CIDE. Programa de electrnica.
FUNCIN DE TRANSFERENCIA DE UN PERCEPTRN CON
MATLAB.
ANCIZAR PAREDES ARDILA
Ingeniero Electrnico
Universidad Antonio Nario
Docente Programa Electrnica Mecatrnica
e-mail: ancizar.paredes967.doc@cide.edu.co
e-mail: solin83@hotmail.com
COLOMBIA
RESUMEN: Una de las estructuras de las redes
Neuronales es el Perceptrn, aunque existen
innumerables documentos y aportes entorno a la funcin
de transferencia de sta estructura, el presente artculo
es el fruto del estudio hecho en una primera
aproximacin al concepto, generando un material
didctico, como estrategia de divulgacin en la
Corporacin Internacional para el Desarrollo Educativo
(CIDE), entorno al proyecto Redes Neuronales
Artificiales (RNA), adscrito al grupo de Investigacin de
la Facultad de Ingenieras y Administracin de la misma
(IARN-CIDE). El presente material didctico se aplicar
en la fase exploratoria del concepto hacia la
implementacin del algoritmo en un prototipo robtico,
especficamente un robot de tipo mvil, sin embargo,
ste se puede usar en cualquier campo del
conocimiento, de los programas ofertados en la CIDE, a
nivel tecnolgico, tales como Sistemas, Gestin
Empresarial, Electrnica, Mecatrnica, Alimentos, entre
otros.
PALABRAS CLAVE: Redes Neuronales Artificiales,
Perceptrn, Funcin de Transferencia, Matlab.
Abstract:
Keywords:
1 INTRODUCCIN
Las Redes Neuronales Artificiales, son
consideradas una de las herramientas de amplio uso en
los algoritmos que incluyen el concepto de Inteligencia
Artificial (IA). En ste trabajo, se plantea el uso de
Matlab como herramienta en la simulacin de una
estructura fundamental de las redes Neuronales
Artificiales (RNA), el Perceptrn; dicho algoritmo se
plantea de manera genrica, el estudiante puede usarla
en cualquier situacin donde lo nico que debe tener es
un computador con el software de MathWorks
(Matlab), definidas las entradas a la Neurona y las
salidas deseadas, la neurona responder segn se le
entrene mediante una estrategia de aprendizaje, de las
muchas que se pueden implementar, quedando
1
propuesto en el cdigo, de libre distribucin, el
implementar otras estrategias de aprendizaje.
Se debe hacer claridad sobre cada uno de los
conceptos, anteriormente mencionados, estrategias de
aprendizaje, entradas a la neurona, salidas deseadas,
para ello se aborda el tema desde la explicacin
funcional biolgica, luego se presenta el modelo
matemtico del Perceptrn, no siendo la nica estructura
existente en las redes neuronales, luego se presenta el
cdigo del aplicativo, para finalmente, ilustrar los
resultados obtenidos en el aplicativo con un ejemplo.
Los alcances de ste artculo, son los de presentar
una herramienta tecnolgica ampliamente conocida y de
fcil uso para las personas que estn familiarizadas con
el cdigo de programacin; sin embargo puede ser
usado por personas en estado inicial del uso de
software, ya que la interface le permite aplicar el
concepto de RNA fcilmente, ejecutando el cdigo
desde Matlab, con las limitaciones que se exponen en el
apartado respectivo al ejemplo de aplicacin.
2 APROXIMACION TEORICA
Segn las intenciones planteadas del artculo,
tratando de abordar el tema de manera integral, se
plantea una aproximacin terica en tres dimensiones:
Biolgica: Sin profundizar en ella, se plantea la
explicacin de cmo funciona una neurona en el
ser humano.
Matemtica: Se presenta la informacin delimitada
del funcionamiento y modelo matemtico de la
estructura de un Perceptrn, ubicndola en el
contexto global de las Redes Neuronales
Artificiales
Tcnica: Se hace referencia al uso de Matlab, en la
codificacin del modelo matemtico del Perceptrn.
2.1 CONCEPTO BIOLOGICO
La estructura fundamental del sistema nervioso
central es la Neurona, sta como unidad funcional, hace
parte de una estructura ms compleja, el cerebro.
Aunque se presume que el lector tiene nociones de este
tema, se plantea la descripcin de sta para explicar su
funcionamiento
CIDE. Programa de electrnica.
