TEORIA DEL CAOS

SISTEMAS EXPERTOS EVOLUCION

TEORIA DEL CAOS

SISTEMAS EXPERTOS EVOLUCION

teoria del caos

teoria del caos

Teoría del caos es la denominación popular de la rama de las matemáticas, la física y otras ciencias que trata ciertos tipos de sistemas dinámicos muy sensibles a las variaciones en las condiciones iniciales. Pequeñas variaciones en dichas condiciones iniciales, pueden implicar grandes diferencias en el comportamiento futuro; complicando la predicción a largo plazo. Esto sucede aunque estos sistemas son deterministas, es decir; su comportamiento está completamente determinado por sus condiciones iniciales

Clasificación

Los sistemas dinámicos se pueden clasificar básicamente en:

• Estables.
• Inestables.
• Caóticos.

Un sistema estable tiende a lo largo del tiempo a un punto, u órbita, según su dimensión (atractor o sumidero). Un sistema inestable se escapa de los atractores. Y un sistema caótico manifiesta los dos comportamientos. Por un lado, existe un atractor por el que el sistema se ve atraído, pero a la vez, hay "fuerzas" que lo alejan de éste. De esa manera, el sistema permanece confinado en una zona de su espacio de estados, pero sin tender a un atractor fijo.

Una de las mayores características de un sistema inestable es que tiene una gran dependencia de las condiciones iniciales. De un sistema del que se conocen sus ecuaciones características, y con unas condiciones iniciales fijas, se puede conocer exactamente su evolución en el tiempo. Pero en el caso de los sistemas caóticos, una mínima diferencia en esas condiciones hace que el sistema evolucione de manera totalmente distinta. Ejemplos de tales sistemas incluyen el Sistema Solar, las placas tectónicas, los fluidos en régimen turbulento y los crecimientos de población.

Aplicaciones

La Teoría del Caos y la matemática caótica resultaron ser una herramienta con aplicaciones a muchos campos de la ciencia y la tecnología. Gracias a estas aplicaciones el nombre se torna paradójico, dado que muchas de las prácticas que se realizan con la matemática caótica tienen resultados concretos porque los sistemas que se estudian están basados estrictamente con leyes deterministas aplicadas a sistemas dinámicos.

En Internet se desarrolla este concepto en Teoría del Caos, el tercer paradigma, de cómo la estadística inferencial trabaja con modelos aleatorios para crear series caóticas predictoras para el estudio de eventos presumiblemente caóticos en las Ciencias Sociales. Por esta razón la Teoría del Caos ya no es en sí una teoría: tiene postulados, fórmulas y parámetros recientemente establecidos con aplicaciones, por ejemplo, en las áreas de la meteorología o la física cuántica, y actualmente hay varios ejemplos de aplicación en la arquitectura a través de los fractales, por ejemplo el Jardín Botánico de Barcelona de Carlos Ferrater.

redes neurales, redes multiples y monolitas

Las redes de neuronas artificiales (denominadas habitualmente como RNA o en inglés como: "ANN"^[1] ) son un paradigma de aprendizaje y procesamiento automático inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexión de neuronas en una red que colabora para producir un estímulo de salida. En inteligencia artificial es frecuente referirse a ellas como redes de neuronas o redes neuronales.

Ventajas

Las redes neuronales artificiales (RNA) tienen muchas ventajas debido a que están basadas en la estructura del sistema nervioso, principalmente el cerebro.

• Aprendizaje: Las RNA tienen la habilidad de aprender mediante una etapa que se llama etapa de aprendizaje. Esta consiste en proporcionar a la RNA datos como entrada a su vez que se le indica cuál es la salida (respuesta) esperada.
• Auto organización: Una RNA crea su propia representación de la información en su interior, descargando al usuario de esto.
• Tolerancia a fallos: Debido a que una RNA almacena la información de forma redundante, ésta puede seguir respondiendo de manera aceptable aun si se daña parcialmente.
• Flexibilidad: Una RNA puede manejar cambios no importantes en la información de entrada, como señales con ruido u otros cambios en la entrada (por ejemplo si la información de entrada es la imagen de un objeto, la respuesta correspondiente no sufre cambios si la imagen cambia un poco su brillo o el objeto cambia ligeramente).
• Tiempo real: La estructura de una RNA es paralela, por lo cual si esto es implementado con computadoras o en dispositivos electrónicos especiales, se pueden obtener respuestas en tiempo real.

