resultados obtenidos al entrenar una red neuronal tipo perceptron, implementada en Matlab para el reconocimiento de caracteres. Se muestra el arreglo usado en el simulink para el ingreso de los caracteres, y el rendimiento obtenido al entrenar la red en los ejercicios propuestos tanto en Matlab como en el UVSRNA. Finalmente se presentan las conclusiones a las que se pudo llegar con los resultados obtenidos.
Entrenamiento de una red neuronal tipo Perceptron para el reconocimiento de los nmeros del 0-9.
Se utiliz una matriz de 7x5 en matlab, se consideran 27 clases diferentes donde se pretenden clasificar las muestras que se introducen. Los patrones que definen correctamente a cada una de las clases son los nmeros del 0 al 9. Cuando a la entrada se presente una muestra distinta de los patrones correctos, el sistema presentar a su salida la informacin decodificada de la clase a la que pertenece la muestra, o bien, de la clase a la cual se aproxima ms. En base a este planteamiento, la red neuronal dispone de 35 entradas que se corresponden con los puntos de la matriz. El valor de cada entrada puede ser 0 si el punto es blanco y 1 si el punto es negro. Por otro lado, se dispone de 5 salidas, que representa en binario los nmeros del 0-9 con su respectiva clase. Para el programa UVSRNA se utiliz una matriz 7x5.
En la figura1 y figura2 se puede observar la evolucin del error de entrenamiento en matlab y en el UV-SRNA respectivamente.
Figura1 Evolucin del error de entrenamiento en Matlab
Figura2. Evolucin del error de entrenamiento en UV- SRNA.
Entrenamiento de una red neuronal tipo Perceptron para el reconocimiento de las vocales. En la codificacin del patrn de entradas y patrn de salida se utiliz una matriz de 8x8 en matlab, se consideran 17 clases diferentes (A,E,I,O,U). Se dispone de 5 salidas, que representa la vocal correspondiente. Por otro lado para el programa UVSRNA se utiliz una matriz 7x5.
Entrenamiento de una red neuronal tipo Perceptron para el reconocimiento del cdigo hexadecimal. El entrenamiento para el reconocimiento del cdigo hexadecimal se realiz de dos maneras: Primera opcin Para el ingreso de parmetros a la red se us la tabla1 para el reconocimiento del cdigo hexadecimal, en dicha tabla solo se consignaron los caracteres de la A a la F. SESIN DE LABORATORIO No. 2 EL PERCEPTRN APLICADO A LA CLASIFICACIN DE CARACTERES Luis Carlos Barrera. 0711177, Jorge Crdoba Snchez 0538986 Escuela de Ingeniera Elctrica y Electrnica. Universidad del Valle. Enero de 2012.
Segunda opcin
Para el reconocimiento del cdigo hexadecimal se realiz una extraccin de caractersticas que permitiera diferenciar cada clase teniendo en cuenta la cantidad de celdas en 1 para cada nmero.
Tabla1
Patrones de entrada y salida para reconocimiento del cdigo hexadecimal.
Para el reconocimiento del nombre se utiliz una matriz de 8x8 en matlab y para el reconocimiento de cuatro figuras una matriz de 7x5
De igual manera en la tabla2 se muestra los patrones de entrada y salida para el reconocimiento de cuatro figuras diferentes.
Tabla2
Patrones de entrada y salida para reconocimiento de cuatro figuras geomtricas
Finalmente en la tabla3 se puede observar un resumen tanto en matlab como en el UV-SRNA del nmero de iteraciones y del error que se presentaron en los diferentes ejercicios.
Tabla3 Matlab Vs UV-SRNA
CONCLUSIONES La red perceptron presenta un efectivo mtodo para realizar clasificaciones de patrones. Con los mtodos de entrenamiento estudiados hasta ahora se pueden interconectar redes para clasificar patrones no lineales mientras se conozcan las salidas deseadas para cada una de las neuronas. No es suficiente entrenar una red neuronal con un solo patrn por elemento a ser caracterizado; lo conveniente es representar varios patrones de una misma clase para que la red pueda generalizar.
REFERENCIAS
[1] Una aproximacin prctica a las redes neuronales artificiales. Eduardo Caicedo Bravo, Jess Lpez Sotelo. Universidad del Valle. 2009.
[2] Introduccin al reconocimiento de patrones mediante redes neuronales. Emiliano Aldabas-Rubira UPC-Campus Terrassa-DEE-EUETIT Colom, 1 08222 Terrassa Barcelona.