Revista de Matematica: Teor y Aplicaciones 2007 14(1) : 720 a cimpa ucr ccss issn: 1409-2433

seleccion de personal mediante redes neuronales artificiales

German Leonardo Acevedo Orduna Eduardo Francisco Caicedo Bravo Humberto Loaiza Correa

Recibido/Received: 20 May 2004 Aceptado/Accepted: 19 May 2006

Resumen Se la optimizacin de los sistemas de seleccin de personal mediante la aplicacin o o o de tcnicas de inteligencia computacional para la clasicacin de patrones sicolgicos. e o o El sistema est basado en la prueba sicolgica 16-PF, de donde se extraen los factores a o de Primer Orden y la distorsin motivacional, para ser utilizados como entradas a o un algoritmo de reconocimiento de patrones que acta como predictor de comporu tamiento. Inicialmente se denen la prueba 16-PF y las estructuras computacionales utilizadas. Luego se describen los procedimientos de normalizacin y extraccin de o o patrones y nalmente, se proveen resultados experimentales para ilustrar el desempeo de las tcnicas de clasicacin, las cuales son analizadas en un problema de seleccin e o o de cadetes para la Escuela Naval Almirante Padilla.

Palabras clave: Inteligencia articial, redes neuronales, reconocimiento de patrones, seleccin de personal. o
Abstract We study the personnel selection problem by the application of techniques of computing intelligence for the classication of psychological patterns. The system is based on the psychological test 16-PF, for the extraction of the First Order factors and the motivational distortion, for being used as entries in a pattern recognition algorithm that intends to predict behavior. Initially, we dene the 16-PF test and the computational structures to be used. Then we describe the normalization and pattern extraction procedures, and nally, we provide experimental results for illustrating the performance of the classication techniques, which are analyzed in a problem of cadets selection for the Navy School Almirante Padilla.
Escuela Naval de Cadetes Almirante Padilla, Cartagena, Colombia. E-Mail: acevedo@enap.edu.co Grupo de Percepcin y Sistemas Inteligentes, Escuela de Ingenier Elctrica y Electrnica, Universidad o a e o del Valle - A.A. 25360 Cali, Colombia. E-Mail: ecaicedo@eiee.univalle.edu.co Misma direccin de E. Caicedo. E-Mail: hloaiza@eiee.univalle.edu.co o

G. Acevedo E. Caicedo H. Loaiza

Rev.Mate.Teor.Aplic. (2007) 14(1)

Keywords: Articial intelligence, neural nets, pattern recognition, personnel selection. Mathematics Subject Classication: 82C32.

Introduccin o

Los sistemas articiales bioinspirados, tratan de reproducir el proceso de solucin de o problemas e interpretacin de datos del cerebro. Es as como los humanos aplican el o conocimiento previo junto con la experiencia, a la solucin de nuevos problemas o situao ciones. Una red neuronal articial (RNA), toma como ejemplos los problemas resueltos para construir un sistema que permite, a travs de un aprendizaje previo, tomar decisiones e y realizar clasicaciones de patrones. Dados los adelantos tecnolgicos en microelectrnica, o o los procesadores modernos pueden realizar una gran cantidad de operaciones numricas en e una corta unidad de tiempo, lo cual nos permite de cierta forma, emular el comportamiento del cerebro humano pero con la gran limitacin de que no pueden ser lo sucientemente o paralelos y robustos. Por los motivos anteriormente expuestos y con base en la necesidad institucional de optimizar el uso del recurso humano, se plantea la b squeda de una solucin tecnolgica la u o o cual, permita disminuir los niveles de desercin del personal seleccionado para adelantar o cursos de formacin, como los son los Ociales y Subociales de la Armada de la Rep blica o u de Colombia. Dentro de los principales objetivos del proyecto se destacan los siguientes: Experimentar bajo una visin futurista y real con la aplicacin de Sistemas Ino o teligentes, para optimizar los procesos de administracin de personal. o Disminuir los niveles de subjetividad en la seleccin del personal. o Hacer un estudio detallado del comportamiento estad stico de desercin de los cadetes, o con respecto al resultado de las evaluaciones sicolgicas de ingreso. o