Las redes de frecuencia múltiple (MFN o Multiple Frequency Network) es un tipo de red donde distintas frecuencias (canales de RF o radiofrecuencias) son utilizados para transmitir contenido audiovisual. Hay dos tipos destacados de redes de frecuencia múltiple, las horizontales y las verticales. Las redes de datos, como las redes de comunicación wireless, deben escoger entre ofrecer un servicio personalizado a cada usuario o proveer un servicio a un gran número de terminales. Por ejemplo, la distribución de contenido multimedia (como la televisión, tanto analógica como digital (TDT)) a un gran número de subscriptores o usuarios es un problema complicado debido a la limitación del espectro de frecuencias.

Funcionamiento

Las redes de frecuencia múltiple horizontales son aquellas donde la distribución de las señales transmitidas se hace en canales de radiofrecuencia distintos y en áreas diferentes. El contenido de la señal puede ser el mismo o diferente en los diferentes canales de RF. Por ejemplo, en Televisión de Catalunya (TVC) pueden usar distintos canales de RF a las distintas provincias catalanas para así tener la posibilidad de hacer desconexiones y emitir contenidos distintos.

El otro tipo, las redes de frecuencia múltiples verticales son las que en cada canal de radiofrecuencia son usados en las distintas áreas para transmitir contenido diferente con el propósito de incrementar la capacidad de la red (para ofrecer más contenidos al usuario o destinatario final). Por ejemplo en la área de Barcelona, cada canal de RF transmitirá contenidos distintos.

El despliegue de las redes de frecuencia múltiple será vertical en algunas áreas y horizontal en otras. En una red de frecuencias verticales típica, la infraestructura local de operaciones (LOI o local operations infraestructure) debe transmitir distintas señales sobre múltiples canales de RF en una determinada región geográfica.

Cada señal puede contener uno o más contenido, que pueden ser seleccionados por los receptores (en un canal de RF en TDT normalmente viajan 4 programas diferentes). Les LOI adyacentes pueden utilizar el mismo o diferentes canales de RF.

Durante la operación, el receptor podrá cambiar el canal de RF a petición del usuario. También podrá cambiar de canal de RF siempre que la adquisición del contenido fuera errónea debido a la movilidad del receptor, a su situación o a otras condiciones del canal. La movilidad del receptor se define como la posibilidad de cambio de área de cobertura de un determinado LOI hacia otro LOI vecino.

Típicamente, el receptor cambiará de canal de RF hacia algún que transporte el contenido deseado por el usuario. En caso que falle, es posible que el contenido se encuentre en algún otro canal de RF debido a la proximidad de los diferentes LOI’s.

También cabe destacar que es posible que en los diferentes canales de RF de cada LOI se puedan introducir gran variedad de contenido adicional (por ejemplo el teletexto, subtítulos o contenido interactivo) y que si el receptor, de manera aleatoria, selecciona un contenido en un canal de RF de un LOI determinado, es posible que los contenidos adicionales no estén presentes ya que se puede dar el caso que no todos los LOI los difundan.

Por lo tanto, sería deseable conseguir un sistema que permita al receptor seleccionar el canal de RF asociado al LOI que transporte los máximos contenidos adicionales. Así permitiría al usuario una mayor satisfacción ya que se accedería a los contenidos adicionales de la forma más rápida y eficiente posible.

