con componentes armónicas y cargas.
7) Problemas de estabilidad transitoria:
- Detección de fallas incipientes en máquinas de comente continua. - Estimación de estabilidad transitoria en sistemas eléctricos interconectados.
8) Planeación global de la operación de una central:
- Optimización de beneficios en operación de sistemas eléctricos de potencia a corto y mediano plazo.
9) Despacho económico:
- Simulación del despacho económico de carga usando cargas estacionarias y variables en el tiempo.
IO) Operación de plantas generadoras de electricidad:
- Monitoreo en línea de la dinámica de la planta. - Controladores neuronales de los sistemas de combustión.
A pesar de que las RNA's permiten resolver algunas situaciones complejas en los sistemas eiktricos, las aplicaciones todavía son pocas en esta área. Según [Qui92], "El sector eléctrico se ha mostrado conservador ante el uso de esta nueva técnica, hecho que se puede deducir de una búsqueda bibliogidfica realizada en 1991 por el Departamento de Energía Eléctrica del Politécnico de Virginia, en Estados Unidos. Se encontraron solamente 26 artículos
36
Car>ílulo I: Fundamentos de las discir>linafi del conocimiento involucradas
sobre aplicaciones en el sector e indusfria eléctricos, en comparación con los cientos o miles de artkulos referidos a otras áreas; además, estas 26 aplicaciones se circunscriben apenas a cuatro modelos de RNA's, de los 13 más usados o de los 50 más conocidos".
1.4.2.- APLICACIONES EN EL LIE.
A continuación se mencionan tres casos específicos en donde, en el 115, el reconocimiento de señales se tiene contemplado como herramienta Útil de anilisis, [Q~i921:
1) predicción de fqas en Sistemas de Potencia Mediante el registro de B-W
La idea consiste en re&strar las descargas parciales de un equipo ( ~ S f O ~ a d O ~ S , generadores, etc.) y obtener la señal correspondiente: dependiendo del tiPo de señal colectada se puede estimar el tipo de falla que tiene el equipo en cuestión. automatización del proceso aceleraría el tiempo de diagn6stico y facilitana el enriquecimiento de la información sobre síntomasdiagn6sticos. Actualmente se trabaja en el problema de colectar señales (síntomas) e irlas relacionando con fallas (diagnósticos).
2) Verificación y Pruebas de equipos.
En pruebas de corto circuito para interruptores, cuchillas, fusibles, capacitores, etc., en donde diversas señales son digitalizadas y almacenadas al momento de ejecutar la prueba. El especialista debe entonces observar estas señales con el fin de verificar el cumplimiento del equipo'en prueba con respecto a las normas internacionales de calidad establecidas. Adicionalmente, las conclusiones obtznidas de estas observaciones son retroalimentadas a los fabricantes para que puedan mejorar sus diseños.
Computanzar la etapa de detecci6n de anormalidades libemfa al especialista de una tara repetitiva, además de que reduciría el tiempo para efectuar la tarea. Aunque ya se d ~ ~ a m d ó el Sistema que se encarga de digitalizar las señales, el obstáculo que se trata de resolver actualmente en el IIE es la faita de inforrnación documental sobre la relación entre el tipo (y forma) de señales y la calidad del equipo.
3) Filtrado de señales.
En instrumentación sujeta a ruido, una RNA puede efectuar, por ejemplo, la cancelación de mido, la estimación de frecuencia, y la extracción de onda corta, con resultados
Parciales.
37
Caoítulo I: Fundamentos de las disciDlinas del conocimiento involucradas
superiores a los obtenidos con tknicas tradicionales. Esta aplicación puede ser de gran utilidad sobre todo en ambientes sujetos a ruido, en doride la instrumentación se ve fuertemente afectada.
Pero, de una manera general, el reconocimiento de señales, tiene aplicación en una gran variedad de problemas del sector EIBCtrico, en particular donde se tenga el esquema de un especialista dedicado a interpretar gpficas que registran el comportamiento de un proceso. Este esquema se encuentra en áreas como: control de procesos, pruebas a equipo, diagnóstico predictivo, mantenimiento, supervisión, control de calidad, etcétera, Wej931.
1.5.- LENGUAJE DE PROGRAMACION UTILIZADO.
~1 lenguaje de programación que se. utiliza para la implementación del sistema elaborado es el lenguaje de programación Borland C++ en su versión 3.0, [Bo#2]. Se Optó por la utilización de dicho lenguaje de programación, básicamente debido a que SU Uso posibilita al sistema final para integrarse con el software ya existente.
Algunas de las características del lenguaje C+ +, son las siguientes:
Según [SchW], aunque el lenguaje C+ + fue inicialmente diseñado para ayudar en el manejo de programas muy grandes, esto de ninguna manera lo ha limitado para este uso. En realidad, el atributo de Orientado a Objetos de C+ + puede ser efectivamente aplicado para virtualmente cualquier tarea de programación. No es poco común ver el uso del lenguaje C + + para proyectos tales como editofes, bases de datos, sistemas de archivos personales y programas de comunicación. También, debido a que el lenguaje C+ + comparte la eficiencia del lenguaje C mucho "software" de sistemas de alto rendimiento es construido usando el lenguaje C+ +.
La filosofía del lenguaje C es que el programador sabe lo que está haciendo. Por esta d n el lenguaje C casi nunca restringe al programador, y lo deja en libertad de usar el lenguaje como desee.
C+ + es un lenguaje de programación orientado a objetos que permite aprovechar las ventajas de la tecnología de diseño avanzado orientado a objetos con el consecuenk ahom de trabajo.
I
Los programas de aplicación hechos en C+ + son portables, lo que significa que pueden ser fácilmente transferidos de un sistema a otro.
38
Caníiulo I: Fundamentos de las discidinas del conocimiento involucradas
1.5.1.- PARADIGMA DE PROGRAMACION ORIENTADO A OBJETOS.
El lenguaje C+ + provee ai programador con la libertad y el control de C con el ppder de los objetos.
Según [Sch90], esencialmente, la programación orientada a objetos contempla la creación de objetos, los cuáles combinan y encapsulan a los datos y ai código que opera sobre esos datos. Los objetos pueden contener elementos públicos y privados. Cuando un elemento de un objeto es privado, solo otros elementos de ese objeto pueden tener acceso a él. Los elementos públicos pueden ser accesados por cualquier otra pieza del programa.
La ventaja del uso de los objetos es que, cuando es currectamente aplicada, un objeto es s610 una entidad lógica qÚe es más fácil de ser comprendida y manejada que los elementos separados que comprende el objeto.
En resumen, las características de orientado a objetos en C + + , permiten que los programas sean estructurados claramente y su mantenimiento sea fácil sin menoscabo de su eficiencia, [Sch90].
39
Capítulo I1 Definición del Problema y Desarrollo del Modelo RNMap
Ei objetivo fundamental del presente capímio es definir claramente el problema que se va a resolver, así como establecer el método de solución propuesto, que da origen al nuevo modelo de RNA: m a p .
Para ello, el capítulo está compuesto por cinco secciones. En la primera de ellas, nombrada: definición del problema, se define, tanto de manera descriptiva como de manera gráfica, el problema que se va a solucionar. En la siguiente sección denominada: análisis del problema, se hace la discriminación de los paradigmas estudiados y se plantea una alternativa de solución al problema. En la tercer sección denominada: modelo Rh'Map se hace la especificación de los pasos que involucra ésta nueva red. Mientras que, en la cuarta sección se hace énfasis en su topología o arquitectura y en la quinta sección se incluye lo que es el algoritmo de dicho modelo.
40
Caaftulo IL Definición del aroblema v desarrollo del modelo RNhíao
II.1.- DEFINICION DEL PROBLEMA.
I y
Se tienen gráíkas que representan el estado de procesos bien identificados que genemímente representan fallas o anomalías como las que se muestran en la figura 11.1, y’por otro lado, se tienen como salida de algunos procesos resultados gr;üicos, como son los que se
I > T I E M P O X
Y
M i
I T U D
X ,
T I E M P O
Fig. II.1: Dos eemplos de SeAales que Indican Anomalías.
muestran en la figura 11.2. Una de las tareas del experto humano, la cuál involucra la inversión de varias horas de su tiempo, consiste en hacer una comparación entre dichas gráficas, con el objeto de prevenir acontecimientos anormales.
Así pues, el presente problema se fundamenta en la necesidad de realizar diagnósticos basándose en la comparación de las señales gráficas que reportan el comportamiento de X proceso y gráficas bien identificadas que representan, generalmente, casos de fallas, y así, disminuir el tiempo que el especialista debe invertir en esta tarea que, en cierto sentido, es rutinaria.
41
CaDlNlo Ik Definici6n del problema Y desarrollo del modelo R m a D
A
M A Q N I T U D
>
Y
M
Y 4 !!//$y T >
U D
T I E M P O X
Fig. 11.3: Comparación entre UM Gr&fica sin Ruido y otra con Ruido.
42
Caoftulo ik Definición del Droblema Y desarrollo del modelo RNMaD
Ai momento de hacer la comparación entre dichas gráficas se pueden presentar básicamente cuatro tipos de problemas, a pesar de los cuales se deberá detectar la similitud entre dos gr;lficas.
M A 0 N I T U D
I
~
Y Y
I > T I E M P O X
M A 0 N I T U D
> T I E M P O X
~~~~~
Fig. 11.4: Rastreo por Frecuencia.
A continuación se detailan dichos problemas:
l).-
2).-
3).-
4).-
Que una de ellas este provista de ruido, como se muestra en la figura 11.3.
Que las gr;íficas observen diferencias únicamente en el eje de las X’s, como se muestra en la figura 11.4.
Que las gráficas observen diferencias únicamente en el eje de las Y’s, como se muestra en la figura 11.5.
Que exista un pequeño margen de diferencia entre ellas, como se muestra en la figura 11.6.
43
p,,ihilo n: hfinici,5,, del problema Y desarrollo del modelo RNMau
Y V
T I E M P O I T I E U P O X
Fig. 11.5: Rastreo por Amplitud.
i,m, T I [Iw, U D D
T I E M P O x T I E M P O I
Fig. 11.6: Comparación entre una Gráfica Sin Ruido y otra con Peque& Margen de Ruido.
44
CaDíiulo n: Definición del Droblema Y desarrollo del modelo RNhhI
Además, se debe ataai el problema de diagnósticos de señales gráf ia , utilizando para ello el paradigma que se considere más apropiado, de RNA’s, en donde la red aprenda un conjunto de señales, y posteriormente, cuando se le presente una gráfica, reconozca si en dicha gr;ifica se encuentra una o más de las señales previamente aprendidas.
II.2.- ANALISIS DEL PROBLEMA.
Como se mencionó en la sección Ii. 1. (pág. 41), el problema que se trata de resolver con la elaboración del presente tema de tesis, surge de la necesidad de realizar diagnósticos b A d o s e en señales gráficas que reporten el comportamiento de algún proceso mediante la utilización de RNA’s.
Para atacar dicho problema, se llevó primeramente a cabo el estudio de algunos paradigmas de RNA’s, cuyo funcionamiento se consideró más apropiado para poder dar solución al problema planteado. Así, el estudio se concentró en la taxonomía presentada por Lippmann, (1983, haciendo énfasis en los algoritmos cuyo tipo de aprendizaje fuera supervisudo, ya que, en base a la definición del problema, sección 11.1. (pág. 41), se observa que siempre se va a contar con una salida a comparar, que va a estar representada por gráficas de procesos bien identificados que generalmente representan fallas o anomalías a corregir. Además se estudió el paradigma PHAF-II, desarrollado en el Instituto de Investigaciones Eléctricas, [Mej92A], ya que dicho paradigma se encuentra basado en el paradigma Hopfield y en el paradigma Hamming.
Con el estudio de dichos paradigmas se concluye que ninguno de ellos da solución exacta al problema planteado. La red Hopfield no resultó adecuada para el problema que se tiene debido, básicamente, a las cinco razones siguientes:
1.
2.
Los valores de los vectores de entrada son binarios.
Debido a que el número de conexiones de esta red crece en función del cuadrado del número de entradas se requiere de un gran consumo de memoria principal de la computadora.
El número de patrones de aprendizaje con que lleva a cabo su entrenamiento esta red debe ser proporcional ai número de neuronas (es decir, para tener un buen funcionamiento se recomienda que el número de patrones esté entre el 10 y el 15% del número de neuronas con que cuente la red) ya que si existen muchos patrones almacenados, la red, al momento de recordar puede llegar a una solución sin significado.
3.
45
Capítulo n: Definición del problema v desarrollo del modelo W a r >
4. Esta red se vuelve inestable cuando un patrón de aprendizaje tiene muchos bits en común con otro patr6n de aprendizaje.
5 . No se lleva a cabo el reconocimiento de patrones con la contemplación de los beneficios del rastreo por frecuencia ylo rastreo por amplitud.
La red Hamming no resultó apropiada para el problema que se tiene debido, básicamente, a las cuatro m n e s siguientes:
1.
2.
3.
4.
Los valores de los vectores de entrada son binarios.
La red Hamming solamente señala el patrón al cuál se asemeja dicha entrada, por lo que se considera que la salida de la red es oscura y reservada para el especialista.
A pesar de que el número de conexiones de esta red crece linealmente, esto representa, todavía, un gran consumo de memoria principal de la computadora.
No se lleva a cabo el reconocimiento de patrones con la contemplación de los beneficios del rastreo por frecuencia y/o rastreo por'amplitud.
La red PHAF-I1 no cumplió con todas las características necesarias para el problema que se tiene debido, básicamente, a las dos m n e s siguientes:
1. El tratamiento que se le da a los datos no involucra ninguna estrategia para dejar fuera a los datos que es obvio que no son reconocidos por la red (capacidad de optimizar el procesamiento).
No se lleva a cabo el reconocimiento de patrones con la contemplación de los beneficios del rastreo por frecuencia.
Así, como se comprobó que ninguno de dichos paradigmas da solución exacta al problema planteado se opta por llevar a cabo el desarrollo de un nuevo modelo de RNA, que cumpla con la definición del problema expuesto en la sección 11.1. (pág. 41).
Buscando la mejor manera de dar solución al problema en su conjunto, se desarrolló el sistema SISREC, (SIStema REConocedor) que es un diagnosticador general de señales gráficas basado en la tecnología de RNA's.
El desarrollo de este sistema es, básicamente, una simulación del funcionamiento del modelo RNMap, el cuál cumple con todos y cada uno de los requerimientos del problema computacional expuesto.
2.
46
Cai>ítulo n: Definición del Droblema Y desarrollo del modelo N a i 7
La función baSica de SiSREC es hacer la compara~ión de, al menos, dos gráficas dadas y a partir de dicha comparación, mediante la utilización de la RNA: RNMap, desarrollada específicamente para dar solución al problema planteado, emitir un diagnóstico de la situación y sus correspondientes medidas a tomar. Para efectos del presente trabajo, una de las gráficas es denominada gr6fica a recomer y la otra gr6fica patrbn.
La gr6jlca a recomer es una gráfica que representa c6mo se está dando el funcionamiento de algún proceso en particular; mientras que la grcífica patrón es una gráfica que representa uno de varios casos especiales bien identificados, por los especialistas, que podrían indicar por ejemplo un caso de anormalidad, los cuáles se van a buscar e identificar a lo largo de toda la gráfica a reconocer.
En la figura 11.7 %,presenta un ejemplo de dichas gráficas.
M
I T u
D
Y ). T I E M P O X
D I T I E M P O ’ r
Fig. II. 7:.Grá3cas Parrón y Gr4fica a Reconocer.
La gráfica a reconocer puede estar formada por un gran número de puntos (SBREC tiene capacidad hasta para 8,OOO puntos) mientras que la gráfica patrón puede estar formada por una pequeña cantidad de puntos (SISREC tiene capacidad hasta para 2,000 puntos).
La etapa de aprendizaje de la red comprende el suministro de todas las gráficas patrón que se desee que la red maneje y en la e tap de reconocimiento pueda estar capacitada para
47
Catsftulo n: Definición del orohlema Y desarrollo del modelo RNMm
efectuar la identificación sobre la gráfica a reconocer.
En sí, con io que se va a estar trabajando es con una sene de pares de valores que son los que van a ir señalando donde se encuentran localizados cada uno de los puntos (en un sistema cartesiano), tanto de la gráfica patrón como de la gráfica a reconocer, y lo que se va a llevar a cabo es una comparación entre ellos para determinar su posible igualdad, considerando los cuatro tipos de problemas que se pueden presentar, descritos en la sección 11.1. @ag. 43), a pesar de los cuales el sistema deberá detectar la similitud entre dichas gráficas.
II.3.- MODEU) RNMap.
Si en un conjunto de datos se lleva a cabo un análisis secuencial para determinar SU comportamiento, se puede observar que algunos crecen (6 decrecen) sucesivamente hasta llegar a un punto en el que empiezan a decrecer (6 crecer) así como también se puede observar que algunos permanecen constantes y esto se repite varias veces. Tomando en cuenta lo anterior se introduce en el presente trabajo de tesis, el tkrmino de pico, cuya definición se detalla a continuación:
Un pico es el valor máximo o mínimo a partir de donde una secuencia monótona cambia de sentido o permanece constante, en otras palabras:
a) Si se tiene una secuencia monótona creciente y llega a un valor máximo a partir del cual la secuencia se hace monótona decreciente o permanece constante, a este máximo o constante se le llama: pico.
b) Análogamente, si la secuencia de valores es monótona decreciente hasta llegar a un valor mínimo a partir del cual la secuencia empieza a ser monótona creciente o permanece constante, a este mínimo o constante también se le llama: pico.
Para mayor claridad se han clasificado los picos en:
l).- Pico hacia Arriba.- Son los que cumplen con lo explicado en el inciso a).
2).- Pico hacia Abajo.- Son los que cumplen con io explicado en el inciso b).
3).- Extremos.- los extremos de una secuencia de valores (es decir, el primero y el último par de valores de una gráfica) también son considerados como picos.
En la figura 11.8 se muestran encerrados en un círculo los diferentespicos que la confor-
48
CaDftUlo U: Definición del oroblema Y desarrollo del modelo W a D
Y
M
A
G
N I
T
U
0
T I E M P O > X
Fig. 11.8: Ilwtracidn de los Picos en una Gráfica.
(Hña Ra6i -.Rslmma I
M A G N I T U D
T I E M P O I
~
Fig. 11.9: Muestra de iodos los bloques del mismo inicio y número de picos que la gráfica pazrdn.
49
CaDítulo ik Definición del problema Y desarrollo del modelo RNMao
man.
Los círculos b), d) y e) denotan picos hacia arriba mientras que el círculos c) denota un pico hacia abajo y como también se consideran los extremos, que en este cas0 son a) y 9 se tiene que la figura 11.8 está conformada por un total de 6 picos.
Tomando en cuenta que el número de picos que conforma a la gráfica patrón puede ser igual 6 menor que los picos que conforman a la gráfica a ser reconocida, como puede observarse en la figura 11.7 (pág. 47, en donde la gráfica patrón A cuenta con 13 picos, la gráfica patrón B cuenta con 9 picos y la gráfica a reconocer cuenta con 21 picos) se va a ir dividiendo la gráfica a ser reconocida en secciones a las que se nombran 6loques. Así, se va a llevar a cabo una compción de la gráfica patrón con todos y cada uno de los bloques en los que se pueda dividir la gráfica a ser reconocida que reúnan los dos requisitos siguientes: que tengan el mismo número de picos (ya sean ;recientes 6 decrecientes) y que tengan el mismo inicio @ico hacia arriba 6 pico hacia abajo) que la gráfica patrón.
Si consideramos a la gráfica patrón A presentada en la figura 11.7 se tiene que los bloques de la gráfica a ser reconocida que cuentan con el mismo inicio y número depicos que la gráfica patrón son cinco, como se muestra en la figura 11.9, por lo que la comparación va a ser de la gráfica patrón con cada uno de dichos bloques.
Es así como la gráfica patrón va a buscar, a lo largo de toda la gráfica a reconocer, en donde puede o no encontrarse, en una o repetidas ocasiones, y ya que la gráfica patrón representa para el especialista alguna situación importante en particular, generalmente de anormalidad, el sistema podrá emitir, de acuerdo a si encontró alguna ocurrencia en la gráfica a reconocer o no, y de acuerdo al número de veces de sil aparición, el diagnóstico de la situación así como la acción correctiva para el caso en particular; lo que, como se mencionó anteriormente, representa una gran ayuda para el usuario.
