Escolar Documentos
Profissional Documentos
Cultura Documentos
Ejemplo A
Nuevos métodos para análisis visual de mapas auto-organizativo
2
imágenes basada en un modelo aditivo de colores. Las imágenes son definidas
con colores diferentes y combinadas mediante una simple suma de sus
componentes de color. Las imágenes resultantes son más completas y
robustas, especialmente cuando las imágenes a combinar aportan el mismo
tipo de información. El estudio llevado a cabo se centra principalmente en la
combinación de matrices de distancias con histogramas de datos. Una
alternativa a las matrices de distancias, que generan imágenes
monocromáticas y son los métodos más populares para visualizar la estructura
de clusters de los datos, consiste en emplear estrategias que ilustren los
diferentes clusters mediante colores diferentes. Una de estas estrategias
consiste en utilizar modelos de contracción de neuronas. Se presenta un
eficiente método de contracción, el "algoritmo de agrupación de neuronas",
cuya estructura y filosofía es similar a la del algoritmo de entrenamiento de los
MAO, donde los conceptos han sido invertidos para actualizar las posiciones de
las neuronas en un mapa continuo en vez de los propios vectores de referencia
del MAO. De esta manera, las neuronas son atraídas en el mapa en función de
la distancia entre sus vectores de referencia en el espacio de los datos. Su
principal ventaja es su bajo coste computacional que lo habilita para analizar
MAO de tamaño elevado. Finalmente, el trabajo propone una técnica
alternativa basada en la visualización explícita en el mapa o espacio de
observación de grafos que unen neuronas cuyos vectores de referencia se
hallan próximos en el espacio de los datos, como son el árbol generador
mínimo o el "grafo Hebbiano" creado con el principio de aprendizaje Hebbiano
competitivo. Las imágenes resultantes ayudan a analizar la dimensión
intrínseca de los datos en cada zona del mapa y aportan una medida visual e
intuitiva de la preservación de la topología del MAO.
Referente: http://oa.upm.es/251/
Ejemplo A
Análisis inteligente de datos para mejorar los sistemas de distribución de agua
Investigadores del Centro Multidisciplinar de Mecánica de Fluidos (CMM) de la
Universidad Politécnica de Valencia están trabajando en la aplicación de
técnicas de análisis inteligente de datos –Minería de datos- para mejorar los
sistemas de distribución de agua. Entre otras, los expertos del CMMF trabajan
con técnicas evolutivas y, en concreto, con la denominada Particle Swarm
Optimization (PSO).
“Estamos utilizado técnicas denominadas evolutivas que tratan de imitar el
comportamiento inteligente de determinados grupos gremiales de animales, por
ejemplo las hormigas, capaces de organizarse para conseguir su objetivo
mediante cierta transmisión de la información de unas a otras, o los pájaros y
su evolución en bandadas guiados por su propio instinto personal pero también
siguiendo a unos u otros líderes, y aplicar esto a diversos problemas
relacionados fundamentalmente con las redes de agua”, señala el catedrático e
investigador, Joaquín Izquierdo.
3
Por ejemplo, cuando un ingeniero tiene que diseñar una red de distribución de
agua, parte de unos datos básicos, como son la topografía del terreno y las
demandas que se esperan en determinados lugares, y tiene que tratar de
ubicar y dimensionar la red para que responda a esos requisitos, con unas
necesidades básicas, en términos de cantidad y calidad de agua.
http://www.plataformasinc.es/index.php/esl/Noticias/Analisis-inteligente-de-
datos-para-mejorar-los-sistemas-de-distribucion-de-agua