Dentro de la aplicación de circuitos MMICs a redes conformadoras de haces para agrupaciones desfasables, se han modelado los errores aleatorios, combinados con los de cuantificación, para desfasadores digitales, incluyendo el efecto de diferentes niveles de calibración. Se ha aplicado el modelado anterior al análisis de la utilización de ponderación no binaria en los pesos de los dígitos de un desfasador digital variable, demostrando su robustez frente a las incertidumbres de los pesos de los diferentes dígitos, estableciéndose el rango de viabilidad de la ponderación no binaria, en comparación con ponderación binaria convencional. En cuanto a las agrupaciones multihaz se han recopilado algoritmos aplicables a la optimización de redes conformadoras que realicen la implementación analógica de la transformada discreta de Fourier para agrupaciones unidimensionales y bidimensionales, tanto con distribución rectangular a como hexagonal en los dominios espacial y frecuencial. Se han obtenido criterios de eficiencia a la hora de diseñar el conformador mediante tecnologías monolíticas y multicapa; demostrándose la viabilidad de la utilización de circuitos monolíticos simples como celdas básicas de redes conformadoras de haces para antenas multihaz de banda estrecha, estableciendo las prestaciones y limitaciones de la misma. Por lo que respecta a la tecnología fotónica, se ha caracterizado completamente un nuevo tipo de línea del periodo. Además se ha introducido una nueva arquitectura de red óptica conformadora de haces, basada en la utilización de una red de difracción con variación lineal del periodo, como elemento común de obtención de los retardos de los elementos. Todos los conceptos presentados en esta Tesis han sido demostrados mediante la fabricación y medida de los diversos componentes monolíticos y fotónicos introducidos

Sistemas experto

Introducción.

Desde los años 50,se ha producido un notable avance dentro del campo de la inteligencia artificial. El reto de

crear maquinas cuyo comportamiento asimile el de los humanos, con capacidad para tomar propias decisiones y obtener conclusiones comienza a ser tenido en cuenta a partir del desarrollo de la informática. Concretamente, la inteligencia artificial (IA) es una rama de la ciencia de la computación. Paralelo al desarrollo de la informática, comienza el desarrollo de la inteligencia artificial.

 

Definición de Sistema experto.

Un sistema experto puede definirse como un sistema basado en los conocimientos que imita el pensamiento de un experto, para resolver problemas de un terreno particular de aplicación. Una de las características principales de los sistemas expertos es que están basados en reglas, es decir,

contienen unos conocimientos predefinidos que se utilizan para tomar todas las decisiones.

En Teoría estos sistemas son capaces de razonar siguiendo los mismos pasos que seguiría un especialista (experto) en determinada materia (medico, matemático, biólogo, etc) cuando resuelve un problema propio de su campo de su disciplina. Por ello, el creador de un sistema experto tiene que comenzar por identificar y

recoger del experto humano los conocimientos que este utiliza, pero sobre todo los conocimientos empíricos

que se adquieren con la practica. Dado que los programas están basados en el conocimiento un aspecto fundamental es la programación del conocimiento la cual hace uso de la representación explicita del conocimiento a usar por el sistema y de su interpretación y manipulación lógica por medio de métodos de inferencia que permiten deducir nuevo conocimiento a partir del que ya se dispone. Por ejemplo, un SE en diagnostico medico Los sistemas expertos son máquinas que piensan y razonan como un experto lo haría en una cierta especialidad o campo. Por ejemplo, un sistema experto en diagnóstico médico requeriría como datos los síntomas del paciente, los resultados de análisis clínicos y otros hechos relevantes, y, utilizando éstos, buscaría en una base de datos la información necesaria para poder identificar la correspondiente enfermedad. Un Sistema Experto de verdad , no sólo realiza las funciones tradicionales de manejar grandes cantidades de datos , sino que también manipula esos datos de forma tal que el resultado sea inteligible y tenga significado para responder a preguntas incluso no completamente especificadas.

Características de los Sistemas expertos.

Para que un sistema actúe como un verdadero experto, es deseable que reúna, en lo posible, lo más importante de las características de un experto humano, esto es:

·

Habilidad para adquirir conocimiento.

