Universidad Politécnica Salesiana. , Cruz William, Barragan Leonardo, Larco Gregori.
Informe Proyecto RECONOCIMIENTO DE
VOCALES
Cruz William, Barragan Leonardo, Larco Gregori.
wcruz@est.ups.edu.ec, lbarragan@est.ups.edu.ec, glarco@est.ups.edu.ec
Universidad Politécnica Salesiana

Resumen—En este trabajo se expone un breve
panorama de la historia de las redes neuronales,
siendo el tema principal de este trabajo las redes
neuronales backpropagation, por lo que se explica el
funcionamiento de este tipo de red y se da un
ejemplo empleando un software llamado de
reconocimiento de vocales.
I.INTRODUCCIÓN
Las redes neuronales son más que otra forma de
emular ciertas características propias de los
humanos, como la capacidad de memorizar y de
asociar hechos. Si se examinan con atención
aquellos problemas que no pueden expresarse a
través de un algoritmo, se observará que todos ellos
tienen una característica en común: la experiencia.
El hombre es capaz de resolver estas situaciones
acudiendo a la experiencia acumulada. Así, parece
claro que una forma de aproximarse al problema
consista en la construcción de sistemas que sean
capaces de reproducir esta característica humana.
Las redes neuronales son un modelo artificial y
simplificado del cerebro humano, que es el ejemplo
perfecto del que se dispone para un sistema que es
capaz de adquirir conocimiento a través de la
experiencia. Una red neuronal es “un nuevo sistema
para el tratamiento de la información, cuya unidad
básica de procesamiento está inspirada en la célula
fundamental del sistema nervioso humano: la
neurona”. Todos los procesos del cuerpo humano se
relacionan en alguna u otra forma con la
(in)actividad de estas neuronas. Las mismas son un

