Electricidad Y

Electrónica

Laboratorio control con inteligencia artificial

Red Neuronal

NOMBRE: Diego Diaz, José Poblete

CARRERA: Ingeniería en Automatización y Control Industrial
ASIGNATURA: Control con inteligencia artificial
PROFESOR: Samuel Cruz
FECHA: 21/07/2022
1 Introducción

Una red neuronal es un modelo simplificado que emula el modo en que el cerebro humano procesa la
información: Funciona simultaneando un número elevado de unidades de procesamiento interconectadas
que parecen versiones abstractas de neuronas, por lo tanto, siempre está compuesta por una capa de
entrada, una capa de salida (si solo hay una capa en la red neuronal, la capa de entrada coincide con la
capa de salida) y puede contener 0 o más capas ocultas.

Como también, una red neuronal tiene un método de la inteligencia artificial que enseña a las
computadoras a procesar datos de una manera que está inspirada en la forma en que lo hace el cerebro
humano. Se trata de un tipo de proceso de machine learning llamado aprendizaje profundo, que utiliza los
nodos o las neuronas interconectados en una estructura de capas que se parece al cerebro humano. Crea
un sistema adaptable que las computadoras utilizan para aprender de sus errores y mejorar
continuamente. De esta forma, las redes neuronales artificiales intentan resolver problemas complicados,
como la realización de resúmenes de documentos o el reconocimiento de rostros, con mayor precisión.
2 Diseño de una red neuronal

• Inicialmente se presentará el datasets de entrada de nuestra red neuronal.

• En la imagen presente los conjuntos de datos (azules y naranjas) comparten el mismo espacio dentro de
la red neuronal en el cual aún no se hace la separación de estos con las distintas interacciones para lograr
separarlas en el espacio.

3 Determine como entrada x1, x2, dos capas ocultas de dos neuronas cada una, la
neurona de salida es la imagen. Luego de aproximadamente 1000 épocas
(iteraciones) se obtiene la siguiente respuesta. Tasa de aprendizaje 0.03, función de
activación sigmoidal, ratio of training to test data de 50%.

• Se habilito las entradas X1 y X2 además de agregar las 2 capas ocultas.

• En la imagen presente en la guía de actividades se puede

apreciar que la rede neuronal todavía se encuentran en
sectores mezcladas, se encuentran conjuntos de datos del
color naranja dentro del espacio azul y lo mismo, pero en
menos cantidad los conjuntos de datos del color azul en el
espacio naranja.
• Al hacer la prueba con 1.000 interacciones y con la tasa de aprendizaje 0.03, función de activación
sigmoidal, ratio of training to test data de 50%

La red neuronal fue la siguiente:

• Como se puede apreciar al hacer las 1.000 interacciones el conjunto de datos de color naranja se separó
en su totalidad del espacio del conjunto de datos del color azul y cada parte está ubicado en sus
respectivos espacios dentro de la red neuronal.
• A) Explique en detalle la imagen obtenida, ¿En cuántos planos se ha dividido el espacio de variables?

- Al analizar la imagen obtenida se aprecia que la red se separó en dos planos dentro de esta, en el
cual el conjunto de datos de color naranjo se separó de los azules y se mantienen ubicados dentro
del espacio del mismo color, al igual los del color azul que en la imagen obtenida con las 1.000
interacciones ocurrió lo mismo que el conjunto de datos del color naranja manteniéndose ambos
dentro de sus respectivos espacios.

• B) ¿Es posible separar ambos conjuntos de datos? Explique.

- Si es posible hacer la separación de los conjuntos de datos ya que al empezar a hacer las
interacciones de la red neuronal se va apreciando la separación de estos, y se puede demostrar la
separación de los conjuntos en la imagen anterior donde ninguno de los conjuntos de datos ya
sea azul o naranja se juntan en el espacio y están en sus respectivos colores.

• C) Cambie la cantidad de entradas (agregue las variables al cuadrado), ¿Se observan cambios en la
respuesta?, Explique.

- ¿Se requieren menos iteraciones para separar ambos conjuntos de datos? Explique • Al agregar
las variables al cuadrado y volver a realizar las 1.000 interacciones para tener un punto de
comparación se observa que la limitación de color blanco se forma un círculo de manera perfecta
y se hace la separación de los espacios de los conjuntos de datos azul y naranja.
 • C1) Si al agregar las variables al cuadrado se pueden realizar menos interacciones en los conjuntos de
datos y estos se separan más rápido que al hacerlo sin las variables al cuadrado.

• Con solo 189 interacciones se logró separar por completo ambos conjuntos de datos presentes siendo
más rápida la separación al usar las variables al cuadrado, además si convergen los conjuntos de datos.

• Para comprobar que con las variables al cuadrado se realizan más rápido las separaciones del conjunto
de datos, se realizó la misma prueba sin las variables adicionales y la respuesta fue que los conjuntos de
datos con un poco más de interacciones no logran separarse en el espacio con rapidez.
4 Cambie la tasa de aprendizaje a un valor de 0.00001. ¿Cuántas
iteraciones se requieren para separar ambos conjuntos? Explique.

• Al cambiar la tasa de aprendizaje y al realizar un estudio de larga duración llegue a la conclusión de que
los conjuntos de datos no logran separarse con dicha tasa por la razón de que es muy baja y que el error
en la red neuronal no varía y el error queda como indefinido, además no convergen los conjuntos de
datos.
5 Conclusión

Las redes neuronales son otro medio creado por el hombre para dar un nuevo Paso hacia la perfección,
siempre buscando una forma de facilitar la vida de este, gracias a la implementación de máquinas más
sofisticadas que además de cumplir funciones mecánicas puedan aprender a realizar nuevas, gracias Al
aprendizaje y con esto a la experimentación. Características propias Del ser humano, es decir dar más
humanidad a una máquina.

La teoría de Redes Neuronales Artificiales presenta grandes ventajas respecto a otros modelos típicos de
solución de problemas de Ingeniería, una de ellas es su inspiración en modelos biológicos del
funcionamiento del cerebro, loque facilita su estudio debido a las analogías que pueden introducirse para
su análisis. Los modelos matemáticos en que han sido desarrollados los algoritmos para todos los tipos de
redes son modelos sencillos, que, aunque exigen cierto grado de conocimientos de cálculo diferencial,
pueden ser asimilados y desarrollados en cualquier lenguaje de programación.