Está en la página 1de 4

Inteligencia Artificial

METODO BACK – PROPAGATION


Inteligencia Artificial
IE. JHON MARIO MURCIA YARA. Esp
U3900239@unimilitar.edu.co
COD. 3900239

Resumen

Se realiza una red neuronal utilizando el método de Back – Propagation, esto para identificar 10
figuras diferentes, realizando entrenamiento en doble vía, revisando los pesos y corrigiendo el error
en cada ciclo.

Abstract Se desea realizar un análisis del


procedimiento y los resultados para
The method of Backpropagation consists compararlos con otros métodos y conocer las
in the training of a neuronal network bondades y deficiencias del método
making verification of the weights per propuesto, esto para esta clase de ejercicios
neuron and correcting the error de identificación aclarando que cada método
generated there, to arrive at a tiene una aplicación más eficiente.
percentage of accuracy when identifying
the patron. OBJETIVO

The method seeks that the error store to zero, Demostrar por medio de un ejercicio de
this in order to be as successful as possible. identificación de patrones el método de Back
– Propagation
1. INTRODUCCION
OBJETIVOS ESPECIFICOS
Se debe realizar la verificación de los
patrones que se quieren identificar  Realizar algoritmo donde se aplique
determinando si se quiere ingresar desde el el método de Back – Propagation
main de la aplicación o se realizar el cargue
desde un archive csv o plano, esto con el fin  Identificar patrones por medio del
de discriminar el patrón a identificar método manifestado
codificándolos en 0 y 1, que permite realizar
una configuración XOR o AND, esto desde el  Demostrar que el método aplicado
concepto digital y poder clasificar el patrón para redes neuronales e inteligencia
para identificación. artificial aplica para el ejercicio

Se realiza este procedimiento porque se


quiere medir la efectividad de los sistemas de 2. MARCO TEORICO
inteligencia artificial construidos desde redes
neuronales, con el fin de determinar la 2.1. DEFINICION
efectividad de cada método y poder desde la
parte conceptual determinar los resultados Las neuronas y las conexiones entre ellas
obtenidos. (sinápsis) constituyen la clave para el
procesamiento de la información. De alguna

1. http://repositoriodigital.ipn.mx/bitstream/123456789/8628/1/Archivo%20que%20incluye%20portada,%20%C3%ADndice%20y%20texto.pdf
Inteligencia Artificial

manera la neurona elabora una señal de salida hasta que todas las neuronas de la red hayan
a partir de las dendritas, que son la vía de recibido un error que describa su aportación
entrada de las señales que se combinan en el relativa al error total. Basándose en el valor
cuerpo de la neurona, las envía al axón, que del error recibido, se reajustan los pesos de
es el camino de salida de la señal generada conexión de cada neurona, de ji i Netj = ∑yi
por la neurona. Las sinapsis, son las unidades w 6 manera que en la siguiente vez que se
funcionales y estructurales elementales que presente el mismo patrón, la salida esté más
median entre las interacciones de las cercana a la deseada [1].
neuronas.
3. PROCEDIMIENTO
En las terminaciones de las sinapsis se
encuentran unas vesículas que contienen unas 3.1. Se realiza el análisis para realizar el
sustancias químicas llamadas código, teniendo en cuenta que se
neurotransmisores, que ayudan a la debe limitar que la capa dos sea
propagación de las señales electroquímicas de menores que la uno para garantizar la
una neurona a otra [1]. salida cuando se esté recorriendo la
red neuronal hacia atrás y mejorar el
error de cada capa.

Se inicilizan las variables desde teclado.