Tratando de optimizar el tiempo de dicha búsqueda y ai mismo tiempo buscando la flexibilidad del sistema, el proceso de comparación de las gráficas, se lleva a cabo mediante el modelo RNMap, que básicamente, incluye los siguientes seis pasos:
PASO 1.- Nivel de Entrada.
PASO 2.- Nivel de Transformación: Rastreo por Frecuencia y por Amplitud..
PASO 3.- Nivel de Interpolación.
PASO 4.- Nivel de Comparación (Cálculo del Error con consideración de la Bruma).
PASO 5.- Nivel de Filtrado (Cálculo de Factores de Similitud).
50
CaDítulo n: Definición del problema v desarrollo del modelo R M a D
PASO 6.- Nivel de Salida.
Cuyo funcionamiento se detalla en las secciones 11.3.1 ., II.3.2., 11.3.3., II.3.4., 11.3.5. y II.3.6., respectivamente.
lI.3.1.- PASO 1: NIVEL DE ENTRADA.
Antes de entrar de lleno a lo que es el funcionamiento del modelo m a p se tiene que llevar a cabo una preparación previa de los datos con los que se desea que la red trabaje. Esta preparación previa de los datos involucra a cuatro pasos. El primer paso, que es opcional, se refiere al proceso de suavizacidn, mediante el cual se ataca el problema del ruido en las gráficas, como se mostró en la figura II.3. Mientras que el segundo y tercer paso involucra la detección del inicio y número de picos en ambas gráfcas @tr&n y a reconocer). Y el cuarto paso se refiere a la detección de un bloque en la gráfica a reconocer, que se refiere a la selección del bloque de la gráfica a ser reconocida que cuente con el mismo inicio y número de picos que la grdfica patrón.
11.3.2.- PASO 2: NIVEL DE TRANSMlRMACION (RASTREO POR FRECUENCIA Y POR AMPLITUD).
Una vez que se detecta el bloque de la gráfica a reconocer que cuente con el mismo inicio (pico hacia aniba o pico hacia abajo) y número de picos que la gráfica patrón, como se mencionó en la sección anterior, el funcionamiento de la red RNMap es como sigue:
Primeramente, se lleva a cabo el proceso de tranrformaci6n con el cual se logra detectar no solamente la igualdad entre la gráfca patrón y el bloque de la gráfica a reconocer (que puede ser su totalidad) sino que también es posible detectar la semejanza que pueda existir entre ellas, lo que podría ser muy significativo para el usuario.
Así pues, con el proceso de transformación, se resuelve tanto el rastreo porfrecuenciu como el rastreo por amplitud, y es este proceso el segundo paso que conforma el funcionamiento de la red m a p . El rastreo por frecuencia se refiere a que el sistema pueda ser capaz de detectar la igualdad de las gráficas aunque los picos que las conforman estén comprimidos o separados con respecto a la otra gráfica (variación del eje de las X), en tanto que el rastreo por amplitud se refiere al hecho de que el sistema pueda ser capaz de detectar la igualdad de las gráficas aunque los picos que la conforman sean de diferenk. magnitud con respecto a la otra gráfica (variación del eje de las Y), como se muestra en las figuras 11.4 y 11.5, (págs. 43 y 44) respectivamente.
51
Ca~itulo it DefinicMn del Droblema Y desarrollo del modelo Rh’Mao
Con la consideración de estos dos t ips de rastreo, se busca que el sistema sea capaz de detectar la semejanza entre la gráfica patrón y el bloque de la grsifica a ser reconocida a pesar de que los puntos que las conforman estén contenidos en un e s p i o de diferente tamaño pero en la misma proporción (es decir, en distintas dimensiones).
Así pues, una vez que se obtiene el valor máirimo (de las X’s y de las Y’s) y ei valor mínimo (de las X’s y de las Y’s) se puede precisar el tamaño de la “ventana“ en la que están contenidos tanto la gráfica patrón como el bloque de la griífica a reconocer. Y para poder llevar a cabo el proceso de reconocimiento entre ambas gráficas interviene dicho pn>ceso de transformación (o mapeo) para trasladar una gráfica (considerando tanto a los valores de X como a los valores de Y) dentro de la ventana de la otra: esto siempre en función de la gráfica que tenga más puntos a la gráfica que tenga menos puntos, lo que significa que dicha transformación va a poder ser ya sea de la gráfica patrón ai bloque de la gráfica a ser reconocida 6 del bloque de la gráfica a ser reconocida a la gráfica patrón. Para el caso de que se tenga igual número de puntos, resulta indistinto y la red lo hará de la gr;ifca patrón al bloque de la gráfica a ser reconocida.
U A
La idea de llevar a cabo la transformación de una gráfica en una ventana dentro de la otra en función de la gráfica que tenga más puntos a la gráfica que tenga menos puntos es obtener mayor precisión dado que como se considera a la gráfica con más puntos se logra captar mayor información que si se tomara a la de menos puntos.
En la figura 11.10, la gráfica del inciso c) muestra el resultado de la traslación que sufrió la gráfica del inciso a) ai espacio de la gráfica del inciso b).
o .
Fig. 11.10: Proceso de Tranrformación.
52
Cai>ítulo ik Definici6n del oroblerna v desarrollo del modelo RNMm
La ecuación general utilizada pára obtener la traslación 6 transformación de un punto dado dentro de un espacio a otro espacio es como sigue:
“’ - (b - a) ’ \-
donde:
Transformacion =
X
Valor dentro del intervalo [A,B] correspondiente al intervalo [a,b].
Valor, ya sea de X o de Y, a ser encontrado dentro de otro espacio o ventana.
Intervalo comprendido entre a (valor mínimo) y b (valor máximo), ya sea del eje de las X’s o de las Y’s, de la gráfica a ser transformada.
=
r a m =
[ A A = Intervalo comprendido entre A (valor mínimo) y B (valor máximo), ya sea del eje de las X’s o de las Y’s, de la gráfica con respecto a la cual se va a hacer la transformación.
El m a p es del intervalo [a, b] al intervalo [A, B].
Con el uso de la fórmula (1) se van obteniendo los valores de un espacio equivalentes a otro espacio, tanto para X como para Y. De tal manera que si se tiene un punto dado, por ejemplo: 17’21 dentro de una ventana comprendida dentro del intervalo: [4,151 para el eje de las X’s y [2,q para el eje de las Y’s y se desea hacer la traslación de ese punto a otra ventana comprendida dentro del intervalo: [1,9] para el eje de las X’s y [1,4] para el eje de las Y’s se obtiene el punto equivalente, dado el razonamiento descrito a continuación:
El punto a transformar es [7,2], así que la X = 7 y la Y = 2, y io primero que se hará será considerar los intervalos de las X’s de la gráfica a ser transformada y de la gráfica con respecto a la cual se hará dicha transformación. Así tenemos que los intervalos son: [4,15] (de donde deducimos que a = 4 y b = 15) y [1,9] (de donde deducimos que A = 1 y B = 9), respectivamente. Y aplicando la fórmula, se tiene:
Transformacion = 1 + (7 - 4) * (9-1) / (15-4)
Transformacion = 1 + 3 * 8/11
Transformacion = 3.18181
53
c a ~ i ~ l o II: Definición del Droblema Y desarrollo del modelo
que significa que el valor de x = 7 comprendido dentro del intervalo I491q es equivalente al valor 3.18181 dentro del intervalo [1,91.
Ahora, se considerarán los intervalos de las Y’s de la griífica a ser transformada Y de la gráfica con respecto a la cual se hará dicha transformxión. Así tenemos que los intervalos son: [2 ,7 (de donde deducimos que a = 2 y b = 7) y [1,4] (de donde deducimos que A = 1 Y B = 4), respectivamente. Y aplicando la fórmula, se tiene:
Transformacion = 1 + (2 - 2) * (4-1) I (7-2)
Transformacion = 1 + O * 3/5
Transformacion = 1
que significa que el valor de Y = 2 comprendido dentro del intervalo [2,7 es equivalente al valor 1 dentro dd intervalo [1,4].
y así se concluye que el punto 17’21 comprendido dentro del intervalo: [4,15] para las X’S Y [2,7 Para las Y’s es equivalente al punto [3.18181, 11 considerando el intervalo: [1,9] para las X’S y [1,4] para las Y’s.
II.3.3.- PASO 3: NIVEL DE INTERPOLACION.
Cuando el proceso de transformación llega a su fin se tiene en un mismo espacio a las dos gráficas que se desean comparar, inciso c) de la figura 11.10. Y, ahora, para que dicha comparación se lleve a cabo de la manera más exacta se emplearan todos y cada uno de los diferentes valores que conformen a la gráfica transladada, pero aquí surge el problema de que, generalmente, no se va a estar trabajando con el mismo número de valores (ya que las gráficas no necesariamente contienen el mismo número de puntos). La red resuelve este problema a través del proceso de intelpolaci6n mediante una línea recta.
Así pues, si el valor correspondiente al punto transformado de X se encuentra dentro de los valores de las X’s de la gráfica con respecto a la cual se him la transformación se toma el valor correspondiente de Y, pero si no se encuentra presente será n d o crear un nuevo punto, el cual representará una aproximación, a través del proceso de intepiación mediante una línea recta.
En la figura 11.11, se ilustra una situación en la que es necesario hacer uso de una interpolación. Supóngase que únicamente se tienen registrados los valores de los ocho picos de la gráfica a). En el proceso de comparación entre las gráficas a) y b) se da el caso de que al
54
Caoíhilo E Definición del oroblema Y desarrollo del modelo R W a D
momento que se desea hacer la comparación del punto pl de la gráfica a) con el punto correspondiente de la gráiica b) dicho punto de como resultado el punto pl’ de la gráfica b), que como puede apreciarse, no se encuentra dentro de los datos por lo que se tiene que dCUlX, mediante el uso de la fórmula de la línea recta, un punto en donde sí haya información, en este caso se realizan los cálculos y el punto correspondiente es p2.
Así pues, cuando el proceso de transformación reporte un valor X’ que no exista dentro de la gráfica con respecto a la cual se hizo dicha transformación, se torn& en cuenta los dos valores X próximos menor y mayor al valor no existente y se supondrá que los puntos dados por estos valores y sus correspondientes valores de Y están contenidos en una ünea recta (para obtener la pendiente), así que se obtendrá la ecuación de la recta que pase por estos dos puntos y de ésta manera se podrá obtener el valor de la Y’ correspondiente a X’.
La ecuación de la linea recta es la siguiente:
Y = a r + b (2)
Ahora, suponiendo que esta ecuación se obtiene a partir de los puntos P1 = (Xi, Yi) y P2 = (X2, Y2) y tomando en cuenta que la ecuación de la pendiente es (Y2 - Y1)/(X2 - XI), puede obtenerse el valor para la coordenada en Y de “valor” mediante la siguiente ecuación:
Y = m(valor - X,) + Y, (3)
Así, las ecuaciones 2 y 3 son equivalentes si se hace:
(4) u = m b = Yl - mX,
donde:
Y = Resultado de la interpolación.
m
valor
XI, y1
=
=
=
Es la pendiente de la recta ((Y2 - Y,)/(X2 - X,)).
Dato de X del que se desea calcular su correspondiente Y.
Es uno de los puntos mediante los cuales se obtuvo la ecuación de la linea recta que los contiene.
55
Cai>íNlo IL Definición del problema y desarrollo del modelo RNhíaD w I
Fig. 11.1 I : Proceso de Interpelación.
Así pues, continuando con el ejemplo de la transformación antenor, supongamos que el valor transformado de X: X’= 3.18181 no se encuentre dentro de la gráfica con respecto a la cual se him la transformación (la cual contiene el intervalo de los enteros comprendidos del 1 al 9) entonces, interviene el proceso de interpolación obteniendo, primeramente los valores de los puntos próximos anterior y siguiente para calcular la pendiente (cuya fórmula es (Yz - Y,)/(X, - XI)) y enseguida aplicar la fórmula 3. Suponiendo que los puntos anterior y siguiente próximos a 3.18181 fueran: 3,l y 4,2 se obtiene la pendiente que es:
m = (2-1) I (4-3)
m = 1 1 1 = 1
Y al aplicar la fórmula 3, se obtiene:
Y = l(3.18181 - 3) + 1 Y = l(0.18181) + 1 = 1.18181
Lo que significa que a X’ = 3.18181 le corresponde un valor de Y’ = 1.18181, dados los datos anteriores.
56
CaDíhilo ii: Definición del oroblema Y desarrollo del modelo W a D
11.3.46- PASO 4: NIVEL DE COMPARACION (CALCULO DEL ERROR CON CONSIDERACION DE LA BRUMA).
Una vez concluido todo el proceso anteriormente descrito, se procede a efectuár la determinación del error existente entre las gráficas, tomando en cuenta a los resultados de Y obtenidos a través del proceso de la t r m f o m i 6 n e interpolacidn, en el caso de que hubiese sido necesario así como los valores ya existentes.
En sí, para calcular la diferencia que pueda existir entre una gráñca patrón y cualquier bloque de datos tomado del archivo a ser reconocido, se hace uso de la fórmula del error promedio, cuya ecuación es la siguiente:
n
(5) i= l EñROR PROMEDIO = n
donde:
ERROR PROMEDIO = Diferencia entre las Gdficas.
a,
b, = Dato del archivo patrón.
n = Número de puntos de la gráfica patrón.
Una diferencia (error) igual a O denotará la igualdad entre la gráfica patrón y el bloque del archivo a ser reconocido y mientras más se aieje de O dicha diferencia (error) más diferentes serán dichas gráficas.
= Dato del archivo a ser reconocido.
En muchas ocasiones al usuario no le importa que pudiese existir una diferencia mínima entre las gráficas, por lo que se considera, en la presente tesis, el concepto de tolerunciu de error que incluye una función con la cual se evalúa si el error calculado, mediante la fórmula expresada en la ecuación 5 , es tan pequeño que se puede considerar aceptable. El margen de lo que se puede considerar como mínimo o pequeño el mismo usuario será quién io establezca.
Dicha función es f., y a continuación se describe:
57
Capítulo Definición del problema Y desarrollo del modelo RNMap
I I
E,, si Ej tolemncia de error (a)
f.-{ O, en cualquier otro caso
donde: Ej = Error j-ésimo calculado.
Y así, el resultado obtenido de la función anterior, permite, de acuerdo al porcentaje que el usuario haya especificado, que haya un margen dentro del cual el valor se considere todavía aceptable.
11.3.5.- PASO 5: NIVEL DE FILTRADO (CALCrdO DE FACTORES DE SIMILITUD).
\
El quinto paso de la red RNMap lo constituye el cálculo de factores de similitud.
AI mismo tiempo que se va procesando cada gráfica patrón con cada bloque de la gráfica a reconocer, la red RNMap está diseñada para ir calculando distintos resultados que representan factores que reportan información adicional al usuario. Una vez que llegue a su fin el procesamiento de una gráfica patrón con un bloque de la gráfica a ser reconocida, se llevar6 a cabo el cálculo del Factor de Escala (FE) y el cálculo del Factor de Certeza Local (FCL). Mientras que cuando llegue a su fin el procesamiento de la gráfica patr6n con toda la gráfica a reconocer se llevará a cabo el cálculo del Factor de Certeza Global (FCG). Dichos factores se definen y se obtienen de la siguiente manera:
El FE representa en que proporción está contenido el bloque de la gráfica a ser reconocida dentro de la gráfica patrón 6 viceversa. Y se calcula considerando a los intervalos tanto de X como de Y dentro de los cuales están contenidas las gráficas:
donde:
B - A = Valor máximo menos el valor mínimo de la gráfica con respecto a la cual se va a efectuar la transformación.
58
Capítulo ik Definición del oroblema Y desarrollo del modelo m a 0
b - a =
El FCL indica con cual de los puntos del bloque a ser reconocido tuvo más diferencia la gráfica patr6n. Y se calcula obteniendo el valor máximo de la diferencia entre el vdOr transformado y el valor que se tenga 6 el valor que se haya encontrado mediante el proceso de la interpolación, en caso de que se hubiese sido necesario calculdo.
Valor máximo menos el valor mínimo de la gráfica a ser transformada.
FCL = Mnximo(Valor lkan$orma& - Valor) (8)
donde:
Valor Transformado = Resultado del proceso de la transformaci6n.
Valor
El FcG indica el porcentaje de parecido entre la gráfica patrón y la gráfica a ser
= Valor existente, o bien que haya resultado al interpolar.
reconocida. y se calcula haciendo uso de la siguiente f&mula:
I FCG = 100% - %Error (9) I donde:
%Error = Es el porcentaje de diferencia entre las gráficas.
Y para calcular dicho porcentaje de diferencia (%Error) se utiliza la siguiente fórmula:
(10) Promedio * 100
(Maximo - Minimo) % =
donde:
Promedio =
Maximo =
Minimo =
Sumatoria de los errores entre el número de errores calculados.
Valor máximo de las dos gráficas que se están comparando.
Valor mínimo de las dos gráficas que se están comparando.
59
Caolmlo Ik Definición del oroblema Y desarrollo del modelo RNMaD
II.3.6.- PASO 6 NWEL DE SALIDA.
La salida de la red es:
1, si es h Em O, en cualquier otro c m
Lo que significa que en donde se reporte el valor mínimo del error, se enciende una bandera con el valor de 1 y ahí es donde la red ha encontrado una mayor igualdad entre. 10s distintos bloques de la gráfica a recOnOcer y ia(s) gráfica(s) patrón.
Una vez que ya se lleva a cabo todo el procesamiento de una o varias gráficas patrón con la gráfica a reconocer que se desea, el sistema está preparado para emitir resultados a manera de: los errores o diferencias encontradas entre todos y cada uno de los bloques que conforman a la gráfica a m n o c e r y ia(s) gráfica($ patrón, el tiempo de procesamiento y la emisión del diagnóstico ylo acción correctiva.
En las secciones siguientes se detallan todas y cada una de las salidas proporcionadas por el procesamiento de la red: RNMap.
II.3.6.1.- OBTENCION DE LOS ERRORES O DIFERENCIAS ENCONTRADAS ENTRE TODOS Y CADA UNO DE u)S BWQUES DE LA GRAHCA A RECONOCER Y LA(S) GRAFiCA(S) PATRON.
El usuario determinará cuántos de los bloques del archivo a ser reconocido, que presenten diferencias mínimas, con respecto ai archivo patrón, desea. Dichos bloques son los que más se asemejan a la gráfica patrón y como ésta representa una situación de particular interés para el usuario, se emitirá, a partir de ellos, un diugdsfico de la situación y, en caso de que el experto humano la haya proporcionado, su correspondiente acción correcfiva.
En caso de que el usuario desee una cantidad más grande del total de los mínimos que se puedan calcular con los datos de entrada proporcionados, el sistema lo hará notar mediante un aviso y procederá a dar la lista del total de los errores calculados.
60
Cmítulo n: h f i ~ i c i ó n del Droblema y desarrollo del modelo R m a D
II.3.6.2.- REPORTE DEL TIEMPO DE P R O C E S ~ O .
El sistema reportará el tiempo, en el rango de los segundos y haciendo uso del formato exponencial, que u t i l i para llevar a cabo el cálculo de todos los errores o diferencias entre los distintos bloques de la gráfica a reconocer y ia(s) gráfica(s) patrón.
11.3-6.3.- EMISION DEL DIAGNOSTICO YIO ACCION CORRECTIVA.
De acuerdo ai reconocimiento que se tenga de la presencia de ia(s) gráfica(s) patrón dentro de la gráfica a se; reconocida se guiará al usuario emitiendo un diagnóstico de la situación ylo acciones que permitan corregir la anomalta que se está presentando.
Por ejemplo, se emiten respuestas como la que se presenta a continuación:
Reconocimiento Positivo. Del tiempo 415 al 514 existe wa seAal que tiene un FCG = 90.4756 (FEX = l.OC0000e-i00 y FEY = 3.WXKXki-00) con la gr&fica patrdn PATRONl2.DAT. por lo que el diagnóstico es: "Equipo fuera de n o m D y la accidn recomendada es "VenJcar distancia entre elementos conductores".
Una vez que ya se hayan aplicado estos seis pasos a la primer gráfica patrón y el primer bloque del archivo a ser reconocido, se procederá a considerar el siguiente bloque del archivo a ser reconocido que presente el mismo número e inicio de picos que la gráfica patrón, recomendo el inicio del bloque en un pico, y así sucesivamente, hasta agotar todo el archivo a ser reconocido. En caso de que se haya entrenado a la red con más de una gráfica patr6n se procederá a repetir el mismo mecanismo, hasta agotar todas las gráficas patrón.
11.4.- ARQUITECTURA DEL MODEJB RNMap.
