Hola

Instituto Politécnico Nacional Escuela Superior de Cómputo Laboratorio de Redes Neuronales Artificiales 2

 
 
 

Modelos Neuronales Simples
Práctica 1

Alumnos: • Vázquez Hernández Beatriz

Instituto Politécnico Nacional Escuela Superior de Cómputo Laboratorio de Redes Neuronales Artificiales 2

 

OBJETIVO
Analizar neuronas artificiales simples de una y dos entradaspara conocer su funcionamiento interno al modificar cada uno de sus parámetros de aprendizaje, su función de transferencia y su relación con la frontera de decisión; mediante la ejecución de programas demostrativos de la herramienta Neural Network Toolbox de Matlab. Analizar neuronas artificiales simples para el funcionamiento resolver problemas de clasificación de patrones linealmente separablesempleando la regla de aprendizaje del Perceptrón, mediante la ejecución de programas demostrativos, la generación y ejecución de archivos fuente en la herramienta Neural Network Toolbox de Matlab, la programación de una aplicación en lenguaje visual para clasificar caracteres linealmente separables.

MATERIAL Y EQUIPO
Matlab ,Vers. 2010 (o superior); Mathworks Inc. Neural Network Toolbox, Ver6.0; Mathworks Inc. Neural Network Design, Martin T. Hagan, Howard B. Demuth y Mark Beale.. PWS Publishing Company, USA, 2002. 665 pgs. Manual: "Neural Network, Toolbox 6"; User´s Guide Demouth H., Beale M.; Martin T. Hagan, MATLAB de MATHWORKS, Inc;., 901 pgs. Una Computadora Personal; con Procesador Intel Core Duo o superior a 2.5 GHz, 2GB en RAM, Disco Duro de 160 GB, Unidad 16x DVD+/-RW, Monitorde 22".

MARCO TEORICO
Los modelos neuronales y la arquitectura de redes neuronales describen como una red transforma sus entradas en salidas. Esta transformación puede ser vista como computación. La forma en que la red neuronal calcula su salida, debe ser entendida antes que los métodos de entrenamiento de la red sean explicados.

Neurona Entrada Única Una neurona con una entrada y sinpolarización se muestra en la figura 1.1. La entrada escalar p es transmitida a través de una conexión que multiplica su fortaleza por el escalar de peso w, para formar el producto w*p, de nuevo un escalar. De esta manera la entrada ponderada w*p es el único argumento de la función de transferencia F, la cual produce una salida escalar a. La figura 1a tiene un escalar de polarización, b. Pudiera servista a la polarización como un simple elemento agregado al producto w*p, mostrado como una unión de suma o corrimiento de la función F en una cantidad b.

Instituto Politécnico Nacional Escuela Superior de Cómputo Laboratorio de Redes Neuronales Artificiales 2

  Si relacionamos este modelo simple con el de la neurona biológica, el peso w corresponde a la fortaleza de la sinapsis, el cuerpode la célula es representado por la sumatoria y la función de transferencia, la salida de la neurona a representa la señal del axón.


 
Figura 1.1. Neurona de una entrada


  La salida de la neurona se calcula mediante la ecuación 1.1. a = f(wp+b) (1.1)

La salida actual depende de la función de transferencia en particular que es seleccionada. El umbral b es como un peso excepto quesu entra es una constante unitaria. Sin embargo sino se quiere tener un umbral en particular, este puede ser omitido. Nótese que w y b son ambos parámetros escalares de la neurona que pueden ser ajustados. Típicamente, la función de transferencia se escoge por el diseñador mientras que los parámetros w y b serán ajustados por una regla de aprendizaje de tal forma que la relación entrada/salida dela neurona identifique una meta especifica. Funciones de Transferencia Las funciones de transferencia en la figura 1.2 pueden ser funciones lineales o no lineales de n. Una función de transferencia en particular se escoge para satisfacer alguna especificación del problema que la neurona intenta resolver.

Función Escalón (Hardlim)

La Fig. 1.2, muestra como esta función de transferencia...