Download - Reconocimiento de Caracteresescritos
UNIVERSIDAD NACIONAL DE LOJA
MÓDULO:
AREA ENERGÍA LAS INDUSTRIAS Y LOS RECURSOS NATURALES
NO RENOVABLES
X “A”
• Silvana Arias• Carla Espinosa• Livia Loaiza
TEMA: REDES NEURONALES
INGENIERIA EN SISTEMAS
DOCENTE:
Ing. Wilman Chamba
INTEGRANTES:
FUNCIONAMIENTO DE BÁSICO DE UNA NEURONA
ARTIFICIAL
Esta aplicación nos permite comprender como es el funcionamiento de una neurona artificial.
El usuario puede variar el valor de los pesos, el valor de las entradas a la neurona y el tipo de función de activación.
Con el botón evaluar se actualiza el valor de la neta que tiene la neurona y la salida de la misma.
FUNCIONAMIENTO DE BÁSICO DE UNA NEURONA ARTIFICIAL
FUNCIONAMIENTO DE BÁSICO DE UNA NEURONA ARTIFICIAL
Modificación de entradas: Se pueden editar x1,x2,x3
FUNCIONAMIENTO DE BÁSICO DE UNA NEURONA ARTIFICIAL
Modificación de pesos: Las regiones de edición marcadas con w1,w2,w3 y bias (tendencia) constituyen los pesos de la neurona.
FUNCIONAMIENTO DE BÁSICO DE UNA NEURONA ARTIFICIAL
Modificación de la función de Activación: La función de activación de la neurona se puede escoger entre la escalón, la lineal y la sigmoidal.
Puede ser una función lineal o no lineal de n, y que es escogida dependiendo de las especificaciones del problema que la neurona tenga que resolver.
FUNCIONAMIENTO DE BÁSICO DE UNA NEURONA ARTIFICIAL
Evaluación del funcionamiento de la neurona: Al oprimir el botón evaluar se hace el cálculo de la salida de la neurona con la función de activación que el usuario haya elegido. Para calcular la salida de la neurona primero se debe calcular la entrada neta de la neurona, cuyo valor se puede visualizar en la región de edición marcada como neta
FUNCIONAMIENTO DE BÁSICO DE UNA NEURONA ARTIFICIAL
Aplicación
RECONOCIMIENTO DE CARACTERES CON UN
PERCEPTRON.
Demostración de como un Perceptrón ya entrenado es capaz de reconocer el carácter definido en la matriz de píxeles de la entrada
Aplicación: Reconocedor de caracteres.
1
1
2
3
2
3
Numero de patrones
Numero de entradas
Numero de salidas
Como va evolucionando el error del aprendizaje a medida que transcurren la iteraciones; el entrenamiento se detiene cuando el error se hace cero.
1
2
Aplicación: Reconocedor de caracteres.
EJECUTAR
TOPOLOGÍAS MLP DE REDES NEURONALES
Perceptron Multicapa
Características Presentar una no-linealidad en la salida, capas de neuronas ocultas y un alto grado de conectividad
Es de entrenamiento supervisado.
Utiliza el algoritmo de retro-propagación del error
Su operación consta de dos fases
FASE DIRECTA
FASE INVERSA
Se ingresa el patrón de actividad en la capa de entrada de la red (vector de entrada)
Se obtiene la respuesta real de la red en la capa de salida
Los pesos sinápticos son ajustados de acuerdo con la regla de corrección del error
Minimiza el cuadrado de las diferencias entre la respuesta o salida deseada y la salida real de la red
Recomendaciones
A la hora de evaluar el perceptron, no sólo es importante saber si
la RN ha aprendido con éxito los patrones de entrenamiento, sino
que es imprescindible, conocer el comportamiento de la misma
ante patrones no usados durante este.
De nada sirve que una RN aprenda correctamente los patrones
de entrenamiento y no responda de forma adecuada ante
patrones nuevos. Es necesario que durante el aprendizaje la RN
extraiga las características de las muestras que le permitan
responder
correctamente a patrones diferentes.
Ejemplo
Ejecutar