INFORME DE PRÁCTICA DE LABORATORIO
0
PROGRAMA DE INGENIERÍA MECATRÓNICA
Redes Neuronales
Beltran Cobos Luis Ernesto, Pérez Ospina Juan Luis Jesús
{u1802179, u1802649}@unimilitar.edu.co
Profesor: Andrés Mauricio Castro Pescador

Resumen: Este artículo muestra cómo se entrena una red
neuronal por dos métodos, el primero a partir de Toolbox con 40
patrones y 10 caracteres diferentes. El segundo método se
implementa por cogido haciendo uso del algoritmo Back-
Propagation el cual tiene que cumplir con un mínimo de 2 capas
y reconocer los 10 caracteres. Para ambos casos las imágenes
patrones serán tomadas por una cámara digital.
Se comparará los resultados del algoritmo Back-Propagation con
los obtenidos mediante el toolbox de redes Neuronales de
MATLAB en una interfaz gráfica (GUI).
También se muestra el modelo de redes de Kohonen con el cual se
realizará la obtención de un trayecto que une puntos aleatorios.
Palabras clave: Redes Neuronales, Toolbox, Back-Propagation,
Interfaz Gráfica (GUI), Matlab.
I. INTRODUCCIÓN
Las Redes Neuronales son un campo muy importante dentro
de la Inteligencia Artificial. Está inspirado en el
comportamiento el cerebro humano, principalmente el referido
a las neuronas y sus conexiones. Esta aplicación trata de crear
modelos artificiales que solucionen problemas que sean
complejos de resolver mediante técnicas algorítmicas
convencionales. En las redes Neuronales el conocimiento se
incorpora mediante el aprendizaje a partir de ejemplos. Se
maneja un estilo de computación Paralelo, Distribuido y
Adaptativo.
El modelo de Kohonen es uno de los más útiles en
computación neuronal, a pesar de sus limitaciones en cuanto a
la duración del proceso de aprendizaje y a la imposibilidad de
aprender nuevos datos sin tener que repetir completamente el
proceso de aprendizaje con todos los patrones.
II. MARCO TEÓRICO
A. Neurona Biológica:
Ramón y Cajal (1888) descubrieron la estructura celular
(neurona) del sistema nervioso. Defendió la teoría de que las
neuronas se interconectaban entre sí de forma paralela, y no
formando un circuito cerrado como el sistema sanguíneo.
Versión 1.
Periodo 2018-2
Una neurona consta de un cuerpo celular (soma) de entre 10 y
80 mm, del que surge un denso árbol de ramificaciones
(dendritas) y una fibra tubular (axón) de entre 100 mm y un
metro.
Fig. 1. Neurona Biológica
Una neurona se puede interpretar como un procesador de
información muy simple:
 Canal de entrada: dendritas.
 Procesador: soma.
 Canal de salida: axón.
Una neurona cerebral puede recibir unas 10.000 entradas y
enviar a su vez su salida a varios cientos de neuronas.
La conexión entre neuronas se llama sinapsis. No es una
conexión física, sino que hay unos 2 mm de separación. Son
conexiones unidireccionales, en la que la transmisión de la
información se hace de forma eléctrica en el interior de la
neurona y de forma química entre neuronas; gracias a unas
sustancias específicas llamadas neurotransmisores.
No todas las neuronas son iguales, existen muchos tipos
diferentes según el número de ramificaciones de sus dendritas,
la longitud del axón y otros detalles estructurales. Sin
embargo, como hemos visto, todas ellas operan con los
mismos principios básicos.” [1]
B. Neurona Artificial:
“El modelo de Rumelhart y McClelland (1986) define un
elemento de proceso (EP), o neurona artificial, como un
dispositivo que, a partir de un conjunto de entradas, xi (i=1...n)
o vector x, genera una única salida y.
 INFORME DE PRÁCTICA DE LABORATORIO Versión 1.0
PROGRAMA DE INGENIERÍA MECATRÓNICA Periodo 2018-2