.
Figura 1. Estructura Biolgica de una Neurona. [1]
Como se puede observar, la clula est dividida en
partes funcionales, cada una de ellas se describe a
continuacin:
Axn: Rama principal que sale del cuerpo de la
Neurona, su principal funcin es la de transmitir la
informacin a las dendritas, stas a su vez conectan
dicha informacin a las otras Neuronas.
Dendritas: Ramas ms cortas que el axn, las
cuales llevan los impulsos nerviosos a otras neuronas. A
travs de ellas se realizan las conexiones o Sinapsis con
otras Neuronas.
Soma: Es el cuerpo de la clula nerviosa, su
funcin es la de fabricar los elementos necesarios para
la vida de la Neurona, tal como sucede en las otras
clulas del cuerpo.
Una red Neuronal, se genera a partir de un proceso
de aprendizaje, es decir, cuando estamos aprendiendo
algo, se crea una conexin entre las neuronas,
constituyendo el aprendizaje, para luego ejecutar la
funcin de la red creada, cuando nos enfrentemos a una
situacin similar, es decir, cuando aprendemos a leer se
generan una serie de conexiones neuronales que son
utilizadas, cada vez que nos enfrentamos a la misma
tarea.
De manera similar, se plantea el concepto de las
Redes Neuronales Artificiales, las cuales se usan cada
vez que el algoritmo se entrena, en una aplicacin
especfica, sin embargo no se debe compara las unas
con las otras, pues las RNA, solo emulan una de las
muchas funciones complejas de las redes neuronales
biolgicas.
2.2 Redes Neuronales Artificiales: El
Perceptrn.
No es la nica estructura conocida y concebida
para el desarrollo de las redes Neuronales, entre otras
se encuentran: Kohonen, ART, Hopfield, entre otros.
Para el caso que nos ocupa se realiza el estudio a partir
del Perceptrn multicapa.
2
El Perceptrn es concebido por el psiclogo Frank
Rosenblatt de la Universidad de Corell en 1959. ste es
utilizado inicialmente para la solucin de situaciones
donde los estados a la salida, son diferenciados y de
fcil separacin. A partir de la estructura sencilla del
Perceptrn se pueden construir estructuras ms
complejas, sin embargo, dada su simplicidad, su estudio
fue abandonado a mediados de los 70 pues se
descubri que en tareas de clasificacin como la XOR,
era incapaz de funcionar adecuadamente [Minsky y
Papert].
Como se indic en la seccin anterior las RNA,
funcionan de manera similar a su contraparte biolgica,
con algunas caractersticas: aprendizaje, plasticidad y
procesamiento en paralelo. Aprendizaje: ya que la
neurona puede ser entrenada y aprender a responder
segn las entradas a una situacin especfica, mediante
las salidas deseadas; Plasticidad: pues si alguna de las
estructuras funcionales llegase a fallar, existen otras que
respaldan la funcin de la neurona, evitando que sta
responda de manera errada y Procesamiento en
paralelo: ya que al recibir varios estmulos al mismo
tiempo responde segn el estmulo ms fuerte o segn
sea configurada.
Para explicar el funcionamiento del Perceptrn se
debe hacer referencia a su concepcin matemtica, ste
modelo, permite realizar una aproximacin a la
programacin necesaria que emular el funcionamiento
de la Neurona.
Figura 2.2.1 Estructura de un perceptrn [1]
Como se observa en la Figura 2.1.1 las partes
constitutivas del Perceptrn son:
Capa de Entrada: Constituye las entradas de la
Neurona, las cuales se toman una a una y se
conectan a la capa oculta con sus pesos
respectivos.
Capa Oculta: All est configurada la funcin de
transferencia de la RNA, es decir, la forma como
toma cada entrada y la evala.
Capa de salida: Constituye la salida, en ste caso
es una sola.
Ahora bien, aunque es importante resaltar las
caractersticas ms importantes de las Redes
CIDE. Programa de electrnica.
.
Neuronales Artificiales (RNA), en el presente artculo
solo haremos referencia al Perceptrn Bsico.
