Académique Documents
Professionnel Documents
Culture Documents
Núcleo Anzoátegui
Escuela de Ingeniería
Departamento de Computación y Sistemas
Adaline
Neurona Biológica
Una neurona es una célula componente principal del sistema nervioso, cuya función
principal es recibir, procesar y transmitir información a través de señales químicas y
eléctricas gracias a la excitabilidad eléctrica de su membrana plasmática. Están
especializadas en la recepción de estímulos y conducción del impulso nervioso entre ellas
mediante conexiones llamadas sinapsis, o con otros tipos de células como, por ejemplo, las
fibras musculares de la placa motora.
Neurona computacional
El resultado del cálculo en una neurona consiste en realizar una suma ponderada de las
entradas, seguida de la aplicación de una función no lineal, como se ilustra en la siguiente
figura
Perceptron Simple
Adaline
El Adaline se puede tomar como la evolución de la neurona simple, es decir un perceptron
simple mejorado para poder resolver problemas que estén más allá de la lógica lineal base
transformando su punto base de la función, signo cuyos únicos resultados posibles son
funciones lineales, a una función sigmoidea, lo cual permite que esta función se transforme
en una función pseudo senoidal permitiendo de esta manera solucionar problemas de
mayor complejidad que los linealmente separables.
Esta función sigmoide suplanta la función signo como función de activación y tomara como
parámetro principal, al igual que la función signo, lo pesos y valores de los vectores de
entrada.
La ecuación base de esta función es:
1
𝑆𝑖𝑔𝑚𝑜 =
1 + 𝑒 𝑅/𝑈
Donde R es la multiplicación de los valores del vector de entrada por su peso y U es el
valor umbral utilizado como base para el procesamiento de la neurona.
Esta función sigmoide puede tomar 1 de 3 valores:
1 𝑆𝑖 𝐴 ≥ 1
𝐹(𝑥) = {0.5 𝑆𝑖 𝐴 ≅ 0.5
0 𝑆𝑖 𝐴 ≤ 0
MARCO METODOLOGICO
El proyecto se lleva a cabo mediante la implementación del adaline, que no es otra cosa
más que una única neurona entrenada para saber la colocación de función signo la cual se
ubica sobre el plano. El proyecto se realizara en java mediante la implementación de
JFreeChart, utilizando un conjunto de puntos prediseñado para mantener el problema y su
solución de una magnitud no solo manejable, si no también abarcables de manera sencilla.
Para ejemplificar el funcionamiento del adaline se ha presentado un experimento sencillo,
el cual consiste en enseñarle a una neurona a diferenciar entre dos objeto colocados en un
plano, siendo los que están por encima de la recta separadora del plano, cuadrados y por
debajo, círculos.
Mediante el entrenamiento por corrección de error, el cual se basa en darle a la neurona
un conjunto de aprendizaje el cual consta de los puntos a analizar y la solución o la respuesta
que debería de dar la neurona al sistema, tomando en cuenta esta respuesta, se hará o no
un reajuste a la recta que separa los dos objetos a diferenciar, viendo estos resultados la
propia neurona se autocorrige y en caso de cometer algún error reinicia el proceso de
aprendizaje, causando así que este se prolongue para dar al final una seguridad de que los
resultados obtenidos una vez acabe el entrenamiento serán satisfactorios, esto se lleva a
cabo de esta forma debido a que no se desea interrumpir el procesamiento de la neurona
ya que un entrenamiento intrusivo aunque un poco más efectivo lleva más tiempo de
proceso y disminuye su eficacia con respecto al tiempo de inicialización de la neurona.
Para definir la condición de parada de este proceso de corrección de errores se realizara una
corrección de errores basándose en la reducción del mismo para dejar este error porcentual por
debajo del 0.00001% y asegurar el correcto funcionamiento y entrenamiento del adaline.
RESULTADOS OBTENIDOS
En la siguiente imagen se ven los siguientes punto tomados para la ejemplificacion del
adaline se tomaron de menera de que el problema no fuera linealmente separable, con esto
se quiere decir que en vez de mantener los punto alineados de una manera de que un hiper
plano separador pueda crear una frontera entre ambos objetos, a diferencia de en el caso
del perceptron que permite solo problemas linealmente separables, el adaline nos permite
solucionar oproblemas que no cuenten con esta propiedad.
Al inicio del aprendizaje de la funcion de auste es elegida al azar la cual es ajustada cada
vez que la neurona se equivoca tomando como ecuacion de ajuste 𝑊 = 𝑊 +
1(ύ − ύ ´) ∗ 𝑋, donde W es el peso a ajustar, ύ − ύ ´ son el valor obtenido por la funcion de
aceptacion y el valor obtenido respectivamente y X es el valor de la varible asociada al plano
de implementacion, sea este x, y el valor umbral. Esta seccion es complemtamente igual al
perceptron simple, la mayor diferencia entre un percetron simple y el adalanie es el echo
de su aprendizje por minimixzacion de error y su capacidad de dicernir entre conjuntos que
no sean lineamente separables.
En este caso la funcion de activacion, es la que se encargara de verificar la veracidad de
respuesta y si es correcta la misma para luego pasar a hacer un reajustes o no, siendo la
funcion de activacion la siguiente:
1
𝑆𝑖𝑔𝑚𝑜 =
1 + 𝑒 𝑅/𝑈
Siendo sigmo la funcion sigmoide que se encargar de derivar los resultados en 1, 0 y 0,5
según sea el caso y dando asi la dualidad de este problema, pero gracias a su capacidad de
dicernir si un valor esta bien, mal o es acertado pero no es el punto apreciado, es capas de
tomar cierta cuvatura lo cual se refleja en mayor curvatura o mayor valor de cxambio en los
pasos mientras que mas cerca de 1 o de 0 este el valor resultante de la funcion sigmo. En
esta funcion tenemos R
𝑅 = (𝑢𝑚𝑏𝑟𝑎𝑙 ∗ 𝑤1 + 𝑥 ∗ 𝑤2 + 𝑦 ∗ 𝑤3)
es la multiplicación de los valores del vector de entrada por su peso y U es el valor umbral
utilizado como base para el procesamiento de la neurona que puede ser 1 o -1, siendo 1 en
este caso.
CONCLUSIONES
Como se podra apreciar en la siguiente imagen, la Neurona una vez entrenada fue capas de
reoconocer y difrenciar los dos conjuntos, uno del otro y agruparlos por color. Todo esto lo
logra despues de analizar los resultados y entrenarse durante al menos 8 ciclos de el
conjunto de entrenamiento, esto devido a que el la reduccion de error minimo de 0.00001%
tomado esto en cuenta la cantidad de veces la cual es repetida el entrenakiento en este
caso es menima devido a la poca cantidad de datos, lo cual es algo que no se espera de
problemas con una cantidad de datos mayores o con una mayor complejidad.
Por lo antes demostrado se puede decir que resulto como éxito la implementación del
adaline, cuya única neurona es capaz de diferenciar entre dos grupos de “objetos”
colocados en un plano mediante la diferenciación de su posición mediante sus coordenadas
en el plano y luego así representándolo en el mismo. A diferencia del perceptron simple, en
este caso tenemos dos puntos de inflexión lo cuales crean la función sigmoidea que
diferencia a los dos conjuntos, como se puede apreciar clara mente en la imagen antes
expuesta.