Documente Academic
Documente Profesional
Documente Cultură
ideas
Marco Aurelio Alzate Monroy Investigación, Desarrollo y
Aplicaciones en Señales
Universidad Distrital
El reduccionismo mecanicista tiene una larga
historia de éxitos en la ingeniería clásica
El reduccionismo mecanicista tiene una larga
historia de éxitos en la ingeniería clásica
Memoria CPU
Control
Entrada/
salida ALU
El reduccionismo mecanicista tiene una larga
historia de éxitos en la ingeniería clásica
Codificac. Codificac.
de fuente de canal
Memoria CPU
Control Canal
Entrada/
salida ALU
Decodific. Decodific.
de fuente de canal
El reduccionismo mecanicista tiene una larga
historia de éxitos en la ingeniería clásica
Codificac. Codificac.
de fuente de canal
Memoria CPU
Control Canal
Entrada/
salida ALU
Decodific. Decodific.
de fuente de canal
Compa- Señal de
ración diferencia
Señal de
control Señal de salida
Señal de Proceso a
referencia Elemento de control
controlar
Lazo de realiment.
Señal de
realimentación
El máximo logro del reduccionismo mecanicista
en la historia de la ingeniería
El máximo logro del reduccionismo mecanicista
en la historia de la ingeniería
IP IP IP
TCP
IP IP IP
HTTP
TCP
IP IP IP
Capa N
El máximo logro del reduccionismo mecanicista
en la historia de la ingeniería
Capa N+1
Servicios
ofrecidos a la
capa N+1
Capa N
El máximo logro del reduccionismo mecanicista
en la historia de la ingeniería
Capa N+1
Servicios
ofrecidos a la
capa N+1
Capa N
Servicios
usados de la
capa N-1
Capa N-1
El máximo logro del reduccionismo mecanicista
en la historia de la ingeniería
Capa N+1
Servicios
ofrecidos a la
capa N+1
Capa N
Servicios
usados de la
capa N-1
Servicios
ofrecidos a la
capa N+1
Capa N
Servicios
usados de la
capa N-1
Capa N Capa N
Servicios
Comunicación con la entidad par a través
usados de la del protocolo de capa N
capa N-1
Estimado
Exponencial
-4 Pareto
10
-5
10
-6
10 * Numero de archivos = 76265
* Minima longitud = 0
-8
10 * Longitud promedio = 227380.8707
* Los 75039 archivos mas pequenos ocupan el mismo espacio que los 1226 mas grandes
-10
10
-11
10
2 3 4 5 6 7
10 10 10 10 10 10
Tráfico Fractal
Número de llegadas en períodos de 10 s
Estimado 6000
Exponencial
-4 Pareto
10
4000
-5
10
2000
-6
10 * Numero de archivos = 76265
* Minima longitud = 0
Número de llegadas en períodos de 1 s
1000
-8
10 * Longitud promedio = 227380.8707
0
700 750 800 850 900 950 1000
-11
10
2 3 4 5 6 7
10 10 10 10 10 10
Número de llegadas en períodos de 100 ms
150
100
50
0
800 805 810 815 820 825 830
10
0
816 816.5 817 817.5 818 818.5 819
Topologías físicas y lógicas libres de escala
Caos potencial en las dinámicas de los
Protocolos de control de congestión
rk RED pk
Source TCP
qk , qk
pk-1
Delay = RTT
Auto-organización al borde de la congestión
0.9
0.8
0.7
0.6
Caudal/Capacidad
0.5
0.4
0.3
0.2
0.1
0
0 0.5 1 1.5 2 2.5
0.0 1.0 2.0 3.0 4.0 5.0 6.03
Demanda/Capacidad
Complejidad en Redes de Comunicaciones
Caudal/Capacidad
Adaptado de www.art-sciencefactory.com/complexity-map_feb09.html
Sistemas Complejos
Los sistemas
complejos
Involucran
Muchos componentes
Que interactúan
dinámicamente
Generando
Diferentes escalas
o niveles
donde exhiben
Comportamientos
comunes Adaptado de www.art-sciencefactory.com/complexity-map_feb09.html
Sistemas Complejos
Los sistemas
complejos
Involucran
Muchos componentes
Múltiples escalas
Que interactúan
dinámicamente
Generando
Diferentes escalas
o niveles
donde exhiben
Comportamientos
comunes Adaptado de www.art-sciencefactory.com/complexity-map_feb09.html