Adems de su estructura se debe reconocer en las RNA,
4 caractersticas importantes: Topologa, mecanismo de
aprendizaje, asociacin entre la informacin de entrada
y la informacin de salida y la forma como se representa
la informacin, de ello depende la comprensin del
funcionamiento de ste primer acercamiento al
Perceptrn.
A continuacin se presenta una breve descripcin de
tales caractersticas.
2.2.1 Topologa:
Hace referencia a la forma como se conectan las redes
neuronales, el nmero de conexiones entre las
neuronas, la cantidad de neuronas en cada capa y el
grado de conectividad. En ste caso se habla de Redes
Monocapa y Redes Multicapa.
2.2.2 Mecanismo de aprendizaje:
Es la forma como la red actualiza los pesos de acuerdo
a la informacin de entrada; como analoga a los
sistemas biolgicos, se puede pensar en la forma como
se conecta o desconecta una red neuronal; cuando se
produce un aprendizaje, se genera una conexin esto
quiere decir que para la RNA, el peso es distinto de
cero, pero cuando se realiza una desconexin por el
proceso de aprendizaje que sucede en el cerebro, esto
se interpreta en la RNA, como el equivalente a cero del
peso que conecta a la entrada respectiva.
Segn esta caracterstica las RNA pueden ser: con
aprendizaje supervisado o con aprendizaje no
supervisado. Cada uno de ellos tienen sus propias
caractersticas no se profundizar en ellos ya que sta
intensin escapa a los lmites del presente artculo.
2.2.3 Asociacin de la informacin Entrada / Salida:
Es la forma como la red neuronal almacena los pesos
nuevos a partir de los aprendizajes, estos son formas de
representacin del nuevo conocimiento para la RNA.
Es decir tiene un comportamiento similar al encontrado
en los sistemas biolgicos y que se conoce como
memoria asociativa.
Segn ste criterio, las RNA pueden ser:
Heteroasociativas (Mantienen la informacin gracias a la
existencia de dos capas una para captar la informacin y
otra para retenerla) y Autoasociativas (compara las
entradas actuales con los datos almacenados y escoge
el ms parecido en el estado presente).
2.2.4 Representacin de la informacin
Entrada/Salida:
Los datos a tratar pueden ser continuos o discretos, en
el primer caso se habla de datos tipo analgicos,
tomados de variables reales, por tanto la funcin de
activacin debe ser de la misma naturaleza, es decir de
3
tipo lineal o Sigmoidal. En el caso de los datos discretos,
la funcin de activacin debe ser de tipo escaln.
Tabla 2.2.4.1 Resumen de RNA segn tipo de datos [1]
RNA CONTINUAS RNA HIBRIDAS RNA
E:ANALOGA DISCRETAS
S:ANALOGA E: ANALOGA E: BINARIA
S: BINARIA S: BINARIA
BACKPROPAGATIO PERCEPTRON HOPFIELD
N DISCRETO
LINEAR ADALINE/MADA ART
ASOCIATIVE LINE (ASOCIATIVE
MEMORY RESONANCE
THEORY)
Como se observa en la tabla se escriben tres ejemplos
para que el lector profundice en el estudio de cada uno
de ellos, y de otros propuestos para cada una de las
clasificaciones presentadas.
2.3 Matlab en la modelacin del Perceptrn
Para identificar la estructura del Perceptrn simple, (De
una sola capa), se debe partir de las caractersticas
mencionadas en el apartado anterior.
Figura 2.3.1 Estructura del Perceptrn Simple [1]
A continuacin se realiza una descripcin del algoritmo
usado para implementar un Perceptrn bsico, bajo
entorno Matlab, se aplican conceptos de programacin
estructurada, para que el cdigo sea de fcil
comprensin y se realice la adaptacin necesaria si se
quiere usar otro entorno de programacin. Se hace
necesario mencionar, que Matlab ya trae en sus
herramientas (Toolbox), los algoritmos de algunas redes
neuronales, sin embargo en el presente artculo se
presenta un cdigo genrico el cual se puede
implementar en diferentes ambientes de programacin.
Para explicar la estructura del cdigo, se plantea el
siguiente orden en el algoritmo planteado.
1. Se fijan los pesos aleatorios: Son valores que
multiplican a la entrada, generalmente entre 0 y
1, sin embargo estos valores son irrelevantes,
es decir su valor no interesa pero deben existir,
la nica restriccin es que no pueden ser cero,
esto indicara que la entrada no se tiene en
cuenta.
