Re d e s

N e u ro n a l e s
y
GNSS

OBJETIVOS

Entender el funcionamiento bsico de las neuronas biolgicas

Entender el funcionamiento de las neuronas artificiales y de las

redes neuronales

Conocer las distintas arquitecturas y tipos de redes neuronales

Conocer los tipos de procesos de aprendizaje o entrenamiento de
redes neuronales con GNSS

DE

FUNCIONAMIENTO
UNA NEURONA
BIOLGICA
Un axn se define como una protuberancia que
transporta la salida de la neurona hasta las
conexiones de otras neuronas .
Dendritas son protuberancias que proporcionan
rea superficial en abundancia para facilitar la
conexin con los axones de otras neuronas.
Elcuerpo celularosomaes el centro
metablico de la neurona, es el lugar donde
se fabrican las molculas y se realizan las
actividades fundamentales para mantener la
vida y las funciones de la clula nerviosa.

Las Neuronas biolgicas se componen

de:
Sinapsis,
Dendritas,
Axones y
Cuerpos Celulares.
https://youtu.be/02RcBPMbzKg

La transmisin de los impulsos nerviosos entre

dos neuronas tiene lugar en la conexin entre
ambas llamada sinapsis
Las sinapsis se establecen normalmente entre
la parte terminal de un axn y el cuerpo o las
dendritas de otra neurona.

Una de las metodologas con un mayor auge en la ltima dcada

son :
R E D E S

N E U R O N A L E S

A RT I F I C I A L E S

Son estructuras formales de carcter matemtico y estadstico con la

propiedad del aprendizaje
Entradas(ya sean estos datos originales o
biensalidas de otras neuronas de la red). Cada
entrada entrada proviene deunaconexinque
tiene cierta fuerza (o peso), lo que se denomina
Estos pesos se correspondencon laeficacia
sinpticade una neurona biolgica

Equivalencia entre los componentes de las

neuronas biolgicas y los de las neuronas
artificiales.

Cada neurona tienetambin un ciertovalor

umbral. En el interior de la neurona se suman
lasentradas, y a esta suma se le resta el valor
umbral propio de la neurona.Esto genera
laactivacin de la neurona, tambin conocida
comopotencialpost-sinpticooPSP.
La seal de activacin se procesa
mediante unafuncin de
activacin,tambin conocida
comofuncin de transferencia, que
da lugar a la salidade la neurona.

LO S T R E S ( 3 ) E L E M E N T O S C L AV E D E LO S
S I S T E M A S B I O L G I C O S Q U E P R E T E N D E N
E M U L A R LO S A RT I F I C I A L E S S O N :
E L P R O C E S A M I E N T O E N PA R A L E LO :
Operaciones de clculo se realizan al mismo tiempo
L A M E M O R I A D I S T R I B U I D A :
Permite a los modelos biolgicos ser tolerantes a los fallos, debido a que
muchas neuronas pueden realizar tareas similares producindose intercambios
de funciones.
L A A D A P TA B I L I D A D :
Garantiza el proceso de aprendizaje
S E M E J A N Z A
S
En los tres sistemas se encargan
de representar u obtener el
comportamiento y conocimiento humano.
Los tres sistemas son digitales e intangibles
En los sistemas se utilizan variables o reglas y por medio de ellos se
mejoran las tareas que se terminan convirtiendo en Software.

A L G U N A S D E L A S A P L I C A C I O N E S
S O B R E S A L I E N T E S D E L A S R E D E S
N E U R O N A L E S S O N :

Procesamiento de imgenes.
Reconocimiento de patrones.
Prediccin.
Optimizacin.
Procesamiento de seales.

S E

U T I L I Z A

PA R A :

Navegacin automatizada para automviles

La ayuda de emergencia
El seguimiento de activos, prevencin de colisiones.
Monitoreo Medio Ambiente yasistencia del automvil.
La convergencia de la localizacin, gestin de informacin y
tecnologas

R E D E S
Y

N O

N E U R O N A L E S

S U P E R V I S A D A S

S U P E R V I S A D A S

Las redes neuronales se clasifican comnmente en trminos de sus correspondientes

algoritmos o mtodos de entrenamiento:
R E D E S

D E

E N T R E N A M I E N T O

S U P E R V I S A D A

Son los modelos de Redes neuronales ms populares, los datos para el

entrenamiento estn constituidos por varios pares de patrones de entrenamiento de
entrada y de salida. El hecho de conocer la salida implica que el entrenamiento se
beneficia la supervisin de un maestro. Dado un nuevo patrn de entrenamiento los
pesos sern adaptados de la siguiente forma:
R E D E S D E E N T R E N A M I E N T O
S U P E R V I S A D A

N O

Para los modelos de entrenamiento No Supervisado, el conjunto de datos de

entrenamiento consiste slo en los patrones de entrada, por lo tanto, la red es
entrenada sin el beneficio de un maestro. La red aprende a adaptarse basada en las
experiencias recogidas de los patrones de entrenamientos anteriores. El siguiente es el
esquema tpico de un sistema "No Supervisado
R E D E S

D E

P E S O S

F I J O S

Para las redes de pesos fijos no existe ningn tipo de entrenamiento.