2
2.1

Marco terico o
Redes neuronales articiales

La teor y modelado de redes neuronales articiales, est inspirada en la estructura y a a funcionamiento de los sistemas nerviosos en los cuales, la neurona es el elemento fundamental. Existen neuronas de diferentes formas, tama os y longitudes. Estos atributos n son importantes para determinar la funcin y utilidad de la neurona. La clasicacin o o de estas clulas en tipos estndar, ha sido realizada por muchos neuroanatomistas. Las e a redes neuronales articiales, son redes interconectadas masivamente en paralelo, formadas por elementos simples las cuales, intentan interactuar con los objetos del mundo real del mismo modo que lo hace el sistema nervioso biolgico. o Las redes neuronales son modelos que intentan reproducir el comportamiento del cerebro. Como tal, el modelo realiza una simplicacin, averiguando cules son los elementos o a

 seleccion de personal mediante redes neuronales artificiales

relevantes del sistema, bien porque la cantidad de informacin de que se dispone es exceo siva o bien porque es redundante. Una eleccin adecuada de sus caracter o sticas, ms una a estructura conveniente, es el procedimiento convencional utilizado para construir redes capaces de realizar una determinada tarea [1]. Cualquier modelo de red neuronal, consta de dispositivos elementales de proceso: las neuronas. A partir de ellas, se pueden generar representaciones espec cas, de tal forma que un estado conjunto de ellas, puede signicar una letra, un n mero o cualquier objeto. Generalmente, se pueden encontrar tres tipos de u neuronas de acuerdo con su funcin: o 1. Neuronas de entrada: Son aquellas que reciben est mulos relacionados con el aparato sensorial y que tomarn la informacin de entrada a la red. a o 2. Neuronas ocultas: La informacin se transmite a ciertos elementos internos que o se ocupan de su procesado. Es en las sinapsis y las neuronas correspondientes a este segundo nivel, donde se genera cualquier tipo de representacin interna de la o informacin. Estos elementos se denominan unidades ocultas, puesto que no tienen o relacin directa con la informacin de entrada ni con la de salida. o o 3. Neuronas de salida: Una vez nalizado el per odo de procesado, la informacin llega o a las unidades de salida, cuya misin es entregar la respuesta del sistema, al sistema o actuante. En la Figura 1 se presenta la arquitectura t pica de una red neuronal tipo perceptrn o multicapa. Se conoce como capa, un nivel o un conjunto de neuronas cuyas entradas provienen de la misma fuente (que puede ser otra capa de neuronas) y cuyas salidas se dirigen al mismo destino (que puede ser otra capa de neuronas).

Figura 1: Red Neuronal tipo Perceptrn Multicapa (MLN-NN) o Todas las neuronas que componen la red se hallan en cierto estado. En una visin o simplicada, podemos decir que hay dos posibles estados, reposo y excitado, a los que

10

G. Acevedo E. Caicedo H. Loaiza

Rev.Mate.Teor.Aplic. (2007) 14(1)

