Red Neuronal por Matlab
Páginas: 9 (2128 palabras)
Publicado: 26 de febrero de 2014
RED NEURONAL POR MATLAB
Jesús Alejandro Gutiérrez Durón, Pedro Antonio Jacobo Lira
Departamento de Eléctrica-Electrónica, Instituto Tecnológico de Aguascalientes
Aguascalientes, México
jgutierrez91@hotmail.com
drops.lira@yahoo.com
Abstract— Neural networks are a very simple implementation of a local behavior observed in our brains. The brain is composed of neurons, whichare individual processing elements.
These neurons and individual processing elements are emulated by processing systems or programs that allow the system to work as it would naturally neuron network, hence comes the name of Artificial Neural Network (ANN).
An ANN can be trained to acquire memories that allow reassess their values, and thus provide a way out so more approximate to the ideal.
Thenetwork set forth in this document exemplifies the operation of a system trained to draw curves of a Sinusoid and Cosenoid.
I. INTRODUCCIÓN
El cerebro humano contiene aproximadamente 100,000 millones de neuronas. Cada neurona está conectada aproximadamente a otras 1000 neuronas, excepto en la corteza cerebral donde la densidad neuronal es mucho mayor.
Hoy en día las redes neuronales sonentrenadas para resolver problemas que son difíciles para las computadoras convencionales o los seres humanos.
La RED que se presenta es una red que a base de entrenamiento permite trazar las curvas características de una Senoide y de un Cosenoide, utilizando la herramienta computacional de Matlab con ello se logra obtener una red fiable que permita hacer cada vez más sencilla la tarea del trazo delos valores de las funciones trigonométricas convocadas.
II. MARCO TEORICO
Las redes neuronales son una implementación muy sencilla de un comportamiento local observado en nuestros cerebros. El cerebro está compuesto de neuronas, las cuales son elementos individuales de procesamiento. La información viaja entre las neuronas, y basado en la estructura y ganancia de los conectores neuronales,la red se comporta de forma diferente. [1]
Cada neurona está conectada con otra neurona por medio de un peso de ajuste representado por la letra w, el primer subíndice indica la neurona destino, mientras que el segundo subíndice indica el de la neurona de origen.A. HISTORIA
Los primeros modelos de redes neuronales datan de 1943 por los neurólogos McCulloch y Pitts. Años más tarde, en 1949,Donald Hebb desarrolló sus ideas sobre el aprendizaje neuronal, quedando reflejado en la "regla de Hebb". En 1958, Rosemblatt desarrolló el perceptrón simple, y en 1960, Widrow y Hoff desarrollaron el ADALINE, que fue la primera aplicación industrial real.
En los años siguientes, se redujo la investigación, debido a la falta de modelos de aprendizaje y el estudio de Minsky y Papert sobre laslimitaciones del perceptrón. Sin embargo, en los años 80, volvieron a resurgir las RNA gracias al desarrollo de la red de Hopfield, y en especial, al algoritmo de aprendizaje de retropropagación ideado por Rumelhart y McLellan en 1986 que fue aplicado en el desarrollo de los perceptrones multicapa.
B. PROPIEDADES
Una red neuronal se compone de unidades llamadas neuronas. Cada neurona recibeuna serie de entradas a través de interconexiones y emite una salida. Esta salida viene dada por tres funciones:
1. Una función de propagación (también conocida como función de excitación), que por lo general consiste en el sumatorio de cada entrada multiplicada por el peso de su interconexión (valor neto). Si el peso es positivo, la conexión se denomina excitatoria; si es negativo, sedenomina inhibitoria.
2. Una función de activación, que modifica a la anterior. Puede no existir, siendo en este caso la salida la misma función de propagación.
3. Una función de transferencia, que se aplica al valor devuelto por la función de activación. Se utiliza para acotar la salida de la neurona y generalmente viene dada por la interpretación que queramos darle a dichas salidas. Algunas de las más...
Jesús Alejandro Gutiérrez Durón, Pedro Antonio Jacobo Lira
Departamento de Eléctrica-Electrónica, Instituto Tecnológico de Aguascalientes
Aguascalientes, México
jgutierrez91@hotmail.com
drops.lira@yahoo.com
Abstract— Neural networks are a very simple implementation of a local behavior observed in our brains. The brain is composed of neurons, whichare individual processing elements.
These neurons and individual processing elements are emulated by processing systems or programs that allow the system to work as it would naturally neuron network, hence comes the name of Artificial Neural Network (ANN).
An ANN can be trained to acquire memories that allow reassess their values, and thus provide a way out so more approximate to the ideal.
Thenetwork set forth in this document exemplifies the operation of a system trained to draw curves of a Sinusoid and Cosenoid.
I. INTRODUCCIÓN
El cerebro humano contiene aproximadamente 100,000 millones de neuronas. Cada neurona está conectada aproximadamente a otras 1000 neuronas, excepto en la corteza cerebral donde la densidad neuronal es mucho mayor.
Hoy en día las redes neuronales sonentrenadas para resolver problemas que son difíciles para las computadoras convencionales o los seres humanos.
La RED que se presenta es una red que a base de entrenamiento permite trazar las curvas características de una Senoide y de un Cosenoide, utilizando la herramienta computacional de Matlab con ello se logra obtener una red fiable que permita hacer cada vez más sencilla la tarea del trazo delos valores de las funciones trigonométricas convocadas.
II. MARCO TEORICO
Las redes neuronales son una implementación muy sencilla de un comportamiento local observado en nuestros cerebros. El cerebro está compuesto de neuronas, las cuales son elementos individuales de procesamiento. La información viaja entre las neuronas, y basado en la estructura y ganancia de los conectores neuronales,la red se comporta de forma diferente. [1]
Cada neurona está conectada con otra neurona por medio de un peso de ajuste representado por la letra w, el primer subíndice indica la neurona destino, mientras que el segundo subíndice indica el de la neurona de origen.A. HISTORIA
Los primeros modelos de redes neuronales datan de 1943 por los neurólogos McCulloch y Pitts. Años más tarde, en 1949,Donald Hebb desarrolló sus ideas sobre el aprendizaje neuronal, quedando reflejado en la "regla de Hebb". En 1958, Rosemblatt desarrolló el perceptrón simple, y en 1960, Widrow y Hoff desarrollaron el ADALINE, que fue la primera aplicación industrial real.
En los años siguientes, se redujo la investigación, debido a la falta de modelos de aprendizaje y el estudio de Minsky y Papert sobre laslimitaciones del perceptrón. Sin embargo, en los años 80, volvieron a resurgir las RNA gracias al desarrollo de la red de Hopfield, y en especial, al algoritmo de aprendizaje de retropropagación ideado por Rumelhart y McLellan en 1986 que fue aplicado en el desarrollo de los perceptrones multicapa.
B. PROPIEDADES
Una red neuronal se compone de unidades llamadas neuronas. Cada neurona recibeuna serie de entradas a través de interconexiones y emite una salida. Esta salida viene dada por tres funciones:
1. Una función de propagación (también conocida como función de excitación), que por lo general consiste en el sumatorio de cada entrada multiplicada por el peso de su interconexión (valor neto). Si el peso es positivo, la conexión se denomina excitatoria; si es negativo, sedenomina inhibitoria.
2. Una función de activación, que modifica a la anterior. Puede no existir, siendo en este caso la salida la misma función de propagación.
3. Una función de transferencia, que se aplica al valor devuelto por la función de activación. Se utiliza para acotar la salida de la neurona y generalmente viene dada por la interpretación que queramos darle a dichas salidas. Algunas de las más...
Leer documento completo
Regístrate para leer el documento completo.