Académique Documents
Professionnel Documents
Culture Documents
Jessica M. Cueva
Universidad Nacional de Loja, Ecuador Universidad Nacional de Loja, Ecuador Universidad Nacional de Loja,Ecuador
E-mail: jpguamanr@unl.edu.ec
E-mail: jmcuevar@unl.edu.ec
E-mail: hpaz@unl.edu.ec
I. I NTRODUCCI ON
En el presente artculo se pretende poner en practica los
conocimientos adquiridos en la materia Sistemas Inteligentes
para dar solucion a problemas reales, para ello se necesita
entender el funcionamiento de una neurona artificial, su
estuctura, entre otras cosas, ademas hay que tener en cuenta
el tipo de problema que se va a solucionar con la finalidad
de delimitar la funcion de activacion que puede dar solucion
al problema.
El artculo esta compuesto por tres secciones: Introduccion,
Desarrollo y Caso de estudio, estas secciones estan desccritas
a continuacion
Las redes neuronales artificiales son una aproximacion a
la inteligencia artificial debido a que estan fundamentadas
en el cerebro humano, es decir en neuronas biologicas.
Actualmente son utilizadas en diferentes campos: analisis
de datos, predicciones, entre otros. Las RNA simulan
aproximadamente el comportamiento del cerebro humano,
son elementos de procesamiento simple conjuntamente
conectados formando modelos neuronales interconectados a
traves de pesos con el fin de generar alguna salida como
respuesta.
Para entender un poco mas el como solucionar problemas
reales usando redes neuronales, en la seccion de desarrollo se
detallan algunas observaciones que se deben tener en cuenta
al momento de dar solucion a un problema, ademas se detalla
la red Feedforward, as mismo se detallan las funciones de
activacion logsig y tansig que utilizaremos en la solucion de
nuestro caso de estudio.
En la seccion del caso de estudio se detalla un problema
real, que es solucionado utilizando FANN, funciones de
activacion logsig y tansig en codigo matlab.
II. DESARROLLO
Capa de entrada.
Capa oculta.
Capa de salida.
g (x, w) = 2
X
j=1
[2]
wj 1
m
X
!
[1]
wij xi
[1]
wm+1,j
[2]
w+1
i=1
(1)
donde W=(W1,...,Wd)T es el vector parametrico a ser
estimado y equivale a las ponderaciones de las conexiones
entre las neuronas de la red,1 es una funcion no-lineal
acotada y diferenciable con forma de funcion sigmoide o de
radio basal, 2 es una funcion que puede ser lineal o no
lineal y es el parametro de control que indica el numero de
neuronas escondidas.[2]
C. FUNCIONES DE ACTIVACION
1
1 + en
(2)
1 eN ET
1 + eN ET
(3)
IV. CONCLUSIONES
Con esto deberamos estar listos para simular la red y
verificar que sus salidas concuerdan con las que tenemos.
Para realizar esto hemos creado un pequeno script en el cual
comparamos, as evitarnos ir uno a uno manualmente. El
codigo ademas se explica por si solo:
V. BIBLIOGRAF IA
REFERENCIAS
[1] CARACTERISTICAS DE UNA RED NEURONAL ARTIFICIAL. Funciones de Transferencia. [Online]. Available: http://proton.ucting.udg.
mx/posgrado/cursos/idc/neuronales2/Transferencia.htm. [Ultimo
acceso:
1 noviembre 2014].
[2] R. Salas. Redes Neuronales Artificiales. Red Neuronal Feedforward.
Departamento de Computacion. Universidad de Valparaso.[Online].
Available:
http://www.inf.utfsm.cl/rsalas/Pagina Investigacion/docs/
Apuntes/Redes%20Neuronales%20Artificiales.pdf. [Ultimo
acceso: 1
noviembre 2014].
Aqu
dejamos
el
link
[5] M. A. PEREZ.
DESARROLLO DE SOFTWARE PARA EL
RECONOCIMIENTO DE TEXTO MANUSCRITO APLICANDO
REDES NEURONALES.
CAPITULO II: Redes Neuronales:
Definicion.ESCUELA POLITECNICA
DEL EJERCITO
SEDE
LATACUNGA , CARRERA DE INGENIERIA DE SISTEMAS E
INFORMATICA
. [Online]. Available: http://repositorio.espe.edu.
ec/bitstream/21000/3299/1/T-ESPEL-0550.pdf. [Ultimo
acceso: 1
noviembre 2014].
NOTA:
del
codigo
del
Jessica Cueva