Este documento describe el funcionamiento básico de una neurona artificial. Explica que los usuarios pueden modificar los valores de entrada, pesos y función de activación de la neurona, y evaluar la salida resultante. También presenta aplicaciones como el reconocimiento de caracteres usando redes neuronales perceptron multicapa entrenadas con el algoritmo de retropropagación del error.

2. Carla Espinosa

3. Livia LoaizaLOJA - 2O10

4. FUNCIONAMIENTO DE BÁSICO DE UNA NEURONA ARTIFICIAL

5. 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.

6. FUNCIONAMIENTO DE BÁSICO DE UNA NEURONA ARTIFICIAL Modificación de entradas: Se pueden editar x1,x2,x3

7. 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.

8. 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.

9. 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

10. FUNCIONAMIENTO DE BÁSICO DE UNA NEURONA ARTIFICIAL Aplicación

11. RECONOCIMIENTO DE CARACTERES CON UN PERCEPTRON.

12. Demostración de como un Perceptrón ya entrenado es capaz de reconocer el carácter definido en la matriz de píxeles de la entrada

13. Aplicación: Reconocedor de caracteres.

14. 1 2 3 1 Numero de patrones 2 Numero de entradas Numero de salidas 3

15. 1 2 Como va evolucionando el error del aprendizaje a medida que transcurren la iteraciones; el entrenamiento se detiene cuando el error se hace cero.

16. EJECUTAR Aplicación: Reconocedor de caracteres.

17. Topologías MLP de Redes Neuronales Perceptron Multicapa

18. Características Presentar una no-linealidad en la salida, capas de neuronas ocultas y un alto grado de conectividad Es de entrenamiento supervisado.

19. Utiliza el algoritmo de retro-propagación del error FASE DIRECTA 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 Su operación consta de dos fases FASE INVERSA 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

20. Recomendaciones

21. 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.

22. Ejemplo Ejecutar