En la figura 11.14 se ilustra la arquitectura del modelo neuronal RNMap. RNMap está compuesto por las seis capas o niveles siguientes: la capa de entrada, la capa de transfoormocidn, la capa de interpolacidn, la capa de comparación (error promedio), la capa de filtrado (c&lculo de factores de similitud) y la capa de salida.
En dicha arquitectura la abreviatura pp indica el número de picos que presente la gráfica patrón (GP), dp indica el número de datos que presente GP, ip indica el tipo de inicio que pre-
61
GR
Ua bloque de GR dondcpppeip4u
I
I
Fig. 11.12: Arquitectura de la Red RNMap.
62
CaDfhiio n: Definició del moblema y desarrollo del modelo RNMaD
sente GP (1, si el inicio es creciente o constante, O, de otra manera), pr indica el número de picos que presente la gr;lfca a reconocer (GR), dr indica el número de datos que presente GR e ir indica el tipo de inicio que presente GR (1, si el inicio es creciente o constante, o, de Otra manera).
El número de la($ gr;Uica(s) patrón pueden ser hasta N, en tanto que la gráfica a reconocer se va a ir fraccionando en bloques que presenten el mismo número de picos e inicio que la gráfica patrón correspondiente, como se representa en las condiciones: pp=pr e ip=ir, del nivel de entrada, de la arquitectura presentada en la figura Ii.12 (pág. 62).
lI.5.- ALGORITMO DE LA RED RNMap.
A continuación se describe el algoritmo RNMap, considerando a las dos etapas de funcionamiento de las RNA’s:
ETAPA DE APRENDIZAJE.
PASO 1: ASIGNA PESOS A LAS CONEXIONES.
A partir de la (s) gráfica (s) patrón (GP), determinar:
pi*
donde:
1 < = i < = número total de patrones.
1 < = j < = número total de picos, del patrón iésimo.
1 < = k < = número total de datos, del patrón i-ésimo.
ETAPA DE RECONOCIMIENTO:
PASO 2: INICIALIZA CON UNA GRAFiCA DE ENTRADA DESCONOCIDA.
63
Ca~ítulo ik Definición del Droblema v desarrollo del model0 W a D
La gráfica de entrada desconocida será la gr;ífica a reconocer (GR), de la cual hay que:
Obtener R,,
donde:
1 < f < número total de bloques, que cuenten con el mismo inicio y número de picos que el p a t h i-ésimo que se este considerando.
1 < g < número total de picos.
1 < h < número total de datos.
PASO 3: ITERA, HASTA TERMINAR, SOBRE 1 < = f < = h.
A) Llevar a cabo el proceso de trmfoormoción, como se describe a continuación:
Seleccionar el primer bloque de GR, y verificar si tiene más datos que la GP, correspondiente.
En caso afirmativo, asignar:
a = el valor mínimo contenido en el bloque de GR
b = el valor máximo contenido en el bloque de GR
A = el valor mínimo contenido en GP
B = el valor máximo contenido en GP
En caso negativo, asignar:
a = el valor mínimo contenido en GP
b = el valor máximo contenido en GP
A = el valor mínimo contenido en el bloque de GR
B = el valor máximo contenido en el bfoque de GR
64
II: Definición del uroblema Y desarrollo del modelo RNMao
La transformación es del intervalo [a, b] al intervalo [A, B].
La ecuación general utilizada para obtenm la traslación 6 transformación de un punto dado dentro de un espacio a otro espacio, como se mencionó en la sección Ií.3.2. @Ag. 531, es la ecuación 1.
Dicha ecuación se aplica tanto para el eje de las X's como para el eje de las Y's.
B) Llevar a
Una vez que ya se tenga a GP y al bloque de GR en un mismo eSPaCi0, 10 más Probable es que se tenga distinto número de puntos en una y otra gráfia por io que, para el caso de que haga falta un punto, se u t i h la siguiente fórmula de interpolación para dcularhX
el proceso de la interpolaci6n, como se describe a continuación:
Y = m(valor - X,) + Y, ..
En caso de que se tenga igual número de puntos, no interviene dicho proceso de interpolación .
C) Llevar a cabo el proceso de comparacidn, como se describe a continuación:
En caso de que hubiese sido necesario, y habiendo concluido el proceso de interpolación entre las gráficas, se lleva a cabo la comparación entre ambas, mediante el uso de la fórmula de Error Promedio (sección II.3.4., ecuación 5, pág 57), que se encarga de calcular el promedio de la suma de las distancias entre los puntos de las dos gráficas.
En muchas ocasiones al usuario no le importa que pudiese existir una diferencia mínima entre las gráficas, para lo cuál se aplica la función mostrada como número 6, en la sección 11.3.4. @ag. 58).
Y así, el resultado obtenido de la función anterior, permite, de acuerdo al porcentaje que el usuario haya especificado, que haya un margen dentro del cual el valor se considere todavía aceptable.
D) Enseguida, se lleva a cabo el calculo de los factores de similitud. Para calcular el fa to r de escala, se hace uso de la fórmula 7, mostrada en la sección 11.3.5. (pág. 58), y se va almacenando información para, que cuando se terminen de procesar todos los bloques de GR se lleve a cabo el cálculo de los siguientes factores: el fmtor de ceneza local y el factor de C e n a global, mediante las ecuaciones 8, 9 y 10, de la sección 11.3.5. @ag. 59).
65
Caoíiulo U Definición del vroblema Y desarrollo del modela R N M ~ D
PASO 4: SELECCIONA LA SIGUIENTE GRAFICA PATRON.
i = total de patrones?
SI: SE DA LA SALIDA DE LA RED Y, EN CASO DE QUÉ SE CUMPLA CON LOS REQUISITOS, SE EMITE EL DIAGNOSTICO Y/O ACCION CORRECTIVA CORRESPONDIENTE.
NO: . i = i + 1, ir al PASO 1.
66
Capítulo I11 ' Desarrollo del sistema SISREC
Ei objetivo básico del presente capítulo es presentar la implementación de la solución propuesta.
Así, en la sección IIi.l. , en base a la nueva red RNMap propuesta (sección II.3., pág. 48), se propone un modelo conceptual del sistema, haciendo mención a las clases implementadas así como algunos de sus métodos, bajo los cuales se implemento a SISREC.
En la sección 111.2, se hace la especificación de los detalles de la implementación de los módulos que conforman a la red neuronal RNMap. Mientras que en la sección 111.3 se hace la descripción y la especificación de algunos de los detalles de la implementación de los módulos que conforman a SISREC.
Posteriormente, en la sección 111.4, se describe el principal problema encontrado al estar implementando la solución propuesta en el presente tema de tesis, así como la manera en la que fue resuelto.
61
Caoítulo m: Desarrollo del sistema SISREC
Y, por último, en la sección 111.5, se lisian los recursos, tanto de "hardware" como de "software", utilizados para la implementación del sistema.
m.1.- MODELO CONCEFWAL DEL SISTEMA.
En general, los módulos elaborados durante la impiementación de la solución propuesta para el presente tema de tesis, son nueve y a continuación se listan:
SISRECCPP, MGRAFICA.CPP, RECONOCE.CPP, RECUPERA.CPP, GLOBALl.CPP, GLOBAL2.CPP, GLOBAW.CPP,
m MOUSE.CPP. PORTADA.CPP y
Además de la elaboración de los siguientes cinco archivos de encabezado que contienen la definición de las Clases utilizadas:
RECUPERA.HPP, RECONOCE.HPP,
PORTADA.HPP y MOUSE.HPP.
ARCH.HPP,
SISREC es un proyecto (.PRI) que está compuesto por los siguientes tres módulos, que son: SISREC.CPP, PORTADA.CPP y MOUSE.CPP, además SISREC llama a los programas ejecutables: MGRAFICA.EXE, RECONOCE.EXE y COMMAND.COM.
MGRAFICA.PRJ, es un proyecto que está compuesto por los siguientes cinco módulos: MGRAFICA.CPP, GLOBAL1 .CPP, GLOBAL2.CPP, PORTADA.CPP y MOUSE.CPP.
RECONOCE.PRI es un proyecto que está compuesto por los siguientes seis módulos: RECONOCE.CPP, GLOBAL1 .CPP, GLOBAL2.CPP, GLOBAL3.CPP, PORTADA.CPP y MOUSE.CPP, además llama al programa ejecutable: RECüPERA:EXE.
RECUPERA.PRJ es un proyecto que está compuesto por los siguientes seis módulos:
68
Caoítulo m: Desarrollo del sistema SISREC
RECUPERA.CPP, GLOBAL1 .CPP, GLOBAL2.CPP, GLOBAL3.CPP, P0RTADA.CPP y MOUSE.CPP.
Aproximadamente, SISREC cuenta con 2,200 líneas de código.
En la figura 111.1, se presenta el modelo conceptual propuesto de SISREC.
III.l.1.- CLASES Y SUS METODOS.
Como se menciona en la sección 1.5. @ag. 38), SISREC está implementado en el lenguaje de programación C+ +, bajo el paradigma de la programación orientada a objetos y en esta sección se hablará a nivel de detalle de todas y cada una de las clases creadas para que dicho sistema ileve a cabo su función, así como también se presenta, para cada una de las Clases, sus principales métodos.
La clase más importante es la clase creada para la implementación del modelo neuronal M a p , y es la siguiente:
. . Clase M a p . - Esta clase permite llevar a cabo el procesamiento de todas y cada una de las gráficas a reconocer y las gráficas patrón, mediante el proceso del m a p o rastreo, el pn>ceso de Interpolación entre dos gráficas, el cálculo de la Pendiente y la Obtención del error o diferencia entre dos g d f h s dadas. Esta clase hereda las funciones de otras clases, que serán descritas más adelante. Algunos de los métodos que incluye esta clase son los siguientes:
Interpolacion . -
Calcu1aPendiente.-
0btenError.-
Mapea.-
Trans1acionX.-
TranslacionY .- ProcesaMuestra.-
Calcula el valor de un punto dado inexistente en una de las gráficas que se está comparando.
Se encarga de calcular la pendiente de una línea.
Permite calcular el error o la diferencia entre dos gráficas dadas.
Calcula el valor correspondiente de un punto dado en otro espacio.
Translada las coordenadas X’s a otro espacio de X’s.
Translada las coordenadas Y’s a otro espacio de Y’s.
Permite controlar el procesamiento de las comparaciones.
69
I Fig. 111. I : Modelo Conceptual del Sistema SISREC.
Clase Pantalla.- Esta clase permite mostrar los resultados obtenidos del procesamiento de los datos, mediante la impresión de los errores calculados por el sistema, la emisión del
70
Cadtulo iik Desarrollo del sistema SlSREC
diagnóstico correspondiente, así como el suministro de los datos con los que se desea que trabaje el sistema (nombre de archivos, si se desea o no la bruma, número de mínimos d e d o s , etc.). Esta clase hereda los métodos de las clases Porfada y Raton. Algunos de los métodos que incluye esta clase son los siguientes:
Ventana.-
PideDatos.-
Abre una ventana delimitada por un cuadro.
Permite mostrar una serie de preguntas acerca de los datos de entrada.
Despliega el archivo de diagnóstico correspondiente.
Permite que se indique el bloque más parecido con el patrón.
Muestra, en pantalla, los resultados del procesamiento.
Muestra, en pantalla, todos los errores euclidianos calculados.
Permite leer una cadena introducida por el k?dado.
Despliega.-
1mprimeDiagnostico.-
MuestraResu1tados.-
1mprimeErrores.-
Leecadena.-
Clase Gdfiea.- Esta clase permite llevar a cabo todo lo referente a operaciones con gráficas como lo son: efectuar el proceso de suaviación en una gráfica cuando el usuario así lo haya especificado, llevar a cabo el conteo de los picos de una gráfica, calcular el valor mínimo y el valor máximo contenido en una gráfica y hacer la consideración de la bruma de acuerdo a los deseos del usuario. Esta clase hereda los métodos de la clase Archivo, ya que en ellas se requiere hacer uso de los métodos de estas clases. Algunos de los métodos son los siguientes:
Suaviza.-
Calcu1aNpicos.-
Mima.-
Calcu1aBruma.-
Permite efectuar la suavización de una gráfica determinada.
Calcula los picos contenidos en las gráficas.
Permite calcular el valor mínimo y el valor máximo de una gráfica.
Realiza el cálculo de la bruma que el usuario haya especificado.
Clase ModoCrafico.- Esta clase permite cambiar de contexto (modo texto a modo gráfico y viceversa). Esta clase hereda los métodos de las clases Crafica y Archivos. Los métodos que incluye esta clase son los siguientes:
71
CaDítulo iii: Desarrollo del sistema SISREC
1niciaModoGrafico.-
TerminaMod0Grafico.-
CambioDeContexto.-
Permite hacer uso del modo gflico de la PC.
Regresa a modo texto la PC.
Permite declarar las preferencias sobre el video, como coíor, estilo, etdtera.
Clase HazGrafica.- Esta clase permite hacer todo lo relacionado con la presentación gráfica de los datos, por ejemplo: el trazo del eje de las X’s y de las Y’s, el dcu lo de los valores correspondientes a dichos ejes, la escritura del título correspondiente así como h recuperación misma de los datos. Esta clase hereda los mWos de las clases Archivos, Graficu y ModoGrafico. Algunos d? los métodos que incluye esta clase son los siguientes:
Ejex.- Que permite trazar el eje de las X’s, considerando una ventana especificada, siempre y cuando se justifique su existencia, para un conjunto de datos determinados.
Que permite trazar el eje de las Y’s, considerando una ventana conjunto de datos determinados.
Ejey.-
Valoresejex . - Permite mostrar 6 intervalos que sirvan como referencia para las X’s.
Val0resejey.- Permite mostrar 5 intervalos que sirvan como referencia para las Y’s.
PonTitulos. - Coloca títulos adecuados a las gráficas.
Tr;izaGrafica.- Traza la gráfica deseada con un color especificado.
RecuperaMinZoom.- Permite que se desplieguen los bloques de la gráfica a reconocer más parecidos con la gráfica patrón (de acuerdo ai número de mfnimos especificados por el usuario). . Clase Archivo.- Esta clase permite verificar la existencia de un archivo en particular,
así como leer de disco algún archivo y llevar a cabo la escritura de información a disco. Esta clase hereda sus métodos a las clases: Grafca, ModoGrafco, HazGrufca y RNMap ya que en ellas se requiere hacer uso de los métodos de esta clase. Algiinos de los métodos que incluye esta clase son los siguientes:
EstaArchiv0.- Que permite llevar a cabo la verificación de la existencia de un archivo.
LeeDeDisco. - Que permite la lectura de información de un archivo en disco
72
Caoítulo ilk Desarrollo del sistema SISREC
Clase Raton.- Esta clase permite verificar la existencia del dispositivo de entrada "mouse", para mostrar u ocultar su cursor así como también permite verificar la posición del cursor dentro de la pantalla y delimitar su espacio de movimiento. Esta clase hereda sus métodos a las clases: Portada, Panrallo y RNMap, ya que en ellas se requiere hacer uso de los mét@os de esta clase. Los métodos que incluye esta clase son los siguientes:
Mstatus.-
MSh0w.-
Que permite verificar la existencia del "mouse".
Permite mostrar el cursor del "mouse".
Mhide.-
Mpüt.-
M~os.-
Mv1imit.-
Oculta el cursor del "mouse".
Para posiciopar el cursor del "mouse" en algún lugar de la pantalla.
Permite verificar,la posición de la pantalla en la que se encuentra el "mouse".
Delimita el espacio de movimiento del cursor del "mouse".
Clase portada.- Esta clase permite la elaboración tanto de menús y cuadros como la escritura de los letreros en los menús. Esta clase hereda los métodos de la clase: Rafon. Algunos de los métodos que incluye esta clase son los siguientes:
VCuadroDb1e.-
MouseEnMenu.-
Permite la elaboración de un cuadro y la escritura de un letrero.
Verifica si el "click" del "mouse" se hizo en alguna de las opciones del menú.
MenuConMouse.- Sensa el movimiento del cursor del "mouse".
En la figura 111.2, se hace la representación gráfica de la herencia entre las clases implementadas en el sistema.
lII.2.- DETALLES DE LA IMPLEMENTACION DE LOS MODULOS QUE CONFORMAN AL PARADIGMA: RNMap.
A continuación se abordan detalles de la implementación de los módulos que componen al paradigma neuronal RNMap.
73
I - SISREC -+-A
Fig. 111.2: Representaci6n GráJica de la Herencia entre las Clases Implementadas en ei Sistema.
III3.1.- TRANSFORMACION (RASTREO POR FRECUENCIA Y POR AMPLITUD).
Mediante este módulo se realiza la transformación 6 traslación de una gráfica (que puede ser ya sea la gráfica patrón o el bloque de la gráfica a reconocer) dentro del espacio de la otra, como se mencionó en la sección 11.3.2. (pág. 51), y que sirve para resolver los problemas planteados en las figuras 11.4 y II.5, de la sección 11.1. (págs. 43 y 44), acerca de la definición del problema.
Así pues, el proceso de transformación 6 m a p de una gráfica en otra está en función de la gráfica que tenga más puntos a la que tenga menos puntos, por lo que puede ser tanto de
74
C a ~ i n i l ~ m: Desam>llo del sistema SISEC
la gr;ífica patrón ai bloque de la gráfica a reconocer 6 del bloque de la gráfica a reconocer a la gráfica patrón y se lleva a cabo mediante la siguiente función que involucra la fórmula de transformación, ecuación 1, presentada en la sección 11.3.2. (pág. 53):
T ( X , n , Y , m , Z ) In ic io
Obtener [ a , bl = i m f m i m o de X . mdximo de XI Obtener [ A , B ] = [ m f n i m o de Y , m á x i m o de YI I t e rar sobre i tal que 1 5 i 5 n
Zf = A + ( X , - a ) ( E - A ) / @ - a ) F i n
donde: X y = Parámetros de entrada que reciben a los valores de la gráfica patrón y del
bloque de la gr;üica a reconocer. n y m = Parámetros de entrada que representan la longitud de dichas gráficas. Z = Parámetro de salida que va a contener el resultado de la transformación.
El m a p es del intervalo [a, b] ai intervalo [A, B]. En esta función la transformación se lleva a cabo siempre de la ventana X a la ventana Y, por lo que previamente hay que llevar a cabo la determinación de cuál de las gráficas va a ser la gráfica con respcto a la cuál se va a hacer la transformación. Para ello se hace uso de la cláusula condicional en donde se pregunta si el número de puntos de la gráfica patrón es menor que el número de puntos del bloque de la gráfica a reconocer. Si dicha condición se cumple, entonces el proceso de translación se efectúa de la gráfica a reconocer a la gráfica patrón en tanto que si es negativa el proceso de translación se efectúa de la gráfica patrón a la gráfica a reconocer.
III.2.2.- INTER€9LACION.
Al momento de llevar a cabo la comparación entre las dos gráficas, ya colocadas en un mismo espacio (mediante el módulo de la transformación), y se tenga un punto del cual no se tenga su correspondiente en la otra gráfica, mediante el proceso de la interpolación, que contempla el uso de la línea recta, se logra calcular el valor de dicho punto.
A continuación se muestra el proceso que aplica la f6rmula de interpolacion, mostrada en la ecuación 3, de la sección 11.3.3. (pág. 55):
15
CaoíNlo m. D e w 0110 del sistema SlSREC
void RNMap::Valoreslnterpola(intposicion, int posicionl, double valor, double GReconocerXLl, double GReconucerYfl)
double pendiente;
pendiente = CalPen(GRX@osicionl -I].GRY[posicionl -I].GRX[posicionl],GRY[posicion~l); InterpolaCposicion] =pendiente*(valor-GRX[posicionl -I]) i- GRY@osicionl -I];
i
I Así pues, mediante la interpolación, se realiza el cáiculo del valor que le correspondeda
a un punto, del cuál no se tiene información, dada la tendencia del punto anterior y siguiente, como se mostró gráficamente en la figura 11.11.
III.2.3.- COMPARACION (CALCULO DEL ERROR CON CONSIDERACION DE LA BRUMA).
