Se presenta la aplicación de técnicas de Inteligencia Artificial a tres casos de estudio reales. En concreto se desarrollan sistemas de modelado híbrido que combinan métodos de agrupamiento estándar, o clustering, con algoritmos de regresión. Para ello se divide el problema de modelado en un conjunto de modelos locales y se aplican varias técnicas sobre cada uno de los grupos para identificarles. El modelo híbrido está formado por el conjunto de todos estos modelos.
El sistema desarrollado se aplica a tres problemas reales. En el primero de ellos, para obtener o predecir el valor de un sensor para detección de fallos. La aplicación real utiliza la señal BIS, el grado de hipnosis de un paciente sedado. En el segundo, ese crea un sensor virtual (IoT). Se aplica para monitorizar el estado de carga de una batería. En el último caso, el modelo híbrido se usa para predecir valores de variables en un tiempo futuro, en instantes posteriores al de la ejecución del modelo. Como aplicación real para este caso se trata de predecir el valor de la señal ANI empleada en operaciones quirúrgicas, que es un indicador del dolor que sufren los pacientes durante una intervención.
Aplicación de técnicas de Inteligencia Artificial e IoT a la vida real.
1. Aplicación de técnicas de
Inteligencia Artificial e IoT
a la vida real
Facultad de Informática – Universidad Complutense Madrid
26 de Noviembre de 2020
José Luis Casteleiro Roca
jose.luis.casteleiro@udc.es
10. Modelo híbrido
Modelos locales
Grupo 1 Grupo 2 Grupo 3 Grupo 4 Grupo 5
Global ANN-12
Híbrido 2
grupos
LS-SVR ANN-2
Híbrido 3
grupos
Poly-2 ANN-5 LS-SVR
Híbrido 4
grupos
ANN-5 ANN-3 ANN-4 LS-SVR
Híbrido 5
grupos
LS-SVR LS-SVR ANN-6 ANN-7 ANN-6
10
30. Elección del modelo de regresión
Validación con Hold Out
• Redes neuronales artificiales
– Diferente número de neuronas en la capa oculta
• Máquinas de vectores soporte
• Regresión polinomial
– Diferentes grados del polinomio
Error de cada modelo
30
31. Elección del modelo de regresión
Validación con Cross Validation
• Redes Neuronales Artificiales
– K - Diferente número de neuronas en la capa oculta
• K - Máquinas de soporte vectorial
• Regresión polinomial
– K - Diferentes grados del polinomio
Error de cada modelo
31
32. Elección del modelo de regresión
Validación
Error de cada modelo
Mejor modelo
Entrenamiento del modelo con todos los datos
32
34. 34
Aplicaciones
Hybrid intelligent system to perform fault detection on BIS
sensor during surgeries
Power cell SOC modelling for intelligent virtual sensor
implementation
Prediction of the energy demand of a hotel using an
artificial intelligence-based model: Luxury hotel in Tenerife
Fuel cell hybrid model for predicting hydrogen inflow
through energy demand
Hybrid intelligent system to predict the individual
academic performance o engineering students
40. 50 pacientes
42.788 muestras
Hybrid intelligent system to perform fault detection on BIS
sensor during surgeries
40
Grupo 1 Grupo 2
Global 100%
Híbrido 2
grupos
0,8% 99,2%
Grupo 1 Grupo 2
Global 0,8531
Híbrido 2
grupos
8,1·10-4 0,4129
Grupo 1 Grupo 2
Global ANN-6
Híbrido 2
grupos
ANN-2 ANN-9
70. Aplicación de técnicas de
Inteligencia Artificial e IoT
a la vida real
Facultad de Informática – Universidad Complutense Madrid
26 de Noviembre de 2020
José Luis Casteleiro Roca
jose.luis.casteleiro@udc.es
Turno de preguntas
71. Aplicación de técnicas de
Inteligencia Artificial e IoT
a la vida real
Facultad de Informática – Universidad Complutense Madrid
26 de Noviembre de 2020
José Luis Casteleiro Roca
jose.luis.casteleiro@udc.es