Sistemas Complejos
Los sistemas
complejos
Involucran
Muchos componentes
Múltiples escalas
Que interactúan
dinámicamente
Generando
Diferentes escalas
o niveles
donde exhiben
Comportamientos
comunes Adaptado de www.art-sciencefactory.com/complexity-map_feb09.html
Sistemas Complejos
Los sistemas
complejos
Involucran
Muchos componentes
Múltiples escalas
Que interactúan
dinámicamente
Generando
Diferentes escalas
o niveles
donde exhiben
Transdisciplinariedad
Comportamientos
comunes Adaptado de www.art-sciencefactory.com/complexity-map_feb09.html
Sistemas Complejos
Involucran
Emergencia
Muchos componentes
Múltiples escalas
Jerarquías
Que interactúan
dinámicamente Estructuras
Generando
Auto-organización
Diferentes escalas
o niveles Componentes
donde exhiben
Transdisciplinariedad
Comportamientos
comunes Adaptado de www.art-sciencefactory.com/complexity-map_feb09.html
Sistemas Complejos
Involucran
Emergencia
Muchos componentes
Múltiples escalas
Jerarquías
Que interactúan
dinámicamente Estructuras
Generando
Auto-organización
Diferentes escalas
o niveles Componentes
donde exhiben
Transdisciplinariedad
Comportamientos
comunes Adaptado de www.art-sciencefactory.com/complexity-map_feb09.html
Complejidad en Redes de Comunicaciones
SOC/EOC
Self-organized criticality/
Edge of chaos
(propio de la mecánica estadística)
SOC/EOC
Self-organized criticality/
Edge of chaos
(propio de la mecánica estadística)
HOT
Highly Optimized Tolerance
(propio de sistemas optimizados)
Vida: Optimización por Evolución,
Tecnología: Optimización por Diseño
Componentes sencillos Comportamiento emergente
Interacciones sencillas auto-organizado
Razones para la Complejidad en Redes
de Comunicaciones
SOC –Self-Organized Criticality – • HOT –Highly Optimized Tolerance–
Un concepto de la mecánica – Los sistemas complejos en biología,
estadística ecología, tecnología, sociología,
La complejidad surge como una economía…
característica emergente en sistemas – … han sido llevados mediante diseño o
homogéneos con interacciones
locales simples evolución a estados de alto desempeño
tolerantes a incertidumbres en el
Los fenómenos de invarianza en la
escala (como fractales y leyes de ambiente y en sus componentes.
potencia) emergen en el punto – Esto conduce a estructuras jerárquicas
crítico entre fases especializadas y modulares que
Los sistemas complejos se auto- “esconden” una gran complejidad,
organizan en ese punto crítico – Haciéndolos sensibles a perturbaciones
La complejidad emergente ocurre desconocidas o ignoradas durante el
entre estados de orden y desorden diseño.
caracterizados por transiciones de
fase y bifurcaciones en
interconexión de componentes
genéricos.
Procesos de optimización
generadores de complejidad
Us(xs,ps) es la función de utilidad de la fuente s al transmitir a una tasa xs con una probabilidad
de error ps.
Vj(wj) es la utilidad que se obtiene al disponer de wj recursos en el nodo j
R es la matriz de enrutamiento, donde Rls = 1 indica que la fuente s utiliza el enlace l
c es la capacidad de los enlaces, que depende de los recursos de nivel físico y de la
probabilidad de error de decodificación deseada
F es la matriz de contienda
max U s ( xs , ps ) V j ( w j )
s j
Encontrar sujeto a
x, w, p, R y F Rx c ( w , p)
tales que
x C1 ( p) C2 ( F )
R R , w W, F F
Procesos de optimización
generadores de complejidad
Us(xs,ps) es la función de utilidad de la fuente s al transmitir a una tasa xs con una probabilidad
de error ps.
