Informe Reconocimiento de vocales



Resumen—En este trabajo se expone un breve panorama de la historia de las redes neuronales, siendo el tema principal de este trabajo las redes neuronales backpropagation, por lo que se explica el funcionamiento de este tipo de red y se da un ejemplo empleando un software llamado de reconocimiento de vocales.
I. INTRODUCCIÓN

Las redes neuronales son más que otra forma de emular ciertascaracterísticas propias de los humanos, como la capacidad de memorizar y de asociar hechos. Si se examinan con atención aquellos problemas que no pueden expresarse a través de un algoritmo, se observará que todos ellos tienen una característica en común: la experiencia. El hombre es capaz de resolver estas situaciones acudiendo a la experiencia acumulada. Así, parece claro que una forma de aproximarseal problema consista en la construcción de sistemas que sean capaces de reproducir esta característica humana. Las redes neuronales son un modelo artificial y simplificado del cerebro humano, que es el ejemplo perfecto del que se dispone para un sistema que es capaz de adquirir conocimiento a través de la experiencia. Una red neuronal es “un nuevo sistema para el tratamiento de la información, cuyaunidad básica de procesamiento está inspirada en la célula fundamental del sistema nervioso humano: la neurona”. Todos los procesos del cuerpo humano se relacionan en alguna u otra forma con la (in)actividad de estas neuronas. Las mismas son un componente relativamente simple del ser humano, pero cuando millares de ellas se conectan en forma conjunta se hacen muy poderosas.

II. Historia
Estealgoritmo lo desarrollaron a partir de estudios anteriores con el fin de crear una red que aprendiera las relaciones existentes entre pares de datos. Existe por lo menos una capa intermedia, la regla backpropagation (BP) o el algoritmo BP comenzó a ser usado cuando, en 1986 Rumelhart, et al., 1986 desarrollaron el modelo actual.
El proceso básico necesita que el patrón de información incluya tantolos datos de entrada (input) como los datos de salida (output). Inicialmente a partir de las neuronas de la capa de entrada se van propagando los datos de las variables input, por el resto de las neuronas y conexiones en función de los pesos que inicialmente son aleatorios. A partir del algoritmo de aprendizaje, estos pesos se irán modificando hasta producir determinados outputs. En el proceso deentrenamiento se presentan simultáneamente a la red patrones de datos input - output, ya que cada valor de entrada tiene su correspondiente valor de salida.


Leer más: http://www.monografias.com/trabajos95/redes-neuronales-artificiales-metodologia-desarrollo-y-aplicaciones/redes-neuronales-artificiales-metodologia-desarrollo-y-aplicaciones.shtml#algoritmoa#ixzz3SNcblkNt

La importancia de la redconsiste en su capacidad de autoadaptar los pesos de las neuronas de las capas intermedias para aprender la relación que existe entre un conjunto de patrones dados como ejemplo y sus salidas correspondientes. Después del entrenamiento, puede aplicar esta misma relación a nuevos vectores de entrada con ruido o incompletas, dando una salida activa si la nueva entrada es parecida a las presentadasdurante el aprendizaje.
La capacidad de generalización es una característica importante que se exige a los sistemas de aprendizaje, se entiende como la facilidad de dar salidas satisfactorias a entradas que el sistema no ha visto nunca en su fase de entrenamiento y que puede aplicar a entradas no presentadas durante la etapa de aprendizaje, esto para clasificarlas según las características quecompartan con los ejemplos de entrenamiento.
Las redes tipo Backpropagation tienen una gran versatilidad, debido a la naturaleza de su proceso de aprendizaje, que solamente necesita de dos ecuaciones para propagar las señales de error hacia atrás. Se elige entre una u otra ecuación dependiendo si la unidad de proceso es o no de salida.
El algoritmo Backpropagation puede entrenar redes multicapas...