·

Fiabilidad, para poder confiar en sus resultados o apreciaciones.

·

Solidez en el dominio de su conocimiento.

·

 

Arquitectura de un sistema experto.

La



Ventajas

• Permanencia: A diferencia de un experto humano un SE (sistema experto) no envejece, y por tanto no sufre pérdida de facultades con el paso del tiempo.
• Replicación: Una vez programado un SE lo podemos replicar infinidad de veces.
• Rapidez: Un SE puede obtener información de una base de datos y realizar cálculos numéricos mucho más rápido que cualquier ser humano.
• Bajo costo: A pesar de que el costo inicial pueda ser elevado, gracias a la capacidad de duplicación el coste finalmente es bajo.
• Entornos peligrosos: Un SE puede trabajar en entornos peligrosos o dañinos para el ser humano.
• Fiabilidad: Los SE no se ven afectados por condiciones externas, un humano sí (cansancio, presión, etc.).
• Consolidar varios conocimientos.
• Apoyo Académico.

Limitaciones

• Sentido común: Para un Sistema Experto no hay nada obvio. Por ejemplo, un sistema experto sobre medicina podría admitir que un hombre lleva 40 meses embarazado, a no ser que se especifique que esto no es posible ya que un hombre no puede gestar hijos.
• Lenguaje natural: Con un experto humano podemos mantener una conversación informal mientras que con un SE no podemos.
• Capacidad de aprendizaje: Cualquier persona aprende con relativa facilidad de sus errores y de errores ajenos, que un SE haga esto es muy complicado.
• Perspectiva global: Un experto humano es capaz de distinguir cuales son las cuestiones relevantes de un problema y separarlas de cuestiones secundarias.
• Capacidad sensorial: Un SE carece de sentidos.
• Flexibilidad: Un humano es sumamente flexible a la hora de aceptar datos para la resolución de un problema.
• Conocimiento no estructurado: Un SE no es capaz de manejar conocimiento poco estructurado

APLICACIONES DE LOS SISTEMAS EXPERTOS.

Factores que justifican el desarrollo de un sistema experto:

·

El coste para formar nuevos expertos es muy alto.

·

Existe el riesgo de perder los conocimientos y la experiencia en posesión de los expertos.

·

Los expertos reconocidos que resuelven ese tipo de problemas son escasos.

·

Es conveniente disponer de expertos sin restricciones de tiempo y lugar.

·

 

Tipo de problemas que hacen apropiado el desarrollo de un sistema experto.

·

Las tareas requieren principalmente tratamiento y razonamiento simbólico.

·

Las tareas admiten el uso de métodos heurísticos.

·

Las tareas no son demasiado fáciles.

·

Las tareas tienen un tamaño razonable, esto es, el número de conceptos que deben ser manejados es

limitado y no requiere conocimientos de muchas áreas diferentes.

Las tareas tienen un valor eminentemente práctico.

 

Según el tipo de problema a resolver, los ámbitos de aplicación en los que más se han utilizado los sistemas

basados en el conocimiento son los siguientes:

Sistemas de ayuda a la toma de decisiones

. Se trata de sistemas que a partir de una problemática  determinada sugieren la solución que consideran más idónea a partir del conocimiento incluido en el sistema. En la actualidad, en España se procede al desarrollo del Sistema de Información Normativo Aplicado al Control (SINAC) fruto de la colaboración entre la Intervención General de la Administración del Estado y la Dirección General de Informática Presupuestaria. Su función primordial consiste en ayudar en la fiscalización y control de la actividad económica del Sector Público. Otro ejemplo significativo podría ser la Metodología de Análisis y Gestión de Riesgos de los sistemas de Información de las AdminisTraciones públicas(MAGERIT), elaborada por un equipo interdisciplinar del Comité Técnico de Seguridad de los Sistemas de Información y Tratamiento Automatizado de Datos Personales, SSITAD, del Consejo Superior de Informática y que consiste en un método formal para investigar los riesgos que soportan los Sistemas de Información, y para recomendar las medidas apropiadas que deberían adoptarse para controlar estos riesgos; por tanto, permite aportar racionalidad en el conocimiento del estado de seguridad de los Sistemas de Información y en la introducción de medidas de seguridad.