Vj(wj) es la utilidad que se obtiene al disponer de wj recursos en el nodo j
R es la matriz de enrutamiento, donde Rls = 1 indica que la fuente s utiliza el enlace l
c es la capacidad de los enlaces, que depende de los recursos de nivel físico y de la
probabilidad de error de decodificación deseada
F es la matriz de contienda
E
s
p
e
c
t
t
o
d
e
R
a
d
i
o
Redes Cognitivas
Banda E
licenciada 1 s
p
e
c
t
t
o
d
e
R
a
d
i
o
Redes Cognitivas
Banda E
licenciada 1 s
p
e
Banda c
no licenciada t
t
o
d
e
R
a
d
i
o
Redes Cognitivas
Banda E
licenciada 1 s
p
e
Banda c
no licenciada t
t
o
Banda
licenciada 2 d
e
R
a
d
i
o
Redes Cognitivas
Banda E
licenciada 1 s
p
e
Banda c
no licenciada t
t
o
Banda
licenciada 2 d
e
R
a
Banda d
licenciada 3 i
o
Redes Cognitivas
Banda E
licenciada 1 s
PU1 p
e
Banda c
no licenciada t
t
o
Banda
licenciada 2 d
e
PU2
R
a
Banda d
licenciada 3 i
PU3
o
Redes Cognitivas
Banda E
licenciada 1 s
PU1 p
e
Banda c
no licenciada t
t
o
Banda
licenciada 2 d
e
PU2
R
a
Banda d
licenciada 3 i
PU3
o
Redes Cognitivas
Banda E
licenciada 1 s
PU1 p
e
Banda c
no licenciada t
t
o
Banda
licenciada 2 d
e
PU2
R
a
Banda d
licenciada 3 i
PU3
o
Redes Cognitivas
potencia
tiempo
frecuencia
Redes Cognitivas
potencia
tiempo
frecuencia
Redes Cognitivas
potencia
tiempo
frecuencia
Redes Cognitivas
potencia
tiempo
frecuencia
Redes Cognitivas
potencia
tiempo
frecuencia
Redes Cognitivas
potencia
tiempo
frecuencia
Redes Cognitivas
potencia
tiempo
frecuencia
Gestión de la Conexión, Handoff
Diseño Cross-Layer de Redes Cognitivas
Percepción y
Detección de PU
Repartición de
Espectro
Decisión de Espectro
Reconfiguración (SDR)
Enlace
Aplicación
Transporte
Físico
Red
¿Qué hay de Cognitivo en una Red Cognitiva?
RED COGNITIVA
Ambiente de
Radio
Estímulo RF
Percepción
de Espectro
Estímulo RF
Percepción
de Espectro
Movilidad
de Espectro
Estímulo RF
Percepción
de Espectro
Estímulo RF
Percepción
Repartición de Espectro
de Espectro
Estímulo RF
Percepción
Repartición de Espectro
de Espectro
Estímulo RF
• Percepción Percepción
• Aprendizaje Repartición de Espectro
de Espectro
• Adaptación
Área
Área Área
Estímulo Cortical Respuesta
Cortical Cortical
de Aso-
Sensorial Motora
ciación
Memoria Memoria
Perceptiva Ejecutiva
Memoria
De trabajo
Información retroalimentada (aprendizaje)
Estímulo Percepción Acción Respuesta
Refuerzo Control
Ambiente
Percepción Control
cognitiva cognitivo
Mediciones Acciones cognitivas
Ambiente
Ingeniería Clásica
Compo-
nente
Com-
ponen-
La estructura de te
La funcionalidad
completa surge de las
funciones llevadas a
cabo por cada
componente
Compo-
nente
Com-
ponen-
La estructura de te
Comportamiento
global deseado
La funcionalidad
completa surge de las
funciones llevadas a
cabo por cada
componente
Compo-
nente
Com-
ponen-
La estructura de te
Comportamiento
global deseado
La funcionalidad
completa surge de las
funciones llevadas a
cabo por cada
componente
Compo-
nente
Com-
ponen-
La estructura de te
Componentes
Agente
Simples
Comportamiento
Interacciones
Agente
local microscópico
Simples
Agente
Ingeniería de sistemas complejos –sistemas dinámicos cognitivos –
Auto-organización
emergente
Componentes
Agente
Simples
Comportamiento
Interacciones
Agente
local microscópico
Simples
Agente
Ingeniería de sistemas complejos –sistemas dinámicos cognitivos –
Comportamiento
global macroscópico
Auto-organización
emergente
Componentes
Agente
Simples
Comportamiento
Interacciones
Agente
local microscópico
Simples
Agente
Ingeniería de sistemas complejos –sistemas dinámicos cognitivos –
Comportamiento
global macroscópico
Auto-organización
emergente
http://www.tech-faq.com/swarm-intelligence.html