Una vez que ya se tiene el mismo número de puntos de ambas gráficas, se procede a llevar a cabo el &culo del error o diferencia entre ellas, utilizando la fórmula del error promedio, pero, como se mencionó en la sección 11.3.4. (pág. 57), como en algunas ocasiones, pudiese ocumr que al usuario no le interese la existencia de una pequeña diferencia entre las gráficas al momento de hacer dicho cáiculo de la diferencia o el error, también se considera el concepto de bruma, como se muestra en la siguiente función ObtenError, que es un método de la clase RIVMap.
double RNMap::ObtenError(double arregloAU, double arregloB[], int n)
double swna=O, sumal =O;
for (int i=O; i<n; i + + ) I
s u m 1 = fal>s(arregloA(i]-arregloB[i]); i f (swtlal> bruma)
// q u i se calcula la dflerertcia
í S W l =SWl-bruma; swna=swna+swna1;
// conrideracidn de bruma
I I return (swna/n);
I
76
CdNlO Ilk 0110 del sistema SlSREC
En donde:
mgloAl] =
mgloBl] =
n =
parámetro que recibe como entrada a los valores transformados del eje de las Y’s. parámetro que recibe como entrada a los valores inicialis 6 interpolados del eje de las Y’s. m e t r o que recibe como entrada al número de puntos a comparar.
Así pues, la b m es un porcentaje de tolerancia, establecido por el mismo usuario, dentro del cual se puede considerar todavía aceptable cualquier punto que conforme a las gráficas, como se muestra en el figura 111.3, y que sirve para resolver el problema planteado en la figura II.6, de la secció? iI. 1. (pág. 44), acerca de la definición del problema.
M
A
G
A
Fig. 111.3: ApIicaci6n de Bruma a la Grtyica.
Es así como se da un margen de tolerancia, que hace verse a la gráfica más ancha, dentro del cual, se consideran aceptables, para la comparación, la coincidencia de los puntos que conforman a las gráficas.
77
Caoítulo m: Desarrollo del sistema SISREC
III.2.4.- FILTRADO (CALCUU) DE FACTORES DE SIMILITUD).
Mediante este módulo es que se realiza el cálculo del Factor de Escala (FE) entre $a uno de los bloques de la gráfica a reconocer y la gráfica pair6n, así como el cálculo del Factor de Certeza Local (FCL). Además, se calcula el Factor de Certeza Global (FCG), entre cada gráfica patrón y la gráfica a reconocer.
El FE, como se mencionó en la sección 11.3.5. @g. 58), es la proporción en la que se encuentra contenida una gráfica dentro de la otra. Y se calcula considerando a los intervalos tanto de X como de Y dentro de los cuales están contenidas las griificas.
Así pues, se calcula un FE para el eje de las X’s y otro para el eje de las Y’s, haciendo uso de la fórmula 7 (pág. 58), especificada en dicha sección.
Como se mencionó asimismo, en la sección 11.3.5. (pág. 58), el FCL representa la máxima diferencia entre cada bloque de la gráfica a reconocer y la gráfica patrón. El FCL se calcula mediante la resta del valor transformado y el valor mapeado correspondiente (sección I i . 3 5 , fórmula 8, pág. 59), que puede ser el valor interpolado, en caso de que haya habido necesidad de interpolar para calculario. Y una vez calculadas todas las diferencias, se selecciona a aquella cuyo resultado haya sido mayor. Siendo este resultado el que represente la máxima diferencia entre el bloque de la gráfica a reconocer y la gráfica patrón.
La implementación de este factor incluye la intromisión de una variable (FCL) de tipo booleano en donde se va a almacenar el resultado de la primer diferencia calculada, y en función de si el resultado de la siguiente diferencia calculada es mayor se reemplazará dicho valor, y así sucesivamente.
El FCG representa el porcentaje de paraido entre toda la gráfica a reconocer y la gráfica patrón. La implementación de dicho factor involucra el uso de fórmula 9, descrita en la sección Ii.3.5. (pág. 58).
Así pues, el FCG es un porcentaje que representa la diferencia entre 100 por ciento (que representa el total de parecido entre las gráficas) y el porcentaje de error (que representa el total de diferencia entre las gráficas).
Para determinar el porcentaje de error o diferencia entre la gráfica a reconocer y la gráfica patrón, (fórmula IO), primeramente se calcula el promedio de los errores (que es la sumatoria de todos los errores entre el número de errores) y enseguida ese promedio se multiplica por 100 (ya que el resultado se desea en porcentaje) para posteriormente dividir todo este resultado entre la diferencia del valor máximo y el valor mínimo de las dos gráficas que se están comparando (a reconocer y patrón).
78
C a h l o m: Deserrollo del sistema SISREC
III.3.- DESCRIPCION Y ALGUNOS DETALLES DE LA IMPLEMENTACION DE LOS MODULOS QUE CONFORMAN AL SISTEMA: SISREC.
A continuación se aborda la descripción y los detailes de la implementación dé los módulos que componen a SISREC, los cuáies sirven para controlar tanto al nivel de entrada como ai nivel de salida de la red RNMap.
III3.1.- GRAFICA A RECONOCER.
Aquí se almacenan‘los diferentes puntos correspondientes tanto al eje de las X’s como al eje de las Y’s, que conforman a la gráfica a reconocer, para ello se hace uso de archivos compuestos por dos columnas de valores, siendo la primer columna los datos correspondientes al eje de las X’s y la segunda columna, los datos correspondientes al eje de las Y’s. S I S m tiene capacidad hasta para 8,000 puntos.
III.3.2.- GRAFICAS PATRON.
Aquí se almacenan los diferentes puntos correspondientes tanto al eje de las X’s como al eje de las Y’s, que conforman a ia(s) gráfica(s) patrón, para ello se hace uso de archivos compuestos por dos columnas de valores, siendo la primer columna los datos correspondientes al eje de las X’s y la segunda columna, los datos correspondientes al eje de las Y’s. SISREC tiene capacidad hasta para 2,000 puntos.
III.3.3.- DIAGNOSTICOS.
Los diferentes Diagnósticos (nodos de salida) que se van a disparar, en base al resultado del procesamiento efectuado, se encuentran almacenados en diferentes archivos en disco.
La lectura de dichos archivos se hace con la función fgets del Turbo C + + , en tanto que la escritura en pantalla y la escritura a un archivo se hacen con las funciones cprintf y fprintf, respectivamente.
79
I I
La interfaz del sistema con el usuario, como se muestra en la figura iii. l., pág.- 70, icamente, se lleva a cabo mediante los llamados a los métodos siguientes:
1 . Visualización de Gráfica.
Reconocimiento de Semles: RNMnp. . Despliegue de Resultados. . Dos Shell.
Mediante el módulo de i+&wci6n de gráficar, el usuario podrá observar las gráficas en pantalla. Es decir, este módulo le permitirá al usuario poder ver la graficación de que conforman ya sea a la (s) gráfca (s) patrón o a la gráfica a reconocer en un
Mediante el módulo de Reconocimiento de Señales: RNMap, es que se logra la activación
El módulo de Despliegue de Resultados, permitirá que el usuario obtenga, tanto en de resultados finales, la d i d a O respuesta de la red, a manera de
Y, por último, el módulo Dos Shell, le permitirá al usuario salir de SISREC y poder cualquier comando del sistema operativo. Una vez hecho esto, se regresa de nuevo a
tecleando la palabra "EXIT".
III.3.5. GENERADOR DE GRAFICAS. \ ste módulo es un m6dulo intermedio entre los archivos de las gráficas (patrón y a
y el módulo de visualización de gráficas. Su función radica en leer los datos de los mediante el uso del modo gráfico de la computadora, llevar a cabo la representación
de dich gráficas en pantalla. aii 80
%~~fnilo DE Desarrollo del sistema SISREC
:II.3.6.-DATOS A PROCESAR.
Mediante este m6dulo es que se le suministran al sistema los nombres de los archivos que contienen las series de datos cuyo procesamiento se desea lleve a cabo SiSREC. El usuário deberá suministrar los nombres de los archivos que contienen los datos que conforman a los pcntos tanto de la gráfica a reconocer como de la (s) gráfica (s) paMn así como sus correspondientes diagnósticos.
Con el fin de determinar la posible igualdad que pudiese existir entre una gráfica patrón la gráfica a ser reconocida, SISREC permite que
de suavización o no y a que gráfica o gráficas, es necesario que se elimine el mido de las
en la figura 11.3, de la sección U.1.
Exiten varias formas de llevar a cabo una suavización o eliminación de ruido en las encuenw en Systat (1990).
para el de la presente tesis, dicho proceso de suavizací6n consta de 10s siguientes
Se almacenan los extremos (inicio y fin) de la gráfica a ser suavizada.
Se calcula la parte media entre cada pico que conforme a la gráfica a ser suavizada.
Mientras no se llegue al extremo final:
A) Verificar:
Si la tendencia de dichos puntos medios deja de ser ascendente:
- Se almacena el pico anterior más alto.
81
C a h l O Desarrollo del sistema SISREC
como
permanece constante:
- Se aimacena el pico anterior más bajo.
En Sf, 10 que se logra con dicho proces~ de suavizaci6n es la elaboración de otra gráfica, la que se muestra en figura In.4.
1
Y A
M
A
O
N
I
T
U
D > X T I E M P O
Fig. 111.4: Proceso de Suavimidn.
4sí, si se especifica un proceso previo de suavización a los datos, ya sea de la gráfica onocida, o de la gráfica patrón, o a ambas, la búsqueda continuará a Partir de la
búsqueda
A contener de esta proceso
directamente con los datos iniciales de cada una de las gráficas. I
continuación se desglosan los m6todos de la clase GrOJica, la cual fue creada las operaciones que se efectúan sobre una gráfica en particular. Dentro de los métodos
clase se encuentra declarado el método Suavim, que es el encargado de efectuar el de suavización a la gráfica a reconocer ylo a la gráfica patrón.
Caulhilo III: Desarrollo del sistema SISREC I public:
void Grafica::Suaviza(double graf[],double grajjfl); void Grafica::CalcWpicos(double Graficafl, inr nDatos. int picosfl. int *coma&); void Graflca::Mim(double arreglo[], inr n, double *m, double *min. int *posma); void Graflca::Calcuiaüm(double Nprcen);
'1 a 3 . 8 . - DETECCION DEL INICIO Y NUMERO DE PZCOS DE LA GRAFICA PATRON.
spondientes ai eje de las Y's (número de picos). Dicha detección se lleva a cabo
Este módulo está capacitado para leer del archivo de datos de la gráfica patrón los tos datos que conformen a sus puntos y detectar el tipo de pico en el que comienza, así contar su número de picos. Dicha detección del tipo de pico se lleva a cabo almacenando
P, = XI, m = 1 iterar para i = 2, n-1 iffx,-l < xi > XiJ o
> Xi e X,,J then m = m + l
P, = i m = m + l P, = X"
Funci n I : Función que detecta el inicio y número de picos de una gráfica. 4 83
Ca~ítulo iik Desarrollo del sistema SISREC
donde:
-3.9.- DETECCION DljX INICIO Y NUMERO DE PZCOS DE LA GRAFICA A RECONOCER.
Este módulo, al igual que el módulo anterior, está capacitado para leer del archivo de la gráfica a reconocer íos distintos datos que conformen a los puntos y detectar el tipo
la gráfica así como contar el número de picos que la componen.
Para esta detección se utiliza la función descrita en el paso anterior, s610 que ahora el metro X recibe como entrada a los datos del eje de las Y’s de la gráfica a reconocer y n
entrada la longitud de dicha gráfica.
III.j.10.- DETECCION DE UN BLOQUE EN LA GRAFICA A RECONOCER.
El proceso de comparación va a ser entre una gráfica con menor o igual número depicos número de picos (grafica a reconocer), asf, se cada uno de los bloques que conformen a la
ver figura 11.9, pág. 49.
a cabo la comparación, entre la gráfica patrón y el bloque de la gráfica que el bloque de la gráfica a ser reconocida cumpla con los dos
inicie en el mismo tipo depico (pico hacia arriba ópico hacia además, cuente con su mismo número de picos.
I
La idea de aplicar estas restricciones previamente sobre el bloque del archivo a ser es analizar su tendencia y dejar fuera a los bloques en cuenta s610 su número de picos e inicio reporten
84
dtulo m: Desarrollo del sistema SISREC
1 diferencia con el archivo patrón de tal manera que se consideren solo aquellos bloques de gr;ífica a ser reconocida que reporten el mismo número de picos e inicio que la gráfica patrón.
Así, éste módulo sirve para fragmentar la gráfica a reconocer en bloques que reúnan los E requisitos siguientes: primero, que inicien en el mismo tipo de pico que la gráfica ptr6n y, :undo, que cuenten con su mismo número de picos.
La determinación de un igual inicio de picos Únicamente se hace en base ai eje de las s: primeramente se determina que tipo de inicio muestra la gráfica patrón @ico hacia arriba >ice hacia abajo) y enseguida se busca la ocurrencia de picos de la gráfica a reconocer que iestre un igual inicio. Para precisar de que tipo de pico se trata, interviene una función que llama: PicoAmba, la cuál regresa un valor booleano. Si dicha función regresa verdadero (1) pico hacia arriba, si regresa falso (O) es pico hacia abajo. A continuación se describe dicha
PicoArrih(x,y,z,n) Inicio
i f i ;? x ) A (z s y) then n = 1 i& < x ) A (z > y ) then n = O
Fin
I . I
Función 2: Funci6n que determina si un pico es creciente o decreciente.
donde: = Son tres parámetros de entrada que indican tres valores del eje de
las Y’s de la gráfica, y mediante los cuales se va a determinar si Y es pico o no. Parámetro de salida booleano que va a reportar un valor de 1 en caso de que se trate de un pico hacia amba o un valor de O en caso de que se trate de un pico hacia abajo. En el caso de que se trate del primer y último valor de la gráfica no se puede considerar un punto anterior o siguiente, respectivamente, por lo que para esta función quedan excluidos dichos puntos.
=
1 Para la determinación de un igual número de picos se lleva a cabo un conteo de picos de la gráfica patrón y en base a este resultado se selecciona la parte (ya que la gráfica patrón puede ser mknor o igual que la gráfica a reconocer) de la gráfica a reconocer que muestre el mismo númeio de picos.
I
I 85
I
píhilo IIk Desarrollo del sistema SISREC
D.3.11.- RESULTADOS A DETALLE.
El usuario podrá obtener los resultados de dos maneras: a deralle yfim1e.f. Con la opción le obtención de resultados a detalle, el usuario contará con un archivo de d ida , que incluirá 11 desglose de todos los resultados obtenidos a través del proesamiento de todos los datos, tales mno: resultados del cálculo de la interpolación, resultados del cálculo de la transformación, esultados del cálculo de los errores entre las griíficas, el resultado del cálculo de los factores: le escala, certeza local y certeza global, as( como el tiempo de respuesta del sistema y la leurona de salida que se disparó. Esto es útil para cuando el usuario ese interesado en ir iiguiendo paso a paso todo el procesamiento del sistema (aiializarlo). Con dicha opción de ~btención de resultados a detalle, el sistema necesitará alrededor del triple del tiempo más que si se requiriera únicamente la obtenci6n de Resultados Finales.
1II.3.12.- RESULTADOS FINALES.
Con la opción de resulfadosfinales, el usuario obtendrá tanto en pantalla como en un archivo de salida la impresión de resultados globales, tales como el error calculado, el resultado del cálculo de los factores: de escala, certeza local y certeza global, así como el tiempo del sistema y la neurona de salida que se disparó. Esto es Útil para cuando el usuario desea resultados rápidos y concretos.
III.3.13.- DIAGNOSTICADOR.
De acuerdo a la diferencia que exista entre las gráficas a comparar, expresada en el error calculado, este módulo lee del archivo especificado, el diagnóstico y acci6n correctiva correspondiente, para posteriormente pasarlos a los módulos de resultados a detalle ylo resultados finales.
III.3.14.- CALCULO DEL TIEMPO DE RESPUESTA.
Dado que el tiempo que transcurre para que la red llegue a una respuesta sirve como base de comparación con otras redes, el sistema incluye un módulo que sirve para tomar el tiempo
86
1 ,transcumdo, una vez que ya se han suministrado todos los datos a procesar, en el cual la RNA llega a una respuesta. Dicho tiempo se reporta en segundos haciendo uso de la función: CLOCKO, incluida en el archivo de encabezado <time.h> del Turbo
, III-4.- PRINCIPAL PROBLEMA ENCONTRADO DURANTE LA DE LA SOLUCION PROPUESTA, Y LA MANERA EN LA
I
I
Para llevar a cabo la implementación de SISREC, básicamente unidimensionales, tanto de tipo entero (int) como de tipo flotante (float).
Así que, ai desarrolíar a SISREC se tuvo que enfrentar ai probl I espacio en memoria debido ai uso de dichos arreglos, de sus dimensio ser contenidos en ellos (en este'caso datos de dos palabras de longi como io son los arreglos PUNTOSX y PUNTOSY de 8,000 locali manipulación de los datos de la gráfica a reconocer, entre otros).
El problema anteriormente citado se enfrentó de la siguiente efectuaron algunas pruebas con manejadores de memoria que permi dentro de un rango más grande (Superiores a 64K) de memoria, obtuvo un poco mejor ai que se tenía antes de ellos (ya que se pud los arreglos utilizados).
No pareciendo aún satisfactorio dicho aum ambiente del propio paquete Turbo C+ + versión 3.0, con lo c los otros modelos de memoria, concluyéndose, que el m utilizando (modelo SMALL, que tiene capacidad para b datos, y que es el que se da por "defaulf") se debía de
Después de algunas pruebas con los otros model y LARGE, se seleccionó el modelo HUGE, en donde se pueden utilizar uno de 64K, permitiendo el manejo de hasta lMega de Datos, [SchW] y
Dicho modelo se combina con el uso de la paiab externa que indica que la declaración de los arreglos se y con 10 cual se logra obtener un mayor espacio en longitud de las gráficas que maneja SISREC, pueda
87
Cmítulo iik Desarrollo del sistema SISREC
d IJI.5.- RECURSOS DE IMPLEMENTACION.
A continuación se enumeran las características tanto de "software" com de "hardware"
! bajo las cuáles se logró la implementación de SISREC.
I III.5.1.- CARACTERISTICAS DE "HARDWARE".
Procesador 386&.
Memona RAM de 2 megabytes.
'I SISREC está implementado en una PC que cuenta con las siguientes caractefisticas, en
'I cuanto a "hardware" se refiere: I
rn Disco duro de 80 megabytes. I
rn Tarjeta gráfica VGA.
Coprocesador matemático 387SX
Monitor cromático. ,¡ "mouse".
/I IiI.5.2.- CARACTERISTICAS DE "SOFI'WARE" BAJO EL CUAL SE DESARROLLO
EL SISTEMA. 'I
Sistema Operativo MS-DOS, versión 5.0. 11
1 rn Lenguaje de Programación C + + , con el paquete Turbo C + + de Borland versión 3.0, 11
I bajo el paradigma de programación orientada a objetos.
88
Capítulo IV Pruebas de Funcionalidad del SISREC y Resultados Obtenidos
Ei objetivo básico del presente capítulo es definir una serie de prueba: con la finalidad de demostrar que SISREC realmente satisface la necesidad dl de señales de una manera rápida y eficiente.
Así pues, el presente capítulo contempla una sección denominada pn en donde se presentan los requerimientos condensados del programa de comput así como los planes de prueba elaborados y un ejemplo de las pruebas hecha
Sistema
le funcionalidad reconocimiento
5as especflcas, ora de SiSRE€
89
Caníhilo Tv: Pruebas de funcionaiidad del sistema SISREC Y resultados obtenidos
Mientras que en el Apéndice A se presentan a detalle los resultados obteJidos con dichos planes de prueba. '1
de gráfica a reconocer alguno, el sistema imprime un mensaje indicando que¡ existen.
IV.1.- PRUEBAS ESPECIFICAS.
dichos datos no
Las pruebas de funcionalidad específicas se refieren a aquellas pruebas diseñadas con la
't finalidad de comprobar cada aspecto del "software".
Los requerimientos condensados del programa de computadora de S I S k se enlistan en los 20 puntos siguientes: /I
1. El sistema lee valores alfanuméricos.
'I
patrón sean mayores que los picos presentados en la gráfica a reconocer. 1 i
II 17. El sistema será capaz de permitir la visualización gráfica de los datos a procesar.
I
.
i I
Mientras que los planes de prueba, en la etapa de entruda son:
.
