Integrantes: Gabriel Mejas Badilla 201042701 Deiber Brenes Soto 201173365
Viernes 16 de mayo de 2014 Solucin planteada
Representacin de Datos
El objetivo de la red es reconocer un total de 62 caracteres, los cuales van a ser nmeros 0-9, letras minsculas a-z y las maysculas A-Z, en las letras no se incluye la o . Cada caracter ser representado por medio de un vector de 25 valores, los cuales sern 0s y 1s.
Por ejemplo el caracter S se representa de la siguiente manera:
Y su vector corresponde a:
Las entradas de la red sern cada uno de esos 25 valores del vector, y al realizar los clculos se obtendrn 6 salidas, las cuales se unirn en un vector, para representar el vector de salidas. Las el vector de salidas contiene 6 valores tambin son 0s y 1s, los cuales representan un nmero en binario, para el caso del caracter A la red deber tener una salida que representa el nmero 1 en binario es decir [ 0 , 0 , 0 , 0 , 0 , 1 ], la letra a ser el 2 en binario [ 0 , 0 , 0 , 0 , 1 , 0 ], y as sucesivamente hasta acabar con los caracteres A-Z y a-z, y seguido de estos irn los nmero 0-9. Diseo y entrenamiento de red neuronal
Se opt por implementar una red de tipo backpropagation, debido a la facilidad que tienen este tipo de redes para mapear patrones entre un conjunto de entradas y salidas deseadas, sin la necesidad de conocer los profundos procesos matemticos que establecen la relacin entre estos. El nico inconveniente de estas redes es el tiempo de convergencia, en otras palabras el tiempo que toma el entrenarse por completo, pero el mbito sobre el cual trabajamos no es tan amplio como para que afecte. Dicha red contiene una capa de 25 entradas debido a la representacin de los datos, una capa intermedia de 25 neuronas y una capa salida de 6 neuronas. Debido a esto la combinacin de las salidas de las 6 neuronas pueden representar 2^6(64) posibles valores, en nuestro caso solo tenemos 62 valores posibles, que corresponden a las letras maysculas, minsculas y nmeros del 0 al 9. Por ejemplo una salida que represente a la A sera de la siguiente manera: Capa salida= [0,0,0,0,0,1];
Sin embargo, en las salidas no se obtienen directamente 0s y 1s, por lo que se decide reconocer como 1 a aquellos valores que estn sobre 0.7, y se reconocen como 0 a los valores que estn por debajo de 0.3.
Para el entrenamiento se utilizan las 62 representaciones base(los caracteres representados de manera correcta), y se ejecutan en la red neuronal comparndose con las salidas deseadas, hasta llegar al ajuste de pesos que operen de manera correcta con todos los caracteres posibles.
Resultados Obtenidos
Tarea Estado Diseo de la red 100% Entrenamiento de la red 100 % El tiempo de entrenamiento es variable, debido a que los pesos en las neuronas se establecen de manera aleatoria. Tambin se determin un factor de aprendizaje de 0.1 para aumentar la precisin. Anlisis de caracteres 100 % Los patrones con los que se entren la red, son reconocidos perfectamente, tambin los reconoce con pocos errores 1 o 2 por letra, dependiendo de las marcas que se realicen el resultado puede verse muy cambiado.
Referencias
Basogain Olabe, X. (s.f.). Redes Neuronales Artificiales y sus Aplicaciones. Recuperado el 12 de Mayo de 2014, de http://cvb.ehu.es/open_course_ware/castellano/tecnicas/redes_neuro/contenidos /pdf/libro-del-curso.pdf