MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Captulo 2: Las Redes Neuronales

Pgina 12

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40

Captulo 2: Las Redes Neuronales

Pgina 13

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61
Captulo 2: Las Redes Neuronales Pgina 14

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82
Captulo 2: Las Redes Neuronales Pgina 15

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

83

Captulo 2: Las Redes Neuronales

Pgina 16

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

Captulo 2: Las Redes Neuronales

Pgina 17

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

Captulo 2: Las Redes Neuronales

Pgina 18

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

Captulo 2: Las Redes Neuronales

Pgina 19

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

Captulo 2: Las Redes Neuronales

Pgina 20

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

84 85 86 87 88 89 90 91 Las Redes Neuronales:

En este captulo se va a describir uno de los mtodos de clasificacin ms utilizados por su potencia, su fcil implementacin y su flexibilidad: las Redes Neuronales (RN). Por estas caractersticas es el mtodo que hemos utilizado en este proyecto para obtener resultados a partir de nuestros experimentos con el fin de poder clasificar los argumentos de entrada a la Red Neuronal como buenos o malos para nuestros propsitos.

Captulo 2: Las Redes Neuronales

Pgina 21

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

Introduccin
Las Redes Neuronales constituyen una familia muy variada de arquitecturas. Estn basadas en el modelo cerebral: las neuronas establecen conexiones entre ellas (sinapsis), de manera que cuando un animal recibe un estmulo, ciertas conexiones se refuerzan ms que otras, provocando una cierta respuesta. Siempre que el animal reciba un estmulo (entrada) similar, generar la misma respuesta (aprendizaje): se puede decir que el cerebro reconoce diferentes patrones. Este comportamiento es fcilmente caracterizable mediante un modelado

matemtico (simulacin). El tratamiento de la informacin (computacin) no va a ser el tradicional: se basa en la evolucin temporal del sistema y en la interpretacin de ciertos parmetros (informacin). El sistema se compone de un nmero elevado de unidades muy simples (neuronas) altamente interconectadas: el paralelismo es masivo. Se puede decir que una neurona es un tipo de autmata (sistema dinmico), de ah el carcter temporal. Las Redes Neuronales artificiales pueden aprender modificando el peso de las conexiones entre las unidades; as es posible distinguir patrones. La idea de las Redes Neuronales es definir una funcin a partir de la cual poder distinguir patrones con los datos de salida: dependiendo del valor obtenido catalogamos la entrada como perteneciente a un cierto grupo. El tipo de entradas y su nmero determinar la capacidad de discriminacin de la Red [Martn-01]. En el ejemplo siguiente, una entrada (x1) no es suficiente para determinar si estamos en el patrn A o el B. Con otra entrada (x2) ya somos capaces de discriminar.

Figura 2-1: Ejemplo de clasificacin.

Captulo 2: Las Redes Neuronales

Pgina 22

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

Historia
McCullogh y Pitts realizaron en 1943 un estudio biolgico del cerebro obteniendo un modelo formal de neurona, con lo que introdujeron as el concepto de umbral: una neurona responde a un cierto estmulo siempre que ste sobrepase un cierto umbral de activacin. Posteriormente, en 1949, Hebb desarroll el Hebbian Learning: aprendizaje mediante adaptacin de sinapsis o reforzamiento de las conexiones. En 1959, Rosenblat defini el perceptrn, uno de los conceptos ms importantes dentro del desarrollo de las Redes Neuronales: el perceptrn consiste en una estructura ms una regla de aprendizaje o regla del perceptrn. Esa estructura es la combinacin de una neurona y una funcin de salida que es la que define el umbral de activacin. La misin de la neurona es implementar una combinacin lineal de las entradas. Cada entrada posee un peso, que se adapta temporalmente. Es esto lo que se conoce como aprendizaje. Misky y Papert desarrollaron en 1969 un perceptrn unicapa que consegua una clasificacin de primer orden (XOR). Se plante entonces el problema del entrenamiento de varias capas. As, en 1974 Werbos defini el algoritmo de retropropagacin y el uso de la funcin sigmoidal como funcin de salida de un perceptrn. El algoritmo de retropropagacin permite modificar los pesos partiendo de la ltima capa hasta la inicial basndose en el error cometido en la iteracin anterior. Ese error es la diferencia entre la salida de la Red Neuronal y la salida real que deberamos haber obtenido. Como el algoritmo de retropropagacin est basado en la derivada del error, se decidi utilizar la funcin sigmoidea en vez del escaln para representar el umbral de activacin (la funcin escaln tiene derivada infinita en el origen). Posteriormente se desarrollaron otros tipos de redes: Kohonen en los 70 cre los mapas topolgicos y las memorias asociativas, y en 1982 Hopfield defini las redes de Hopfield. Finalmente, en 1986 Rumelhart y McClelland desarrollaron el perceptrn multicapa, popularizndose as el algoritmo de retropropagacin. En 1989, Cybenko, Hornik et al. y Funahashi definieron el perceptrn multicapa como el aproximador universal [Martn-01].