2. Se establecen las entradas: Se configura la
matriz de entrada, segn el nmero de entradas
y los valores que toman cada una de ellas.
CIDE. Programa de electrnica.
.
3. Se calcula la salida segn la funcin de
aprendizaje. Para el Perceptrn se usar la
funcin hardlim, de Matlab.
4. Se actualizan pesos segn respuesta. De
acuerdo a la funcin determinada, se recalculan
los nuevos pesos, stos ayudarn a reevaluar
las nuevas entradas.
5. Se regresa al paso 3 hasta obtener la
respuesta deseada.
A ste algoritmo se le conoce como aprendizaje por
refuerzo, la neurona repite el proceso hasta conseguir el
aprendizaje de las salidas deseadas.
3 DISEO DE LA APLICACIN EN MATLAB
Como se indic anteriormente, Matlab es la
herramienta por excelencia en el modelamiento e
implementacin de la funcin de transferencia del
Perceptrn. Aunque en la seccin 2.3 se plante la
forma de hacerlo, en ste apartado se deja el cdigo
para ser usado en diferentes contextos.
Para explicar el algoritmo usado, en ste caso
particular, se explica paso a paso la implementacin en
Matlab , correlacionando mencionado cdigo con las
ecuaciones que rigen cada una de las etapas de dicho
algoritmo, citadas en la seccin 2.3.
1. Se fijan los pesos aleatorios: En Matlab, se
pueden usar los vectores de datos, el lector
debe estar familiarizado con el Algebra Lineal.
Para ello se digita en el editor de Matlab , la
lnea de cdigo:
W=rand(2,1).
Con ste comando se genera un vector
llamado W, que consta de dos datos
aleatorios organizado en dos filas y una
columna (2,1)
2. Se establecen las entradas: La matriz de
entrada debe estar organizada de tal forma
que el nmero de entradas designa el nmero
de columnas, las filas son designadas por las
posibilidades de combinacin de las
mencionadas entradas. En nuestro caso se
pretende que la red se comporte como una
compuerta lgica de dos entradas. Esto indica
que el vector de entrada X, debe definirse en
Matlab como sigue:
X = [0 0; 0 1; 1 0; 1 1]
Se debe observar que al ejecutar esta lnea de
cdigo se genera una matriz de 2 columnas y
4 filas.
Luego se estableces el BIas o velocidad de
aprendizaje, esta es una constante entre 0 y 1,
se puede definir usando el comando: Th=0.1,
en ste caso el Bias tiene un valor de 0.1.
3. Calculo de la salida: Inicialmente se establece
la salida deseada, sta debe estar conformada
por un vector Y que contenga por cada
4
estado de entrada una salida, en ste caso
ser un vector de una columna con cuatro
filas, como se indica a continuacin
Y=[0 0 0 1]
La salida deseada corresponde a una
compuerta AND, cuya salida depende de las
entradas
Tabla 3.1 Estados compuerta AND
X1 X2 Y
0 0 0
0 1 0
1 0 0
1 1 1
Observe como se resumen los datos de la
tabla, la columna X1 corresponde a la primer
entrada, la columna X2 la segunda entrada y
la columna Y a la salida, para definir el vector
de salida deseada, se puede usar el comando:
yd=[0;0;0;1], que es un vector columna, el lector
puede verificarlo usando el comando en
Matlab.
Teniendo en cuenta la salida deseada, ahora se
calcula la salida a partir de la funcin de
activacin de la red neuronal, en ste caso el
Perceptrn.
La funcin de activacin que se usa es de tipo
escaln unitario, sta funcin permite clasificar
en dos estados la respuesta del Perceptrn,
como se puede observar en la Tabla 3.1 solo
hay dos estados 0 o 1. Para aplicar la
funcin escaln unitario, se usa en Matlab el
comando: Hardlim.
La estructura de la nueva salida, se escribe
como: y=Hardlim((X*W)-Th) si el lector en ste
punto est comprobando el resultado puede
observar que an la respuesta no es la
deseada.
