SOFTWARES/APLICATIVOS USADOS EN LAS REDES NEURONALES

MATLAB:
Por medio del paquete NNTOOL y la interfaz de esta aplicación se proporciona gran
facilidad para el trabajo con redes neuronales, sin embargo, no es muy fácil la
aplicación de Redes Neuronales Autorregresivas ya que dicho paquete no está
programado para esta tarea y, además, la UIFCE no cuenta con el paquete NNTOOL
por lo que no se pueden realizar implementaciones en este software.
Neuronal Tools para EXCEL:
Con él se pueden trabajar datos obtenidos mediante las demás herramientas de Excel y
realizar predicciones sobre ellas, sin embargo este paquete no es apto para trabajar
Redes Neuronales Autorregresivas y la UIFCE no cuenta con el paquete Neural Tools.
APLICATIVO USADO PARA ENTRENAR LA RED
SOFTWARE SHARKY NEURONAL NETWORK

Ofrece un primer acercamiento a diversos tipos de redes neuronales en el proceso de

aprendizaje de las mismas, lo que permite comprender un poco la teoría existente en
este tema, sin embargo, no ofrece las herramientas que se requieren para el desarrollo de
la investigación ya que tiene muy pocas opciones para caracterizar la red neuronal que
se desea observar, al tener los tipos de red neuronal predeterminados no se pueden
seleccionar datos para entrenar la red y por lo tanto no se pueden realizar predicciones
sobre ellos y no se cumplirían los objetivos de este trabajo.

Es un programa utilizado para el enfoque de redes neuronales, Además permite procesar

información.
En su interfaz se puede visualizar comandos como:
Error: Son los porcentajes de la clasificación de aprendizaje.
Ni: Velocidad de aprendizaje.
Age: Velocidad época y tiempos.
Learn: Menú de aprender se encuentra la clasificación de las épocas, reseteo del inicio y
aprendizajes automáticos.
Network: En esta pestaña se muestran las estructuras que se pueden elegir.

CAPITULO III : PROPUESTA

Propuesta en el reconocimiento de la calidad morfológica de mangos exportables

para la empresa Frozen S.A
PROBLEMÁTICA
 El proceso de clasificación de mangos a través de inspección visual del operario
genera un margen de error de 20% y el 10% de los costos se ven reflejados en
dicho error.
SOLUCIÓN

Nuestra propuesta consiste en diseñar una red neuronal que permita el reconocimiento
de la calidad morfológica de mango.
Mediante de la red neural se podrá ingresar muestras de mangos.
Almacenar imágenes de cada mango, generar los datos de entrenamiento, procesar
entrenamiento, realizar el reconocimiento de mangos ingresados, interpretar el
reconocimiento los resultados de reconocimiento.
Por ende a través del diseño de la red neuronal se reducirá el margen de error por
consiguiente la minimización de costos.
ENTRADAS
Ingreso de muestra de mangos.
RED NEURONAL: Se realiza el entrenamiento respectivo para el reconocimiento de
mangos según requerimientos.
SALIDAS
Se clasificarán de acuerdo a las variedades o tipos de mango y calidad de mango.