Fig. 2. Modelo Neurona Artificial

Esta neurona artificial consta de los siguientes elementos:

 Conjunto de pesos sinápticos wij: Representan la

interacción entre la neurona presináptica j y la
postsináptica i.
Fig. 3. Funciones de Activación
 Regla de propagación d(wij,xj(t)): proporciona el
potencial postsináptico, hi(t).
La función de salida suele ser la identidad. En algunos casos
es un valor umbral (la neurona no se activa hasta que su estado
 Función de activación ai(t)=f(ai(t-1), hi(t)): supera un determinado valor).” [2]
proporciona el estado de activación de la neurona en
función del estado anterior y del valor postsináptico. Con todo esto, el modelo de neurona queda bastante
simplificado:
 Función de salida Fi(t): proporciona la salida yi (t),
en función del estado de activación.

 Conjunto de entradas o vector de entradas x, de n

componentes

Las señales de entrada y salida pueden ser señales binarias

(0,1 – neuronas de McCulloch y Pitts), bipolares (-1,1),
números enteros o continuos, variables borrosas, etc.

La regla de propagación suele ser una suma ponderada del

Fig. 4. Modelo de Neurona Simplificado
producto escalar del vector de entrada y el vector de pesos:

ℎ𝑖 (𝑡) = Ʃ 𝑤𝑖𝑗 𝑥𝑗
También se usa a menudo la distancia euclídea entre ambos
vectores:
ℎ𝑖 (𝑡) = Ʃ (𝑥𝑗 . 𝑤𝑖 )2
Existen otro tipo de reglas menos conocidas como la distancia
de Voronoi, de Mahalanobis, etc.
La función de activación no suele tener en cuenta el estado
anterior de la neurona, sino sólo el potencial h i(t). Suele ser
una función determinista y, casi siempre, continua y monótona
creciente. Las más comunes son la función signo (+1 si
hi(t)>0, -1 en caso contrario), la función semilineal y las
funciones sigmoides:
C. RED Neuronal Artificial:
Una red neuronal artificial (RNA) se puede definir como un
grafo dirigido con las siguientes restricciones:
 Los nodos se llaman elementos de proceso (EP).
 Los enlaces se llaman conexiones y funcionan como
caminos unidireccionales instantáneos
 Cada EP puede tener cualquier número de
conexiones.
 Todas las conexiones que salgan de un EP deben
tener la misma señal.
 Los EP pueden tener memoria local.
 INFORME DE PRÁCTICA DE LABORATORIO
PROGRAMA DE INGENIERÍA MECATRÓNICA
 Cada EP posee una función de transferencia que, en
función de las entradas y la memoria local produce
una señal de salida y / o altera la memoria local.
 Las entradas a la RNA llegan del mundo exterior,
mientras que sus salidas son conexiones que
abandonan la RNA.
D. Arquitectura de las RNA:
“La arquitectura de una RNA es la estructura o patrón de
conexiones de la red. Es conveniente recordar que las
conexiones sinápticas son direccionales, es decir, la
información sólo se transmite en un sentido.
En general, las neuronas suelen agruparse en unidades
estructurales llamadas capas. Dentro de una capa, las neuronas
suelen ser del mismo tipo. Se pueden distinguir tres tipos de
capas:
 De entrada: reciben datos o señales procedentes del
entorno.
 De salida: proporcionan la respuesta de la red a los
estímulos de la entrada.
 Ocultas: no reciben ni suministran información al
entorno (procesamiento interno de la red).
Generalmente las conexiones se realizan entre neuronas de
distintas capas, pero puede haber conexiones intracapas
o laterales y conexiones de realimentación que siguen un
sentido contrario al de entrada-salida.” [1]
Fig. 5. Red Multicapa Unidireccional
Versión 1.0
Periodo 2018-2
Fig. 6. Res Recurrente Monocapa
E. Aprendizaje de las RNA:
“Es el proceso por el que una RNA actualiza los pesos (y, en
algunos casos, la arquitectura) con el propósito de que la red
pueda llevar a cabo de forma efectiva una tarea determinada.
Hay tres conceptos fundamentales en el aprendizaje:
 Paradigma de aprendizaje: Información de la que
dispone la red.
 Regla de aprendizaje: Principios que gobiernan el
aprendizaje.
 Algoritmo de aprendizaje: Procedimiento numérico
de ajuste de los pesos.
Existen dos paradigmas fundamentales de aprendizaje:
 Supervisado: La red trata de minimizar un error
entre la salida que calcula y la salida deseada
(conocida), de modo que la salida calculada termine
siendo la deseada.
 No supervisado o autoorganizado: La red conoce
un conjunto de patrones sin conocer la respuesta
deseada. Debe extraer rasgos o agrupar patrones
similares.
En cuanto a los algoritmos de aprendizaje, tenemos cuatro
tipos:
 Minimización del error: Reducción del gradiente,
retro propagación, etc. La modificación de pesos está
orientada a que el error cometido sea mínimo.
 Boltzmann: Para redes estocásticas, donde se
contemplan parámetros aleatorios.
 Hebb: Cuando el disparo de una célula activa otra, el
peso de la conexión entre ambas tiende a reforzarse