Para obtener la respuesta adecuada, se debe
realizar el proceso varias veces hasta que la
respuesta calculada y sea igual a la respuesta
deseada yd
4. Se actualizan los pesos, para ello se usa la
funcin de la red neuronal planteada en la
Ecuacin:
( + 1) = () + [() ()] ()
0
Dicha ecuacin se puede escribir en Matlab de
la siguiente manera:
Wn(k,1)=Wn(k,1)+(n*(X(i,k)*e(i,1)));
El ciclo que debe realizarse se debe detener
cuando el error sea menor a 1, como se puede
observar el nuevo peso (Wn), se calcula a partir
del producto de la ganancia (=n), por la
entrada (X(i,k)=xi(t)), por la diferencia entre la
salida deseada (d(t)), menos la salida calculada
(y(t)).
CIDE. Programa de electrnica.
.

El programa final, como se utiliz en Matlab hasta obtener la salida deseada, se establece el
fue: ciclo for, donde T es el nmero de
%1. Fijar pesos aleatorios iteraciones que el programa debe recalcular los
Wn=rand(2,1); pesos hasta obtener los adecuados para que la
%2. Establecer los valores de entrada neurona aprenda a resolver la compuerta OR.
X=[0 0; 0 1;1 0;1 1]; Se sugiere que el lector cambie las salidas
Th=0.1; %Bias o referencia del Perceptrn deseadas y revise el nmero de iteraciones que
%3. Calcular la salida de la neurona el Perceptrn requiere para obtener las
yd=[0;0;0;1]; respuestas a las compuertas AND.
y=hardlim((X*Wn)-Th);
plot(X,y),grid on, hold on 4 EJEMPLO DE APLICACION
e=yd-y; %Se calcula el error al restar la
salida deseada de la salida obtenida.
Como ejemplo de aplicacin, se plantea el de
ed=0.1;% Se establece el error aceptado,
seleccionar una prenda de vestir, segn sus
en ste caso 0.1
caractersticas en cuanto a la Calidad de la tela y Tipo
N=2; %se establecen las iteraciones,
de Tela. Para la categora Calidad se establecen dos
pueden ser definidas por la velocidad de
estados, Buena =1, Baja =0; para la categora Tipo, los
aprendizaje
estados son: No pao=0 y Pao=1.
%Aqu empieza el entrenamiento de la
neurona, se hace de manera recursiva La idea es que el Perceptrn seleccione dos
%W(i,j) i=fila; j= Columna opciones, por costos, ya que de otra manera se
n=0.9; %Factor de ganancia en el rango de excedera en el presupuesto asignado para la compra de
0.0 a 1.0 las prendas, de tal forma que cuando las categoras Tipo
ent=2; y Calidad sean las parejas ordenadas:
r=0; No Pao, Buena y Pao, Baja.
% Se inician los nuevos pesos Respectivamente, pero que no seleccione los
for T=1:N %Ciclo for correspondiente a las estados:
iteraciones del aprendizaje por refuerzo No Pao, Baja y Pao, Buena
if e==0 La situacin se puede resumir en la Tabla 4.1:
break
else Tabla 4.1. Resumen situacin seleccin de una
for i=1:4 %Ciclo for correspondiente a prenda
las filas segn no de entradas i=filas
for k=1:ent %Ciclo for para Categora de la Tela
Seleccin
actualizar pesos. k=columnas Tipo Calidad
Wn(k,1)=Wn(k,1)+(n*(X(i,k)*e(i,1))) No Pao Baja No
end No Pao Buena Si
yn(i,1)=(hardlim((X(i,1)*(Wn(1,1)- Pao Baja Si
Th))+((X(i,2)*Wn(2,1)-Th)))) Pao Buena No
%Funcin para calcular las nuevas
salidas. Ahora bien, si la Tabla 4.1 se interpreta en binario,
end se puede representar as:
e=yd-yn
M=e-ed Tabla 4.2. Seleccin de una prenda en binario.