denominaremos globalmente estados de activacin y a cada uno de los cuales, se le asigna o un valor. Los valores de activacin pueden ser continuos o discretos, adems, estos pueden o a ser limitados o ilimitados. Si son discretos, suelen tomar un conjunto peque o de valores n o bien, valores binarios. En notacin binaria, un estado activo se indicar por un 1 y se o a caracteriza por la emisin de un impulso por parte de la neurona (potencial de accin), o o mientras que un estado pasivo se indicar por un 0 y signicar que la neurona est en a a a reposo. En otros modelos se considera un conjunto continuo de estados de activacin, en o lugar de slo dos Estados, en cuyo caso se les asigna un valor entre [0, 1] o en el intervalo o [1, 1], generalmente siguiendo una funcin matemtica. o a Existen muchas deniciones del concepto general de aprendizaje, una de ellas podr a ser: la modicacin del comportamiento inducido por la interaccin con el entorno y como o o resultado de experiencias conducente al establecimiento de nuevos modelos de respuesta a est mulos externos. Esta denicin fue enunciada muchos aos antes de que surgieran las o redes neuronales articiales, sin embargo, puede ser aplicada tambin a los procesos de e aprendizaje de estos sistemas. Biolgicamente, se suele aceptar que la informacin memoo o rizada en el cerebro est ms relacionada con los valores sinpticos de las conexiones entre a a a las neuronas que con ellas mismas, es decir, el conocimiento se encuentra en las sinapsis. En el caso de las redes neuronales articiales, se puede considerar que el conocimiento se encuentra representado en los pesos de las conexiones entre neuronas. Todo proceso de aprendizaje implica cierto n mero de cambios en estas conexiones. En realidad, puede u decirse que se aprende modicando los valores de los pesos de la red. Al igual que el funcionamiento de una red depende del n mero de neuronas de las que u disponga y de cmo estn conectadas entre s cada modelo dispone de sus propias tcnicas o e , e de aprendizaje. Existen cuatro aspectos que caracterizan una red neuronal: su topolog el mecanismo a, de aprendizaje, el tipo de asociacin que realiza entre la informacin de entrada y salida o o y por ultimo, la forma de representacin de estas informaciones. o De acuerdo a la topolog de las redes neuronales, estas se pueden clasicar como redes a monocapa o redes multicapa. Con referencia al mecanismo de aprendizaje, se pueden distinguir las redes neuronales con aprendizaje supervisado y las redes neuronales con aprendizaje no supervisado. En cuanto al tipo de asociacin entre las informaciones de o entrada y salida, encontramos a las hetero-asociativas y las redes auto asociativas. En cuanto a la forma en que se representan las informaciones de entrada y las respuestas o datos de salida, encontramos las redes continuas que se caracterizan por sus entradas y salidas analgicas, las redes h o bridas por sus entradas analgicas y sus salidas binarias y o las redes discretas por las entradas y salidas binarias. Las redes neuronales de base radial, son una poderosa clase de redes neuronales unidireccionales para aproximacin funcional, las cuales dieren enormemente del MLP en su o funcin de activacin y la forma como son usadas. Pueden considerarse de tipo h o o brido por incorporar aprendizaje supervisado y no supervisado. La arquitectura de una red RBF (ver gura 2) contiene una capa de neuronas de entrada (una neurona para cada componente caracter stico), tal como el MLP, una capa oculta de neuronas, que operan con base en la distancia que separa el vector de entradas respecto al vector sinptico que cada una a almacena (denominado centroide), cantidad a la que aplican una funcin radial con forma o

 seleccion de personal mediante redes neuronales artificiales

11

Gaussiana. En la RBF, las neuronas de la capa oculta son de respuesta localizada, pues slo responden con una intensidad apreciable cuando el vector de entradas presentado y el o centroide de la neurona, pertenecen a una zona prxima en el espacio de las entradas. Y o por ultimo se encuentra una capa de neuronas de salida con funcin de activacin lineal, o o las cuales esencialmente calculan la suma ponderada de las salidas que proporciona la capa oculta.

Figura 2: Red Neuronal Radial Basis Function (RBF-NN) A continuacin se describe matemticamente el modelo de la RBF: o a
2 rj = x cj 2

=
i

(xi cij )2

(1)

donde: xi son las entradas a la red, yi son las salidas de la capa oculta (ver gura 2), zk son las salidas globales de la red (ver gura 2), cji es el centroide neuronas de la capa oculta y rj es la distancia eucl dea entre las entradas y su centroide. Cada RBF depende de las posiciones de los centros, donde este toma el mayor valor cuando es activado por una entrada xi cercana a cji . El valor de la respuesta disminuye en la medida que xi se aleja de cji . Cada RBF responde a una peque a regin del espacio n o de caracter sticas (campo receptivo). La salida de la neurona yj se calcula a partir de una funcin de activacin denominada funcin radial (r). Una de las mas t o o o picas es la funcin o Gaussiana: 2 2 (r) = er /2 (2) Existen diferentes paradigmas para determinar cmo hacer el entrenamiento de las o redes RBF [?]. En el caso ms simple, los pesos W de entrada y de salida de las neuronas a ocultas, permanecen jos, es decir que no requieren de entrenamiento. En el segundo y

12

G. Acevedo E. Caicedo H. Loaiza

Rev.Mate.Teor.Aplic. (2007) 14(1)

ms exible modelo, se entrenan unicamente los pesos de las neuronas de salida. El tercer a modelo requiere el entrenamiento de todos los pesos, centros y otros parmetros. a

2.2

Cuestionario de personalidad de 16 Factores (16-PF)