.I
I / Car>ítulo N: pmebas de funcionalidad del sistema SISREC Y resultados obtenidos 1 1
18. En el mejor de los casos el sistema responderá en tiempos mínimos (en el rango de los segundos). 11
19. En el peor de los casos el sistema responderá en tiempos (en el rango de los segundos).
E N T R A D A S !I i
I CaDíNlo Iv: Pruebas de funcionalidad del sistema SISREC y resultados obtenidos
Y sus correspondientes planes de prueba, en la etapa de solida son:¡ 11
I I¡
I Caoítulo w. PNebas de funcionalidad del sistema SISREC Y resultados obtenidos
S A L I D A
FEX=2.97491 le-O1 FEY =9.774437e-O1 Error mínimo 16 = FEX=3.394683e-01 FEY =9.753889e-01 Error mínimo 17 =I FEX=2.932862e-01 FEY =9.753889e-01 Error mínimo 18 =, FEX=3.126177e-01 FEY =9.753889e-01 Error mínimo 19 = FEX=2.862069e-01 FEY =9.753889e-01 Error mínimo 20
K
2.765036e-O1 2.787618e-01 2.749912e-01 3.011733e-01 2.628641e-01
I '
i
i 11
I/ Car>ítulo IV: Pruebas de fuocionalidad del sistema SISREC Y resultados obtenidos
V 9
10
11
1
ron la ~ráf ica patrón: patrón53.dat se tienen IO Siguiates reSU~tahos: FEX=4.345549e-01 FEY=9.831166e-01 Error mínimo 1 = 2.@$ma1 FEX=4.345549e-01 FEY =9.81625&-01 Error mínimo 2 = 2-4316656e-01 ~~x=6.&j&j6&-01 FEY=9.79463&-01 Error mínimo 3 = 2.690131e-01
FEX=7.650me-01 FEY= 1.000000ei-00 Error mínimo 5 = 2.ft60985e-01 FEX=~. -+~ FEY=1.000000e+00 Error mínimo4 = 0;-+00
FEX=2.862%9e-01 FEY =9.753889e-01 Error mínimo 6 = 2.623641e-01 FEX=2.794613e-01 FEY =9.753889e-01 Error minim0 7 = 2.551551e-01 FEX=6.014493e-01 FEY =9.827255e-01 Error mínimo 8 = 2.152801e-01 En este cam el tiempo de procesamiento fue de 5.32967&+00 Sfgundos y el bloque de la gráfica a reconocer que tiene más parecido con la gráfica patr6n se encuentra entre el tiempo 6.466071e+01 y el tiempo 1.348155e+02, siendo el Factor de Certeza Global igual a 71.47%
Con la Gráfica Patrón: patr6n53.dat se tienen lo siguientes resulyos: FEX=3.688889e-01 FEY =9.81625&-01 Error mínimo 1 = 0.000000e+00 FEX=2.862069e-01 FEY =9.753889e-O1 Error mínimo 2 = 2.h599e-O3 FEX=6.666666e-01 FEY =9.79463&-01 Error mínimo 3 = 5.788807e-04 FEX=1.000000e+00 FEY=1.000000e+00 Error mínimo4 =,,bOOOOk+00 FEX=7.650602e-01 FEY =1.000000e+00 Error mínimo 5 = OTOOOOOOe+OO FEX=7.891567e-01 FEY=1.000000e+00 Error mínimo 6 = 0.000000e+00 FEX=2.794613e-01 FEY =9.753889e-01 Error mínimo 7 = 1.'864270e-03 FEX=6.014493e-01 FEY =9.827255e-01 Error mínimo 8 = 1.588583e-03 En este caso el tiempo de procesamiento fue de 5.164835e+001bgundos y el bloque de la gráfica a reconocer que tiene más parecido con la gráfica patrón se encuentra entre el tiempo 1.449583e+02 y el tiempo 3.3513169e+02, siendo el Factor de Certeza Global igual a 99.69%
Con la Gráfica Patrón: patr6n53.dat se tienen lo siguientes resultados: FEX=4.345549e-01 FEY =9.831166e-01 Error mínimo 1 = 1!~862707e-01 FEX=4.345549e-01 FEY =9.816254e-01 Error mínimo 2 = 1!1640761e-01 FEX=6.66666&-01 FEY =9.79463&-O1 Error mínimo 3 = lv847338e-01 FEX=1.000000e+00 FEY=1.000000e+00 Error mínimo 4 =I 0.000000e+00 FEX=7.650602e-01 FEY= 1.000000e+00 Error mínimo 5 = 1.589296e-O1 FEX=2.862069e-01 FEY =9.753889e-01 Error mínimo 6 = 1!783171e-O1 FEX=2.794613e-01 FEY =9.753889e-01 Error mínimo 7 = 1!73719&-01 FEX=6.014493e-O1 FEY =9.827255e-01 Error mínimo 8 = 1/.394017e-01 En este caso el tkIP-3 de procesamiento fue de 5.274725e+00 Segundos y el bloque de la gráfica a reconocer que tiene más parecido con l+ráfica se encuentra entre el tiempo 6.466071e+01 y el tiempo 1.348155e+02, siendo el Factor de Certeza Global igual a 79.40%
)I ' I
11 11
/I 1
1;
12
13
- 14
- 15
-
I
Con la ~ráfica patrón: patrón53.dat se tienen 10 Siguientes resUlh{os: FEX=3.688889e-01 FEY =9.816254e-01 E m r mfnimo 1 = O.ooooo0e+00 FEX=2.862O@e-l)1 FEY =9.753889e-01 Error mínimo 2 = 3-14455w3 FEX=6.=-()1 FEY =9.794634e-O1 Error mhim0 3 = 1.079817e-03 F E x = i . m + ~ FEy=i.ooowOe+üü Error mínimo 4 = o . ' : ~ + w FEX=7.65We-í)1 FEY=1.000000e+00Error mínimo 5 = O . V + m FEX=7.891567e-01 FEY=1.000000e+m Error mínimo 6 = o . v + m FEX=2.794613e-01 FEY =9.753889e-01 Error mínimo 7 = 2.789359e-03 FEX=6.014493e-01 FEY =9.827255e-O1 Error mínimo 8 = 2.087633e-O3 En este caso el tiempo de procesamiento fue de 5.10989Oe+00 Sigundos y el bloque de la gráfica a reconocer que tiene más parecido con la gráfica patrón se encuentra entre el tiempo 1.449583e+02 y el tiempo 3.351369e+02, siendo
Con la Gráfica Patrón: patr6n53.dat se tienen lo siguientes resulydos: FEX=4.345549e-01 FEY =9.831166e-01 Error mínimo 1 = 2.649OOOe-O1 FEX=4.345549e-01 FEY =9.816254e-01 Error mínimo 2 = 2.qf1651e-01 FEX=6.666666e-01 FEY =9.794634e-01 Error mínimo 3 = 2.695131e-01 FEX=1.000000e+00 FEY=1.000000e+00 Error mínimo 4 = d.000000e+00 FEX=7.650602e-01 FEY =1.000000e+00 Error mínimo 5 = 2!1465985e-01 FEX=2.862069e-01 FEY =9.753889e-O1 Error mínimo 6 = 2.428641e-01 FEX=2.794613e-01 FEY=9.753889e-01 Error mínimo 7 = 2.556549e-O1 FEX=6.014493e-01 FEY =9.827255e-O1 Error mínimo 8 = 2.1,57794e-01 En este caso el tiempo de procesamiento fue de 5.32967&+00 Segundos y el bloque de la gráfica a reconocer que tiene más parecido con la dráfica patrón se encuentra entre el tiempo 6.466071e+01 y el tiempo 1.348155e+02, siendo
FEX=9.993777e-01 FEY=1.000000e+00 Error mínimo 1 = d)O(@&+00 FEX=8.328147e-O1 FEY =2.000000e+00 Error mínimo 2 = 1.333333e-01 En este caso el tiempo de procesamiento fue de 1.648352e-01 Segundos y el bloque de la gráfica a reconocer que tiene más parecido con la irática patrón se encuentra entre el tiempo 2.11 178Oe-O1 y el tiempo 1.478246ef02, siendo el Factor de Certeza Global igual a 91.67% FEX=6.662518e-01 FEY =4.000000e+00 Error mínimo 1 = {.333333e+00 FEX=6.662518e-01 FEY=5.000000e+00 Error mínimo 2 = 3.166667e+00 En este caso, en donde no interviene el proceso de suavización!l los bloques de la gráfica a reconocer que cuentan con el mismo número de picks que la gráfica patr6n son tres: 1.333333e+00, 3.166667e+00 y 8.500000e+00, en 1UgX de 10s dos anteriores: 0.000000e+00 y 8.333333e-01, cu/do si hay la intervención del proceso de suavización y sí se logra la detección de una gráfica igual.
el Factor de Certeza Global igual a 98.81% 'I 11
i
el Factor de Certeza Global igual a 71.43% I ,I
I I
'I II ,I 96
11
I Capitulo Iv: Pruebas de funcionalidad del sistema SISREC Y resultados obtenidos I
16 ~
17
18
19
20
21
22
23
24
25
26
,I
El reconocimiento no puede efectuarse debido a que no se cumple con la
Se crea el archivo RESULTA.DAT con toda la información a detalle. En este caso el tiempo de procesamiento fue de 2.197802e-01 Seiundos y el bloque de la gráfica a reconocer que tiene más parecido con la gqfica patrón se encuentra entre el tiempo 0.000000e+00 y el tiempo 8.45238Oe-01, siendo
Se crea el archivo RESULTA.DAT con información concreta. 1 En este caso el tiempo de procesamiento fue de 2.197802e-01 Sdgundos y el bloque de la gráfica a reconocer que tiene más parecido con la gpfica patrón se encuentra entre el tiempo 0.000000e+00 y el tiempo 8.45238p-01, siendo el Factor de Certeza Global igual a 88.89.%
Se visualiza la gráfica: GRAFIC53.DAT
condición de que los prcos de GR sean mayores o iguales a GP I I I1
el Factor de Certeza Global igual a 88.89% I/
I 'i 'I I
I1
Se visualiza la gráfica: PATRON53.DAT
Se visualiza la gráfica a reconocer: GRAFIC53.DAT.
Se visualizan los bloques de la gráfica a reconocer: GRAFIC53!bAT.
Con la Gráfica Patrón: patrón59.dat se tienen lo siguientes resu18tados: FEX=1.000000e+00 FEY=1.000000e+00 Error mínimo 1 =,'/O.O0OOOOe+00 FEX=9.891304e-01 FEY= 1.000000e+00 Error mínimo 2 = h.357727e-O1 FEX=9.891304e-01 FEY =1.000000e+00 Error mínimo 3 = 5.357738e-01 FEX=9.891304e-01 FEY=1.0000M)e+00 Error mínimo 4 = 1.357734e-O1 En este caso el tiempo de procesamiento fue de 7.69230%-01 Segundos y el
se encuentra entre el tiempo O.O0OOOOe+00 y el tiempo 3.845833e+01, siendo el Factor de Certeza Global igual a 98.76%
comparaciones
comparaciones Se pueden procesar N gráficas patrón
't
bloque de la gráfica a reconocer que tiene más parecido con la gráfica I
En este caso se realizan en un tiempo de 2.857143e+00 Segundos I1
En este caso se realizan en un tiempo de 2.37362&+01 Segundos II
patrón
c I I
:I I
84
688
! !I I;
97
'i
* Acción: escriba 2 I Resultado: Aparecen los siguientes mensajes: I "1.- Visualización de Gráficas"
Capfmlo Iv: Pruebas de funcionalidad del sistema SISREC v resultados obtenidos
iV.2.- EJEMPLO DEL FUNCIONAMIENTO DEL SISTEMA.
Resultado: Aparecen los siguientes mensajes:
"Nombre del archivo de la gráfica a reconocer:" n D A T O S A P R O C E S A R "
I I
A continuación se presenta un ejemplo del funcionamiento de SERE(:
I
e:
I
nnocer o patrón
98
!I II Caoíhilo Tv: Pruebas de funcionalidad del sistema SISREC Y resultados obtenidos
n
a
O
H
I
T
u
D
Fig. IV.1: Visualización de PATRON0I.DAT.
* Acción: escriba graficol .dat Resultado: Aparece el siguiente mensaje: "Desea que intervenga el Proceso de SÜavización para dicha G k k a a Reconocer: grafic0l.dat < S > < N > " /I
I //
II
II
II Acción: escriba n 1;
* Acción: escriba n Resultado: Aparece el siguiente mensaje: "Suministra el Número de Gráficas Patrón que desees probar:"
Resultado: Aparece el siguiente mensaje: "Nombre del Archivo que contiene a la Gráfica Patrón 1:"
Resultado: Aparece el siguiente mensaje: "Desea que intervenga el Proceso de Suavización para dicha Gráfica Patrón: patron59.dat < S >
Resultado: Aparece el siguiente mensaje: "Nombre del Archivo que contiene el Diagnóstico para dicho Patrón:
* Acción: escriba 1
I
I I
* Acción: escriba patron0l.dat
< N > " *
99 1
ca,,ínilo pmebas'de funciodidad del sistema S I S ~ C Y resultados obtenidos
patron59.dat:"
Resulbdo: A w n 10s siguientes mensajes:
" 2.- Solo Resultados Finales."
* Acción: escriba diagnosl.dat
R E S U L T A D O s:" n 1 .- Resultados a Detalle. "
Suministre su Opción < 1..2> " n
* Acción: escriba 2 Resultado: Aparecen los siguientes mensajes: " M A W 0 DE BRUMA" " I
n
01
1.- Mediante la consideración de una.Constante." 2.- Mediante la con$deración de un Porcentaje." 3.- Sin Bruma."
Suministre su Opción < 1..3 > " * Acción: escriba 3,
Resultado: Aparece el siguiente mensaje: "Suministra el número de mínimos que deseas"
Resultado: Aparecen los siguientes mensajes: "Con la Gráfica Patrón: patron59.dat se tienen los siguientes "Desea que se le muestren los Errores Mínimos < S > .< N >
(NOTA: Irá apareciendo error por error según opnma una tecl;
"FEX=7.504671e-01 FEY=5.006429e-02 Error mínimo 1 = "FEX=7.830961e-01 FEY =4.846619e-02 Error mínimo 2 = "FEX=5.810068e-01 FEY =4.846649e-02 Error mínimo 3 = "FEX=8.576767e-01 FEY =5.006429e-02 Error mínimo 4 = "FEX=7.504671e-01 FEY =4.745677e-02 Error mínimo 5 = "FEX=8.186914e-01 FEY=5.359824e-02 Error mínimo 6 7 "FEX=8.186914e-O1 FEY=4.846649e-02 Error mínimo 7 = "FEX=7.504670e-01 FEY =4.95201 le-O2 Error mínimo 8 { "Desea que se le vuelvan a mostrar los Errores? < S > < N : (NOTA: En caso de escribir s podrá ver de nuevo los Errore;
Resultado: Aparece el siguiente mensaje: "Desea que se le muestren todos los Errores calculadol patronOl.dat, que son 504? < S > <N>" (NOTA: En caso de escribir s podrá ver la lista de todos los I
* Acción: escriba 8
* Acción: escriba S
ai total del número de mínimos deseados).
!
!I
* Acción: escriba n
Acción: escriba n II *
I I Resultado: Aparecen los siguientes mensajes: "El Tiempo de procesamiento de la Gráfica Patrón: patronOl.dat"
I I
:subdos: "
hasta que llegue
5.174571e-00" 5.0 1 6268e-00" 6.405264e-01" 5.938333e-0 1 " 5.7424 15e-01" 5.107384e-01" 5.371398e-01" 5.194 157e-01"
Aculados)
para el patrón
rores)
100
. . . - . - - i I
* Acción: Oprima Cualquier Tecla para Continuar Resultado: Aparecen los siguientes mensajes: "1.- Ver Gráficas" "2.- Continua con el Procesamiento"
Suministre su Opción < 1. .2 > "
Resultado: Aparecen los siguientes mensajes: " 1 .- Despliega Gráfica con los Errores Mínimos" "2.- Despliega Errores Mínimos (Zmm)" "3.- Regresa al Menú Anterior"
Acción: escriba 1 Resultado: Aparece la gráfica de la figura iV.2.
* Acción: escriba 1
Suministre su Opción < 1. .3 > " *
ORIKICII a RE-R I s4.3
40.7
27 .a
13.6
D.0 C
I .I ]I ,'I
T I E ~ P O OÍ.rln- C U I L W 1 - r T-I- m-r- Contlnu-r
Fig. lV.2: Visualización de Gráfica con Errores Mínimos.
(NOTA: Conforme se va oprimiendo una tecla va color el
' ' 101
cai>Rulo Iv: h e b a a de hinciooalidad del sistema SlSREC v resultados obtenidos
biqw de la gráfica a reconocer que se comparó con la gráfica patrón).
le las cuáies es
" Oprima Cualquier Tecla para Continuar" Acción: Oprima Cualquier Tecla para Continuar Resultado: A p r e ~ a , de nuevo, los siguientes mensajes:
1 .- Despliega Gr;Uica con los Errores Mínimos" "2.- Despliega Errores Mfnimos (Zoom)" "3.- Regresa al Menú Anterior"
Acción: escriba 2 Resultado: Aparecen las ocho gráficas con errores mfnimos. Una la que se muestra en la figura IV.3.
I( Suministre su Opción < 1..3>" *
SU~QIE. OE LLI cmn~xca n RE~OI(OCER
t I 1
Fig. W.3: Viualiuccidn de Errores Mínimos.
tl Oprima Cualquier Tecla para Continuar" * Acción: oprima Cualquier Tecla para Continuar Resultado: Aparecen, de nuevo, los siguientes mensajes: "1.- Despliega Gidfica con los Emom Mfnimos" "2.- Despliega Errores Mínimos (Zoom)"
102
'I
i
1
I i
"3.- Regresa al Menú Anterior" Suministre su Opción < 1. .3 > "
Resultado: Aparecen, de nuevo, íos siguientes mensajes:
" * Acción: escriba 3
" 1 .- Ver Gráficas" 11 "2.- Continua con el Procesamiento" I " Suministre su Opción < 1..2> "
* Acción: escriba 2 Resultado: Aparecen los siguientes mensajes: I
! es el siguiente:"
Como se mencionó en la introducción del presente capítulo, en el A se presenta
Superior". ~
I " Oprima Cualquier Tecla para Continuar" * Acción: Oprima Cualquier Tecla para Continuar Resultado: Aparecen los siguientes mensajes: " 1 .- Visualización de Gráficas" "2.- Reconocimiento de Señales: RNMap"
~
1) 103 !
de las salidas correspondientes.
104
Capítulo V Conclusiones y Trabajo Futuro
I Ei presente capítulo está compuesto por tres secciones. En ia pkmera de eíias se
conclusiones a las que se llegaron después de haber terminado el trabajo. Por hitho, en la tercer sección, se hace el desglose de una serie de sugerencias para proyectos futukos.
precisan las metas logradas con el tema desarrollado. En la segunda de ellas, II se presentan las
I
105
I! caojnii0 V: Conclusiones Y DroYectofi fuiuros
V.1.- METAS LOGRADAS. 11
con la elaboración del presente tema de tesis Se lograron todos alcances tesis, 10s cuales se iistan a continuación:
al inicio del desarrollo de la misma, en el documento Propuesta de la
Un sistema elaborado con el lenguaje de programación c+ + , el Paradigma de orientado a objetos. El sistema lleva por nombre
El sistema es capaz de aprender y recOnOcer señales
A partir del análisis de las señales gráficas el
rn
aproximadamente 2,200 líneas de código.
las bases del modelo, sección 11.3. (pág. 48).
de la forma:
Del tiempo to al t l existe una señal que tienc un parecido debX% al patrón del
se muestra tanto en el capítulo IV como en el apéndice.
ejemplo No. Y, por lo que el diagnóstico es Z (No. de su vez puede tener asociada una descripción de
EL tiempo de respuesta es en el rango de los de los casos (cuando la gráfica patrón si reconocer) con 1,600 datos y 200, respectivamente aproximado es de: 7.692308e-O1 segundos. Mientras casos (cuando la gráfica patrón es muy distinta de la tienen que llevar a cabo muchas comparaciones) aproximado puede ser de 2.500000e+01 segundos, según obtenidos a partir de los planes de prueba especificados
de salida que a
los resultados
se encuentran desglosados en el apéndice.
Se acepta alrededor de un 10% de error en el diagnóstico emitido. 11
. En base a los resultados obtenidos surgen nuevas ideas parajdesarrollar ¡I Cabe resaltar que el camino por el que se lograron dichos alcances /I no fve el que
futuros proyectos, según se comenta en la sección V.3 de este capítulo.
inicialmente se había pensado: la elección de uno de los paradigmas de RNh’s, el que más se Prestara para realizar el reconocimiento de señales gráficas, sino que, en ba’k al estudio de los paradigmas ya existentes surgió la idea de la creación de un modelo que medida de las necesidades que se tenían por lo que surge la creación de i n modelo capaz
/1 106 !I
planteado.
ventajas de RNMap son las siguientes:
rn
Aprender un conjunto ilimitado de patrones de ejemplo de entraida.
Reconocer alguno de esos patrones aprendidos.