clc
alpha=input('Ingrese el valor del factor de
aprendizaje, alpha: ');
lt=input('Limite del Error: '); %%%Se debe
generar un límite para error
L3=10; %Delimitar el número de neuronas de
la última capa
L2=input('Neuronas de la Segunda capa: ');
Figura 1. Neurona Física y Funciones if (L2<L3)
disp('El valor debe ser mayor a 10');
El funcionamiento de la red backpropagation L2=input('Ingrese el numero de Neurones
(BPN) consiste en el aprendizaje de un de la Segunda capa: ');
conjunto predefinido de pares de entradas- end
salidas dados como ejemplo: primero se L1=input('Neuronas de la primera capa: ');
aplica un patrón de entrada como estímulo if (L1<L2)
para la primera capa de las neuronas de la fprintf('El valor debe ser mayor
red, se va propagando a través de todas las a:%3.0f\n',L2);
capas superiores hasta generar una salida, se L2=input('Ingrese el número de Neuronas
de la primera capa: ');
compara el resultado en las neuronas de
end
salida con la salida que se desea obtener y se
calcula un valor de error para cada neurona se escoge el método
de salida. A continuación, estos errores se
transmiten hacia atrás, partiendo de la capa de On_off_line=input('Marque 1 para Online, 2
salida hacia todas las neuronas de la capa para Offline: ');
intermedia que contribuyan directamente a la
salida. Este proceso se repite, capa por capa,

1. http://repositoriodigital.ipn.mx/bitstream/123456789/8628/1/Archivo%20que%20incluye%20portada,%20%C3%ADndice%20y%20texto.pdf
Inteligencia Artificial

Se realiza el cargue de los patrones desde


archivo plano

%Inicializando Las capas y Neuronas


%%Patrones de salida%
P=xlsread('PATRONES.xlsx',2,'A1:AI20');
YD=xlsread('PATRONES.xlsx',3,'A1:J20');

%Se definen los valores de los pesos de inicio


%se condicionan para que la red neuronal no
se sature
a=-2.4/36;
b=2.4/36;
w1=[(b-a).*rand(L1,36)+a];%%pesos de la Figura 3. Red Neuronal utilizada en el
primera capa método Back- Propagation

c=-2.4/(L1+1); Esto dentro de método de Back propagation,


d=2.4/(L1+1); se recorre des izquierda a derecha utilizando
w2=[(d-c).*rand(L2,L1+1)+c]; la siguiente ecuación:
e=-2.4/(L2+1);
(𝑋11 ∗ 𝑃𝑒𝑠𝑜 + 𝑋2 ∗ 𝑃𝑒𝑠𝑜) + (𝑈𝑚𝑏𝑟𝑎𝑙 ∗ 𝑤
f=2.4/(L2+1);
w3=[(f-e).*rand(L3,L2+1)+e];%%Pesos de la ∗ 𝑐) = tanh⁡(𝑆)
capa tercera de salida
Siendo la tanh la salida de la neurona y esto
3.2. Se realiza la codificación en binario se aplica para recorrer el camino hacia
de los patrones, sin embargo, el orden adelante, hasta llegar a la salida de la última
que puede tener un archivo plano en capa.
formato xlx, puede ayudar a
solucionar un problema de lectura. Para regresar en el recorrido se toma la salida
de la última capa y se compara con el valor
de los pesos dados en el primer recorrido, y
de ahí lo reemplaza y toma el valor más alto.
Es por eso que el error tiende a cero y puede
identificar por comparación de proximidad
que es o no el valor buscado.

CONCLUSIONES

Se realiza la verificación de patrones e


identificaciones de los mismos, siendo el
método de back propagation muy
determinante para realizar este ejercicio y los
Figura 2. Matriz de Pesos de la Red que se asemejen, siendo la aplicación del
método completo y se logra una
identificación plena de la imagen.

Realizando el análisis de los resultados se


observa que la identificación se realiza
1. http://repositoriodigital.ipn.mx/bitstream/123456789/8628/1/Archivo%20que%20incluye%20portada,%20%C3%ADndice%20y%20texto.pdf
Inteligencia Artificial

completa pero el consumo de recursos de


maquina es muy alto y disminuye la
efectividad respecto al tiempo de ejecución
de dicho ejercicio, siendo aconsejable
implementar estrategias para optimizar el
proceso o disminuir la carga de maquina.

Se concluye que para esta clase de fenómenos


donde se necesite emular el humano en sus
comportamientos físicos, es muy propicio
utilizar este mecanismo, pero se debe evaluar
para otros procesos o aprendizaje de maquina
ya que no es el más óptimo.

BIBLIOGRAFIA

[1] R. G. Simon Haykin Neuronal Networks and


Learning Machines, MacMaster university, Tercera
Edicion

1. http://repositoriodigital.ipn.mx/bitstream/123456789/8628/1/Archivo%20que%20incluye%20portada,%20%C3%ADndice%20y%20texto.pdf

También podría gustarte