Captulo 2: Las Redes Neuronales

Pgina 23

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

Clasificacin
Existen diferentes criterios de clasificacin para las Redes Neuronales: o Caracterizacin temporal: se refiere a la caracterizacin temporal de las entradas. Continua en el tiempo: cuando la funcin de entrada es una funcin continua. Este tipo de redes se utiliza en sistemas donde es necesario una clasificacin inmediata de las entradas, como por ejemplo un sistema de alarma que se active ante la presencia de ciertos parmetros peligrosos. Discreta: cuando las entradas se toman en determinados instantes de tiempo. Se utilizan en sistemas donde no es necesario un control inmediato de las entradas y slo se busca ver su evolucin sin saturar demasiado el sistema con una gran cantidad de datos. Entrada: se refiere a los valores que toman las entradas. Binaria: cero o uno. Se puede utilizar cuando las entradas son codificadas, por ejemplo, representando el intervalo sobre el que caen dentro de un rango. Si el rango se divide en x intervalos, cada entrada se representa con x valores, todos a cero menos uno, el que corresponde al intervalo de valores de la entrada. Continua: el valor de la entrada puede ser cualquiera dentro de un rango. Es posible definir diferentes rangos de variacin. o Entrenamiento: se refiere al aprendizaje seguido por la Red. Supervisado: cuando se vigila la evolucin de la Red. Por ejemplo, cuando se le ofrecen a la Red ejemplos sealando las salidas que se deberan obtener. Con recompensa/castigo: cuando la Red acierta se le ofrece una recompensa. Cuando falla se le castiga. As aprende cmo debe comportarse. No supervisado: no se le dice a la Red lo que debe dar. Esto se suele utilizar en aquellos casos en que tenemos una serie de entradas y no sabemos cmo clasificarlas. Dependiendo de lo que se obtenga tras el entrenamiento tendremos un criterio de clasificacin. o Realimentacin:

Captulo 2: Las Redes Neuronales

Pgina 24

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

Feedforward: realimentacin hacia delante. Es la estructura normal, donde las salidas de una capa se introducen en la siguiente.

Feedback: realimentacin hacia atrs. Las salidas de ciertas capas se introducen en capas anteriores para que stas sepan cul ha sido el comportamiento posterior y se adapten en consecuencia.

Entre los modelos ms representativos se encuentran los mapas asociativos, el perceptrn multicapa, las redes de Hopfield (memorias autoasociativas), los mapas topolgicos autoorganizativos de Kohonen y las redes hebbianas [Martn-01].

Caracterizacin de una Red Neuronal

Los tres puntos clave para desarrollar una Red Neuronal son: o o o Caracterizacin de la neurona (unidad bsica de computacin). Definicin de una topologa de interconexin. Definicin de unas reglas de aprendizaje.

Propiedades
Las propiedades que comparten todas las Redes Neuronales son: o o o o o Alto grado de paralelismo: varias neuronas pueden estar trabajando a la vez. Fcil implementacin Hardware (o Software). Robustez frente a posibles fallos: la informacin est distribuida. Naturaleza adaptativa que sustenta la capacidad de aprendizaje. Capacidad de generalizacin: a partir de unas entradas definimos un patrn.

Neurona
Una neurona artificial se implementa de la siguiente manera: las entradas (x) se introducen en las dendritas. Cada una posee un peso (w ij, neurona j entrada i). Dentro del cuerpo se aplican diferentes funciones de procesamiento (propagacin, activacin, salida) hasta llegar al axn (salida y). Todo esto queda reflejado en la siguiente grfica:

Captulo 2: Las Redes Neuronales

Pgina 25

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

Figura 2-2: Neurona fsica.

