🚦 Sistema de Semáforo Inteligente - Red Hebbiana Multicapa

Descripción del Proyecto

Sistema de control de tráfico inteligente que utiliza una Red Neuronal Hebbiana Multicapa para aprender y decidir qué semáforo activar en una intersección de 4 direcciones según el flujo de tráfico.

---

Problema a Resolver

Objetivo: Aprender a dar prioridad en una intersección según la cantidad de carros esperando en cada dirección (Norte, Sur, Este, Oeste).

Aplicación real: Optimizar el flujo vehicular reduciendo tiempos de espera.

Parámetros:

• Entradas: 4 (tráfico en cada dirección: 0-20 carros)
• Capa oculta: 6 neuronas con activación tanh
• Salidas: 6 decisiones posibles
• Algoritmo: Aprendizaje Hebbiano (W += y * x)

---

Datos de Entrenamiento

Se generan 50 escenarios sintéticos que simulan diferentes situaciones de tráfico:

1. Tráfico pesado Norte-Sur (10 ejemplos)

   • Norte: 12-20 carros, Sur: 12-20 carros
   • Este: 0-5 carros, Oeste: 0-5 carros
   • Decisión: Verde Norte-Sur

2. Tráfico pesado Este-Oeste (10 ejemplos)

   • Este: 12-20 carros, Oeste: 12-20 carros
   • Norte: 0-5 carros, Sur: 0-5 carros
   • Decisión: Verde Este-Oeste

3. Solo tráfico en Norte (7 ejemplos)

   • Norte: 15-20 carros
   • Otros: 0-3 carros
   • Decisión: Verde Solo Norte

4. Solo tráfico en Sur (7 ejemplos)

   • Sur: 15-20 carros
   • Otros: 0-3 carros
   • Decisión: Verde Solo Sur

5. Solo tráfico en Este (8 ejemplos)

   • Este: 15-20 carros
   • Otros: 0-3 carros
   • Decisión: Verde Solo Este

6. Solo tráfico en Oeste (8 ejemplos)

   • Oeste: 15-20 carros
   • Otros: 0-3 carros
   • Decisión: Verde Solo Oeste

---

Visualización

El programa muestra 2 gráficas simultáneas:

1. Red Neuronal Animada

• Nodos azules: Entradas (sensores de tráfico)
• Nodos verdes: Capa oculta
• Nodos rojos: Salidas (decisiones)
• Conexiones: Cambian de grosor y color según los pesos
  • Rojo/Naranja: Pesos positivos
  • Azul/Morado: Pesos negativos
  • Grosor: Magnitud del peso

2. Intersección de Tráfico

• Vista superior de la intersección
• Semáforos: Cambian de rojo a verde según la decisión
• Contadores: Muestran número de carros en cada dirección
• Decisión actual: Texto indicando qué semáforo está activo

---

Hora de probar

Requisitos:

pip install numpy matplotlib scikit-learn

Ejecutar:

python semaforoHebb.py

Funcionamiento:

1. Generación de datos: Crea 50 escenarios de tráfico
2. Animación de entrenamiento: Muestra cómo la red aprende paso a paso (2 ventanas)
3. Evaluación: Calcula la precisión en los datos de entrenamiento
4. Prueba interactiva: Permite ingresar tráfico personalizado

---

Resultados Esperados

• Precisión: 95-100% en datos de entrenamiento
• Aprendizaje: Los pesos evolucionan para asociar patrones de tráfico con decisiones óptimas
• Generalización: La red aprende reglas como:
  • "Mucho tráfico N-S + poco E-O -> Verde N-S"
  • "Solo tráfico en una dirección -> Verde solo esa"

---

Análisis del Aprendizaje

¿Qué aprendió la red?

La red aprende asociaciones Hebbianas entre:

• Entrada: Patrones de tráfico (carros en cada dirección)
• Salida: Decisión óptima de semáforo

Evolución de los pesos:

1. Inicialmente: Pesos aleatorios pequeños (~0.1)
2. Durante entrenamiento:
   • Aumentan las conexiones relevantes (como: mucho tráfico Norte -> activar verde N o N-S)
   • Se mantienen bajas las conexiones irrelevantes
3. Al final: Pesos reflejan la "lógica" del control de tráfico

Activaciones de salida:

Las activaciones son valores entre -1 y +1 que indican la "confianza" de cada decisión:

• Valores positivos: La red sugiere esa opción
• Valores negativos: La red descarta esa opción
• Valor máximo: Decisión final elegida

Ejemplo:

Verde N-S:     0.107  <- Positivo pero bajo
Verde E-O:    -0.393  <- Negativo (descartado)
Verde Solo N:  0.271  <- MÁXIMO (ELEGIDO)
Verde Solo S: -0.050  <- Negativo
Verde Solo E: -0.071  <- Negativo
Verde Solo O: -0.120  <- Negativo

Limitaciones:

• Aprendizaje supervisado simple: No optimiza globalmente
• Sensible al órden: El órden de presentación afecta el resultado
• No olvida nada (re paila): Los pesos solo crecen (no decrece)
• Overfitting: Se ajusta exactamente a los datos de entrenamiento

Posibles mejoras:

• Agregar más escenarios (hora pico, emergenciasm etc etc etc)
• Implementar normalización de pesos (evitar crecimiento infinito)
• Usar validación cruzada
• Agregar ruido en los datos para robustez
• Considerar tiempo de espera acumulado

---

Conceptos Clave

Regla de Hebb:

"Lo que se dispara junto, se conecta junto"

Matemáticamente:

W_nueva = W_antigua + eta * (salida_deseada * entrada)

Donde:

• * = Producto externo
• eta = Tasa de aprendizaje (0.02 para W1, 0.05 para W2)

Red Multicapa:

• Capa oculta: Permite aprender representaciones no lineales
• Función tanh: Introduce no linealidad (valores entre -1 y 1)
• Propagación hacia adelante: h = tanh(W1 @ x), y = W2 @ h

---

Para

Taller de Redes Hebbianas - Cibernética y Sistemas Inteligentes

Licencia

Uso educativo libre