(Ley de Hebb).
 Competitivo: Sólo aprenden las neuronas que se
acercan más a la salida deseada.”[1]
 INFORME DE PRÁCTICA DE LABORATORIO
PROGRAMA DE INGENIERÍA MECATRÓNICA
F. Back - Propagation:
“Es un método de cálculo del gradiente utilizado
en algoritmos de aprendizaje supervisado utilizados para
entrenar redes neuronales artificiales. El método emplea un
ciclo propagación – adaptación de dos fases. Una vez que se
ha aplicado un patrón a la entrada de la red como estímulo,
este se propaga desde la primera capa a través de las capas
siguientes de la red, hasta generar una salida. La señal de
salida se compara con la salida deseada y se calcula una señal
de error para cada una de las salidas.
Las salidas de error se propagan hacia atrás, partiendo de la
capa de salida, hacia todas las neuronas de la capa oculta que
contribuyen directamente a la salida. Sin embargo, las
neuronas de la capa oculta solo reciben una fracción de la
señal total del error, basándose aproximadamente en la
contribución relativa que haya aportado cada neurona a la
salida original. Este proceso se repite, capa por capa, hasta que
todas las neuronas de la red hayan recibido una señal de error
que describa su contribución relativa al error total.
La importancia de este proceso consiste en que, a medida que
se entrena la red, las neuronas de las capas intermedias se
organizan a sí mismas de tal modo que las distintas neuronas
aprenden a reconocer distintas características del espacio total
de entrada. Después del entrenamiento, cuando se les presente
un patrón arbitrario de entrada que contenga ruido o que esté
incompleto, las neuronas de la capa oculta de la red
responderán con una salida activa si la nueva entrada contiene
un patrón que se asemeje a aquella característica que las
neuronas individuales hayan aprendido a reconocer durante su
entrenamiento.” [3]
G. Mapas de Kohonen:
“Es un sistema con tipo de comportamiento semejante al del
cerebro. Este es un modelo de red neuronal con capacidad para
formar mapas de características de manera similar a como
ocurre en el cerebro. En éste hay neuronas que se organizan en
muchas zonas, de forma que las informaciones captadas del
entorno a través de los órganos sensoriales se representan
internamente en forma de mapas bidimensionales.
Este modelo tiene dos variantes, denominadas LVQ (Learning
Vector Quantization) y TPM (Topology-Preserving Map).
Ambas forman mapas topológicos para establecer
características comunes entre las informaciones de entrada.”
[4]
H. Arquitectura de Kohonen:
Versión 1.0
Periodo 2018-2
“La versión original (LVQ) consta de dos capas con N
neuronas de entrada y M de salida. Cada una de las N
neuronas de entrada se conecta a las M de salida a través de
conexiones hacia adelante (feedforward).
Entre las neuronas de la capa de salida existen conexiones
laterales de inhibición (peso negativo) implícitas. Cada una de
estas neuronas va a tener cierta influencia sobre sus vecinas.
El valor que se asigne a los pesos de las
conexiones feedforward entre las capas de entrada y salida
durante el proceso de aprendizaje de la red va a depender
precisamente de esta interacción lateral.
La influencia que una neurona ejerce sobre las demás es
función de la distancia entre ellas, siendo muy pequeña
cuando están muy alejadas.” [4]
Fig. 6. Arquitectura red LVQ Kohonen
I. Arquitectura de Kohonen:
“El funcionamiento es relativamente simple. Cuando se
presenta a la entrada una información Ek, cada una de las M
neuronas de la capa de salida la recibe a través de la
conexión feedforward con pesos wji. También estas neuronas
reciben las correspondientes entradas debidas a las conexiones
laterales con el resto de las neuronas de salida y cuya
influencia dependerá de la distancia a la que se encuentren.
Se trata de una red de tipo competitivo, ya que al presentar una
entrada Ek la red evoluciona a una situación estable en la que
se activa una neurona de salida, la vencedora.
En la fase de funcionamiento, lo que se pretende es encontrar
el dato aprendido más parecido al de entrada para, en
consecuencia, averiguar qué neurona se activará y sobre todo,
en qué zona del espacio bidimensional de salida se encuentra.
Lo que hace la red en definitiva es realizar una tarea de
clasificación, ya que la neurona de salida activada ante una
entrada representa la clase a la que pertenece dicha
información de entrada. Además, como ante otra entrada
parecida se activa la misma neurona de salida, u otra cercana,
debido a la semejanza entre las clases, se garantiza que las
neuronas topológicamente próximas sean sensibles a entradas
 INFORME DE PRÁCTICA DE LABORATORIO Versión 1.0
PROGRAMA DE INGENIERÍA MECATRÓNICA Periodo 2018-2

