En esta imagen poedemos reconocer la letra "E", y

pueden interpretarse como variaciones del mismo

tipo . A esto podemos llamar “reconocimiento de
patrones”. Es el hecho de identificar distintos
estímulos haciéndolos pertenecer a la misma clase.
Para ello hacemos uso de plantillas mentales. De
forma digital, podemos simular este proceso por
medio de redes neuronales
El modelo de red utilizado
para esta aplicación
corresponde al modelo de
McCulloch-Pitts , donde las
entradas son binarias y la
función de activación
también lo es, Esta red
consta de dos capas, La
primera tiene 200 neuronas
y la capa de salida tiene 8
PANEL GRAFICO Matriz
Se creó la clase
PanelDibujo.java, el cual
es un objeto gráfico que
contiene una cuadricula
de 20 por 20 celdas, en la
que se escribe a mano
alzada la letra que se
quiere representar
•El panel de coordenadas X Y retorna un vector
de 400 valores el cual es la entrada de la red
neuronal
•Cero(0) representa ausencia de grafico
•Uno(1) representa que en dicha área existe un
punto de la imagen.
Matriz de pesos y umbrales
e1
e2
•A la capa de entrada es w1 w2 0 0 0 0 … 0
E3
0 0 w 3 w4 0 0 … 0
asociada una matriz de pesos 0 0 0 0 w 5 w6 … 0
E4
E5
aleatorios de 200 por 400, …
haciendo corresponder a las e400
200 neuronas un peso por
cada coordenada X Y.
Cada neurona tiene un r1
r2
umbral, los cuales son r3
representados en un vector r4
…
de 200 valores aleatorios r200
•El vector binario obtenido en el anterior
proceso es la entrada de La segunda capa que
consta de 8 neuronas pues se busca generar 8
salidas ya que la idea es representar el código
ASCII de un carácter
•De manera similar, se asocia una matriz de
pesos de 8 por 200 valores que en primera
instancia son aleatorios al igual que un vector
de umbrales de 8 valores aleatorios por cada
neurona.
 Asociar un Caracter

Descomponerlo en
Entrenamiento Código Binario

Sumatoria de la
resta de Vectores

F Sumatoria<
V
Porcentaje de
error

Backpropagation con
factor de corrección
La correspondencia de una letra
manuscrita con un caracter se realiza con
la red entrenada, la entrada un nuevo
vector de 400 coordenadas perteneciente
a la letra manuscrita, con el se obtiene el
vector resultante de 8 salidas es decir el
codigo ASCCII de 8 bits.
Un número muy bajos de neuronas puede hacer que
no se llegue a un error suficientemente pequeño, y
muchas neuronas pueden dar lugar a sobreajuste,
haciendo que la predicción sea muy especializada.

No hay un modelo estándar de evaluación, para

determinar el número de neuronas a utilizar, o
cuantas capas ocultas debe poseer, o el tipo de red a
implementar, o la vinculación de umbrales y función
de activación ello depende en gran medida del
analista y su conocimiento.
En la retropropagación si se suministra un
índice muy bajo de ajuste, la red hace menos
iteraciones para aprender, pero su predicción
es más ambigua, caso contrario si el ajuste es
más alto la red realiza un mayor número
iteraciones pero su resultado es más certero.
 BIBLIOGRAFIA
Maravall, D. "Reconocimiento de Formas y Visión Artificial".
RA-MA, 1993.

Hilera, J.R.; Martínez, V.J. "Redes Neuronales Artificiales". RA-

MA, 1995.

Arroyo, F; Gonzálo, A; Hilera, J.R. "Using Artificial Neural

Networks for Ultrasonic Signals Processing from Simple
Geometric Shapes", en el libro "From Natural to Artificial Neural
Computation" (J. Mira & F. Sandoval eds.), Springer-Verlag, pp.
987-991, 1995.
 BIBLIOGRAFIA
Hilera, J.R.; Martínez, V.J.; Mazo, M. "ECG Signals Processing
with Neural Networks", International Journal of Uncertainity,
Fuzziness and Knowledge-Based Systems, Vol. 3, No. 4, pp. 419-
430, 1995.

Rumelhart, D.E. "Learning Representations by Back-

Propagating Errors",Nature, 323, pp. 533-536, 1986.

Pavlidis, T.; Mori, S. (eds) "Special Issue on Optical Character

Recognition",Proceedings of the IEEE, Vol. 80, No. 7, July, 1992.