Figura 2-3: Representacin matemtica de una neurona.

En la prctica, las funciones de propagacin y activacin no suelen diferenciarse y constituyen una combinacin lineal de las entradas o su distancia eucldea. La funcin de salida se establece fuera de la neurona.

Captulo 2: Las Redes Neuronales

Pgina 26

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

Figura 2-4: Representacin final de una neurona.

Aparte de las entradas propias de la neurona, se puede considerar un cierto umbral (qi) que comporta una cierta decisin como se ver ms adelante.

Topologa
Comprende varios aspectos: o Definicin de conectividad: se refiere a la forma de conectarse las neuronas para formar una cierta estructura. De esta forma, podemos obtener redes monocapa o multicapa. Las redes monocapa consiguen una clasificacin de primer orden como puede ser un XOR. Sin embargo, una red de varias capas puede diferenciar entre diferentes regiones, como se ver prximamente. o Temporizacin o sincronizacin del flujo de informacin: Tiempo continuo-discreto: se refiere a si la informacin se actualiza continuamente o slo en ciertos instantes de tiempo. Secuencia de computaciones: flujo directo o bucles de realimentacin. El flujo directo consiste en un mero paso de informacin de una capa a la siguiente. Pero con la realimentacin una capa obtiene informacin sobre lo que estn haciendo las capas que la siguen, y as, se obra en consecuencia.

Captulo 2: Las Redes Neuronales

Pgina 27

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

Figura 2-5: Ejemplos de topologas.

En una red multicapa se definen tres tipos de capas: de entrada, oculta y de salida.

Figura 2-6: Red Neuronal de tres capas.

Dependiendo del nmero de capas ocultas que consideremos y movindonos dentro de un espacio bidimensional, se pueden definir regiones (conjunto de entradas que conforman un patrn) de diferentes formas, como se puede apreciar en la figura 2-7.

Captulo 2: Las Redes Neuronales

Pgina 28

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

Figura 2-7: Regiones que se pueden delimitar segn el nmero de Capas Ocultas que se consideren.

Entrenamiento o aprendizaje
El aprendizaje consiste en el ajuste de pesos de interconexin entre las neuronas. Existen diferentes criterios de ajuste: o Supervisado: Heurstico: perceptrn. Minimizan funcin de coste (algoritmos tradicionales de adaptacin): se minimiza la funcin de error de evaluacin para ajustar los pesos. Un ejemplo es el perceptrn multicapa. o Mediante refuerzo (con recompensa/castigo): o Actor/crtico. Q-learning.

No supervisado: Hebbiano: Hopfield. Competitivo: Mapas topolgicos de Kohonen. Mquinas de Boltzmann.

Captulo 2: Las Redes Neuronales

Pgina 29

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

El aprendizaje es un algoritmo por el cual se le dan datos a la neurona y sta aprende a reconocer patrones con ellos. El aprendizaje no supervisado es aqul en el que se tienen un conjunto de patrones pero no estn catalogados. El objetivo es que sea la Red la que los clasifique segn los criterios que se le suministran (similitudes que deben cumplir los patrones para pertenecer a una clase) y segn posibles analogas que pueda encontrar en los datos de entrada. El aprendizaje supervisado es aqul en el que se cuenta con patrones catalogados que sirven de ejemplo a la Red.

El perceptrn multicapa
Este tipo de redes se caracterizan por su facilidad de implementacin. Su aprendizaje se basa en la retropropagacin: se parte de unos pesos iniciales en las conexiones interneuronales. Para un conjunto de entradas se obtiene una cierta salida. Basndose en que se conoce la salida que deberamos haber obtenido (patrn catalogado aprendizaje supervisado), calculamos el error. A partir de este error se modifican los pesos siguiendo el sentido inverso al de evolucin de la Red (se parte de la salida hasta llegar a la entrada). De la misma manera se opera con el resto de entradas de entrenamiento. Se puede observar que el error ir disminuyendo a medida que se aplique el algoritmo. Sin embargo un entrenamiento reiterado con las mismas entradas acaba provocando un sobre-entrenamiento a la Red Neuronal, memorizando caractersticas de un conjunto, impidiendo as que aprenda a generalizar. Por eso tras cada iteracin hay que evaluar: introducir nuevos valores distintos a los de entrenamiento y calcular el error de salida. De esta manera se obtiene una funcin (error de evaluacin) de la que nos interesa hallar su mnimo absoluto (puede haber mnimos locales). Determinando el nmero de iteraciones con que se alcanza dicho valor, nos aseguramos, en cierta forma, obtener un bajo error para cualquier conjunto de datos de entrada. Despus, se puede aplicar un test con un conjunto nuevo de entradas que nos dar una medida de la capacidad de discriminacin de la Red.

