Académique Documents
Professionnel Documents
Culture Documents
Caracteres (Vocales)
Llanes Snchez Ronnie David
ronniellanes@hotmail.com
Lara Serrano Jairo Miguel
Jairo-lara@live.com
Universidad de Cuenca
Facultad de Ingeniera
Escuela de Electrnica y Telecomunicaciones
I.
La siguiente prctica tiene como objetivo el reconocimiento de caracteres (vocales), a travel co de Back
Propagation que se ha empleado en prcticas anteriores, para lo cual se deber tener en consideraci la simulaci
clculo de los pesos y bias mos a partir de la matriz ingresada al sistema con respecto del vector de salida
deseada a travel nmero de capas ocultas que el usuario lo desee, donde cabe resaltar que segn la propuesta para
la realizaci esta prctica, se debe de leer archivos bmp para cada letra, donde se explicar manera detallada de
como ha sido implementado el programa, mediante la realizacin del GUIDE en
, para lo cual se utiliza
el mdo llamado Perceptrlticapa.
Matlab
El perceptrlticapa es una red neuronal articial (RNA) formada por capas, que se clasican como la
capa de entrada, las capas ocultas y la capa de salida, permitiendole resolver problemas que no son linealmente
separables, siendo que este puede ser totalmente o localmente conectado. Las propiedades de cada capa son:
1) Capa de entrada: Son aquellas neuronas que conforman el patr entrada de la red
2) Capas ocultas: Son aquellas neuronas en las cuales sus entradas corresponden de las capas anteriores y las
salidas de estas van a ser las entradas de las capas siguientes.
3) Capa de Salida: Son las neuronas que obtienen los resultados correspondientes, dependiendo del ansis o
entrenamiento de la red.
La estructura de esta red se lo puede observar grcamente en la Figura 1.
Matlab
A continuaci muestra la programacin del bot en los cuales debernstar con los pesos y bias entrenados
por la red, para que el usuario al momento de comparar los datos en el Panel de comprobacitenga los resultados
deseados, se recomienda al lector que proceda a leer el co de programacia que detalla la consecuci un proceso, la
obtenci partros y los culos necesarios para el programa. Para iniciar el bottrenar se debe de colocar el numero de
Neuronas Ocultas que se desea utilizar, ademas de colocar el partro de aprendizaje (alfa), nmero de interacciones
que se desee, y por ltimo la tolerancia de error que debe de tener el sistema. Co del Bottrenar:
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
end
end
%Calcula el error total de una iteracion luego de recorrer todas las muestras
ERROR(k,1)=(1/50)*(ones(1,50)*ErrorN(:,1));
if ERROR(k,1)<maxError
break;
end
set(handles.FinalError,'String',ERROR(contador));
set(handles.TotalIter,'String',contador);
axes(handles.graficaError);
ejex=0:contador-1;
plot(ejex,ERROR);
Se obtiene los valores del guide como se estableci anterioridad, en los cuales pasa a tomar los valores ingresados por el comando str2num(char(get(handles.variable, String ))), ya que este devuelve un valor entero
del cuadro de texto del GUIDE, ya que se ingresa en forma de
, por lo que es necesaria esta conversin,
para proceder a la realizacil clculo de la salida del sistema, logrando despus una parametrizacin del sistema
dando un redondeo del valor obtenido de la salida de la neurona entrenada.
String
En el cual colocar valor de la variable que deseamos en el Nombre establecido por el guide. El programa
nos da como resultado el error nal, las interacciones realizadas y la grca de convergencia de la red, despue
entrenar a la red.
A continuaci mostrar el botobar, para observar el adecuado funcionamiento de la red, comparando la imagen
inicial con la imagen de salida.
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
II.
Para la simulaci pasa a desplegar por el slice las vocales con extencin bmp y ser comprada con la imagen
de salida, con el respectivo entrenamiento de la red, en el cual se debe de colocar los partros correspondientes
para entrenar la red, ademe observar la grca de la convergencia de la red para esta practica a mas del numero
de interacciones necesarias para la convergencia, y el error nal que da la red, mostrando en el campo salida de
la neurona el carer que reconoce el sistema.
Como se observa, los resultados de comprobacirresponden al del sistema deseado, por lo que la red ha
entrenado correctamente, produciendo una grca satisfactoria en la convergencia de la red o del sistema, dando
a conocer los datos utilizados para el correcto ansis, adems de indicar las interacciones que le ha tomado al
programa para su convergencia y el error nal.
III.
CONCLUSIONES
La red del perceptrn multicapa funciona adecuadamente para el reconocimiento de caracteres, dando
sus respectivos valores correctos para la salida deseada. De modo que se pudo disena interfaz grca que resuelve este problema. Por lo que el algoritmo de retropropagaciack propagation funciona bien, para el error asignado.
En algunos casos la red no reconoce el carer correspondiente debido a que si entrena mal la red, el entrenamiento de la red puede ser defectuoso, provocando errores en la salida de la red.
IV.
REFERENCIAS
[1] Galvan Isasi, Redes Neuronales Articiales, Pearson Education, Madrid, 2004.
[2] http://es.wikipedia.org/wiki/Perceptrulticapa