0 calificaciones0% encontró este documento útil (0 votos)
14 vistas1 página
Este documento describe un ejercicio para implementar un reconocedor de vocales utilizando redes neuronales artificiales en Matlab. Incluye tres pasos: 1) desarrollar el reconocedor de vocales, 2) elaborar un informe con los pesos y ganancias de cada capa, y 3) analizar el código proporcionado que implementa la red neuronal para reconocer vocales.
Este documento describe un ejercicio para implementar un reconocedor de vocales utilizando redes neuronales artificiales en Matlab. Incluye tres pasos: 1) desarrollar el reconocedor de vocales, 2) elaborar un informe con los pesos y ganancias de cada capa, y 3) analizar el código proporcionado que implementa la red neuronal para reconocer vocales.
Este documento describe un ejercicio para implementar un reconocedor de vocales utilizando redes neuronales artificiales en Matlab. Incluye tres pasos: 1) desarrollar el reconocedor de vocales, 2) elaborar un informe con los pesos y ganancias de cada capa, y 3) analizar el código proporcionado que implementa la red neuronal para reconocer vocales.
1.-Hacer un reconocedor de vocales. 2.-Elaborar el reporte y anexar los pesos y ganancias que obtienes en cada capa. 3.- Analizar que hace el código, que se anexa (Programa en Matlab) y describir paso a paso
Por ejemplo, Anexo de pesos y ganancias:
%pesos primera capa w1=[-3.2930;-6.8880;0.2206;-6.2467;1.4182;1.0807;4.7127;-2.7247;3.0326]; w2=[3.7103;0.0194;3.9162;-4.4727;-1.3636;3.7702;2.2483;-0.3017;-2.4239]; w3=[0.5222;-8.3106;-1.0994;4.6503;-0.5807;-3.7657;2.1911;-2.9677;1.5288 ]; bias1=[6.1455;-3.7893;3.6683]; presentar los de la segunda capa y así sucesivamente si hubiera más de dos capas. Porque estos datos son los que vamos a utilizar, para llevarlos al microntrolador. Anexo Programa de código en Matlab %entrada:dato1 dato1=[0;1;0;1;1;1;1;0;1]; %pesos primera capa w1=[-3.2930;-6.8880;0.2206;-6.2467;1.4182;1.0807;4.7127;-2.7247;3.0326]; w2=[3.7103;0.0194;3.9162;-4.4727;-1.3636;3.7702;2.2483;-0.3017;-2.4239]; w3=[0.5222;-8.3106;-1.0994;4.6503;-0.5807;-3.7657;2.1911;-2.9677;1.5288 ]; bias1=[6.1455;-3.7893;3.6683]; %resultado nuevas entradas: d1, d2, d3 d1=logsig(sum(dato1.*w1)+bias1(1)); d2=logsig(sum(dato1.*w2)+bias1(2)); d3=logsig(sum(dato1.*w3)+bias1(3)); %entrada nueva: dat123 dat123=[d1;d2;d3]; %pesos segunda capa w4=[-15.4437;-0.1182;-0.0490]; w5=[-0.1369;10.6499;-14.5382]; w6=[1.2766;5.6682;13.43312]; bias2=[7.4544;-2.1463;-13.4441]; %resultado esperado de la red d4=logsig(sum(dat123.*w4)+bias2(1)) d5=logsig(sum(dat123.*w5)+bias2(2)) d6=logsig(sum(dat123.*w6)+bias2(3))