Qu es un perceptrn?
Un perceptrn es una estructura neuronal ms una regla de aprendizaje. Como se explicaba anteriormente, una neurona se compone de un conjunto de entradas, cada una con un peso, que se introducen en el cuerpo de la misma para su procesamiento. Ese procesamiento puede consistir en:

Captulo 2: Las Redes Neuronales

Pgina 30

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

Combinacin lineal:

y = i x i
i

Distancia eucldea:
y=

( x )
i i i

Este resultado se introduce posteriormente en un bloque caracterizado por una de las siguientes funciones:

Figura 2-8: Tabla de las posibles funciones de salida del perceptrn.

La funcin que representa el comportamiento ideal de una neurona es la funcin escaln: dependiendo de la entrada se activa la conexin entre neuronas (salida = 1) o no (salida = 0). Esta decisin puede depender de un cierto umbral (que la salida sea capaz de superarlo), representado en las expresiones anteriores por q: introducir este trmino negativo equivale a considerar que la funcin vale uno a partir de q y no a partir de cero como se representa en la tabla.

Captulo 2: Las Redes Neuronales

Pgina 31

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

Aunque ste sea el comportamiento ideal, en la prctica se suele utilizar la funcin sigmoidea. Esto se debe a que es una funcin muy parecida al escaln y derivable en el entorno de cualquier punto del eje x. Como se ver, esto es necesario en el algoritmo de retropropagacin ya que est basado en la minimizacin del error con respecto al valor de los pesos, por lo que hay que derivar e igualar a cero. El algoritmo de aprendizaje para un perceptrn aislado es el siguiente:

Wk +1 = Wk X t y d y
donde: o o o o o o W = vector de pesos. k = iteracin actual. h = factor de aprendizaje. X = vector de entradas. yd = salida deseada. y = salida obtenida en la iteracin k.

Una propiedad muy importante de este algoritmo es la convergencia en presencia de solucin y la posibilidad de implementar ciclos lmite en ausencia de la misma. El factor de aprendizaje h determina la rapidez del algoritmo pero tambin su exactitud. Cuanto mayor sea, necesitaremos menos iteraciones (antes alcanzaremos las cercanas del mnimo error de evaluacin) pero el aprendizaje es muy grosero (es ms probable que nos quedemos oscilando en las cercanas del mnimo error de evaluacin que lo alcancemos realmente). Cuanto menor sea, ms lento es pero ms fino en el aprendizaje. Por lo tanto hay que llegar a un compromiso.

Retropropagacin
A continuacin, se va a explicar el mtodo utilizado para entrenar un perceptrn multicapa.

Captulo 2: Las Redes Neuronales

Pgina 32

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

Algoritmo
El aprendizaje de un perceptrn multicapa es ms complejo. Como se apunt anteriormente, el entrenamiento de este tipo de Redes Neuronales es un entrenamiento supervisado. Se define un conjunto de pares de patrones (X i, Yi) de entrenamiento y se define una funcin de error (diferencia entre la salida deseada y la obtenida). Una vez obtenido dicho error se actualizan los pesos para minimizarlo. El procedimiento que se emplea es el descenso en la direccin del gradiente: una manera muy eficiente de implementarlo es a travs de un procedimiento equivalente a computar la Red hacia atrs. Esto da lugar al algoritmo de retropropagacin:

ET = E p =
p =1

1 P S 2 ( d p Op ) 2 p =1

donde: o o o o o ET = error total de salida. Ep = error de la salida p. P = nmero de neuronas de la ltima capa. OpS = salida obtenida en la neurona p de la capa S (la de salida). dp = salida esperada en la neurona p.

El algoritmo de aprendizaje es:

L ij ( k + 1) = ijL ( k )

ET L (k) ij

donde: o o o wijL = peso de la entrada i de la neurona j en la capa L. k = iteracin actual. m = factor de aprendizaje.