Componentes
Agente
Simples
Comportamiento
Interacciones
Agente
local microscópico
Simples
Agente
Ingeniería de sistemas complejos –sistemas dinámicos cognitivos –
Agente Cognitivo
Ingeniería de sistemas complejos –sistemas dinámicos cognitivos –
Ambiente
Agentes
vecinos
Agente Cognitivo
Ingeniería de sistemas complejos –sistemas dinámicos cognitivos –
Ambiente
Agentes
vecinos
Agente Cognitivo
Ingeniería de sistemas complejos –sistemas dinámicos cognitivos –
Ambiente
Agentes
vecinos
Agente Cognitivo
Ingeniería de sistemas complejos –sistemas dinámicos cognitivos –
Ambiente
El ambiente es
otro agente,
cognitivo o no
Redes inalámbricas ad hoc
a ( xk 1 , k ) : Función no lineal que depende de la naturaleza física del sistema bajo estudio
b( xk 1 , k ) : Función no lineal que depende de la instrumentación utilizada
Estimación del estado del ambiente
Modelo de Espacio de Estados
xk : estado del sistema en el instante k
xk a ( xk 1 , k ) k k : Ruido en el instante k del proceso
a ( xk 1 , k ) : Función no lineal que depende de la naturaleza física del sistema bajo estudio
b( xk 1 , k ) : Función no lineal que depende de la instrumentación utilizada
1. Predicción:
P xk Yk 1 n P xk xk 1 P xk 1 Yk 1 dxk 1
Distribución a posteriori anterior
Distribución a priori dado el modelo
Distribución predictiva
Estimación del estado del ambiente
El agente cognitivo dispone de una secuencia de observaciones Yk yi i k1
xˆk arg max P xk Yk
xk
Filtro Bayesiasno que minimiza la probabilidad de equivocarse
1. Predicción:
P xk Yk 1 n P xk xk 1 P xk 1 Yk 1 dxk 1
Distribución a posteriori anterior
Distribución a priori dado el modelo
Distribución predictiva
2. Actualización:
P xk Yk 1 P yk xk Likelihood (¿verosimilitud?)
P xk Yk
P xk Yk 1 P yk xk dxk
n
Estimación del estado del ambiente
Solución típica
mˆ 0
>
P m 0 r < P m 1 r
mˆ 1
Estimación del estado del ambiente
Solución típica
mˆ 0
>
P m 0 r < P m 1 r
mˆ 1
Estimación del estado del ambiente
Solución típica
hoy
amorhoy arg max P ahoy actitud i i antier
ahoy
Estimación del estado del ambiente
Solución típica
hoy
amorhoy arg max P ahoy actitud i i antier
ahoy
hoy
“no”
hoy
P NoMeAma actitud i i antier > P SíMeAma actitud i i antier
<
“si”
Estimación del estado del ambiente
Solución típica
hoy
amorhoy arg max P ahoy actitud i i antier
ahoy
hoy
“no”
hoy
P NoMeAma actitud i i antier > P SíMeAma actitud i i antier
<
“si”
xk a( xk 1 , k ) k
xˆk arg max P xk Yk
yk b( xk 1 , k ) k xk
Estimación del estado del ambiente
xk a( xk 1 , k ) k
xˆk arg max P xk Yk
yk b( xk 1 , k ) k xk
a y b lineales
Filtro Kalman
y Gaussianos
Estimación del estado del ambiente
xk a( xk 1 , k ) k
xˆk arg max P xk Yk
yk b( xk 1 , k ) k xk
a y b lineales
Filtro Kalman
y Gaussianos
xk a( xk 1 , k ) k
xˆk arg max P xk Yk
yk b( xk 1 , k ) k xk
a y b lineales
Filtro Kalman
y Gaussianos
xk a ( xk 1 , uk , k ) k
yk b( xk 1 , uk , k ) k
Acción sobre el ambiente
xk a ( xk 1 , uk , k ) k
yk b( xk 1 , uk , k ) k
Control óptimo
xk a ( xk 1 , uk , k ) k
yk b( xk 1 , uk , k ) k
Control óptimo
xk a ( xk 1 , uk , k ) k
yk b( xk 1 , uk , k ) k
Control óptimo
Agentes cognitivos
OK. Diseñado el agente cognitivo
¿Y el sistema entero?
Agentes cognitivos
Agentes cognitivos
OK. Diseñado el agente cognitivo
¿Y el sistema entero?
Agentes cognitivos
Comportamiento emergente auto-
organizado
OK. Diseñado el agente cognitivo
¿Y el sistema entero?
Agentes cognitivos
OK. Diseñado el agente cognitivo
¿Y el sistema entero?
Agentes cognitivos
Comportamiento Comportamiento
macroscópico macroscópico
simulado
deseado
Modificación,
actualización, Auto-organización
sintonización emergente