Reconocer algún patrón distorsionado o con ruido. I
V.2.- CONCLUSIONES FINALES.
reservada únicamente para el especialista. I
Las desventajas de RNMap son las siguientes: I
I
A continuación se listan las conclusiones a las que se. llegaron una
107 I I
vez finalizada la
I Cadtulo V: Conclusiones v i>roveetos IÜNIOS II
que en sí constituye un simulador de una RNA especialid. I
En sf, la solución que se le da al problema del reconocimiento m p , básicamente consiste en un tratamiento geométrico de'
I
1.
2.
3.
4.
5 .
6.
7.
de señales, con datos.
de memoria de PC. I
I
El reconocimiento de señales gráfcas haciendo uso de la tecfiología I de RNA's del campo de constituye un paso importante hacia el avance del conocimiento I t
I jnvestigación de ambas áreas.
I
I 108
I 'I
I
I I1
cnr>íNlo V Conclusiones v nrovectos h>Nros
v.3.- SUGERENCIAS PARA TRABklOS FU"uRC)s.
Se considera que, en general, SPSREC contempla un funcionamiento aiiecuado ante el reconocimiento de señales gráfkas. Sin embargo, como en todo, hay dguna podrían ayudar a mejorar su funcionamiento.
Dentro de los aspectos que se sugiere se analicen para llegar a otra mum de este mismo problema, podemos citar a las siguientes:
1. Para evitar el posible ruido o var¡aciones con las que pudiesen de las señales graficadas, el modelo RNMap incluye s610 suavización 'o eliminación de dicho ruido, por lo que se sugiere el diseño e implementación de otros métodos de suavización, con io que se logm'a que SISREC estuviese preparado para atacar la eliminación del dido mediante la utilización del método más adecuado ai tipo de ruido y segú! el caso que se tenga. Para ello, se sugiere consultar, entre otras referencias, el Manual de Systat
I
(1990). 11
I 2. En cuanto a la restricción que podría tener SISREC, que se refiere ai espacio en memoria, se sugiere la implementación de dicho sistema con ei uso de archivos (esto lograría que el sistema no estuviera dependiendo de la caniidad de memoria de la PC); y io que habría ahora que considerar de respuesta del sistema no sufre un aumento atacar esta restricción es migrar a sistemas Unix, VAX u un manejo más eficiente de memoria.
Una opción p m evitar el que se tenga fija la dimensión
Pensando ambiciosamente, se podría considerar "hardware" a SISREC, con lo que se
opción para que cuentan con
arreglos es la 3. utilización de arreglos en memoria dinámica.
4.
implícito en el diseño de m a p .
'i 109
[Arb89]:
M. Arbib., "The Metaphorical Brain 2: Neural Networks and Wiley Interscience, New York (In Press), 1989.
[Boo88]:
Boone, J. B., Sigillito V. G., y Shaber, G. S. , Signal detection capabilities of neural networks: radiology apl Medical Physics, in press.
User's Guide. Turbo C+ + versión 3.0. Borland International, 1992.
[Cur92]:
Curtis H., Intelligent Software Strategies Neural net technology: Ready for prime time? IEEE EXPERT, december, 1992.
I !
i kyond".
ications.
[Ger84]:
Dr. Gerez G. V., M.C. Mier M. M., Dr, Nieva G. R. y Dr; 'I Rodríguez O.G. Desarrollo y Administración de Programas de Computadora @oftware). IIE, CECSA, 1984. I 1,
I I 'i 'I
m [Gor88A]:
Gorman R. P. y Sejnowski, T. J. , "Analysis of hidden units in a layered network trained to classify sonar targets". Neural Networks, 1988, págs. 75-89.
I
[Gor88B]: 1;
using a massively parallel networks". I IEEE Trans. on Acoustics, Speech and Signal Processing. 1988, figs. 1135-1140.
Bam931:
Harnmerstrom, D., ComputerslApplications. Neural netwoks at work. IEEE SPECTRUM June, 1991.
Haykin S . , "Neural Networks", A comprehensive Foundation.' EEE Computer, Society Press, 1994. I I
Mus931:
I Don R. Hush and Bill G. Home, "IEEE Signal Processing Magazine". January, 1993. I
i I 'I
I
[Kas90]:
E. J. Kashiwamoto Yabuta, "Red Neuronal para Reconocimi&to de Patrones", Memoria ANIEI, Jalapa, Ver. México, 1990.
I (I I
. Wp87J:
iapades, A., y Farber R., "Nonlinear signal processing using neural networks: prediction and system modeling", LA-UR-87-2662. Los Alamos National Laboratory, Los Alamos, 1987.
8 1
!I
r = pip873:
Lippmann, R., "An Introduction to Computing with Neural tet.9, IEEE ASSP Magazine, Abril de 1987. I
111
I f
I
[Mej92A]: I
I/ Mejía, M., Rodriguez, G., "Síntesis de la Función del Programa: R$d Neuronal PHAF", Instituto de Investigaciones Eléctricas, División de Informática y Desarrollo Profesional, Departamento de Sistemas de Información, Proyecto 5422: Redes Neuronales para el Sector Eléctrico, 1992. I
con Redes Neuronales y su aplicación al Sector Eléctrico". Runión de Verano del Capítulo de Potencia, IEEE.
[Mej93]:
Quiñones, B., Mejía, M., "Redes Neuronales, ur Computacional en Desarrollo", Boletin IIE, juliolagosto, vol. 1
[Ram91]:
Ramírez R. Rico J., Chauín O., Aituve F. H., Uso de Redes de Neuronas Artificiales en la Detección de Fall Eléctricos de Potencia. Cuarta Reunión RVP-IEEE México, Acapulco, Gro., Julio 195
[Ro190]:
Roiston W. D., "Principios de Inteligencia Artificial y Sistema McGraw-Hill, 1990.
Herramienta ium. 4, 1992.
:n Sistemas
wpertos"
112
I
8 [SchW]:
APENDICE A I Procedimientos de Pruebas de Aceptación I 1 1
-3.- D o s Shell' -4.- Salir' i
A cantinuiiión .e prcscnu el documento de * Suminis~ttaiOpeión Acci6n: escriba 4
<1..4>'
Rucba I : PNebas p i n mostrar SI hinsionamicnto del 'sofhuire' cuando se IC suministran datos invUidos.
1.1. R c i e k
Verificar quc BC cumplc con loa diferentes requerimientos ieñalados en los puntos 1.2, 3, 4 y 5.
I .2. Roccdimientos de pnicba.
1.2.1. Cam 1: Ejemplo de Nombre de Archivo dc gráfica a ruomcr no v6lido. . Acción: Ordene la cjecufión de SlSREC escribiendo lo siguiente: SISREC Resultado: Aparecen los siguicntcsmcnsajes: 'I .- V i w l i e i ó n de Gráficas' -2.- Reconocimiento de Señales: RNMap' -3.- Dos Shell' -4.- Salir'
Suministre nu Opción < 1 ..4>' . Acción: escriba 2 Resultado: Aparecsnlaa siguientesmensajes: ' D A T O S A ' P R O C E S A R ' 'Nombrc del archivo de I. gráfica a ICSomer:.
Resultado: Apparocc el siguiente mcnsajc: .*** L m r : El Archivo gnfic78.dat. w existe **o. Wpnma CualguicrTecla para Cont¡nusr'
Continuar Resultado: Aparece el siguiente mensaje:
' D A T O S A P R O C E S A R ' 'Nombre del archivo de 1. gráúw recomer:.
Y de nuevo, volverá a hacerse I. p r e p n u . hasu que se IC suministre un ~ m b r e de irchivo quc si exisu. o se oprima la tecla <ESC>.parasilirsedela opcióncnlaqii. e- (número 2 del menú principal).
. Acción: esfribi grafie78.d.t
Acción: Oprima Cualquier Tecla p a n
. Acción: Oprima Ii tosla <ESC > Rcnultado: Aparecen los siguientes mensajes:
" I .- Visualiración de Gráficas' '2.- Rccomimientodc Scíulet: RNMap"
Rcqucrimicntoa Mtisfechos: I ! 2 y 3.
1.2.2. II
I/
Caso 2: Ejemplo de Nombre de Archivo de gdfica patrón w h i d o .
Acción: Ordene la ejecuci6n de SlSREC escribiendo lo sigiicnte: SiSREC Resultado: Apareien loa siguientes mcnedjcs: 'I .- Virualúiciók dc Gr6fica8' -2.- Reconocimicnto de Señales: m a p '
-4.- Silir'
It
<1..4>' . Acción: csfrihi 1 Resultado: Apar&nlos aiguicntesmcnedjcs: . D A T O S ItA P R O C E S A R "Nombre del drchivo de la gráfica a lCCCOmC.:-
Acción: escriba #raficW.dat
'Descs que ititervcnga el h e s o de Suiviuc¡6nprdJdichi Gráfica I) Recomer: gnhc09.dat <S> < N > '
Resultado: Apps~cc el siguiente mensaje: 'Suministra el Número de Gráficas Patrón que dcsecs pmbar:"
Resultado: Apa&:ce el siguiente mensaje: 'Namhre del &chiva que. contiene a la Gráfica Patrón 1:-
. II Resultado: Apadsc el siguiente mensaje:
Acción: escriba .I
I1 . Acción: escriba I
Acción: escriba'~auan22.dat
siguiente: II
existe **** il Acción: Oprinb. Cualquier Tecla pan
11
II
Con ello. el resultado 9th s m j i el siaema es cl
.*O* Lmr: Ei Archivo pairon22.dat m
. Oprima CualquicrTccla para Continuar'
continusr Resultado: Aparece el siguiente mensaje: 'Nombre del Prchivo que conticnc a la Gráfica Pitrón I:'
Y de IIUOYO. vnlvcrá a hacerse la pregunta. h i m que ea I; suministre un nombre de srchivo que &im, o sc oprima la teels. < FSC > p a n :&line de la opción en 1. quo em (número Zlldel menú principal). Acci6n: Oprima la tecla <ESC> Resuhado: Ap&ccnlos sipieniePmcwjcs:
.
. I
II
II p n d i c e A: Procedimientos de DNebas de nce~tnción I1
NI 'I .- Viwulización de Gdficas' -2.- Rcfomim¡cnto de Señalen: RNMip' '3.- Dos Shell'
Vedfiar q w sa cuniplp; con los diferentes icquerimicw rcliilsdooen loo puntos I \ I/ 2,6,7,8, 9 y 10.
*4.- Salir' * SumininresuOpción <1..4>' . Acción: escriba 4
Requcrimienúm .atiafechos: I , 2 Y 4.
1.2.3. caso 3: Ejemplo de Nombre de Archivo de diagidaico no v6lido.
~ c o i h x Ordene exactammie lo mimo que en al cam I , II exccpeión de los Ire8 punloa siguienles: 1.- 'Nombre del archivo de In gráfica a ICEomCet:.
2.- 'Nombre del 'Archivo que contiene a la Gráfica Patrón I:'
Y 3.- 'Nombre del Archivo que coniicne cl Diagnóstico p a r i dicho Palrón: paimn50.dil:'
.
. Acción: escriba gnficG9.dai
Acción: escriba patmn(0.dat
. Acción: escriba dignod.da1
siguienle: Con ello, el Miltado que a m j s el sidema es el
.*** Emr: El Archivo disgnoQ.dat m cxiae ***.
Oprima CuilquicrTecla para Conlimar' Acción: Oprima Cualquier Tecla para Continuar Resultado: Aparece el siguiente monsaje: 'Nnmbre del Archivo que contiene el Diagnósiico para dicho Psirón: patrdnSO.daI* Y de nuevo. volved a haccne la pregunta, hasta que se IC suminislrc un nombre de archivo que si exista. o se oprima la tecla < ESC > pan salirse de la opción cn 1. que esta (ntlmem 2 del menú principal).
Acción: Oprima la tecla <ESC> . Resuliada: Aparceenlos eiguienicsmenpajes:
*I .- Visubliimcián de Gráficas' *2.- Recomimienlo de Sendee: RNMap' -3.- Dos Shell' -4.. Salir' . Suminiare ou Opción c1..4>' Acción: cscdbs 4
Requerimientos satisfechos: I. 2 y S
h e b a 2: Pruebas p a n mnanr el hineiorumicnto del -dware- cuando se IC suministren &toa, quc 110 puede manejar e l sistema, debido a Is falta de espacio.
2.1. Rcseña:
2.2.
2.2.1.
.
.
.
.
. *
.
II Procedimientos de ,prueba. I1
1 1
c a m I: ~ jemplo de Nombre de Archivo de
cspa~io disponible en el siacma pan d o .
Acción: M c n c la ejecución de SISRU: csribiendo lo s&iente: SISRU: II Resultado: Aparccenlas stguientesmensajes: '1 .- Vimal i i c id de Gráficss" 2,- Rcconocimihode Señales: RNMap' '3.- Dos Shell' I1
gdfica a ,o+ d s gnindc que cl
Acción: escriba 2 Resultado: Aparteenlos siguicnlesmensljcs: * D A T O S I / A P R O C E S A R ' 'Nombre del archivo de I. gdfica a
Acción: escriba gnficS0.dat Resuhada: ApaAce el siguienle mensaje: 'Desca que i&cervcngs el h e s o de Suavius iónpa~dicbi Gráfica. Reconocer: gnfieS0.dat <S> < N > '
Rsailiado: Apayec e l siguiente mensaje: 'Suministn el Número de Gráficss Patrón que desees p d k r : ' Acción: escriba11 Remltado: Api&cc el siguiente mennajc: 'Nombre del '&chivo que contiene a la Grdfien Pairón'l:' Acción: cscrib~!pstmn49.dal Resultado: Apernce el siguiente mensaje: 'De- que )hervcngs 01 Pmceso dc Suavización $n dicha Gráfica Patrón: paimn49.dat <IS> <N> ' Acción: escribi n Resultado: Aparece el iiguiente mensaje: "Nombre dcll.Amhivo que confiene el D i a g n d s t i ~ o ~ para dicho Patrón: patmn49.dsi:', Acción: escriba diagnosl.dit Renullado: Ap$recenlos siguienksmensajei: " R E S U L T A D O S : ' . I .- Rcsuldos a Deulle.' ' 2.- Solo Rddtados Finilts.' ' Suminiaik ou Opción CI..Z>' Acción: escrid8 2 Resultado: Appccnlos siguientes mcmjes: ' MAN1610 DE BRUMA?. 'I .. Mediantc~la eonsidcncióndc UM
-2,- Media& I. eonsiderscióndc un
recomer:. II
Acción: cscribs ' I n I¡
I
il
.i
11
.I
C0kan"le..
1 1 . : PotFentqlc." I,
.I 11
II ADendice A Procedimientos de DNebaS de ace~tacida
'3.- Sin B N ~ . . suminisire IU Opción < I ..3 > '
Rcuhado: Apamce el hgrimiS m C d : 'suminism el númcm de mínima gua d e w s . Acción: escriba 10 Resuhado: Aparece el a¡$u¡¡nte mm$: '*** Falta de Espacio: No tengo m~fiCki*.
espacio p a n leer cl archivo: gnfdO.&t. 610 mtp capacidad p a n 8OOO dam **** 'opnma Cualquier Tech p a n Coniirmar '
C0mi-r Rcsuludo: Apamccnloa iiguiiontesmnujes: '1.- viaialikacaiióiide O d f i ~ ~ . '2.. Recomcimicnio de Soáilea: RNMip . -3.- Doa Shell *4.- a l i r . SvminisvrniOpci6n<1..4> . Resultado: Termina la Seii6n.
. Acción: crriba 3
Acción: oprima Cualquier Tecla p a n
. Acción: srnba 4
Rqwrimienia sitideohos: I . 2 Y 6.
2.2.2.
.
. *
Caso 1 Ejemplo de Nombre de Archivo de &rica pa& mbs gnndc que el espacio disponible en el sistema para ello.
Acción: Ordene cxaclamnlc lo mismo que en c1 caso I , a cxecpción do los das p u w siguientes: 1.- 'Nombre del archivo de la &fici a reconocer: Acción: escriba gra6e40.dat Y 2.- 'Nombre del Archivo que eonticne a la Gdfica Patrbn I : * Acción: escriba patmnS0.d.i
Con ello. el resultado que amja el sistema e8 el sip"ie"tc:
'*** Falu de Espacio: No hay espacio suficienic p a n lccr el archivo: patmd0.dil. a610 tengo capacidad p a n 2000 datos *** ' Oprima Cualquier Tecla pira Continuar *
Rcquerimicntos siiisfechos: 1.2 y 1.
2.2.3. Cam 3: Ejemplo de resultados dcl pmceni de Mspeo mbs grandes que el cqmsio diqoniblc en el siatemi para ello, . Acción: Mens clactamenic la mismo que en el caso I , a excep~ión dc los dos pumas siguientes: 1.- 'Nombre del archivo de Ii gdfica a mc0nocer:-
Y 2.- 'Nombre del Archivo que cmiene a la
. Asci&: escriba gnficS8.dii
ür i f i ca Pauón I:* 11 . Acción: erriba psuon(7.dat Con cÚo, el resuhado que (mja el siatma CM el
- C u a i q d ~ c c l a para Continuar' I
uequerimientossitisfeehos: 1 j 2 y 8.
2.2.4. Caso 4 Ejemplo resultado8 cuando 1- emres calculado? son mayoma que el arpacio disponible en el islema para ello.
en 01 caso I , a cx!cpsi6n de los d m puntos aiguicnics: i
I/
i
A C ~ ~ & : ordcnc exnctam5ntc I/ lo mismo que
l. I .- 'Nombre del archivo de la gdfica (1 reconocer:' Acción: c&bn grsf4O.dal
2.- "Nombre del Prchivo que conlicne a la Gráfica Patrón I :>;
. ~l Y II . Acción: escriba patmd9.dai
SiguiCMCuc:
t Con cllo, el resultado que amja el siaema es cI
I -9. Falm de Espacio: El resultado de los h n a sobrepa& mi ~imiic que ea IC#M
* Oprima Cualquier Tecla p i n Regresar al Menú Prineipal*/l En cate caw. cl , h i n ~ i ~ ~ m i ~ n l o del sistema se suspende, detlido a que el sisiema ya no
I Lienc capacidad ban el aImccMmienIn de todos los emre! quc BC deben dc calcular, dados los dato8 ~mporcionados.
Regremr al ME& Rincipal Rcsuimdo: A p i l e n l o s siguientesmcnsajcs: "I _- VisusliuciiF de Odficis' *2.- Reconocimiento de Scñalcs: RNMap' "3.- Dos Shell"' -4.- Salir' . Suminisiresiopción <1..4>'
Resultado: Tci!ini In Sesión.
II . ....
. Acción: oprimk Cualquier Tecla para
11 Acción: cscnbib
II II
Rqucnmientos istisfeechoa: I , 2 y 9.
2.2.3. Cam 5: Ejernp!a de resultados cuando los minimos d e d o s son mayores quc los que puodc calcular, el matma con los dalos pmpacionadoa. 'i Acción: Ordcnn il cxacmmenlc lo mismo que . en el esso 4. a'!!xcepcidn de loll Ires punm niguicntcs: ,I
11 11
Adedice A: Procedimientos de DNebS de ace~(aci6n
1.- 'Nombre del archivo de Ii gr(fica a momcer:. Acci6n: escriba gnfic53.d.l
. A c c i h escriba p a t d 3 . d . t
2.- 'Nombre del Aichivo que C O d C M a h ~ r á f i c i R v ó n I:'
Y
deseas' . A c c i h esriba 2.5 Con ello, el resultado que inoji el maCm u el 1iguKntc:
"las minimos que d e w . que mn Z mn mayores a los que me pueden cakular que m21: 'Dwcaque-kmucMaloiEnwcm <e> <n> .
