Nombre: Edwin Jhonny Coharita Callisaya Docente: Ing. Msc. Cesar Fernando Lozano M.

c.i.: 4852116 L.P. N° Grupo: 9

Fecha: 15/10/22 Tipo Doc.: Informe

INFORME N° 3

PERCEPTRON

1. OBJETIVO.

Utilizar herramientas de Matlab para entrenar el Perceptrón con 7 entradas que

representa los 7 segmentos de un display y 4 salidas binarias que nos indica a que
numero hexadecimal corresponde.

2. MARCO PRÁCTICO.

Para nuestro laboratorio codificamos de siguiente manera los segmentos del display :
Obteniendo la siguiente tabla con los 16 valores y la asignacion de codigo con 7 valores

1 1 1 1 1 1 0
0 1 1 0 0 0 0
1 1 0 1 1 0 1
1 1 1 1 0 0 1
0 1 1 0 0 1 1
1 0 1 1 0 1 1
1 0 1 1 1 1 1
1 1 1 0 0 0 0
1 1 1 1 1 1 1
1 1 1 1 0 1 1
1 1 1 0 1 1 1
0 0 1 1 1 1 1
1 0 0 1 1 1 0
0 1 1 1 1 0 1
1 0 0 1 1 1 1
1 0 0 0 1 1 1
Esta tabla representa nuestros valores de entrada que para Matlab representa los inputs.
También necesitamos los objetivos que son las salidas que deseamos obtener que son para
Matlab target, dada por la siguiente tabla:

0 0 0 0
0 0 0 1
0 0 1 0
0 0 1 1
0 1 0 0
0 1 0 1
0 1 1 0
0 1 1 1
1 0 0 0
1 0 0 1
1 0 1 0
1 0 1 1
1 1 0 0
1 1 0 1
1 1 1 0
1 1 1 1
 Lo que se desea implementar es lo siguiente 7 entradas y 4 salidas:

3. IMPLEMENTACION.

En principio cargamos en Matlab nuestras entradas que son la matriz de 16x7

llamada in16.prn

Para que Matlab pueda procesar esta matriz debemos hallar su traspuesta y lo
hacemos mediante la siguiente instrucción: in16=in16’
Y obtenemos la transpuesta como sigue:
Luego cargamos los objetivos en forma de una matriz de 16x4 que lo llamamos target.prn

Realizamos el mismo proceso de hallar su transpuesta con la línea: target=target’

Obteniendo lo siguiente:

Teniendo muestras entradas y salidas procedemos a utilizar la herramienta nntool con la

siguiente línea: nntool
El que nos despliega su interfaz gráfica vacía:
Introducimos los valores de entrada y salida:

Seleccionamos el tipo de red las entradas y salidas:

Obtenemos la siguiente red con 10 neuronas en la capa oculta y 4 para la capa de salida
 4. PRUEBAS DE FUNCIONAMIENTO.

Procedemos a entrenarla desde la siguiente ventana:

Con 8 iteraciones se obtiene los primeros valores llamando a este como primer
entrenamiento
Se obtuvo los siguientes resultados donde se aprecia en primer lugar los datos ideales es
decir los datos esperados llamados también objetivos, luego presentamos en una tabla los
valores de un primer entrenamiento donde se tiene aproximaciones a los datos esperados.
Finalmente se presenta una tabla donde tenemos valores con más de 10 entrenamientos
llegando a mejorar la aproximación a los valores objetivos.

5. BALANCE DE COMPONENTES.

6. CONCLUSIONES Y RECOMENDACIONES.
- Se logro llegar a formar la red neuronal con 7 entradas y 4 salidas mejorando los resultados
con el aumento de mas entrenamientos.
- Se logro una mejor aproximación usando como tipo de red backpropagation.
Recomendaciones, se recomienda hacer ajustes en la cantidad de neuronas como ejemplo si
usa 32 neuronas se tiene mejor aproximación en todos los valores pero aumentando
ligeramente el umbral de cambio de estado en aproximadamente 0.65.
Para una mejor visualización podemos utilizar la aplicación AppDesigner.