físicamente similares. Por tanto, esta red es especialmente útil

para establecer relaciones entre conjuntos de datos.” [4]

J. Arquitectura de Kohonen:

“Es de tipo OFF LINE, por lo que se distingue una etapa de

aprendizaje y otra de funcionamiento. También utiliza un
aprendizaje no supervisado de tipo competitivo. Sólo una
neurona de la capa de salida se activa ante la entrada,
ajustándose los pesos de las conexiones en función de la
neurona que ha resultado vencedora.

Durante la etapa de entrenamiento, se presenta a la red un

conjunto de informaciones de entrada para que ésta establezca,
en función de la semejanza entre los datos, las diferentes
categorías (una por neurona de salida) que servirán durante la
fase de funcionamiento para realizar clasificaciones de nuevos
datos que se presenten a la red. Los valores finales de los
pesos de las conexiones entre cada neurona de la capa de
salida con las de entrada se corresponderán con los valores de
los componentes del vector de aprendizaje que consigue
activar la neurona correspondiente.

El aprendizaje no concluye después de presentarle una vez

todos los patrones de entrada, sino que habrá que repetir el
proceso varias veces para refinar el mapa topológico de salida,
de tal forma que cuantas más veces se presenten los datos,
tanto más se reducirán las zonas de neuronas que se deben
activar ante entradas parecidas, consiguiendo que la red pueda
realizar una clasificación más selectiva.” [4]
III. SIMULACIONES
Inicialmente se realiza el entrenamiento de una red neuronal
por medio del toolbox de Matlab, para dicho objetivo, es
necesario presentarle 40 patrones distintos de 10 caracteres de
modo que esta red aprenda a identificar que patrón
corresponde a que letra.
Inicialmente se eligen las letras A, B, C, F, I, K, M, O, P y S,
las cuales se escribieron en Word de cuatro formas distintas
(mayúsculas, minúsculas y diferentes fuentes de texto),
obteniendo de ahí imágenes las cuales se almacenan.
Posteriormente estas imágenes fueron procesadas de la
siguiente forma: se binarizaron, se cambió su tamaño a 20x15
pixeles (de forma que cada una tiene 300 pixeles), y se
cambiaron los ‘0’ en estas imágenes por ‘-1’, de forma que
procese mejor la red neuronal.
Finalmente, por procesos iterativos, probando diferentes
configuraciones de redes neuronales se llegó a una red de dos
capas ocultas con 70 y 30 neuronas respectivamente
Fig. 7. Resultados red entrenada por toolbox
También se requirió implementar un algoritmo de Back-
propagation para entrenar una red neuronal que reconociera
los caracteres ingresados por una cámara.
Para solucionar este problema se implementó una función, que
posteriormente se aplicó en una interfaz gráfica, la cual
retornaba las tres matrices de pesos (para una red neuronal de
dos capas ocultas y una de salida) usando los parámetros:
patrones de entrenamiento, numero de neuronas en ambas
capas ocultas, las salidas objetivo y el número máximo de
épocas que se realizará el entrenamiento.
Esta función inicialmente define un factor de aprendizaje,
posteriormente, leyendo los patrones de entrenamiento,
obtiene el número de entradas por patrón y la cantidad de
patrones que se ingresaron, también obtiene el número de
salidas según la matriz de objetivos que se ingresa, acto
seguido, inicializa matrices de pesos aleatorios dentro de un
2.4 −2.4
rango definido entre y , realizado esto,
𝑒𝑛𝑡𝑟𝑎𝑑𝑎𝑠 𝑒𝑛𝑡𝑟𝑎𝑑𝑎𝑠
empieza el proceso iterativo, con un ciclo for que recorre el
número de épocas ingresado, dentro del cual otro ciclo se
asegura que el orden de entrenamiento sea aleatorio.
Habiendo elegido un patrón de entrenamiento, se procede a
realizar la propagación hacia delante de la salida, donde la
entrada se multiplica por las matrices de pesos, aplicando la
función tangente hiperbólica, para llegar a la salida que tendría
la red usando los pesos actuales, se calcula el error respecto a
 INFORME DE PRÁCTICA DE LABORATORIO
PROGRAMA DE INGENIERÍA MECATRÓNICA
la salida objetivo de este patrón de entrenamiento y se realiza