componente relativamente simple del ser humano,
pero cuando millares de ellas se conectan en forma
conjunta se hacen muy poderosas.
II. HISTORIA
Este algoritmo lo desarrollaron a partir de estudios
anteriores con el fin de crear una red que aprendiera
las relaciones existentes entre pares de datos. Existe
por lo menos una capa intermedia, la
regla backpropagation (BP) o el algoritmo BP
comenzó a ser usado cuando, en 1986 Rumelhart, et
al., 1986 desarrollaron el modelo actual.
El proceso básico necesita que el patrón de
información incluya tanto los datos de entrada
(input) como los datos de salida (output).
Inicialmente a partir de las neuronas de la capa de
entrada se van propagando los datos de las
variables input, por el resto de las neuronas y
conexiones en función de los pesos que inicialmente
son aleatorios. A partir del algoritmo de aprendizaje,
estos pesos se irán modificando hasta producir
determinados outputs. En el proceso de
entrenamiento se presentan simultáneamente a la
red patrones de datos input - output, ya que cada
valor de entrada tiene su correspondiente valor de
salida.
Leer más: http://www.monografias.com/trabajos95/redes-
neuronales-artificiales-metodologia-desarrollo-y-
aplicaciones/redes-neuronales-artificiales-metodologia-
desarrollo-y-aplicaciones.shtml#algoritmoa#ixzz3SNcblkNt
La importancia de la red consiste en su capacidad
de autoadaptar los pesos de las neuronas de las
capas intermedias para aprender la relación que
existe entre un conjunto de patrones dados como
ejemplo y sus salidas correspondientes. Después del
Universidad Politécnica Salesiana. , Cruz William, Barragan Leonardo, Larco Gregori.
entrenamiento, puede aplicar esta misma relación a
nuevos vectores de entrada con ruido o incompletas,
dando una salida activa si la nueva entrada es
parecida a las presentadas durante el aprendizaje.
La capacidad de generalización es una característica
importante que se exige a los sistemas de
aprendizaje, se entiende como la facilidad de dar
salidas satisfactorias a entradas que el sistema no ha
visto nunca en su fase de entrenamiento y que
puede aplicar a entradas no presentadas durante la
etapa de aprendizaje, esto para clasificarlas según
las características que compartan con los ejemplos
de entrenamiento.
Las redes tipo Backpropagation tienen una gran
versatilidad, debido a la naturaleza de su proceso de
aprendizaje, que solamente necesita de dos
ecuaciones para propagar las señales de error hacia
atrás. Se elige entre una u otra ecuación
dependiendo si la unidad de proceso es o no de
salida.
El algoritmo Backpropagation puede entrenar redes
multicapas feedforward, con funciones de
transferencia diferenciables para ejecutar funciones
de aproximación, asociación y clasificación de
patrones. Pueden entrenarse también otros tipos de
redes, aunque la red multicapa es la más
comúnmente usada. El término Backpropagation se
refiere al proceso por el cual pueden calcularse las
derivadas de error de la red, con respecto a los
pesos de la red. Este proceso puede usarse con
varias estrategias de optimización diferentes.
Se han desarrollado numerosas variaciones de
Backpropagation, con el propósito de mejorar la
velocidad del proceso de entrenamiento.
III. ARQUITECTURA
Un modelo SOM está compuesto por dos capas
de neuronas. La capa de entrada (formada por N
neuronas, una por cada variable de entrada) se
encarga de recibir y transmitir a la capa de salida la
información procedente del exterior. La capa de
salida (formada por M neuronas) es la encargada de
procesar la información y formar el mapa de rasgos.
Normalmente, las neuronas de la capa de salida se
organizan en forma de mapa bidimensional como se
muestra en la figura1:
2
Figura 1: Arquitectura de los SOM
Las conexiones entre las dos capas que forman la
red son siempre hacia delante, es decir, la
información se propaga desde la capa de entrada
hacia la capa de salida. Cada neurona de entrada i
está conectada con cada una de las neuronas de
salida j mediante un peso wji. De esta forma, las
neuronas de salida tienen asociado un vector de
pesos Wj llamado vector de referencia (o
codebook), debido a que constituye el vector
prototipo (o promedio) de la categoría representada
por la neurona de salida j. Así, el SOM define una
proyección desde un espacio de datos en alta
dimensión a un mapa bidimensional de neuronas.
Entre las neuronas de la capa de salida, puede
decirse que existen conexiones laterales de
excitación e inhibición implícitas, pues aunque no
estén conectadas, cada una de estas neuronas va a
tener cierta influencia sobre sus vecinas. Esto se
consigue a través de un proceso de competición
entre las neuronas y de la aplicación de una función
denominada de vecindad , que produce la topología
o estructura del mapa. Las topologías más
frecuentes son la rectangular y la hexagonal.
Las neuronas adyacentes pertenecen a una
vecindad Nj de la neurona j. La topología y el
número de neuronas permanece fijo desde el
principio. El número de neuronas determina la
suavidad de la proyección, lo cual influye en el
ajuste y capacidad de generalización del SOM.
Durante la fase de entrenamiento, el SOM forma
una red elástica que se pliega dentro de la nube de
datos originales. El algoritmo controla la red de
modo que tiende a aproximar la densidad de los
datos. Los vectores de referencia del codebook se
acercan a las áreas donde la densidad de datos es
alta.
Eventualmente unos pocos vectores el codebook
Universidad Politécnica Salesiana. , Cruz William, Barragan Leonardo, Larco Gregori.
están en áreas donde existe baja
densidad de datos.
IV. ALGORITMO DE APRENDIZAJE
En una red Backpropagation existe una capa de
entrada con n neuronas y una capa de salida con m
neuronas y al menos una capa oculta de neuronas
internas. Cada neurona de una capa (excepto las de
entrada) recibe entradas de todas las neuronas de la
capa anterior y envía su salida a todas las neuronas
de la capa posterior (excepto las de salida). No hay
conexiones hacia atrás feedback ni laterales entre
las neuronas de la misma capa. La aplicación del
algoritmo tiene dos fases, una hacia delante y otra
hacia atrás. Durante la primera fase el patrón de
entrada es presentado a la red y propagado a través
de las capas hasta llegar a la capa de salida.
Obtenidos los valores de salida de la red, se inicia la
segunda fase, comparándose éstos valores con la
salida esperada para así obtener el error. Se ajustan
los pesos de la última capa proporcionalmente al
error. Se pasa a la capa anterior con una
retropopagación del error, ajustando los pesos y
continuando con este proceso hasta llegar a la
primera capa. De esta manera se han modificado los
pesos de las conexiones de la red para cada patrón
de aprendizaje del problema, del que conocíamos su
valor de entrada y la salida deseada que debería
generar la red ante dicho patrón. La técnica
Backpropagation requiere el uso de neuronas cuya
función de activación sea continua, y por lo tanto,
diferenciable. Generalmente, la función utilizada
será del tipo sigmoidal. Pasos para aplicar el
Algoritmo de Entrenamiento Paso 1. Inicializar los
pesos de la red con valores pequeños aleatorios.
Paso 2. Presentar un patrón de entrada y especificar
la salida deseada que debe generar la red. Paso 3.
Calcular la salida actual de la red. Para ello se
presentan las entradas a la red y se calcula la salida
de cada capa hasta llegar a la capa de salida, ésta
será la salida de la red. Los pasos son los siguientes:
Se calculan las entradas netas para las neuronas
ocultas procedentes de las neuronas de entrada. Para
una neurona j oculta:
3
V. APLICACIONES
Aplicación de Kohonen - mapa organizativo para el
análisis de estructura urbana
En este artículo se presenta un estudio de caso de
la aplicación de SOM para análisis de la estructura
urbana de la ciudad de Nueva Orleans. Un aspecto
de este trabajo es la inclusión de los datos
ambientales de imágenes de satélite para la
agrupación.
A. Razones de Estudio
485 Bloques
2005, Katrina
Diversidad Demográfica
Protección de inundación
B. El conjunto de datos
Diez variables socio-económicas derivadas del
censo de 2000
Datos se utilizaron en este estudio:
1) Pop: Densidad de población (personas por
kilómetro cuadrado)
2) Hou: Casa densidad (número de viviendas por
plaza kilómetro)
3) Vac: Tasa de vacantes (la proporción de viviendas
vacías a un total decasas)
4) Veh: Tasa de Multi-vehículo (el tipo de hogar
ocupado que tienen dos o más vehículos)
5) Edu: tasa de Licenciatura (la tasa de 25 años de
edad o más personas que tienen licenciatura o grado
superior)
6) Punto De Vista: Tasa de pobreza (la tasa de
hogares que están por debajo nivel de pobreza)
7) absolutos en miles: Tasa de desempleo (la tasa de
25 años o más personas en la fuerza laboral que
están en paro)
8) Blanco:% de blancos
9) Alquiler: renta mediana (mediana casa de alquiler
de ocupado hogar)
10) Inc: el ingreso promedio de los hogares (medio
por hogar los ingresos de los hogares ocupados)
A. Características y términos
1) topología Mapa
Las neuronas de salida se organizan en un mapa,
que puede ser de cualquier dimensión. Tres
topologías 2-dimensionales son ampliamente
utilizado: rejilla, hexágono, o al azar.
2) La función de la distancia de salida de las
neuronas
Universidad Politécnica Salesiana. , Cruz William, Barragan Leonardo, Larco Gregori. 4