Configuración

. Se encargan de la selección y planificación de los componentes que se necesitan en un proceso determinado. Un caso típico son los sistemas que ayudan a configurar los equipos físicos a partir de los componentes existentes y de las restricciones establecidas.

Diagnóstico

. Se trata de sistemas que a partir de unos "síntomas" determinan las causas que lo producen. Ejemplo de ellos son los sistemas basados en el conocimiento de diagnóstico de enfermedades o de averías.

Interpretación y Análisis

 

Monitorización

. En algunos situaciones se considera un caso particular de sistemas de interpretación y análisis, pero debido a su frecuente uso se suelen considerar aparte. Estos sistemas suelen encargarse de monitorizar procesos suministrando una salida de control como respuesta. Existen muchos ejemplos de monitorización de procesos en factorías, plantas químicas, centrales nucleares, etc. Son sistemas que deben funcionar en tiempo real.

Planificación

. Son sistemas que establecen las etapas y recursos necesarios para alcanzar un determinado objetivo. Ejemplo de ellos podría ser un sistema basado en el conocimiento de planificación de trabajos en una factoría.

Interfaces inteligentes

. Hacen de puente entre las personas y equipos complejos y de difícil utilización. Caso típico son los interfaces inteligentes de acceso a base de datos.

Diseño

. Son aquéllos que efectúan la planificación o trazado de un objeto o sistema en base a los requisitos especificados. Suelen ser capaces de dar diferentes soluciones de forma que el usuario pueda elegir aquélla que le convenga. Ejemplo de este tipo son los sistemas de ayuda al diseño de puentes, presas, microcircuitos electrónicos, etc.



. Sirven para tratar grandes volúmenes de información, interpretarla, dar un informe explicativo y sugerir las acciones a tomar. Ejemplo de ellos pueden ser los sistemas de evaluación de resistencia de estructuras frente a terremotos o sistemas de supervisión de procesos industriales.

Campo de aplicaciones de los SE.

Los expertos tienen que trabajar en ambientes hostiles.arquitectura de un sistema experto esta basada en una entrada de datos realizada por el usuario a fin de efectuar la oportuna consulta. Las entradas no solamente están compuestas de estas consultas. El aprendizaje del sistema y las condiciones especificas del problema a tratar también han de encontrarse en la entrada. Junto a ello, se encuentra la administración del sistema, compuesta por un interfaz encargado del manejo de la sintaxis del lenguaje y de la maquina de inferencias,que se encarga de efectuar la búsqueda en la base de conocimientos y en la base de datos. Por ultimo, se tienen los resultados.

Dada la complejidad de los problemas que usualmente tiene que resolver un SE, puede existir cierta duda en

el usuario sobre la validez de respuesta obtenida. Por este motivo, es una condición indispensable que un SE

sea capaz de explicar su proceso de razonamiento o dar razón del por qué solicita tal o cual información o dato.

Componentes de un sistema experto.

Los

 

·

Base de Conocimiento

Un SE posee el conocimiento del experto humano convenientemente formalizado y estructurado; esto es lo que se conoce como Base de conocimiento. Está constituido por la descripción de los objetos y las relaciones entre ellos, así como de casos particulares y excepciones. Algunos sistemas basados en el conocimiento incluyen

 

·

 

También llamado intérprete de reglas, es un módulo que se encarga de las operaciones de búsqueda y selección de las reglas a utilizar en el proceso de razonamiento. Por ejemplo, al tratar de probar una hipótesis dada, el motor de inferencia irá disparando reglas que irán deduciendo nuevos hechos hasta la aprobación o rechazo de la hipótesis objetivo.