El 16 PF [5] es un cuestionario diseado para medir dimensiones normales de la personalidad. En el caso de los adultos, el instrumento ofrece 16 puntuaciones bsicas. Dentro de la a misma serie, existen disponibles otros cuestionarios que miden la personalidad de sujetos ms jvenes, incluso nios. El cuestionario de Personalidad de 16 Factores (denominado a o en adelante con la sigla 16 PF), es un instrumento de valoracin objetiva, elaborado o mediante investigacin sicolgica, con el n de ofrecer, en el menor tiempo posible, una o o visin muy completa de la personalidad. El 16 PF se dise para ser aplicado a sujetos o o de 16 aos en adelante y existen, en uso o en preparacin, seis formas diferentes: la C o y la D estn destinadas a sujetos con formacin medio-baja; la A y la B para personas a o con nivel de formacin igual o superior al de Bachillerato Superior. Las restantes formas o del cuestionario, E y F, estn proyectadas para sujetos que presentan alg n dcit en su a u e formacin y nivel de comprensin lectoral. La correccin y puntualizacin puede realizarse o o o o manualmente o con mquinas. Existen 6 formas distintas de la prueba (ver tabla 1): a Formas A/B C/D E/F N Items 187 105 128 Aplicacin o Sujetos con formacin equivalente a o educacin secundaria o Sujetos con formacin ligeramente o inferior al exigido para las formas A/B Sujetos con bajo nivel de vocabulario y nivel de formacin por debajo de o lo normal Tiempo 45-60 min. 30-40 min. 30-40 min.

Tabla 1: Forma de aplicacin para la prueba 16-PF o La versin global de la personalidad que intenta el 16 PF, se basa en la evaluacin de o o 16 dimensiones, funcionalmente independientes y sicolgicamente signicativas, denidas o repetidamente durante ms de treinta aos de investigacin factoriales, en grupos de sujetos a o normales cl nicos. Tambin incluye una escala DM (Distorsin Motivacional) para detectar e o los intentos de presentar buena imagen. Los 16 factores son los siguientes: Factores Q : Estas escalas son menos rmes, seg n Cattell. No obstante, aportan valiosa u informacin. o Q1: Rebeld : (Conservador vs. Radicalismo). En una visin supercial puede parecer a o que este es un factor que presenta un gran parecido con el E y sin embargo, en esta escala se pone menos nfasis en la dominancia y en la hostilidad para trasladar e el acento ms hacia el aspecto constructivo. Es importante observar que Q1 no es a meramente una rebeld propia del adolescente, sino que expresa en s misma formas a intelectualizadas de hostilidad, com nmente aceptada por la sociedad. u

 seleccion de personal mediante redes neuronales artificiales

13

Q2: Autosuciencia : (Adhesin al grupo vs. Autosuciencia). Presenta cierta relacin o o con el factor introversin - extroversin, factor de Segundo Orden. Hemos de tener o o en cuenta que la dependencia del grupo no es lo mismo que la conformidad al grupo (G). Q3: Autocontrol : (Incontrolable vs. Autocontrol). Esta escala presenta cierta similaridad con C (Fuerza del Yo) y con G (Conformidad al Grupo), pero no aprecia la desorganizacin del yo que puede aparecer con C- ni tampoco presenta o las implicaciones morales que pueden apreciarse con G. Los elementos propuestos en este factor intentan evaluar algo muy semejante al autocontrol de manera muy general. Q4: Tensin : (Poca tensin vs. Mucha tensin). Es un factor con gran carga de o o o ansiedad (otante) muy t pica de la clsica Neurosis de Ansiedad. La disposicin de a o los diferentes elementos componentes del factor Q4, sugiere que esta tensin puede ser o variable seg n sea percibida la situacin por el sujeto que contesta el Cuestionario. u o Los siguientes son los factores de Segundo Orden, los cuales son deducidos mediante ecuaciones derivadas de los factores de primer orden y que por tanto, no se tomaron en cuenta para ser introducidos como entradas a la red neuronal. QI: Ansiedad : (Integracin dinmica vs Ansiedad). Es quiz de los factores de Seo a a gundo Orden ms importantes, en el que intervienen elementos correspondientes a a los factores Q4+ (Tensin), O+ (Tendencia a la Culpabilidad), H- (Atrevimiento), o C- (Fuerza del Yo), L+ (Suspicacia) y Q3- (Autocontrol). QII: Extraversin : (Introversin vs. Extroversin). Rerindonos a la dimensin, este o o o e o factor est correlacionado positivamente con puntuaciones altas en los factores A a (Afectividad), F (Impulsividad) y H (Atrevimiento) y baja en Q2 (Autosuciencia). QIII: Socializacin controlada : (Sociopat vs. Socializacin controlada). Es una o a o versin ampliada y completada del factor G (Superego) de Primer Orden con la o aportacin de los factores N+ (Astucia), Q3+ (Control) y F- (Impulsividad) y Eo (Dominancia). QIV: Independencia : (Dependencia vs. Independencia). Anlisis factoriales de los a factores E+ (Dominancia), L+ (Suspicacia), M+ (Imaginacin aut o stica), Q1 (Rebeld y Q2 (Autosuciencia). a) QV: Subjetividad : (Objetividad vs. Subjetividad) entre las Escalas implicadas en este factor de Segundo Orden, se encuentra I+ (Sensibilidad emocional), M+ (Imaginacin aut o stica), E- (Dominancia), G- (Conformidad al Grupo), L+ (Suspicacia) y Q2 (Autosuciencia). Escalas complementarias de validez: Escala de Distorsin Motivacional (DM) : Detecta a los sujetos que intentan ofrecer o una buena imagen de s mismos.