La medida que se obtiene se basan en la posición

espacial de la neuronas en el mapa SOMy permite
medir las distancia euclídea entre las posiciones
espaciales de dos neuronas de salida; mide el
número de neuronas compartidas para conectar dos
neuronas de salida;
3) Tasa de Aprendizaje
Tasa de aprendizaje se utiliza para ajustar el vector
de peso. Se varió de 0 a 1 y dinámicamente decaído
a partir de un valor mayor (0.9) a un valor pequeño
(como 0.02) a lo largo de la red de formación
Implementación
11 Neuronas de Entrada
Topología - cuadrícula 9
Diferencia entre el vector de entrada y el vector de
pesos

Resultado

En el bloque de grupos del clúster 8 y 9 se encuentran

principalmente áreas verdes como parques y campos de golf

Mapa organizativo para la detección de movimientos del

cirujano durante endoscopia
Tiene la capacidad para reconocer la acción
actual del cirujano posee una importancia crucial en
Universidad Politécnica Salesiana. , Cruz William, Barragan Leonardo, Larco Gregori.
el desarrollo de un robot capaz de ayudar a un
cirujano durante la operación quirúrgica
endoscópica.
Resultado:
• La principal ventaja de la segmentación
basada en mapa de Kohonen es que toma en
cuenta las propiedades dinámicas de
diferentes movimientos y permite una fácil
adaptación al algoritmo de detección.
• Permite ahorrar tiempo requerido por
humanos a la segmentación etalon hecho a
los efectos del modelo adaptación y puesta a
punto.
• Los movimientos del Robot son mucho más
precisos que los del ser humano.
5
VI. EJEMPLO
VII.
VIII. CONCLUSIONES
En el estudio de las redes de Kohonen se puede aplicar una
función de vecindad para sus cálculos, el entendimiento de su
funcionamiento es un poco complicado al no tener alguna idea
del funcionamiento de las neuronas, pero con una
investigación adecuada se puede llegar al desarrollo de la una
sistema que realizar un mejor funcionamiento y entendimiento
de las redes de Kohonen.
El primer caso permite obtener un análisis importante para el
desarrollo socio económico y ambiental de la ciudad de Nueva
Orleans, es interesante ya que esta ciudad está expuesta
directamente a huracanes y su población es sumamente alta,
Universidad Politécnica Salesiana. , Cruz William, Barragan Leonardo, Larco Gregori. 6

de tal manera que el análisis estructural debe realizarse

correctamente.

REFERENCIAS

[1] Kohonen T., Automatic formation of topological maps of

patterns in a self-organizing system, in Erkki Oja and Olli
Simula, editors, Proc. 2SCIA, Scand. Conf. on Image
Analysis, pages 214-220, Helsinki, Finland, 1981,
Suomen Hahmontunnistustutkimuksen Seura r. y.

[2] Kohonen T., Self-organizing formation of topologically

correct feature maps, Biol. Cyb., 43(1):59-59, 1982.

[3] Neural Networks, 2008. IJCNN 2008. (IEEE World

Congress on Computational Intelligence). IEEE
International Joint Conference on

[4] Petlenkov, E. ; Dept. of Comput. Control, Tallinn Univ. of

Technol., Tallinn ; Nomm, S. ; Vain, J. ; Miyawaki, F.