medio de un robot
Hardlim and Hardlims in Matlab, applied to obstacle detection by a robot
E. Cartuche, R. Granda, and H. Paz
unica
de aprender de alguna fuente de informacion integrada en su entorno. En 1958 el psicologo Frank Ronsenblant desarrollo un modelo simple de neurona basado
en el modelo de McCulloch y Pitts y el aprendizaje en
una regla basada en la correccion de errores; este modelo
fue llamado Perceptron. Las funciones de transferencia
aplicables a un perceptron, hardlim y hardlims crean
neuronas que clasifican las entradas en dos categoras;
se utilizan en problemas linealmente separables, como se
vera en un ejemplo del mundo real, cuya solucion ha sido
implementada en el lenguaje de alto nivel Matlab.
Palabras clave- Neurona, red, red neuronal, modelo,
perceptron, aprendizaje, hardlim, hardlims, Matlab
AbstractNeural networks have the unique ability to learn
from some source of information embedded in their environment.
In 1958 the psychologist Frank Ronsenblant developed a simple
model neuron based on the model of McCulloch and Pitts
and learning in a rule-based error correction; This model was
called Perceptron. Transfer functions applicable to a perceptron,
hardlim and hardlims, creates neurons that classify the inputs
into two categories, they are used on linearly separable problems,
as will be seen in an example of the real world, the solution has
been implemented in high-level language Matlab.
Index TermsNeuron, network, neural networks, model, Perceptron, learning, hardlim, hadlims, Matlab
I. I NTRODUCCI ON
l presente artculo trata sobre las redes neuronales artificiales aplicadas a problemas de la vida real, haciendo
uso exclusivo de las funciones de transferencia Hardlim y
Hardlims, implementadas en el lenguaje de programacion
Matlab; especificamente para resolver el problema de la deteccion de obstaculos por medio de un robot, que sera resuelto
haciendo uso de una red de tipo Perceptron.
El artculo esta estructurado de forma tal que se ha tratado
de abarcar la mayor parte de contenidos referentes a las redes
neuronales:
La seccion I comprende la parte introductoria del trabajo que
se ha realizado. La seccion II corresponde al estado del arte
acerca de las redes neuronales y sus funciones. La seccion III
comprende al caso de estudio, caso practico donde se aplica
E. Cartuche, Universidad Nacional de Loja, Loja, Ecuador, elcartucheg@unl.edu.ec
R. Granda, Universidad Nacional de Loja, Loja, Ecuador, rcgrandav@unl.edu.ec
H. Paz, Universidad Nacional de Loja, Loja, Ecuador, hpaz@unl.edu.ec
D. Funcion de Activacion
C. Red Neuronal
Las redes neuronales artificiales son sistemas que imitan
esquematicamente la estructura neuronal del cerebro humano
y buscan emular su comportamiento en lo que se refiere al
aprendizaje y la extraccion de conocimiento generico a traves
de un conjunto de datos.
Una red neuronal esta formada por un grupo interconectado
de capas compuesta por una o varias matrices de pesos W;
sus respectivos vectores de ganancias (bias) b, un vector de
entradas p, un vector de salida a, y una o varias funciones de
activacion.
Las redes neuronales se pueden clasificar segun el numero de
capas, as por ejemplo la red neuronal monocapa. Es la red
neuronal mas sencilla ya que tiene una sola capa de neuronas
que pondera y suma las entradas para obtener la salida.
1) Ventajas de las Redes Neuronales:
El procesado de la informaci
on es local, es decir que
al estar compuesto por unidades individuales de procesamiento dependiendo de sus entradas y pesos y de que
todas las neuronas de una capa trabajan en forma paralela
y proporcionan una respuesta al mismo tiempo.
Los pesos son ajustados bas
andose en la experiencia, lo
que significa que se le tiene que ensenar a la red lo que
necesita saber antes de ponerla en funcionamiento.
E. Funcion de Transferencia
El modelo mas simple lo podemos observar en la figura 5.
Las entradas a la red seran ahora presentadas en el vector
F. Funcion de Aprendizaje
El aprendizaje consiste en la modificacion del conocimiento
inducido por la interaccion con el entorno y como resultado
de experiencias conducen al establecimiento de nuevos
modelos de respuesta a estmulos externos (Hilera y Mart`nez
1995).
Esta es una de las caractersticas mas importantes de las
RNA, ya que esto les brinda la flexibilidad y adaptabilidad ante
diferentes problemas que a pesar de contar con caractersticas
comunes tambien se diferencian en a mbitos cruciales. Gracias
al aprendizaje, la RNA puede auto-organizarse y cambiar
su estructura hasta conseguir un algoritmo de ejecucion. El
aprendizaje consiste en hacer cambios en los pesos de las
conexiones entre las neuronas de la red hasta conseguir la
respuesta deseada de la red y el entrenamiento es el procedimiento por el cual la red aprende; mientras que el aprendizaje
es externo, el entrenamiento es interno. El aprendizaje puede
ser, supervisado, no supervisado y por reforzamiento.