la propagación del error hacia atrás, de forma que se calculan
sensibilidades, y cambios en las matrices para actualizarlas,
intentando que en la siguiente actualización, la red se acerque
más al objetivo de entrenamiento.
Cada vez que se recorran todos los patrones de entrenamiento,
se habrá completado una época, con lo cual se calcula el error
de época, siendo un error cuadrático medio de todos los
errores de iteración, el cual se convertirá en un criterio de
parada del proceso.
Se obtuvieron resultados satisfactorios con la red neuronal
implementada por el algoritmo, usando dos capas ocultas con
35 y 10 neuronas respectivamente.
Para la implementación de la interfaz, se tuvieron botones,
cajas de texto y sliders que permitían controlar el coeficiente
de aprendizaje, las épocas, y las neuronas por capas, de forma
que se realizaba el entrenamiento de la red y posteriormente se
usaba la cámara, la interfaz contaba con dos displays que
mostraban la imagen de la cámara y después la imagen
procesada junto con tablas que permitían ver la clasificación
de cada letra que se mostraba a la cámara:
Fig. 8. Interfaz gráfica
Finalmente se realizó la implementación del algoritmo de
mapas auto organizativos de Kohonen.
Para el algoritmo de Kohonen se debía hallar una trayectoria
que uniese todos los puntos ingresados por el usuario,
tomando en cuenta también puntos inicial y final, que debían
permanecer inmutados.
Dichos objetivos se lograron obteniendo los puntos por parte
del usuario en una interfaz, ensamblándolos en lo que sería
una matriz de entrada y obteniendo cuantos puntos fueron, ya
que se recomienda que la cantidad de neuronas de la red sea 3
veces la cantidad de puntos ingresados, cada neurona va a
tener dos pesos que corresponderá a las coordenadas ‘X’ y ‘Y’
los cuales se inicializaran aleatoriamente entre los rangos de
los puntos existentes, dejando como valores fijos los pesos de
las neuronas inicial y final, que corresponden a los puntos
inicial y final.
Versión 1.0
Periodo 2018-2
El algoritmo cuenta con un proceso iterativo general con
funciones que se actualizan por iteración causando
convergencia a una posición final de las neuronas, estas
funciones son la función de aprendizaje y la función de
vecindad:
𝑐
𝜎 = 𝜎0 ∗ 𝑒 −𝑡1
𝑑^2
ℎ = 𝑒 −2∗ 𝜎^2
𝑐
𝜇 = 𝜇0 ∗ 𝑒 −𝑡2
Que corresponden a la función gaussiana, vecindad y
aprendizaje respectivamente, donde t1 es una constante de
tiempo definida por:
1000
𝑡1 =
log 𝜎0
T2 es una constante de tiempo definida por usuario, 𝜇0 y 𝜎0
Son valores iniciales, siendo sigma igual al número de
neuronas de la red.
Dentro de cada iteración, el algoritmo pasa por una etapa
competitiva, en la cual se elige la neurona cuyos pesos sean
más similares a la entrada (o punto) elegido, posteriormente,
siendo esta la neurona ganadora, pasa por un proceso
cooperativo, donde las neuronas que dentro del vector de
pesos estén más cercanas a la ganadora, se verán
recompensadas causando que la actualización de pesos las
acerque más a el punto al que se parece la neurona ganadora.
El algoritmo según la literatura debe detenerse por un criterio
de iteraciones, donde se asegura que termino después de 1000
+ (500*neuronas) iteraciones, el implementado, también para
por un botón start stop implementado en la interfaz, o si el
cambio en el vector de pesos llega a ser menor que 1e-50:
Fig. 9. Interfaz gráfica
Se observa que la interfaz gráfica cuenta con dos gráficas, una
en la cual se ve la posición de los puntos y pesos, en la que el
usuario indica los puntos por pasar, y otra interfaz donde se
presenta el error cuadrático medio de cada iteración, también
cuenta con las cajas de texto para definir los valores
necesarios y una slider que define cada cuanta iteración se
actualizan las gráficas, permitiendo mayor velocidad de
computación.
IV. CONCLUSIONES
- Las redes neuronales pueden realizarse de más de
tres capas, sin embargo, esto siempre consistirá en
 INFORME DE PRÁCTICA DE LABORATORIO Versión 1.0
PROGRAMA DE INGENIERÍA MECATRÓNICA Periodo 2018-2