14

G. Acevedo E. Caicedo H. Loaiza

Rev.Mate.Teor.Aplic. (2007) 14(1)

Escala de Negacin (o del azar) : Permite discriminar a los sujetos negativistas o o poco cooperativos que contestan al azar.

3
3.1

Experimentacin y resultados o
Diseo del experimento n

Fundamentados en la experiencia del personal de siclogos de la Armada Nacional y los o resultados de las pruebas presentadas por el personal que ha ingresado a la institucin, o se dise un experimento, el cual permite de una forma gil y tomando como base un no a aprendizaje previo, reconocer los patrones caracter sticos del personal, que durante su permanencia en la institucin, ha evidenciado alta calidad en el desempe o de sus funo n ciones, para aplicar estos criterios a la seleccin del personal, disminuyendo as los altos o niveles de subjetividad en la seleccin. o El sistema de seleccin de personal, se desarroll tomando como plataforma el programa o o Matlab. Para la experimentacin, se elabor una base de datos a partir de una muestra o o de poblacin de 552 excadetes. La base de datos est conformada por los resultados de las o a pruebas sicolgicas obtenidas al ingreso a la Escuela Naval y la evaluacin del desempe o o o n de estos durante su permanencia en la Escuela. El lapso de la muestra est comprendido a por cadetes ingresados entre los a os 1995 y 1998. Se tomaron como datos de entrada n al sistema, los 16 factores de primer orden y la distorsin motivacional que arroja la o prueba 16-PF y como salidas binarias (S = 1; No = 0), los correspondientes resultados de desempe o durante la permanencia en la Escuela Naval de la muestra as n : El individuo obtuvo el grado de Teniente de Corbeta. (S = 1; No = 0) Fue retirado por Falta de aptitudes para la carrera. (S = 1; No = 0) Fue retirado por solicitud propia. (S = 1; No = 0) Fue retirado por prdida de curso. (S = 1; No = 0) e Fue retirado por incapacidad f sica. (S = 1; No = 0) La informacin anterior se normaliz para valores entre 0 y 1 para facilitar la convero o gencia de la red, mediante el siguiente mtodo: e xi = x(n) (3)

donde: xi es el valor normalizado, es el valor promedio y es la desviacin estndar. o a Debido a resultados de experimentacin, no fueron tenidos en cuenta los factores de o segundo orden que arroja la prueba, por ser estos resultados de operaciones matemticas a entre factores de primer orden. Dadas las capacidades de generalizacin de la red neuronal, o se deduce que la inclusin de los factores de segundo orden como variables de entrada, se o constituye como una redundancia en la informacin. o