B. Entrenamiento de la red
A la red se le presentaran 7 patrones para los cuales
dependiendo de las lecturas de los sensores se le dira al robot
que hacer especficamente y luego se probara la red con los
casos restantes para comprobar la capacidad de generalizacion
de la red neuronal ante un patron nunca antes visto
Los estados de lecturas de los sensores y de operacion de
los motores fueron designados con 1 y 1, puesto que para
la convergencia del proceso de entrenamiento resulta mas
ventajosos propagar valores de 1 y 1 que de 1 y 0.
Debido a la naturaleza de la salida y de la entrada de la red, la
funcion de transferencia apropiada es hardlims, la cual trabaja
con valores bipolares.
Se creara una red de 4 entradas con una neurona tipo Perceptron para cada salida, teniendo as una salida bidimensional, los pesos iniciales aleatorios de la red se muestran a
continuacion:
El siguiente codigo crea una red tipo Perceptron con funcion
de transferencia hardlims, dos neuronas en la salida, utiliza
como patrones de entrenamiento las lecturas de los cuatro
sensores almacenados en p y como patrones objetivo o salidas
IV. C ONCLUSIONES
deseadas las acciones de ambos motores almacenados en el
vector t.
De la ejecucion del codigo en matlab obtenemos la representacion de nuestra red perceptron la misma que nos indica
la cantidad de entradas, el numero de capas y las salidas de
la red.
Una vez realizada la revision del estado del arte de las redes
neuronales y realizado el caso practico en el presente a rticulo
se ha llegado a las siguientes conclusiones:
La redes neuronales buscan cambiar el paradigma de
procesamiento secuencial de la maquina de Von Neumann, por el procesamiento en paralelo de las neuronas
artificiales.
La principal ventaja de las redes neuronales, ya sean
biologicas o artificiales, es la capacidad de respuesta,
dado que dicha respuesta es el resultado global de interaccion del sistema, en lugar de respuestas particulares
por cada uno de las neuronas.
Es conveniente en las redes neuronales artificiales as
como en el cerebro humano, evitar el entrenamiento
excesivo del sistema, ya que esto puede conllevar a
respuestas erroneas cuando cambia el entorno.
Las redes neuronales son capaces de imitar y pronosticar
el funcionamiento de sistemas dinamicos sin contar con
un modelo explcito, esto es muy importante al momento
de clasificar datos que pueden contener errores.
Una red tipo Perceptr
on de una sola capa es una buena
solucion a un problema que involucre patrones linealmente separables, en el caso de contar con patrones que
no son linealmente separables se tiene la alternativa de
utilizar una red Perceptron multicapa o cambiar definitivamente de red, notese que una red Perceptron multicapa
puede solucionar el problema de separabilidad lineal a
medida que aumenta el numero de capas de la red.
En las aplicaciones desarrolladas con redes neuronales
juega un papel importante la tolerancia a fallas que las
caracteriza, pues en caso de fallar uno o varios sensores
la red siempre producira una salida que en la mayora de
los casos es la mas acertada, debido a que la red despues
de un proceso de aprendizaje exitoso esta en capacidad
de generalizar el comportamiento del sistema.
R EFERENCES
[1] T Alcaraz Romero Vctor Manuel. Estructura y funci`on del sistema
nervioso. Recepci`on sensorial y estados del organismo 2da edicion.
Editorial El manual moderno. M`exico DF Mexico 2001 ISBN 968-895952-9.
[2] Lahoz-Beltra Rafael . Bioinformatica: Simulacion, vida artificial e
inteligencia artificial. Ediciones Daz Santos Madrid Espana. 2004 ISBN
978-84-7978-645-8
[3] Flores, R. Fernandez, J. Las Redes Neuronales Artificiales. Editorial
Netbiblo. La Coruna, Espana. 2008. ISBN 978- 84- 9745-2465
[4] APLICACIONES DE LAS REDES NEURONALES A INGENIERIA
ELECTRICA,
Universidad Tecnologica de Pereira, Recuperado de: http:
//medicinaycomplejidad.org/pdf/redes/Capitulo3.pdf
[5] Tanco, F. (2003). Introduccion a las redes neuronales artificiales. Grupo
de Inteligencia Artificial. Recuperado de: http://www.secyt.frba.utn.edu.
ar/gia/RNA.pdf
[6] Hugo Galan Asensio, Alexandra Martnez Bowen, Inteligencia artificial.Redes neuronales y aplicaciones, I.T.T Telematica Universidad
Carlos III de Madrid.
Eduardo Cartuche professional training for Engineering degree in Systems Engineering from Universidad Nacional de Loja, Loja, Ecuador in 2014.
His current research interest in neural networks are
applied to the perceptron with hardlims hardlim and
functions.
Rodrigo Granda professional training for Engineering degree in Systems Engineering from Universidad
Nacional de Loja, Loja, Ecuador in 2014. His current
research interest in neural networks are applied to
the perceptron with hardlims hardlim and functions