MODULAR NEURAL NETWORKS FOR

M A P- M AT C H E D G P S P O S I T I O N I N G
(1 ARTCULO)
Se busca mejorar la precisin ,el posicionamiento y obtener la ruta mas optima en
carreteras y caminos consiguiendo obtener resultados ptimos utilizando tecnologa
de redes Neuronales Artificiales. aun cuando se pierda la seal GPS con estructuras
ya sea por su tamao o ubicacin .

CONCLUSIONES
La RNA Supervisada, se entren con parmetros de entrada adecuados extrados
de la geometra de la carretera digitales de carretera lneas centrales, y la
trayectoria del receptor GPS utilizando GPS mm. Los datos de prueba del GPS se
observaron en diferentes escenarios de la carretera, como caminos rectos, piezas
curvadas carreteras, vas paralelas, cruces y rotondas para demostrar el rendimiento
de la red final
Las RNA creadas tienen potencial para mejorar la precisin de la posicin para
situaciones con los satlites reducidos a la vista y la geometra de receptores pobres,
por ejemplo, caones urbanos, zonas de bosque o terreno accidentado. Por otra
parte, los resultados de investigaciones anteriores demuestran que las RNA son
capaces de seleccionar el camino correcto utilizando entradas numricas derivados
de la trayectoria del receptor GPS y la geometra de la red de carreteras.
El resultado de este trabajo es una mejora de alrededor del 15% en comparacin
con GPS mm seleccionar el segmento de ruta correcta para posiciones GPS prima
en escenarios de carreteras difciles. Esto demuestra que el emparejamiento de
mapas puede ser aumentado de manera efectiva con la ayuda de RNAs.

E L D I S E O D E U N A R E D
N E U R O N A L PA R A E L G P S
I N T E G R AC I N / I N S / P L
( 2 A R T C U L O )
Por medio de un diseo alta precisin GPS /INS / pseudolito se integran las redes
neuronales utilizando el Filtro de Kalman (algoritmo desarrollado por Rudolf
E.Kalmanen 1960 que sirve para poder identificar el estado oculto (no medible) de
un sistema dinmico lineal). Queriendo predecir las soluciones de navegacin
(cuando la seal esta disponible)

CONCLUSIONES
Los resultados de las pruebas primarias han indicado que hay algunas relaciones entre la
plataforma de cambios dinmicos durante la actualizacin filtro de Kalman (entrada redes
neuronales) y el filtro de Kalman predijeron estados de error (salida redes neuronales).
El Procedimiento de formacin de redes neuronales se procesa a la tasa de muestreo
GPS, y luego debidamente capacitado redes neuronales se puede utilizar para
mejorar la prediccin con el filtro de Kalman a la tasa de salida del sistema (hasta la
tasa de muestreo IMU) en tiempo real.
El mtodo propuesto puede mejorar la solucin de navegacin entre las
actualizaciones de GPS. Se necesitan ms investigaciones para desarrollar una red
neuronal para su uso con GPS.
Las Redes Neuronales se pueden utilizar para mejorar las soluciones de navegacin
estimando el filtro de Kalman cuando las mediciones INS estn disponibles.

APROXIMACION GEOIDAL LOCAL

USANDO UNA RED NEURONAL
C AS O

D E

E S T U D I O

Se quiere utilizar para algunos fines en ingeniera, en donde se requiere la

altura de carcter fsico con buena precisin. En vista que GPS proporciona
alturas sobre una superficie geomtrica, es necesario determinar un modelo
geoidal para poder transformarla a la altura ortomtrica Modelos Geoidales
actuales

CONCLUSIONES
La tcnica de RNA es muy til para ser utilizado como aproximacin de
superficies ya que da mejores resultados que el ajuste de una superficie
matemtica para aproximar al geoide.
Los valores obtenidos, indica que este modelo neuronal puede servir para
algunos trabajos en ingeniera, principalmente en actividades en donde el
error en la altura ortomtrica requerida, sea menor que los 5 cm.

BIBLIOGRAFIA

El Filtro De Kalman
http://www.bccr.fi.cr/investigacioneseconomicas/metodoscuantitativos/Fi
ltro_de_Kalman.pdf
Comparacin de redes neuronales y regresin lineal para estimar
productividad de sitio en plantaciones forestales, utilizando geomtica
http://mingaonline.uach.cl/scielo.php?pid=S071792002006000100004&script=sci_arttext
Aproximacion Geodidal Local Usando una Red Neuronal Artificial Multicapa
https://www.ufpe.br/cgtg/SIMGEOII_CD/Organizado/geo/233.pdf
Modular Neural Networks for Map-Matched GPS Positioning
http://dl.acm.org/citation.cfm?id=1880349
International Global Navigation Satellite Systems Society IGNSS
Symposium 2006
http://www.researchgate.net/publication/228966524_Designing_a_neural_net
work_for_GPSI NSPL_integration

GRACIAS