El documento describe un proyecto para demostrar la usabilidad del algoritmo de retropropagación en redes neuronales mediante una aplicación de reconocimiento de patrones. La aplicación utilizará una red neuronal multicapa con algoritmo de retropropagación para reconocer dígitos y letras mediante la entrada de un patrón de píxeles y la comparación con patrones aprendidos.
2. Demostrar la usabilidad del modelo de aprendizaje de retro propagación
para redes neuronales supervisadas, por medio una aplicación de
reconocimiento de patrones.
1. Conocer la arquitectura del perceptrón multicapa.
2. Entender el algoritmo de retro propagación.
3. Analizar, identificar y determinar los patrones requeridos.
4. Diseñar red neuronal con el uso del algoritmo de retro propagación.
5. Desarrollar e implementar la aplicación de software.
4. REDES NEURONALES
PERCEPTRON
SIMPLE MULTICAPA
ALGORITMO DE
APRENDIZAJE SUPERVISADO
RETRO PROPAGACIÓN
TIENE CAPAS
ENTRADA
F
SALIDA
OCULTA
TIENE UNA LISTA
LETRAS Y
NUMERIOS
ES TOMADA DE
BITS DE LA
IMÁGEN A RECONOCER
SUBCAPA
FUNCION DE
TRANSFERENCIA
NEURONAS
PESO
TIENE n
5. Requiere conocer las salidas en un
determinado momento de tiempo para
poder actualizar los pesos de las neuronas,
esta red permite que presentando
una serie de valores arbitrarios, la red
tienda a reconocer el patrón tras haber
aprendido de patrones anteriores, incluso
si nunca antes ha visto al patrón de
entrada
Esta red aprende de un conjunto de
valores dados y posteriormente aprende
reconocer patrones nunca antes
presentados a la red, es decir asemeja los
patrones de entrada, con los patrones que
haya visto anteriormente.
6. 1. La red aprende conjunto de datos dados en formas como par entrada-salida.
2. Emplea un ciclo de propagación dado para el primer conjunto datos
correspondientes a la entrada se propagan por la red hacia las
neuronas ocultas y luego hasta llegar a la salida.
3. Se obtiene una señal de la fase de propagación.
4. Ésta señal obtenida se compara con la salida deseada haciendo cálculo
del error para cada neurona de salida.
5. Con el error obtenido se puede hacer un recálculo de los pesos qu8e
se empiezan a trasmitir hacia atrás de forma cíclica hasta obtener la
salida deseada, de ahí el nombre del algoritmo.
8. 1. Definición de caracteres de aprendizaje (10 dígitos y 27
letras de alfabeto).
2. Diseño de red neuronal: 5 neuronas de entrada, 3
neuronas ocultas y 5 neuronas de salida.
3. Definición de interfaz de usuario: Un tablero segmentado
de 5x5, lista desplegable de caracteres, botones de
peticiones y cuadro de vista de resultados.