UNIVERSIDAD PEDAGÓGICA Y TECNOLÓGICA DE COLOMBIA

FACULTAD SECCIONAL SOGAMOSO

ESCUELA DE INGENIERÍA ELECTRÓNICA
LABORATORIO DE MICROPROCESADORES – PRÁCTICA 03

RED NEURONAL ARTIFICIAL

1 OBJETIVOS
• Configurar una red neuronal
reconocimiento de caracteres.
(1) denominada bias asociada al peso W0. El bias controla el
desplazamiento de la función de activación del sistema. La
combinación lineal a la salida de la función de entrada neta
artificial para es:
𝑆 = 1 𝑊0 + 𝑋1 𝑊1 + 𝑋2 𝑊2 + ⋯ + +𝑋𝑚 𝑊𝑚

• Desarrollar una aplicación que utilice redes neuronales

artificiales para reconocimiento de caracteres.

2 MATERIALES Y EQUIPOS
• C++ Builder – Otro IDE
• Computador Personal.

3 INTRODUCCIÓN
El concepto genérico de Inteligencia Artificial (Artificial
Figura 1. Modelo de neurona artificial de McCulloch-Pitts [1].
Intelligence - AI) está fundado sobre la concepción y técnicas
de aprendizaje de máquina (Machine Learning – ML). Las
En la salida de cada neurona artificial se configura una
técnicas de ML pueden ser clasificadas, según la esencia del
función de activación que puede ser tipo Relé, Tangente
problema a tratar, como Supervisadas y No Supervisadas,
Hiperbólico, Sigmoide o Lineal, entre otras. Las funciones de
siendo las supervisadas las técnicas donde el desarrollador
activación más utilizadas son la Sigmoide y Tangente
conoce el objetivo del aprendizaje (Target), en cuanto las
Hiperbólico porque son funciones continuas y como tal
técnicas no supervisadas permiten el agrupamiento y/o
pueden ser derivables.
clasificación de los datos por semejanza entre las
Una Red Neuronal Artificial (RNA) consiste de capas de
características de forma autónoma. Algunas de las técnicas de
neuronas artificiales interconectadas entre ellas, de ahí el
ML supervisadas más utilizadas son: Decision Trees, Neural
nombre de la RNA tradicional Multi Layer Perceptron. Una
Networks, SVM y LDA, entre otras.
RNA simple consiste de 3 capas: Capa de Entrada, donde el
La técnica más reconocida dentro de las técnicas de ML
número de neuronas es igual al número de entradas del
supervisadas es la Artificial Neural Network o Red Neuronal
sistema; Capa Intermediaria u Oculta, uno de los retos de
Artificial, denominada así ya que su desarrollo está basado en
diseño es determinar el número de neuronas en esta capa;
las neuronas biológicas. El modelo de una neurona artificial
Capa de Salida, que posee un número de neuronas igual al
propuesto por McCulloch-Pitts es mostrado en la Figura 1.
número de opciones de salida del sistema. Si la clasificación
Una neurona artificial, también llamada perceptrón, puede
de salida es binaria (0-1) el sistema puede tener 1 o 2
recibir información proveniente de las entradas del sistema o
neuronas de salida; pero si el sistema tiene más de dos
de otras neuronas. Las conexiones entre los datos de entrada
posibles salidas, se le llama sistema de clasificación multiclase
y las neuronas o, entre neuronas y neuronas, tienen un peso
y serán necesarias múltiples neuronas en la capa de salida,
definido (W). Los pesos W controlan el flujo de información
tantas neuronas como opciones de salida [2]. En la Figura 2
y determinan la toma de decisiones. En el caso de la Figura 1,
se muestra una RNA de 3 capas con topología [n , n+1 , 2]: n
la salida de la Función de Entrada Neta (S) corresponde a una
neuronas en la capa de entrada; n+1 neuronas en la capa
combinación lineal de las entradas ponderadas por el vector
intermedia; 2 neuronas en la capa de salida.
de pesos W. Además, la neurona artificial posee una entrada