En cac cam, el PÚncioniMMtc del siacma continua. ya que. ciundo el mlmm de minimsdcseadoci mayorqueel iulmemd. minim calculados. u i g m al nlimem de mínimos deseados p w el uraiirio y rn calculan iodos loi e r n e que CD posible calcular (en cm C.ID, mn 21 minimi). Asi pues, cmi& el pmceedmientO dc loi &tos y iqui da c o m resultado loi siguientes emres: 'Con la Gráfica Pavón: pa<mnl>3.&1 E tienen los siguientes reailtsdos:' FQ(=6.803279e-01 FEY=8.789572c-01 Error mlnim0 I = 4.409415c-0l FEX = 7.5 1 I3 I 2 d l FEY =9.7946364)1 Error minim 2 = 4.18773541 FM=6.666666d)l FEY=9.794634c-01 Emr núnimo3 = 2.695131c-01 ~=I .MMoooc+ooFEY=I.MMoooc+oo E m r minim0 4 = O.MMoooc+OO FEX=7.650@2c-01 FEY= I.OOOOM)c+00 Error minim 5 = 2.465985e-01 FEX=7.891567~41 FEY=I.ooMxMc+M) Error mínimo 6 = 3.2724CñÍc-01 FM=8.645@34c-01 FEY=9.962612c-o1 6mr minim, 7 = 3.9867üSc-01 FM=6.014493c-0l FEY=9.822L?i5e-01 Error minima 8 = 2.157794c-01 FFX=4.77OI 16e-01 FEY=9.82725Se-01 Ermt minim0 9 - 2.978248~41 FM=4.345549ebl FEY=9.816Z4c-01 E m r minim IO = 2.44165lc-01 FEX-Q.379947c-OI FEY=9.816254c-01 Emr minim0 I I = 2.7305280-01 FM=3.688889c-01 FEY=9.816254c-01 Error minim I2 = 2.87574&-01 FEX E3 .5 16949~41 FEY =9.8 16Z40.01 Error minim 13 = 3.3MoioC-0l FQ(=3.547009e-01 FEY=9.831166e-01 Lmr minim I4 = 3217362edl FM=4.345549e-01 FEY=9.831166eOI E m r minim I5 = 2.64W00e-01
3.- 'Sumininn el m l m dc m(aimin <I=
. Acci6n: e
.I FEX=2.974911~-0I FEY=9.77@37CdI h r minim I6 =;12.765036c-01 ~ ~ ~ = 3 . 3 9 4 6 8 3 ~ - 0 1 FEY=9.75388%-01 Error minim 17 =~2.78761&-01 FQ(=2.932862c-O1 FEY=9.753889~41 Enor minim 18 91 2.749912c-01 w<=3.l~~77c+i FEY=9.753889s-01 -mi- 19 =I 3 . 0 i i n 3 ~ 4 1 FEX=2,862069dil FEY=9.753889~41 E m r minima 20 2.628641e-01 FEX=2,794613d)l FEY=9.753889e-01 Enor minima 21 2 2.556549c-01 Con un Tiempa de Roeesamiento de: 1.043956c+Ol S e ~ d o s 61 archivo RESULTA.DAT contendrá un rcparie con luarhkdos concretos acerca del pmccssmiento. 1
Rcpuerimientai edtiafcchos: I, 2 y IO.
'I
I I I;
Rueba 3: R u e h s pan m o m r el hi&ionsmientodcl 'soham' can intervención de un mar& de bmma cxpmsado ya u en l a m dc constinlc o 'cn fa- de porccntajc.
3.1. RestM:
3.2.
3.2.1.
.
.
.
Verificar que 8c CUI& eon los diferentes regucrimicntoeacii.ladosen los puntos 1, 2. I1 y 12. I
Roedimienloa d: pmeba.
Caso I: Ejentplp del funciOMInicnt0 del 'mRware' cuando intewisnc U M comante de bmms baja. I
Acci6n: Orded I la cjecuci6n de SiSREC
I/
escribiendo lo s&&: SISREC !I Resultado: &.amen lo8 siguienteemensajes: '1.- V i r u a l i c i h d c Gráficas' -1.- Rcsomimiento de SeMles: RNMap' '3.- Dos Shell' I -4.- Salir' ' Suminiare. Opci6n <1..4>' Acci6n: escnb. 2 Resultado: Aparccenlos siguientesmmjea: ' D A T O S A P R O C E S A R ' 'Nombrc del arrhivo de la gráfica a REOnOECr:.
Acci6n: escriba graSc53.d.i Resultado: App.rccs el siguiente mensaje:
Suavi.?ae¡&p& dicha Gráfica a Reconser: grafic53.dai <S> <N>' Aecih. escriba n Reailtodo: Aparece cl siguiente mensaje. 'Suministn cl NJmem de Gráficas Patr4n que dcsccs pmhar:' Acoi6n: csnba I
I
'hsu que iniervenga el Roce00 J C
It
I! I 1 'I . Acción: escriban
(NOTA: EII cam d,c escribir I podrá ver de
Resiltado: A ~ U W C el siguiente men+ -hua que )e IC h e e n todos 10s Enom calculados para el PaMn patmd3.d.t. quel son 211 <S> <N >.
(NOTA: En caml[dc escribir s podrá ver la li*a de todos Irm,,hrcs) Resultado: &mc.ce el siguiente menaje: "u T>empo de pkce.amiento de Ii Gráfica Patrón: palmd3$lnt' '(ut de: 5.32%7?+00Segundm.' 'Lista el archivo RESULTADAT ah{ ensonvaníe el +gd.mtico c o m e M i a ' mprima cuilquier Tecla para Continuar' ~cc ión : o p d Cualquier T C C ~ pan Cominuar Resultado: Aparecenlos aiguicmcemenedjea: 'I .- Ver Gráfic&P -2.. Continua ehn 1 el Roeesamienlo'
' Suministre40pción < l . . Z > '
Redl ido: Apakce el siguiente wiaajc: 'U Palrón di1 palesido con la Gráfica a
las ~rrores'cdculadas) I 1
. Acción: e s i b a n
I1
Acción: cscribai2
corriente e a & . Acción Co-tivri: Verificar ' que el sumininm de &gía su coWantc.. 'oprima ~ u a ~ , i L i e r ~ e c ~ a pan continuar-
Continuar 1 Reailtado: Apa,rc.cenloa siguientesmennajes: '1.- Vinisüzación de Gráficasw -2.- Recomi+cnto de Señales: RNMap' 3.- Dos Shell' -4.- Salir' I/ . Suminin%,;w Opción <1..4>'
. Acción: OpriiM Cualquier Tecla para
I . .
Acción: escriiia 4
de bmma alta!
* Acción: Ordene /I ex&ctameme lo mi- que
siguiente:. ,/ en el caso 11, a excepción del punto
1 .- 'La Gráfica a Recomer cae demm del
' 1 . 5 4 2 9 4 3 y 9.9924Mc-01 . TonsUinte d i B N ~ U que desea que se IC
Rango:' I(
11
ADéndiee A Procedimientos de Dniebas de aCeDtaci6n
Rcwitado: A ~ C . ~ G CI siguiente menmje: 'Nombre del Archiva que CDdcW a Gráfica Pat16n I:'
Resuitado: Apareced S i i e n e mcmjc: 'msu que intewengi el Roecm de Swvivci6n para dieha Gráüca Patrón: patrod3.dat <S> <N>'
. Acci6n: c s r b patmh(3.daI
. Acci6n: escriba n Rcaiitado: ~parccc el mguien<c mennajc: 'Nombre dsl Archivo que Comiene Cl Diigddicopam dicho htr6n p a t d 3 . d . N
Resultado: Aparece el siguiente mtnsajc: * R E S U L T A D O S : ' * 1.- Resultados a DetaUe.'
* SvminiarewOpSión < l . . Z > '
Resultdo: Aparece el siguicme men-jc:
'I .- Mediante la considerición de YM
"2.- Medime Is conaidsraci6nde un FUICCntajC..
-3.- Si" Bmm.' * Suministreai0pción <1..3>' . Acción: escriba I Rcailtado: Aparece el siguiente memje: 'La Gráfica a Recomer cae dentro del Rango:' " 1.542oaOe-03 y 9.99247Oc-01' Tonelante de BNM quc dcsu que IY Is aplique a Is Gráfica'
Resultado: Aparece el siguiemc mensajc: 'Suminian el ntmem de m'nimoi que desuis' . Acción: escriba 8 Reaillado: Aparece el siguiente mensaje: 'Con l a Gráfica Pauún: paimn53.dat BC
lienen los siguientes resultados:' FM=4.345549e-01 FEY=9.831166c.OI Enor mínimo I = 2.644oooc-01 FEX=4.345549~-01 FEY=9.816Ub41 Ermr mlnimo 2 = 2,43665-1 FM=6.66666641 FEY=9.794634e-01 Enur minim 3 = 2.690131e-01 F M = 1.000000c+MFEY= I .000000c+W h r mínimo 4 = O.OM000e+m FM=7.65MOZe-01 FEY=I.@I@X&+00 Ermr minim 5 = 2.460985c-01 FEX=2.862069e-01 FEY=9.753889061 Ermr minimo 6 = 2.6l3641e-01 FEX=2.794613~-01 FEY=9.753889e4i Emir mínimo 7 = 2.5SMle-0l FEX=6.014493e-01 FEY=9.827uSc-01 Ermr mínimo 8 = Z.ISZ8<)Ie41 'Descs que Be IC vuelva" a w n r los Enom? <S> < N > "
Acción: escriba diigws2.dat
2.- Solo Rcmltadoa F~MICS: . Acsi6n: escriba 2 '
MANU0 DE BRUMA'
Conaunte.'
Acción: escriba 0.WOS
I 11
I Apéndice A Procedimientos de pruebas de aceptación II
g r d h patrón Io 6.4tXü7lc+OI y i i d o el Facm' 79.43%. I
aplique a L Grdhsi' . bsi6n: -rib. 0.70 con ello, los 8 e- o difcrcncua d s pcpuebs que u k v i el iisfcnu son L. I@iCnte i :
~ = 3 . 6 8 8 8 8 9 0 0 1 FEY=9.816254uOl Enn minim I = 0.000000c+00 ~ ~ ~ ~ 2 . 8 6 2 0 6 9 0 0 1 FEY=9.753889c-O1 Enn ndnim 2 = z.u)*(99ao3 FEX=6.M666úAI F E Y p 9 . w l Enn minim 3 = 5.788807001 FEX=I.M0000c+mY=I.000000c+00 E$Kn m'nim 4 = o . m + 0 0 FEX=7.650602e-O1 FF,Y=l.000000c+00 Enor minim0 5 = 0.000000c+00 FEX=7,891567~4l FEY = I .MooM+00 Enor mlnimo 6 = O.oMoMc+00 FEX=2.i946l3c-Ol FEY=9.753889cbl Enn minim 7 = I .86127Oe-o) FFX=6.014493ehl FEY=9.82?255e-01 Enn minim 8 * I .288(8)c-o) El archivo RESULTA.DAT contendd un rrponc coo rcailudoi c o n c w r e m del pnrcumicnto. En esle uso. el i iempo de Roccnmicn<o N de 5.164835e+00 Segudaa. y el bloque de Is pdhsa a recomer que tKac d s puscido c m la grífici patrón se encucmn CIM el tienpa 1.449583c+O2y el tiempo 3.3S1369e+02. Siendo el Factor de C e n a Global i d a 99.69%.
Rquerimiewoi srtisfeehos: I . 2 y I I
3.2.3. Cis0 3: Ejemplo del hincionsmiem del
de hNma baja.
Acción: Orden cxactamet$e lo mi- que cn el cam I . a excepción de los dos punma
1.- . M A N U 0 DE BRUMA' 'I .- Medmnle b can*dención de YM
'soffu/are* cuudo iwcmcrr un polurujc
. SiguiCWeS:
Constanle..
Porcentaje.' -3.- Sin BNma.' * SvmiNarewiOpcib <I..)>' Acción: elcriha 2 2.- 'Po-cntaje de &urn que deva qua ee le aplique a la Grdfc. <O..IW>- Aceián: crriba IO
-2.- Mcdime la eoruidcncib de un
.
. Con ello, lo. 8 C-M o dibrcneias di pcpucii.rque ukuin cl uiunu *ni Ls siguientes:
FEX=4.345s49s-Ol FEY=9.8í1166C-01 Enor minim I = 1.862707~-01 FEX=4.345549e-O1 FEY=9.8162íC-OI Ennminimo2 = 1.64076la-01 FEX=6.6666ó6S41 FEY*9.794634e-01 Enn minim0 3 = I .M733&-OI
encucmn n d l ~ el t i e el tiempo 1.348ISJc+02. de Ce<lou Global ¡ e l a
Puéndice A Pmcedimientos de ornebas de ftce~Iaci6n I
:I 121
il _ -
I!
'I Aoendice A Procedimientos de DNcbas de aceDWión
5. I . Rcacña:
Verificar que BC cumple cw OS diferentes requcrimientoi & a h d o s e n los punto8 I . 2 y 14.
5.2. Roocdimienlaidc pnicb8.
5.2.1. C.*> I: Ejemplo del hinC¡OMmiei*o del 'aoRuire' cwndo BC d e w hacer el -amimiento ¿e UN g d f t p t d n di gnnds que h @~ca a recomeor.
Acoián: Ordene h ejccuci6n de SlSREC . escribiendo lo <¡¡e& SISREC Resultado: Apareccnlns siguKntesmWs: 'I .- Viau l i c ión de Oráficaa. 2.- Recomrimiedia de Señales: RNMap' -3.- Don Shell' *4.- Salir' . Surninis(resuOpcib ¿l..4>.
Resultado: Aparccenloa s¡guientesmennjes: ' D A T O S A P R O C E S A R ' 'Nombre dol 8rohivn de h gráfica 8 recomer:.
Resultado: Aparece el siguiente mensaje: 'Desu que intcwcnga el Raceso de Suavüracidn pan dicha Gtdfica a Rcoomrcr: gnficóü.dat <S> < N > *
Resultado: Apa- el siguiente mensaje: 'Suminialra el NJmen, de Gráficas Ru6n que desees probar:'
Resultado: Aparcec cI s¡guicnic mensaje: 'Nombre del Archivo que Mniicnc II h Gráfica ñir6n I:'
Resultado: Aparece el siguiente mensljc: 'Desea que intervenga el Roceso de Suaviueián pan dicha Gráfica Patrón: palron6ü.dil <S> <N>'
Resulbdo: Aparscs el siguiente mensaje: 'Nombre del AKhivo que contiene el Diagnádco pira dicho Piirdn: patlmn60.dit:*
Aecibn: escriba 2
. Accidn: crriba gnfic6O.dat
. Acción: escriba n
Accián: caeriba I
. AecMn: escriba patmnóO.dat
. Accidn: escriba n
. Acd6n: escriba di-sl .dit Resultado: Apaplrcce el siguiente mruujc: . R E S U L T A D O S : ' '1.- Rcwltados a Detallc.' -2.- Sdo RemlisQs F i ~ l e ~ . ' ' Suministre su Opci6n < I ..2 > " . Acc ih crribi 2 Resuhdo: Appirecs el +¡em mensaje:
MANEJO D6 WUMA' 'I .- Mediunte h cowidcoei6n de UM
Sum¡md&~mJopCi6. <I. .*>' . Acci6n. crr ib . 2 II Resultado: Aparsconlos +katcimennjw
'Nombre &I 8irhivo & h MrU a rscomer:. ,I ' D A T O S ' A P R O C E S A R -
122 I
.. !I
!!
-
I
bend ice A: Procedimientos de ornebas de aceotacibn 11 Acei6n: escriba gnfisS6.d*t Resuitado: ~ p a n e c el siguiente menaajc: 'fisea que intervenga 4 Rocem dc Suavllaei6npan dicha Gráfica a Reconocer: gnficS6.dai <S> <N>' . Acei6n: escriba n Resuitado: @ a m e el siguiente mensaje: 'sumini- el Nhzm dc Gdficns Patrón que deaccs probar:'
Resultado: Aparece el siguiente mensaje: 'Nombre del Archivo que fonI¡Cnc a la Gdfm Patrón I:' A~ción: escriba patmn56.dat Reaullido: Apinee el siguiente mensaje: 'Desu que imervcnga el Pmccw de Susvuici6n p a n dicha Gráfica Patrón: pitmn56.dat <S> < N > '
Resultado: Aparece el siguiente mensaje: 'Nombre del Archivo que contiem el ,Diagn6stico para 'dicha Psir6n: patmn56.d.t:'
Resultado: Aparece cl siguienle ine-je: * R E S U L T A D O S : ' '1.- Resuludos II Detalle.' 2.- Solo Reailtados Finales.' * SuministresuOpción <l..Z>' Acci6n: escriba I Resultado: Apanec el siguiente mensaje:
-1.- Mediante la canaideraci6ndc una
2.- Mediante la considerición dc un
'3.- Sin B N ~ . "
Aciih : escriba 3 Resultado: Aparece el siguicnte mensje: 'Suministra el númem de mínimos que deseas' Acción: erribs 2 Resultado: Se crea e l archivo RESULTA.DAT con l a aiguicntc información:
Con la Gdfics a Reconoccr: prafic56,dat Y la Gráfica Patrón: patmn56,bt
U númem de picos de la Gráfica hidn es = 3 El d m e m de pico8 de la ~ r á f i c a a Reconocer es = 8
Los valore8 de a.h,A,B con 0 .000000c+~ 8.45238OC-010.000000c+W 8.45238oe-01 U Factor dc Escala para el eje da las xvS es I.OWWOc+00
. Acción: esiriba I
. Acción: escriba n'
. Acción: escriba diagnosrl.dat
M A N U 0 DE BRUMA'
C0"Stl"tC'
Porcentaje.'
Suministreniqieión <1..3>' *
. .
11 O.oooMKk+00 es
2.666667e+WI U resultado df Mapear 5.oooMKk+00 e8
U resultado dv Mapcar 2.oMy)oF+00 es 2.oooMKk+00
Los dores + la interpolaci6o de O cs
Los valores $e la inteipolaci6n de 1 es
Los valores la interpolación de 2 e11 Z.M0000c+00
El Ermr calculado es: Z.2222ZZsOl
L. máxima Pifcrencia en- las gráficas (FCL) e&: 6.6p6667c-01 Y se da eI!tre el valor tninsfomdo: 2,.666667e+q0 y el valor mapeado: 2.OW000e+00
Las valores de a,b,A,B 80" 0.000000s+00 8.452380e-0l~8.4S238Oe-01 1.690476e+W U Factor de +ala para el eje de las X's es
4.amooc*+oq
4'1
2.oooMKk+g!
4.oooaooc+O?
¡I ¡l.
It
Mapcar O.ooMxx)e+00 ES
Mapear 4.22619Oe-01 ea I .267RS7c+lK1 El resultadoi}de Mapear 8.45238Oe-01 es I .690476e+00
Los valores 'IC i,b.A.B non 2.0000Mk+00 !I
5 . 0 0 0 0 0 0 ~ e + o 0 2 . 0 0 0 0 0 0 c + o 0 S.000000c+? U Factor &¡.fala pan CI eje de lis Y's CB
i . ~ + ~
El reniltada')dc Mspcar 3.MxMooc+00 es
U rcnultado'lde Mapear 5.000000c+M C.
El remItado]dc Mapear 2.000000c+00 e i Z . w o o a k + 0 0
3.OW000e+p
S.ooooooE+lh
123
I/ Aohdice A Procedimientos de pruebas de aceutación
Lni valores de la uiicrpdici6n de O CB
2.000MX*+M LOS valorea de la urtcrpdsción de I es 5.000MX*+00 L.X valores de la Imnpalaci6n de 2 a 2.000MX*+W
U Error ealculida c.: 3.33333341
L. d x i m a diferencb c~lre las gdficai (FCL) es: I.OOW00c+00 Y se da entre el valor tMaformado: 3.000MX*+00y el v a l o r w p d o : 2.0000M)e+00
Los nilores de qb.A.6 ail O.W0000c+00 8.4523sOe41l.690476c+002.535714c+00 U Factor de Escala p i n el eje de las X'i e8 l.W0000c+00
U resultado de Mapear O . M ) o ( k + O O es 1.690476c+W U remultada de M a p r 4.226190cOl es 2.1 13WSe+W U resultado de M a p r 8.452380c-01 e8 2.535714~+00
Los valore6 de a,b,A.B 80" 2.oOoM)(k+Cü 5 . O O O O O O c + O O 2 . 0 0 0 0 0 0 e + 0 0 6.ooMMoC+00 U Factor de Escala pan el eje de las Y% es 1.333333c+00
U resultadode Mapr3.000MX*+00es 3.333333e+00 El resultado de M a p r 5.000MX*+00 es ó.M)o(k+00 El reailiado de M a p r 2.000000e+00 cli
2.000000c+M)
Los valoms de la Intcrpolación de O es 2.000MX*+W Los valoms de la Interpolación de I CB
6.0000M)e+00 Los valores de la Interpolación ds 2 es 3.M)o(k+00
Y BC da entre el valor transformado: 3.333333~+00 y cl valor mapudo: 2.M)o(k+00
U Tiempo de processmiento de la grdfics Patron: pliUnn56.dal fue: 2.19780241 (SSguIldOS) NOTA: U tiempa de pmsssamiento resultó muy pcqucfia debida a que los datos que
Requeirnientos
b e b a 7: Rucbas para mostrar el funcionamiento del 'mñware' cuando se deseen Reauiis'kos cinales.