La derivada del error es equivalente a:

Captulo 2: Las Redes Neuronales

Pgina 33

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

L (k) ij

ET

=
p =1

L (k) ij

E p

La salida es una funcin sigmoidea de la combinacin lineal de las variables de entrada:

OL j =
donde: o o o

1 1+ e
yL j

L L1 ; yL j = ij Oi i =1

NL

NL = nmero de neuronas de la capa L. OjL = salida de la neurona j de la capa L. yjL = estado de activacin de la neurona j de la capa L.
L y L ET ET O j j = L L L ij ( k ) O L y j j ij ( k )

O L j y
y L j
L j

(1 + e )
yL j
L 1 i

yL j

1 1+ e
yL j

yL j yL j

1+ e

L = OL j (1 O j )

L ij (k)

=O

para la primera capa,

1 ij (k )

y 1j

= ii

donde ii = entrada i de la Red. Para la ltima capa:

E T O L j

= d j OS j
L =S

ET S S = d j OS = j Oj 1Oj y S j

= d j O Sj f ' y Sj = jS
donde jS = seal de error.

) ( )

Captulo 2: Las Redes Neuronales

Pgina 34

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

Para el resto de las capas, cuando vara la salida de la neurona de una de ellas afecta a la salida de las neuronas de la siguiente capa:
L +1 L +1 ET ET y1L +1 ET y 21 ET y N L +1 = L +1 + L +1 + ... + L +1 = L L L O L y O y O y O j 1 j 21 j N L +1 j

N L +1

ET y iL +1 N L +1 L +1 L +1 = i ij (k) L +1 L O j i =1 y i i =1

N L+1 N L+1 ET L L L+1 L+1 L = O j (1 O j ) i ij ( k ) = f ' ( y j ) iL + 1 ijL + 1 = jL L y j i=1 i=1

Resumen
En resumen, el algoritmo de actualizacin de pesos queda:
L ij ( k + 1) = ijL ( k ) OiL 1 jL

donde las seales de error son:

S jS = f ' ( y S j ) (d j O j )

L +1 +1 jL = f ' ( y L L j ) k j (k) N L +1 i =1

Pasos del algoritmo

Los pasos a seguir son: 1. Inicializar pesos y umbrales. 2. Presentar nuevo patrn y salida deseada. 3. Calcular salida de todos los nodos en red. 4. Calcular seales de error de todos los nodos: nodos de salida a nodos de primera capa. 5. Adaptar pesos en funcin de seales de error.

Captulo 2: Las Redes Neuronales

Pgina 35

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

6. Ir al paso 2.

Mejoras y variantes
Se pueden introducir algunas mejoras a este algoritmo que pretenden asegurar la convergencia o hacer ms rpido el proceso: o o o o Inicializacin de pesos: enfocado a la convergencia. Factor de aprendizaje: enfocado a la convergencia. Tamao de la red: enfocado a la generalizacin. Trmino del momento: enfocado a obtener mnimos locales en la funcin de error y a acelerar el proceso.
L L L ( k + 1) = ijL ( k ) jL O L ij j + ij ( k ) ij ( k 1)

Caractersticas del perceptrn multicapa

Para finalizar, cabe destacar algunas de las caractersticas de este tipo de Redes Neuronales: o Puede aproximar cualquier funcin continua Y = F (X) con soporte compacto hasta una precisin dada. o Generaliza la respuesta frente a nuevos patrones de entrada (basado en aproximacin/interpolacin). o Idnea cuando sabemos qu queremos conseguir pero no cmo hacerlo y adems disponemos de patrones de referencia: queremos que generalice a nuevos patrones. o Aplicaciones: Reconocimiento de patrones: Reconocimiento de caracteres en imgenes. Reconocimiento de fonemas en voz.

Prediccin de series temporales (demandas, etc): Identificacin y control de sistemas.

Captulo 2: Las Redes Neuronales

Pgina 36

MODELADO DE LA FRECUENCIA FUNDAMENTAL MEDIANTE REDES NEURONALES PARA SNTESIS DE VOZ EN DOMINIO RESTRINGIDO Carlos Martn Valle

Compresin de imgenes y reduccin de dimensionalidad. etc.

Todas las ideas de este ltimo apartado han sido extradas de [Martn-01], [Pardo, 00] y [Zufiria, 98].

Captulo 2: Las Redes Neuronales

Pgina 37