Ing. Fabian Castro fabian.castro@uptc.edu.co Primer Semestre de 2023 1

 UNIVERSIDAD PEDAGÓGICA Y TECNOLÓGICA DE COLOMBIA
FACULTAD SECCIONAL SOGAMOSO
ESCUELA DE INGENIERÍA ELECTRÓNICA
LABORATORIO DE MICROPROCESADORES – PRÁCTICA 03
Figura 2. Multi Layer Percpetron de 3 capas.
Se recomienda que la capa intermediaria tenga por lo
menos 1 neurona más que la capa de entrada; sin embargo,
no existe una directriz que garantice el éxito de la aplicación.
Así pues, la configuración e identificación de los parámetros
apropiados de la RNA son, en muchas ocasiones, obtenidos
por sistemas de prueba y error o métodos específicos de
identificación de parámetros.
Como descrito anteriormente, los pesos interconectan
las diferentes neuronas y de dichas conexiones depende la
toma de decisiones de la RNA. El algoritmo más utilizado
para determinar el valor de los pesos es el Backpropagation,
que modifica el valor de los pesos en función del error entre
la salida deseada y la salida obtenida.
4 DESCRIPCIÓN DE LA PRÁCTICA
Desarrolle un aplicativo que permita reconocer el
carácter escrito en una imagen predeterminada.
Utilice una RNA para crear el algoritmo de
reconocimiento de caracteres.
4.1 CONFIGURACIÓN RNA MATLAB
• Configure los datos de entrada (INPUT) y salida
(TARGET) de la RNA. Considere Normalizar los datos
de entrada.
• Utilice apenas una capa oculta con 40 - (2*X) neuronas.
X es el ID del grupo de trabajo. Consulte el docente.
• Defina las funciones de activación de cada capa en la
RNA. Justifique su respuesta.
Ing. Fabian Castro fabian.castro@uptc.edu.co
• Seleccione y utilice una de las 9 funciones de
entrenamiento disponibles en MATLAB [3].
• Divida su banco de datos entre Entrenamiento y Test. Se
recomienda utilizar K-Fold; aunque el Hold-Out Method
puede ser utilizado. En cualquier caso, justifique su
elección.
• Implemente un método o función para probar el
rendimiento de la RNA.
• Entrene y pruebe su RNA. Demuestre el rendimiento de
su RNA y pruebe su estabilidad. Para probar la
estabilidad de la RNA deberá entrenar la misma RNA
distintas veces, así podrá establecer el rendimiento medio
de la red.
• Seleccione otra de las posibles funciones de
entrenamiento de MATLAB y realice los procedimientos
del ítem anterior.
• En función de los rendimientos obtenidos, decida la RNA
a ser utilizada.
4.2 IMPLEMENTACIÓN APP
• Desarrolle una interfaz gráfica en IDE de su elección que
permita cargar una imagen del banco de imágenes
facilitado y, que por medio de una RNA previamente
configurada y entrenada en MATLAB, identifique el
número contenido en la imagen.
Nota: Recuerde que el pre-procesamiento de datos que
realice en MATLAB debe realizarse de igual manera en la
imagen a ser clasificada.
5 ENTREGABLES, PLAZO Y
CALIFICACIÓN
Cada grupo entregará un informe IMPRESO tipo IEEE
con el desarrollo de la presente guía.
Se evaluará de acuerdo a la Tabla 1.
Tabla 1. Evaluación y porcentajes para el laboratorio.
Ítem % Nota
Desarrollo
80 %
Práctica/Sustentación
Informe 20 %
Informe en inglés +5% en el informe
Primer Semestre de 2023 2
 UNIVERSIDAD PEDAGÓGICA Y TECNOLÓGICA DE COLOMBIA
FACULTAD SECCIONAL SOGAMOSO
ESCUELA DE INGENIERÍA ELECTRÓNICA
LABORATORIO DE MICROPROCESADORES – PRÁCTICA 03

En el informe se evalúa la entrega de todos los ítems, el

orden, la redacción, la ortografía, la presentación de tablas y
figuras, el análisis de resultados, las conclusiones y el formato
del informe.
Se deben anexar códigos utilizados debidamente
documentados e indentados, de tal forma que permita la
comprensión por parte de una persona ajena al desarrollo del
mismo.
Además, se debe incluir diagramas de flujo o diagramas
explicativos de los códigos desarrollados.
Cada grupo dispone de 10 minutos para sustentar el
trabajo realizado. El informe se debe entregar al momento de
la sustentación. La parte experimental debe estar en correcto
funcionamiento y el sistema totalmente preparado. En el día
y hora de sustentación no hay tiempo para test de última hora.
La sustentación de las actividades, así como la entrega
del informe, se realizará en el horario de clase de la Semana
13.
LA COPIA (PLAGIO) DE CÓDIGOS. DATOS
O INFORMES, SE PENALIZA CON LA
ANULACIÓN COMPLETA DE LA PRÁCTICA.

REFERENCIAS
[1] V. D. Gil-Vera y C. Quintero-López, «Predicción del
rendimiento académico estudiantil con redes neuronales
artificiales,» Información tecnológica, vol. 32, nº 6, pp.
221-228, 2021.

[2] S. Raschka y M. Vahid, Python machine learning,

Marcombo, 2019.

[3] I. MathWorks, «Choose a Multilayer Neural Network

Training Function,» [En línea]. Available:
https://la.mathworks.com/help/deeplearning/ug/choose-
a-multilayer-neural-network-training-function.html.
[Último acceso: 10 04 2023].

Ing. Fabian Castro fabian.castro@uptc.edu.co Primer Semestre de 2023 3