Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
I. I NTRODUCCI ON
Las redes neuronales se centran en la funcion de activacion
y el entrenamiento que se aplique a un problema del cual se
presente una entrada de informacion y una salida deseada;
las funciones hardlim y hardlims son utilizada por defecto en
la creacion de perceptrones y redes neuronales cuando no se
especifica su funcion y entrenamiento.
La utilizacion de matlab para la comprobacion de funciones
es primordial ya que es mas facil aplicarla en una interfaz
grafica y utilizar las funciones ya indexadas en el programa.
Se evidenciara el desarrollo de redes neuronales aplicando
hardlim y hardlims, comprobando la mas optima en
iteraciones.
La clasificacion de las vocales abiertas y cerradas se
comprende en el patron de entrada visualizada en una matriz
y su salida para cada una, la aplicacion de matlab fue
exitosa en la respuesta deseada ya que podemos comprobar
su clasificacion en la simulacion de las salidas obtenidas
con las salidas deseadas, el GUI de matlab nos brinda una
mejor alternativa para presentar nuestro problema y sea mas
entendible en la captura de entradas y salidas.
II. E STADO DEL A RTE
A. Red Neuronal Artificial
Una Red neuronal en un esquema de computacion distribuida inspirada en la estructura del sistema nervioso de los
K. Cordova, Universidad Nacional de Loja, Loja, Ecuador, kjcordovac@unl.edu.ec
R. Villavicencio, Universidad Nacional de Loja, Loja, Ecuador, mavillavicencioe@unl.edu.ec
Figura 1:
Neurona Biologica
C. Neurona Artificial
El modelo de una neurona artificial es una imitacion del
proceso de una neurona biologica como se muestra en la figura
2:
Figura 2:
Neurona Artificial
Donde:
Xi son las entradas representan las se
nales que provienen
de otras neuronas.
Wi son los pesos sin
apticos que equivalen en la neurona
biologica a los mecanismos que existen en la misma para
transmitir la senal.
Y es la salida despu
es a ser sido evaluada la funcion de
activacion[4]
La primera neurona fue concebida por W.McCulloch y
W.Pitts, la cual se trata de un modelo binario cuyo estado es
1 (activo)o 0 (inactivo).Periodicamente actualiza su estado de
la siguiente forma: calcula la suma de sus entradas (xi) con
el valor de cada entrada modulado por la eficiencia sinaptica
correspondiente y toma una decision comparando esta suma
con un cierto nivel o umbral (U) ya prefijado.
Si la suma es superior al umbral se activa (1); en caso
contrario se mantienen inactivamente (0). Por tanto las
Figura 3:
Figura 5:
Funcion Hardlim
2) Funcion
de
Transferencia
Limitador
fuerte
simterico(Hardlims): Esta funcion es la modificacion de
la Funcion de Transferencia Limitador Fuerte (Hardlim), la
que restringe el espacio de salida a valores entre 1 y -1 , si
el argumento de la funcion es menor que cero lo lleva a -1 y
la lleva a uno si este argumento es mayor que cero Donde:
Figura 6:
Funcion Hardlims
Tabla de Funciones
Para la aplicacion de la funcion de activacion harlims cambiamos algunos valores para que coincidan con la manipulacion
de datos de la funcion hardlims.
Aqui utilizamos la funcion de activacion hardlims, evidenciando que tiene menos iteraciones que la funcion hardlim.
Marco Villavicencio Student in Systems Engineering from Universidad Nacional de Loja, Loja,
Ecuador in 2014.
La funcion Hardlim es menos utilizada puesto que contiene cero, lo que ocasiona que el producto de los
resultadon no se actualizen a tiempo y su aprendizaje
sea mas lento.
El numero de interaccion en las funciones es notorio
debido a aque las dos reciben las mismas entradas, salidas
y entrenamiento evidenciando que la funcion Hardlims es
mas eficiente
R EFERENCES
[1] R.Salas (2004) Redes Neuronales Artificiales. Universidad de Valparaso. Departamento de Computacion.
[2] R.Flores, J.Fernandez 0.(2008)Las Redes Neuronales Artificiales. Fundamentos Teoricos y Aplicaiones Practicas
[3] F.Tanco, Introduccion alas Redes Neuronales Artificiales Universidad
Tecnologica Nacional, FAcultad Regional Buenos Aires. Recuperado
de:
[4] J. Barreiro, Implementacion de RNA para predecir PMM en la inyeccion de CO2, Caracas 2012, Escuela de Ingeniera de Petroleo
[5] F.Gomez, M.Fernandez, M.Lopez, M.Daz, Aprendizaje con Redes Neuronales Artificiales, Recuperado de: http://dialnet.unirioja.es/
descarga/articulo/2281678.pdf
Katherine Cordova Student in Systems Engineering from Universidad Nacional de Loja, Loja,
Ecuador in 2014.