Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Diseño de La Arquitectura de Una Red Neuronal
Diseño de La Arquitectura de Una Red Neuronal
1.- Matich, D. J. “Redes neuronales: Conceptos básicos y aplicaciones”; cátedra: Informática aplicada a la ingeniría de procesos; Universidad
Tecnológica Nacional - Facultad Regional Rosario, Departamento de Ingeniería química; 2001
APLICABILIDAD
Las redes neuronales tienen un dominio de aplicabilidad amplio, desde determinar estados de ánimo a partir de
encefalogramas¹, compresión de la función de onda en cálculos ab-initio², hasta la predicción de deslaves a
partir de imágnes³.
En este proyecto se va a diseñar una red neuronal para el reconocimiento de comandos de voz, esto implica
determinar los pesos, la mejor función de activación y la mejor topología para minimizar el error en la
caracterización de los comandos.
Esto permitiría eliminar capas de abstracción entre el dispositivo a manejar con comandos de voz y el usuario,
por lo que, en principio, disminuiría la velocidad de latencia entre el comando y la acción.
La paquetería más usada para modelar redes neuronales es TensorFlow, sin embargo, hay paquetes que utilizan
TensorFlow como API como Keras y Theanos, el competidor de TensorFlow es pyThorch de Facebook.
1.-Khare, Smith K., y Varun Bajaj. «Time-Frequency Representation and Convolutional Neural Network-Based Emotion Recognition». IEEE Transactions on Neural Networks and Learning Systems, 2020, 1-9.
https://doi.org/10.1109/TNNLS.2020.3008938.
2.- Choo, Kenny, Antonio Mezzacapo, y Giuseppe Carleo. «Fermionic Neural-Network States for Ab-Initio Electronic Structure». Nature Communications 11, n.o 1 (diciembre de 2020): 2368. https://doi.org/10.1038/s41467-020-15724-9.
3.- Dao, Dong Van, Abolfazl Jaafari, Mahmoud Bayat, Davood Mafi-Gholami, Chongchong Qi, Hossein Moayedi, Tran Van Phong, et al. «A Spatially Explicit Deep Learning Neural Network Model for the Prediction of Landslide
Susceptibility». CATENA 188 (mayo de 2020): 104451. https://doi.org/10.1016/j.catena.2019.104451.
4.- https://blog.udacity.com/2020/05/pytorch-vs-tensorflow-what-you-need-to-know.html#:~:text=PyTorch%20has%20long%20been%20the,solutions%20and%20smaller%2Dscale%20models.
OBJETIVO GENERAL:
Pre-procesar la señal de voz en una PC para extraer las características más importantes
Desarrollar una ANN en software para determinar el mejor modelo
Implementar una ANN en FPGA para la identificación de comandos de voz
Realizar pruebas y entrenamiento de la ANN para diferentes señales de voz en el FPGA
MARCO TEÓRICO
Las redes neuronales están desarrolladas tratando de simular el sistema nervioso
humano, los primeros en desarrollar un modelo matemático de las neuronas fueron
McCulloch y Pitts en el año de 1943:
Donde y es la salida, w son los pesos, Xi son las entradas, Sigma es la suma de la multiplicación de los pesos por las
entradas y sigma es el la función de activación. En redes neuronales complejas también se añade un termino b (bias) que
tiene el efecto de “peso” de la conexión
Dawani, Jay. Hands-On Mathematics for Deep Learning: Build a solid mathematical foundation for training efficient deep neural networks. S.l., 2020.
The role of bias in Neural Networks. https://www.pico.net/kb/the-role-of-bias-in-neural-networks#:~:text=Bias%20allows%20you%20to%20shift,transposed
%20by%20the%20constant%20value.
MARCO TEÓRICO
Cuando se conectan varios perceptrones en capas se habla de una red neuronal.
La forma en la que los perceptrones se conectan entre si y la cantidad de perceptrones que
se usan depende de la aplicación y es parte de la arquitectura de la red neuronal, entre las
más comunes se encuentran:
•Shallow Models (poco profundos)
•Redes neuronales recurrentes
•Redes neuronales convolucionales
En este proyecto se pretende emplear una red neuronal simple, pues sólo se requiere
identificar palabras y no frases.
Aggarwal, Charu C. Neural Networks and Deep Learning: A Textbook. Cham: Springer International Publishing, 2018.
https://doi.org/10.1007/978-3-319-94463-0.
VENTAJAS DE LAS REDES
NEURONALES EN FPGA
Tesis escrita