 seleccion de personal mediante redes neuronales artificiales

15

3.2

Anlisis de datos a

Se procedi a hacer una gracacin de las curvas de los perles de los grupos de clasicacin o o o a saber: Cadetes graduados (302 patrones) Cadetes retirados por falta de aptitudes para la carrera (35 patrones) Cadetes retirados por solicitud propia (153 patrones) Cadetes retirados por prdida de curso (44 patrones) e Cadetes retirados por incapacidad f sica (18 patrones) Luego se obtuvo la media de cada uno de los decatipos, permitiendo obtener el promedio de los perles determinados por los dieciseis factores primarios que arroja la prueba. Dado que se encontr un alto o ndice de distorsin motivacional a la prueba, se decidi o o segmentar la muestra para trabajar el modelo slo con individuos que presentarn pruebas o a de personal con un buen ndice de conabilidad. La muestra seleccionada para el trabajo, fue la de los individuos que presentaban valores de distorsin motivacional de 10 o inferior (ver tabla 2). o % < Distorsin Motivacional o 6 8 10 12 14 15 30 69 116 190 273 302 2 5 14 23 31 35 27 49 86 112 143 153 8 13 25 32 38 44 2 4 9 16 18 18 12,5 25,3 45,2 67,5 91,1 100,0

Graduados Falta de aptitudes Solicitud propia Prdida de curso e Incapacidad f sica Porcentajes

4 9 2 15 4 0 5,4

Tabla 2: Segmentacin de la muestra por Distorsin Motivacional o o Como parte del anlisis de la muestra, se consider la comparacin de las medias a o o matemticas (ver gura 3) y las desviaciones estndar (ver gura 4) de los valores de los a a factores primarios, con el n de identicar las variables o factores que tienen una mayor incidencia en el modelo.

3.3

Arquitectura y entrenamiento de los clasicadores

Para realizar la clasicacin de los patrones sicolgicos, se seleccionaron dos tipos diferentes o o de redes neuronales articiales, ambas de entrenamiento supervisado y estructura multicapa. Dichas arquitecturas son el Perceptrn Multicapa (Multilayer Perceptrn MLP-NN), o o y las redes neuronales de Base Radial (Radial Basis Function RBF-NN).

16

G. Acevedo E. Caicedo H. Loaiza

Rev.Mate.Teor.Aplic. (2007) 14(1)

Figura 3: Comparacin de las medias matemticas o a 3.3.1 Redes Neuronales tipo Perceptrn Multicapa o

Para la implementacin del sistema basado en redes neuronales tipo Perceptrn Multicapa o o (MLP), se utiliz la siguiente arquitectura determinada mediante experimentacin: o o 1. Capa de entrada: 17 neuronas que reciben la informacin de los 16 factores primarios o y la distorsin motivacional. o 2. Capa oculta: 18 neuronas con funcin de activacin logar o o tmica-hiperblica. o 3. Capa de salida: 1 neurona con funcin de activacin lineal. o o La red fue entrenada durante 100 iteraciones mediante el algoritmo de LevenbergMarquard, con un total de 200 perles sicolgicos correspondientes a cadetes ingresados o desde 1995 hasta 1998 (ver gura 5). 3.3.2 Redes Neuronales de Base Radial

Para la implementacin del sistema basado en redes neuronales de base radial, se utiliz o o la siguiente arquitectura determinada mediante experimentacin: o 1. Capa de entrada: 17 neuronas que reciben la informacin de los 16 factores primarios o y la distorsin motivacional. o 2. Capa oculta: 175 neuronas con funcin de activacin Gaussiana con una desviacin o o o estndar de 0,85 determinada mediante experimentacin. a o

 seleccion de personal mediante redes neuronales artificiales

17

Figura 4: Comparacin de las desviaciones estndar o a 3. Capa de salida: 1 neuronas con funcin de activacin lineal. o o La red fue entrenada con un total de 200 perles sicolgicos correspondientes a cadetes o ingresados desde 1995 hasta 1998 (ver gura 6).

3.4

Resultados de validacin o

Para validar las redes se usaron 50 perles sicolgicos que no fueron usados durante el o entrenamiento, correspondientes a cadetes ingresados en 1998, con el n de vericar la capacidad de la red neuronal, para predecir el comportamiento de nuevos individuos, basndose en la generalizacin de los patrones presentados para el entrenamiento. Se a o determin mediante experimentacin el valor de 0.6 como nivel de umbral de deteccin. o o o Sistema de Clasicacin o MLP-NN RBF-NN Emp rico Mayor Eciencia 66% 70% 54,7%

Tabla 3: Validacin de redes neuronales o El error de validacin del sistema, es obtenido mediante la siguiente ecuacin: o o
N 4

Error =
i=1 j=1

(Y di Y rj )2

(4)

18

G. Acevedo E. Caicedo H. Loaiza

Rev.Mate.Teor.Aplic. (2007) 14(1)

Figura 5: Entrenamiento de la red MLP donde: Y di es la salida deseada, Y rj es la salida de la Red Neuronal, N es el n mero de u individuos y j es el n mero de salidas. u El m nimo error global obtenido durante la validacin es del 30%, es decir, a pesar o de la escasa basa de datos con la que se cuenta hasta el momento, el sistema es capaz de predecir el desempe o de un aspirante a ingresar a la Escuela Naval con una posibilidad n de acierto de aproximadamente 70%.