 

·

 

Se trata de una memoria temporal auxiliar que almacena los datos del usuario, datos iniciales del problema, y

los resultados intermedios obtenidos a lo largo del proceso de resolución. A través de ella se puede saber no

sólo el estado actual del sistema sino también cómo se llegó a él. Como ya se ha mencionado antes, es conveniente que esta información se maneje con bases de datos relacionales, en lugar de utilizar un sistema particular de almacenamiento.

·

 

Todo sistema dispone de una interfaz de usuario, que gobierna el diálogo entre el sistema y el usuario. Para el desarrollo de estas interfaces algunas herramientas de desarrollo incorporan generadores de interfaz de usuario o bien se utilizan herramientas de desarrollo de interfaces gráficas existentes en el mercado. Otros módulos que forman parte de este tipo de herramientas son los siguientes:

·

 

En la actualidad la mayoría de los sistemas basados en el conocimiento no viven aislados sino que interactúan

con otros sistemas por lo que son capaces de interactuar no solamente con el experto sino con estos sistemas, para poder recoger información o consultar bases de datos.

·

 

Es una utilidad importante en la etapa de desarrollo ya que aporta una ayuda considerable al ingeniero del conocimiento para refinar el funcionamiento del motor de inferencia, y al experto a la hora de construir y verificar la coherencia de la base de conocimiento. Sirve para explicar al usuario tanto las reglas usadas como el conocimiento aplicado en la resolución de un determinado problema.

·

 

Este módulo permite al ingeniero del conocimiento, y/o experto, la construcción de la base de conocimiento de una forma sencilla, así como disponer de una herramienta de ayuda para actualizar la base de conocimiento cuando sea necesario. Si bien estos módulos no existen en todos los sistemas basados expertos, o bien están desarrollados o implementados de maneras diferentes, la función que desempeñan es muy interesante en el desarrollo de estos sistemas. Así, el motor de inferencia y las interfaces, que incluyen la interfaz de usuario, el módulo de explicaciones y el módulo de adquisición del conocimiento, forman el esqueleto o sistema esencial, y que, separadas de las bases de conocimiento y de hechos, constituyen una herramienta

software para el desarrollo de los sistemas basados en el conocimiento (shells).

Módulo de adquisición de conocimiento

Módulo de explicaciones

Módulo de comunicaciones

Interfaz de Usuario

Base de Hechos

Motor de Inferencia

metaconocimiento o conocimiento sobre el conocimiento, es decir, la capacidad para buscar en la base de conocimiento y abordar la resolución del problema de una manera inteligente usando diferentes estrategias para la resolución con sus condiciones particulares de aplicación. Es decir se trata de definir criterios mediante los cuales el sistema decide la estrategia de búsqueda a utilizar en función de unos datos iniciales. El conocimiento se puede representar mediante cálculo de predicados, listas, objetos, redes semánticas y/o reglas de producción. De todas ellas, las dos formas más usuales son las reglas de producción y los objetos. En cualquier caso, la elección de las técnicas de representación a utilizar dependerán del tipo de problema a resolver.

principales componentes de un sistema experto son los siguientes:Capacidad para resolver problemas.

La IA comprende el estudio y creación de sistemas computarizados que manifiestan cierta forma de inteligencia: sistemas que aprenden nuevos conceptos y tareas, que pueden razonar y derivar conclusiones útiles acerca del mundo que nos rodea, sistemas que pueden comprender un lenguaje natural o percibir y entender una escena visual, y sistemas que realizan otro tipo de actividades que requieren de inteligencia humana

La IA es una ciencia que trata de la comprensión de la inteligencia y del diseño de máquinas inteligentes, es decir, el estudio y la simulación de las actividades intelectuales del hombre (manipulación, razonamiento, percepción, aprendizaje, creación).

La IA es el estudio de las computaciones que permiten percibir, razonar y actuar. Es un campo de estudio que busca explicar y emular el comportamiento inteligente en términos de procesos computacionales. Estudia las representaciones y procedimientos que automáticamente resuelven problemas usualmente resueltos por humanos.