I. I NTRODUCCI ON
En la actualidad las redes neuronales se vienen utilizando
muy frecuentemente, sobre todo si se trata del comportamiento
del sistema nervioso biologico, utilizando la red tipo
perceptron se utiliza principalmente dos funciones de
transferencia, hardlim con valores de 1 y 0, como la segunda
funcion hardlims con valores 1 y -1, estas funciones se
utilizaran de acuerdo al valor de salida deseado en la red,
es importante recabar que la funcion hardlims sobre la de
hardlim es la mas preferida, ya que no cuenta con valores de
0 provocando que no se vuelva lento en el aprendizaje.
Entonces para una mejor comprension una red neuronal es
un sistema de procesamiento de la informacion compuesto
P. Pacheco, Universidad Nacional de Loja, Loja, Ecuador,
plpachecoo@unl.edu.ec
E-mail:
E-mail:
Loja,
Ecuador,
una caja pasa por 6 sensores que son los valores de entrada
y el motor que tiene dos valores de salida deseados, de esta
manera inicia el codigo hardlim, otra manera de identificar
la funcion que le corresponde es en base a sus valores de
entrada que tiene.
En la segunda funcion hardlims se explicara el codigo de
un clasificar de frutas, este contiene valores de 1 y -1, esto es
importante conocer antes de desarrollar la aplicacion como
una forma de no perder tiempo en el desarrollo, donde los
valores iguales a -1 en las dos salidas deseadas comprenden
a una manzana en caso contrario si tiene los dos valores un
1 entonces es naranja, pero si tiene valores intercambiados
desimos que es otra fruta.
Seguimos con la siguiente seccion que hace referencia a
las conclusiones en base a la experiencia en la realizacion
de las funciones elaboradas en matlab, y por u ltimo tenemos
las recomendaciones que podemos dar a futuros usuarios que
deseen realizar problemas lineales con una misma similitud a
los expuestos.
II. R EDES N EURONALES A RTIFICIALES
A. Concepto de red neuronal
Una RNA puede definirse como un sistema de
procesamiento de informacion compuesto por un gran numero
de elementos de procesamiento (neuronas), profundamente
conectados entre s a traves de canales de comunicacion
(Reguero, 1995). Estas conexiones establecen una estructura
jerarquica y permiten la interaccion con los objetos del
mundo real tratando de emular al sistema nervioso biologico.
D. Arquitectura Neuronal
Las neuronas estan fuertemente conectadas entre ellas,
organizados en capas de una determinada topologa o modelos
conexionistas que podramos clasificar as.
1) Segun
de capas:
el numero
F. Proceso de Aprendizaje
En una red neuronal es necesario definir un proceso por el
cual las conexiones del dispositivo varen para proporcionar
la salida deseada (algoritmo de aprendizaje). Los metodos de
aprendizaje se pueden dividir en las siguientes categoras.
El proceso de aprendizaje del perceptor:
1) Inicializacion de los pesos
2) Determinaci
PN on de la salida
y = k=1 Wkn XkN
3) Comparacion con el umbral
u = y umbral
Donde:
W: Es la matriz de pesos sinapticos.
b: Es el umbral de activacion.
p: Es el patron de analisis.
e: Es el error.
t: Es el valor objetivo relacionado con el patron
: Es la velocidad de aprendizaje.
K. Matlab
MatLab es un programa interactivo para computacion
numerica y visualizacion de datos. Es ampliamente usado
por Ingenieros de Control en el analisis y diseno, posee
ademas una extraordinaria versatilidad y capacidad para resolver problemas en matematica aplicada, fsica, qumica,
ingeniera, finanzas y muchas tras aplicaciones. Esta basado
en un sofisticado software de matrices para el analisis de sistemas de ecuaciones. Permite resolver complicados problemas
numericos sin necesidad de escribir un programa.
Principales comandos en matlab para crear redes
neuronales:
L. NEWP
Matlab usa la funcion newp para crear una red perceptron.
Esta funcion tiene cuatro parametros de entrada y el resultado
(salida de la funcion) es la red perceptron.[5]
III. R ESULTADOS
M. NEWFF
Sintaxis para un perceptron multicapa:
net = newf f (P R, [S1..SN l], T F 1..T F N l, BT F, BLF, P F )
Donde:
PR: Matriz con los valores mnimos y m
aximos de cada
una de las componentes de los patrones de entrada
Si: Tama
no de la capa i
TFi: Funci
on de transferencia de la capa i, por defecto
es tansig.
BTF: Funci
on de entrenamiento, por defecto trainlm.
BLF:
Funcion de aprendizaje de los pesos/bias, por
defecto learngdm.
PF:Funci
on de evaluacion, por defecto mse
N. Train
CEPTRON
1) El siguiente ejercicio esta enfocado en la funcion
hardlim, nos pide la clasificacion de cajas; es decir,
una caja para por seis sensores los cuales llegaran
hacer los valores de entrada para mi primera matriz
o vector, luego estos emiten valores de 1 o 0 de
acuerdo a la descripcion que se muestra en la Figura
11, seguidamente tenemos los valores de M1 yM0
que son los valores para la matriz o vector de
salida Figura 12. Una vez cumplido con el proceso
calculamos de acuerdo a nuestras salidas deseadas
los valores en letras que en este caso sera: chico,
mediano, grande y extragrande. Para un mejor
comprension seguimos con la siguiente descripcion:
O. Sim
Tras la fase de entrenamiento, la red esta lista para ser
usada, es decir, la red es capaz de producir una salida adecuada
a un conjunto de patrones de entrada. La funcion sim es la
encargada de pasar un conjunto de patrones de entrada a la
red y de obtener su salida:[6]
Y = sim(N ET, P )
Donde:
NET: representa una red entrenada
P: es el conjunto de patrones de entrada
Y: es la salida de la red
cual de las funciones deseamos entrenar y para un mejor
2) En nuestro segundo ejemplo, simularemos la clasificacion de frutas (manzana, naranja u otra fruta)
Figura 20 aplicando la funcion hardlims, para ello
primeramente debemos conocer los valores que nos
muestra como entrada y salida, de esto depende si
es correcto para aplicar la funcion hardlims. En
la siguiente Figura 21 visualizamos los valores que
contiene y para este ejemplo la manzana toma el
valor de -1 y la naranja el valor de 0, pero si
no corresponde a estos, entonces los valores seran
diferentes y corresponde a otra fruta.
IV. C ONCLUSIONES
[5] F.
Tanco,
INTRODUCCION
A
LAS
REDES
NEURONALES
ARTIFICIALES,[En
linea]
link:
http
:
//www.secyt.f rba.utn.edu.ar/gia/RN A.pdf
R Users Guide
[6] Neural Network Toolbox. For Use with MATLAB
.
Version 4. Howard Demuth and Mark Beale. (PDF).
[7] ESCOM, Redes Neuronales Artificiales, 2009,[En linea] link: http :
//es.slideshare.net/mentelibre/introduccionalasredes
neuronales artif iciales
[8] P.
Pacheco,
S.
Lara,
Codigo-Hardlim-yHardlims,
2014,[En
linea]
link:
https
:
//github.com/P riscillaP acheco/Codigo Hardlim y
Hardlims/commit/bb33803064bb17f 82873af 8b6e528f 381a4e4a8a#dif f
04c6e90f aac2675aa89e2176d2eec7d8
https://github.com/PriscillaPacheco/Codigo-Hardlim-yHardlims/commit/bb33803064bb17f82873af8b6e528f381a4e4a8a#
diff-04c6e90faac2675aa89e2176d2eec7d8[?]
Priscilla Pacheco
Soraya Lara