3.5

Proyeccin del proyecto o

El sistema permitir en el futuro, agilizar y sistematizar el trabajo de las comisiones de a seleccin de personal para la Armada Nacional en todos los niveles. En la medida que el o sistema sea alimentado con un mayor n mero de patrones, se podr disminuir el umbral u a de error y subjetividad en la seleccin del personal. o Con base en los resultados obtenidos, se propone el uso de algoritmos h bridos de clasicacin que permitan aumentar el o ndice de eciencia del sistema. As mismo, se requiere involucrar variables adicionales que permitan mejorar la eciencia del modelo. Tales variables pueden ser de orden acadmico, social o f e sico.

Conclusiones

El desarrollo de un sistema de inteligencia computacional, permite agilizar los procesos de seleccin para el personal que desea ingresar a la Armada Nacional, permitiendo con o base en la extraccin de las caracter o sticas sicolgicas de una poblacin conocida, hacer o o una prediccin de la permanencia del nuevo individuo en la institucin. o o

 seleccion de personal mediante redes neuronales artificiales

19

Figura 6: Entrenamiento de la red RBF La precisin de la prediccin, aumenta en la medida que la red neuronal es entrenada o o con un mayor n mero de datos. Por este motivo, es necesario ampliar las bases de datos u disponibles con el n de lograr una mejor capacidad de generalizacin del sistema. De los o resultados obtenidos, se puede inferir que la permanencia de los alumnos en la institucin, o no depende solamente de las variables sicolgicas demostradas mediante las pruebas de o ingreso, sino que estn impl a citas variables exgenas que requieren ser modeladas. o El presente desarrollo, permite demostrar una vez ms, la alta capacidad de generalia zacin y clasicacin de patrones que brindan los sistemas de inteligencia computacional o o al ser aplicados en la solucin de problemas sico-sociales de alta complejidad, resaltando o la eciencia de las redes neuronales de base radial para resolver problemas de clasicacin o de patrones.

Referencias
[1] Freeman, J.A.; Skapura, D.M. (1991) Neural Networks. Algorithms, Aplications and Programming Techniques. Addison-Wesley, Reading. [2] Masters, T. (1995) Advanced Algorithms for Neural Networks. John Wiley & Sons, New York. [3] Pr ncipe, J.; Euliano, N.; Lefebvre, C. (1999) Neural and Adaptive Systems. Jhon Wiley & Sons, New York. [4] Proakis, J.G., Manolakis, D.G. (1998) Tratamiento Digital de Seales, (3a Edicin). n o Prentice Hall, Madrid.

20

G. Acevedo E. Caicedo H. Loaiza

Rev.Mate.Teor.Aplic. (2007) 14(1)

Figura 7: Graca del error de validacin o [5] Cattell, R.B. (1974) How good is the modern questionnaire? General principles for evaluation, Journal of Personality Assessment 38(2): 115129. [6] Norgaard, M.; Ravn, O.; Poulsen, N.K.; Hansen, L.K. (2000) Neural Networks for Modelling and Control of Dynamic Systems. Springer-Verlag, London. [7] Garc de Jaln ,J.; Rodr a o guez, J.I.; Brazlez, A. (1999) Aprenda Matlab 5.3. Escuela a Superior de Ingenieros Industriales, Universidad de Navarra. [8] Oppenheim, A.V.; Burrus, C.S. (1998) Ejercicios de Tratamiento de la Seal Utin lizando Matlab V. 4. Prentice Hall, Madrid. [9] NATO Research and technology Organization (2001) Final Report of the RTO Human Factors and Medicine Panel, (HFM) Research and Study Group 31 on Ocer Selection. Printed by St. Joseph Ottawa/Hull, May.