un sobredimensionamiento del problema, lo que

puede llevar a una memorización de los datos, más
que un aprendizaje de estos.
- Las redes neuronales pueden sufrir de sobre
entrenamiento, mientras que las redes de kohonen,
gracias a su convergencia se benefician de esto.
- Se encuentra que el proceso de actualización de
pesos en una red de tipo perceptron y una red de
kohonen son similares, sin embargo, las diferencias
en interconexiones entre neuronas y entradas
justifican por qué la red de kohonen no implementa
un back- propagtion del error para actualizar sus
pesos.
- El toolbox de entrenamiento neuronal de Matlab
realiza más procesos que simplemente realizar un
algoritmo back-propagation para asegurar el
entrenamiento de la red neuronal, causando lentitud
en el procesamiento, por lo que, para los objetivos
del presente, se halló mayor beneficio en
implementar el algoritmo, ya que permitió el
entrenamiento de la red durante la interacción
usuario interfaz, en lugar de tener que entrenarla
con anterioridad para usarla.

V. REFERENCIAS

[1] http://avellano.fis.usal.es/~lalonso/RNA/index.htm
[2]Inteligencia%20Artificial/Teoria/Segundo%20Corte/Lab%202.1%20-
%20Identificaci%C3%B3n%20de%20caracteres.pdf
[3]https://elvex.ugr.es/decsai/computational-
intelligence/slides/N2%20Backpropagation.pdf
[4] http://thales.cica.es/rd/Recursos/rd98/TecInfo/07/capitulo6.html