7. I. Reseña:
. en el Cam 1 de la pNcba nGmcm 5 , a excc~ción del unto siwicntc:
1 - - Resuhado: Aparece el siguiente mensajc: * R E S U L T A D O S : ' 'I .- Rcailtadlos a Detallc.' "2.- Salo Rshtados Finales.' * SuminiakaiOpción <1..2>'
!I
I1 . .~ . -.
reaultadae.
9.1. Resela:
I Apéndice A Procedimientos de RNebas de ace~tación II Acción: escriba 2
Con ello. se desplegad en pawlln el msubdo finil de loa distintos errores que ne vayan cdculindo h detalle de loa resuludos intemrdias ( I r a ~ f o m C i 6 n C
intelpolación). El archivo RESULTA.DAT contendd un rtpoac con resultados wsretos acerca dcl procesamiento.
R q u e M i i c i i u > s m i h o s : I . Z y 16.
b e b a 8: Ruebas pan mo8Mr el ímcimMMcnl0 dcl 'aftanre' cuando M desee la visuilización gdficiii de los data0 a pmcaar.
8.1. Reseña:
Verificar que. ne cumple con los diferentes requerimientos sthladosen los p u m ~ < l , 2 y 17.
8.2. Procedimientos de prueb;.
8.2.1. Caso I: Ejemplo del funcionamiento del 'sotiware' cuando se de- la visu.liuci6n de ia grifica a rtcomccr. . Acción: W e n e la ejecución de SiSREc escribiendo lo siguiente: SlSREC Resultado: Apsreccnloa aiguicntes menaajcs: 'I .- Viaidic i6n de Gráficas" '2.- Recomrimienia de Señales: RNMp' -3.- Dos Shell' -4.- Sslir' * SuministmsuOpción <1..4>"
Resultado: Apartccnlos siguicnrssmemjejcs: 'I .- Despliega Gdfica' -2.- Regresa al Menú Anterior.'
Acción: escriba I
* SUministnsuOpción <l . .2>' Acción: escriba I Resultado: Aparece el siguiente mensaje: 'Suminime el Nombre de la Gráfica a Vi-lir:'
Resultado: Aparece la gráfica I .
* Oprima Cualquier Tecla para Continuar' Acción: Oprima Cualquier Tesla para continuar Resulisdo: Aparecen, de nuwo, loa siguientes mensajts:
7 . - Rcgrcm al Menú Anterior." * Suministn m Opción <l. .2>'
Resultado: Aparecen loa siguientes menmjen: -1.- Visuslicióndc Gdficas' "2.- Reconocimiento de Seniles: RNMap'
Acción: gmfiiS3.dat
. '1.- Despliega Gráfic..
. Acción: escriba 2
I *3.- Dm Shell' -4.- Salir' * svminirank@ci6n <1..4>' Acción: escriba 4
8.2.2.
. *
1 C.so 2 Ejemplo del fumioiumicnto dcl 'afware' c+ae &see la vislJ.3liuici6n de la gráfica patrón.
II
11 Acción: Ordcnc exactamente lo dm que cm el cam I, a excepción del pun0
1.- 'Sumininre el Nombre de la Gráfica a SigUiCmC:
visudiir:. II A c d n : palmhO.dal 'I
Con ello. el resultado qui amja el sisleema w la gráfica 1. /I Rqucrimicntos
'I -
,! Auéndice A Procedimientos de pruebas de ace~tación II
'I -
,! Auéndice A Procedimientos de pruebas de ace~tación II
.
.
.
.
' I T O I
Z O I
ADBndice A Procedimientos de pruebas de ace~taci6n
1 .o " a
O
" I
0 .7
I
U 0 . 5
I .O
0.9
0 . 5
O . ,
0.1 10
128
! Apéndice A: Procedimientos de pruebas de ace~wción II
I .o " r)
o 0.0 "
I
T
U
D
0.a
0 . 3
0.1 6.
-3.- Sin Bmms.' ' Acción: escriba 3
Suminime Su Opción < I ..3 >.
Resultado: Aparece el eiguiente mewje: 'SumiNstn el número de nu'nimos que deseas' Acción: sgriba 4 Resultado: Aparece el siguiente mensaje: 'Con la Gráfica Patrón: patrod9.d.t se ticncii las siguientes resultados:' m= I .000000c t W p E Y = I ,000000cto0 h r minima I = 0.000000ctW FEX=9.891304e-OI FEY= I.W0000e+o0 Error mínimo 2 = 1.357727~41 FEX=9.891304C-01 FEY= I .000000c+00 Error minim0 3 = 1.357i3&41 FM=9.891304e-01 FEY=1,000WOetW Enur minim0 4 = 1.357734c4l 'Desea que IIC Is vuelvan a m s t n r los Errores? <S> <N>.
(NOTA: En caso de escribir s podrá ver de nuevo los Errores calculados) Resultado: Aparece el siguiente m m j c : 'Desea que sc le mueatren iodos 108 h r e s calculados p a n el pavdn palrorú9.dat. que . an81 <S> <N>' Acción: escriba n (NOTA En caw de cscnüir II podrá vcr la lisvi de todos lo. h m s )
. Acción: escriba n
.
.
,! Resultado: Aparece el siguiente menaje: 'El Tiempo de ~mccsimicnlo de la Gráfica Patrón: patmd9.d.t fuC de: 7.69230&41 Segundos.' 1) 'Lista el arclpo RESULTA.DAT ahi enc0nvará:s el Diagnóstico CanspOndiCntC' 'Oprima Cualq&erTecla p a n Continuar' Acci6n: Oprida Cualquier Tccb p a n continuar' Resultado: Apame el siguiente mensaje: '1,- Ver G r á f i f k -1.- continua 219, el ~oeesamicao. . SuminiaFest!Opción < l . . Z > ' Acción: essribs' 1 Resultado: Aparece el siguicmc memjc: 'W Patrón dl parecida con b Gráfica a Recomer s e + x t e n t n en la Gdfica: pamd9.datentre el Tiempo0.000000e t o 0 y el Tiempo 3!845833c+OI. El Fselor do C C ~ W GIOM = 98.76%. Por IO t a m , D i a g n 6 M i e o e o r r e ~ n d i m e a el siguienle:'
.I . .
II
I1 'Anomalía: Dc!past. de las concxioncs'. 'Acci6n c o r n h i : Rccmplsur conxionea laterales' Resultado: Apa,?cenlos siguicntesmensijes: '1.- Vinualición de Gráficas' *2.- Resomi~"enlo de Scíuiles: RNhiap' '3.- Dos Shell'
129 I / II
I,
.I I/
Apéndice A: Procedimientos de pruebas de ace~taci6n Acción: escriba 4 Rusba 1 2 pruebas para momr 11 el h inc ionamic~
a cabo la búe&h en UM gdfica a m m c r de. urn rr¡e de @cas pa'F6n.
de'sofnvare' cuando I requiere que e lleve Reaullado: T e m i t ~ la Sesión.
RcqucriMentoa Sstisfcchos: I . 2 y 18. I
I 12.1. ReseB:
Verificar que I CUI& con los diferentes
10.2.2. cabo 2: Ejemplo del hinciornMcnU> del
codc iu mucstns patrón. disVibui&s a lo lago de todo el archivo.
'sonware' m n d o la gráfica a recomer
qucnmientoa m?ulados en los puntog I , 2 y 20. I . Acción: Ordem cXaCUmen<c 10 m¡SmD que
CI C ~ S O 1, a exicpfiái del punto siguiente: I . - ' D A T O S A P R O C E S A R ' 'Nombre dsl archivo de la gráfica a recomer:. Acción: escriba graCic7O.dat
con Bc podrán -ruar en un tiempa do 2.857L43s+00Segundos, 84 comparaciones.
Requerimientos satisfechas: I , 2 y 19
Rucbas p a n mostrar el funcionamiento del 'soitware" sn el Peor de los Casos (cuando la gráfica patrón no se encuentre denim de 1. gráfica a reconocer).
Reseíu:
que se cumple COD los diferentes requerimientos aeñslsdos en los puntos 1, 2 y 19
11.2. Procedimientos de pNeha
11.2.1. Caso I : Ejemplo dol funcionamiento del 'wRwsrc' cuando se desea hacer el recamximiento de U M gráfica patrón denim de una gráfica a reconocer muy distinta. . Acción: Ordene exictsmntc lo mismo que en el c a w 1 de la prueba 5 , a excepción de los dos puntos siguientes: I . - " D A T O S A P R O C E S A R ' 'Nombre del archivo dc la gráfica a reconocer:. Acción: escriba grafic8O.dat 2.- 'Namhre del Archivo que contiene a I. Gráfica Pitr.5" 1:- Acción: escnha patmn80.dai
Con ello, se podrá obsewar CI eompommienio del sis lem y el iiempo (2.37362&+01 Scgundospara 688 compirasionca) que se lleva p a n CI caso dc que oc comparen gráficas muy diferentes enire sí.
Rqucrimiemossatisfcfhos: I , 2 y 19.
12.2.
12.2.1.
.
.
'I II
Rocedimientos de p w b i
Caso 1: Ejemplo del funcionimiento del *sotiware' cuaho r tengan varias gráficas
la ejecución de SLSREC egrihiendo lo a/guicnte: SLSREC I/
11 Ruaillado: Apapenlos 8iguientssmewjcs: -1,. V i a u l i c i ó n d e Gráficas' -2.- Recomiz$ento de SeMlcs: m a p ' *3.- Dos Shell' "4.- Salir' 11
Suministre IU Opción <1..4>' Acción: escribd 2 Reaullado: Ap&ceecnlas siguienteamensajes: DA TOS^ A P R O C E S A R ' 'Nombre dell archivo de la gráfica L
reC0"OCCr:. !
grafie60.dit <S> < N > ' Acción: escriba n Reauluido: el ~iguiente mcnsajc: 'Suminism el Númem de Gráficas Patrón que desees pdbar:' Acción: e&& 4 Resultado: A&ce el siguiente mewje: 'Nombre del Archivo que conticm a la Gráfica Patrón I : Acción: escridi pitronóO.dat Rcdlado: A&rese el siguiente mensaje; 'Desea quc/l inicrv=nga el Pmcebo de Suaviución p a n dicha Gráfica Fnu6n: pitmn6O.dat .f S > < N > ' Acción: escriba n Reaillado: Aparece el siguiente mensaje: 'Nombre del Archivo que c o ~ i c m el Diagnóstic4 para dicho Patrón: patmnó0.datji Acción: escriba diagnasl.dat Reaillado: Aparccs cl siguiente mcmjc: 'Nombre dol Archivo que contiers a h Gráfica Patr612:' Acción: cscqba patmnól .&t
I
t :
11
'I
I I¡ Apéndice A Procedimientos de pruebas de acentnción il tad^: ~pp.recc el siguicn~~ mendc: -&P. quo intervenga el Pmce~o de swvuaCión p a n dicha Gráfica Pmtdn: puronól.dat <S> < N > '
Resubdo: &pa- el siguiente mensaje: del h h i v o que contienc el
Diagnóstioo para dicho Patrón: pitmnól .dat:'
Resultado: ~ p a n c e el siguiente mensaje: 'Nombre del Archivo que conticnc 8 h Qráfica Patrón 3:'
Rcrultada: Aparcsc el Piguicnte mensaje: 'DCSCS que intervenga e l Pmcem de Suavúación p a n dicha Qráfici Patrón: patmn62.dt.t <S> <N> '
Resultado: Aparece el siguientc mensaje: 'Nombre del Archivo que contiene el Disgnóriliso para 'dicho Patrón:
Acción: escriba n
Acción: =iba dmgrsoa2.dat
. Acción: escriba paImnó2.daI
Acción: er r iba n*
patmn62.dac' . Acción: escriba diagnos3.d.t Resultado: Aparece el siguiente mensaje: 'Nombre del Arehim que contiene a la Gráfica Patrón 4 "
Resultado: Apsrecc el siguicnie mensaje: 'üeffia que intervenga el Roeeso de Swivúacián p a n dicha Gráfica Patrón: patron63.dat <S> < N > " Acción: escriba n Resultado: Aparece el siguiente menwjr: "Nombn del Airhivo que contiene el Diagnóstico para dicho PairAn: patron63 .dai:' Acción: escriba diagnos4,dat NMA: Aqul el sistema cmpicu a pedir que Be Is suministren los dilos p a n el pnmcr caso, que serían: Resultado: Apamcc el siguiente mensaje:
R E S U L T A D O S : ' '1.- Resultados. Detallo." -2.- Solo Resultados Fides.' * SuministnsuOpoih < l . . Z > '
. Acción: escriba patmd3,dat
Acción: escriba 2
I1 Y, en elte m o ~ n l o Y desplegarán loa m&ndos &I prdcsamienta de h gr66ci a re come^ y el p r i k patrón, a cotitinuación
dcbcrán aiminiianr In dalos p a n el segumiopatrón: I/ Resultado: ~pparepr. el siguiente mewje: * R R S U L T A D O S : ' '1.- Resultados ~ ' D c t a U C . ' -2,- solo ~csuhsbos fiina~cs:
Resultado: Apa+e el siguiente mensaje: . MANWP DE BRUMA' 'I .- Mcdiantc Ia~coinaidcracihde U M
COnaunIC.' *2.- Mediante d c d d c n c i 6 n d c un
. suminielre $IOpciái <1..2>' Acción: urnba 2
porc~ntijc: *3.- sin B N M ! ~ ' Suminia<res!tOpción <1..3>' .
de minim que deseas' .
Resultado: Aparece CI siguiente mensaje: * MANU0 D6 BRUMA' 'I .- Medianlc la comidcnciónds UM
Constsnte.. -2.- Medianle la eonsidenciónde un
Porcentaje.' "3.- Sin B ~ m a . ' * Suminisin nu Opción <1..3>' Acción: esceba 3 Resultado: Aparece el siguiente mensaje: 'Suminiara el númem de mínimos qui descas' Acción: c&ba 4
*
. 131
APENDICE B
Clares dehidm m: REC0NOCE.t
h l a n c i 6 n d c la Clase: RNMnp. E& clase conticnc n
funeiommicnlo de la nueva rcd nmm
class RNMap I
public: (
I void RNMap::ValoresRaareaC
Parte del Código empleado para la Implementat del Sistema SISREC
public: {
void HuOmfica::ciexO. Dpdnnrión de zu'regb globoles:
Pan evitar la ndundancia en 1.8 declamciancs dc los i m g l o s c m loo que se va a inhajar, se c m un archivo Ilanudo GLOBAL1 .CPP, el cual c o n l i c ~ la definición de los dos smglos de caodcoadsa ds X's y Y's, y cuyo contenido en el aguicntc:
float pu"tasx(8m~, p""t"sy~8m1;
Asimismo, .% ercamn olms das archivos Ilanudoa CLOBAL2.CPP y GU)BAW.CPP, los cuka canliemn 1.8 siguientes dcrinicioncs:
float punlosMpdX[4000], puntosMpdY[4oOol;
float puntosPatmnXl2MX)]. puntosPaimnY[uxx)l. Interpola12üW1, Ermr110001, FEX[IoM)l, FEY11ooO1;
rcspecli"ame"1e.
l%jiaopio de La dedaración de dichos arreglas eo RFXUPERA.CPP y RWONOCLCPP
En los archivos RECUPEI<A.CPP y RECONOCE.CPP 18 definición de los amgloa definidos en GL0üAl.I .CPP cs k *iguiC"tC:
extern float puntosx[8ooO], puntosy[üüüüI;
Como puede ohselvarse, K utilizan €sios amglos como variables exlomas.
Claws d&das eo: RECUPERA.HPP:
Dcclaración do 18 Clase: ModoCrafro
manipulsr el modo gdfico de la pantalla:
das8 ModoGnfico
Eñia clase contiene los m6todos quo silvcn para
puhlic: (
in1 Modájmfica::lnicisModffi~fi~oO; void Modffinfico::TcmiiaaModájmfi~~O; void ModoOmfico::CambioDC~"l~~~n
):
tkslsncionds la Clase: HazGrafra, ERta clase contiene a los m€todas que sirven p i n tmur
I ón
to, int m, in1 color); a(cbr mmbrc[l3D; m(chirmmbnn);
p:
nmiosx[l, float IppuntosyY[l,
u posicion, int psicionl, 'r, float GRecomrerX[1, loat GReconoccrY(1); :float XI. noat YI.
// Lkelaraciondc la Clase: Pantalls
lulida de datos en psnmlls. clase CONiCm Io8 diodos que silven p a n Ii
!
I!
Claw ddidda~ en: MOU!jE.HPP:
Declanciondc la Clase: rptm ! Ma clase c m i e m los!
ADéndice B: CMieo fundamental emnledo Dara la im~lementación del sistema SISREC II
métodos que sirven para
hlaracion de la Claw: Arrbiro
archivos.
class h h i v o
Ept. clax eonticnc métodos quo SnCn pan nuocjo de
public: (
in1 hhivo::EsViArchivo(chsrnnnbrc[]); i d Amhivo::LeeDeDisco(char mmbrcl]. float DatasX[],
void
void Archivo::ResulladoaO;
float DatoaYIJ, im limite); ~hivo::GuardaBloque(fl~t h r c s I l . in1 nMin, int
inill. int fin [I);
);
); I !
Dcclamcion de 1. Clase: g&
manejo de h s operaiioirs Bobrc UIY gráfica.
elasa Gnfiea
public:
Esta clsffi contiene los métodos que sirven pira el
(
void Gnfici::Suaviu(floatgnf~Il, float gmfy[]); void GnfiE.::CalculaNpieos(noai Gnfisafl, int nDatai, im
picos[]. int *contador, char graficall 11);
void GmBca::Mimax(noai imgloI1, in1 n, float *mix,
void Grafisa::Calsuhümma(flmt Nporcen); float %in, int .posnUa);
);
Ciaw dehidaq m: PORTADA.HPP:
Declaration de la Clase: poMds
sirven para desplegar loa diginmi Mcnúi.
class panadi
Esia clase coM¡cnc la declaración de loi méiodai que
UFlCA.ME');
133
:I ADendice B: Código fundamental emoledo oar8 la imolementación del sislema SISREC
eymern('FZCONCCE.ME'); break
tenbackgrcund(BLACK); windm(1,1.80.24); clncro; pnnlf('Tedce EXIT para regrew...?; systcin('C0MMAND'); break;
icxtbackgproud(BLACK); window(l , I .80,24); Cinc@, bnslr;
) while (opcion != 4); )
M W para cambiar a Modo Cmito:
void Modffilaüco::C.mbioDeContext@ (
MG.INcUModffinfico0; rccuinglc(xi,yi,mau,maxy);
cloffigrapho; )
. .-
II 'I I
I1 !I Apéndice B: Códieo fundamental emaledo Dam la im~iementación del sistema SlSREC
) contador=% Umilc (f&ufer, 150. p9 != NULL) l k loa dilos dc disco
! I
Metodo qiu<numa@liw
void HizOn6ca::TnuGnficaúnt n. in m in4 color) i Metodo que CslUJs Ice vploreamapeadosde X y Y:
float G ~ f i ~ ~ : : M i p c a ( f l ~ t a, flcat b. im A, in B, flolt valor) I
( in! r-coior.
mNrn(A+ (valor-a)*(B-A)/(b-a)); )
Metodo que trnrs d eje de Ls X'a:
void HazGrafiea::ejexO
float pmcdio,pos; int auxcolor,
auriolor=gcicolo@; sekolor(CYAN); I'mapco para la poa. del eje x */ pos=G.M~pui(Mnimo.maximo,yi,nuxy,O.O); moveio(0,mxy +yips); lineto<maxx+I~,nuxy+yipos); setcolar(auxco1or);
(
/* V.U eje x */
1
11
ADendice E: Códieo fundamental emnledo uara la imulementacib del sistema SlSREC :i
I I( goloxy(29.1 I); cpnnif('mi límite que es 2000 ***\r');
exit@);
136
Aoéndice B: cádieo fundamental ernoledo oara la imolemenCaci6n del sistema SISREC II
i-; i
) if(i==76) I
137
M&& que oculta d camor del mouse:
void Riion::mhideO
ma REOPACK w p a c k mpack.r-ax=2: inir(Ox33,&mpack);
(
/* ocult. cursor del ralon * I
Metodo que coima d cursor del m m en in posÜ6u mx, my:
void Rau>o::mput(unaigned nu, unsigned my)
elmet REOPACK nepsclr; rccpack.r-m=4; //Pon cl cursor del raton en la poiicion mx.my mpick.r-cx=rnx; nepask.t-dr=my; intr(ox33,&mpick);
(
I
'I
138