T %si el error es mayor que la tolerancia
continua haciendo el proceso se define la T C S
velocidad de aprendizaje para aplicar la 0 0 0
forma de calcular nuevos peso
0 1 1
end
1 0 1
end
%5. Continua hasta que el error sea menor 1 1 0
que la tolerancia
La funcin que se ajusta al comportamiento de la
situacin anterior es la de una compuerta tipo XOR, se
Se dejaron los comentarios para ubicar al lector sugiere revisar ste concepto si el lector no est
con respecto a los 5 pasos planteados en el familiarizado.
apartado anterior y el desarrollo de ste. Si se Para ello solo se debe modificar en el programa
quiere cambiar la salida deseada, solo se anterior el vector de salida deseada yd, y observar la
deben modificar los datos del vector yd, que salida que la neurona calcula, al finalizar el aprendizaje
para efectos del ejemplo, corresponde a una yn, analizar el error M y determinar el nmero de
compuerta OR y observar la respuesta en el iteraciones T, as cmo identificar los pesos en las
vector yn. entradas ajustados a la respuesta deseada, permite
identificar la velocidad de respuesta y la capacidad de
Para determinar el nmero de veces que la aprendizaje.
neurona tuvo que realizar el ajuste de los pesos

5
CIDE. Programa de electrnica.
.

Al ejecutar el programa con las modificaciones Available:

sugeridas anteriormente se obtienen los siguientes datos
de las variables analizadas:
Los pesos iniciales se asignan de forma aleatoria,
como se observa en el cdigo, mediante el comando:
Wn =rand(2,1); el programa asigna los valores,
para ste caso:
Wn =
0.5688
0.4694
Se debe aclarar que cada vez que el programa se
ejecuta, los pesos iniciales cambian, pues estos valores
son aleatorios, los valores finales de este vector son los
que se ingresan a la funcin finalmente para que la Red
Neuronal (RNA), se comporte ahora como una
compuerta XOR.
5 CONCLUSIONES
A pesar de los mltiples recursos y programas que
se encuentran en torno a la implementacin de un
algoritmo para implementar una Red Neuronal, muchos
no explican ampliamente los pasos a seguir, ste es un
ejercicio que permite al estudiante implementar un
Perceptrn de manera genrica.
http://www.mathworks.com/help/nnet/ug/neuron-
model.html?searchHighlight=neuron+model. [ltimo
acceso: 21 Octubre 2013].
Ancizar Paredes Ardila
Docente de tiempo completo desde 2008 hasta la fecha,
en la CIDE; ha orientado las materias relacionadas con
la Ingeniera Electrnica, en los programas de
Tecnologa en la institucin. Docente Universitario en
UNIMINUTO y TEINCO donde se ha desempeado en
reas afines a la disciplina de su titulacin, Co-
investigador del grupo Neurociencia de la Universidad de
Antioqua, como pasante de Maestra; lder del grupo de
Investigacin IARN-CIDE.
Docente en los niveles de formacin del ciclo 5 en
colegios del distrito. Bachiller Pedaggico, (Normal
Nacional para varones de Pamplona N de S) Ingeniero
Electrnico (Universidad Antonio Nario) y candidato a
Mster en Tecnologas de la Informacin Aplicadas a la
Educacin (MTIAE-Universidad Pedaggica Nacional de
Colombia).

A pesar de los esfuerzos por emular el

comportamiento de un Perceptrn, se debe aclarar que
para acercarse al comportamiento de una red neuronal
se debe implementar el procesamiento en paralelo, en
ste caso se usa un algoritmo secuencial, lo que debera
corregirse si se quiere realizar un ejercicio de
implementacin ms acertado, la mejor opcin es usar
elementos de hardware para conseguir un resultado
aproximado.

Se debe tener especial cuidado al utilizar valores

adecuados para el Bias, ya que ste puede afectar el
comportamiento de la Red, toda vez que puede ofrecer
valores y comportamientos no adecuados, ste debe
estar entre 0 y 1 as como el factor de ganancia que se
observa en el programa de Matlab.

6 REFERENCIAS
[1] E. Marrero, Pgina Profesor: Eddie Marrero, Marzo
2005. [En lnea]. Available:
http://academic.uprm.edu/eddiem/psic3001/id36.htm.
[ltimo acceso: 5 Febrero 2012].
[2] Aldabas, Emiliano. Introduccin al reconocimiento
de patrones mediante redes neuronales, [En lnea].
Available: www.eel.upc.es.. [ltimo acceso: 23 Marzo
2013].
[3] J. R. Hilera, Redes Neuronales Artificiales.
Fundamentos, Modelos y Aplicaciones, Madrid,
espaa: Alfaomega, 1995.
[4] MathWorks, Inc., Neuron Model, 2013. [En lnea].