Laboratorio Perceptrón

Laboratorio Perceptrón

Daniel José Mora Pérez, Daniel Augusto Martínez Cifuentes

Facultad de Ingeniería, Universidad de Cundinamarca, Facatativá, Colombia

djosemora@ucundinamarca.edu.co daugustomartinez@ucundinamarca.edu.co

Abstract— This document is a laboratory analysis of the Perceptron developed in Matlab, with the final point of creating a program for training neural networks through the application of three exercises; the first two make use of the single perceptron, the remaining one must be solved by using the double perceptron. The program will have a graphical interface in which it will be possible to visualize graphs with respect to the error against time, it will allow the entry of values ​​at the user's request and it will be able to save the results in a text file.

Keywords— Matlab, Perceptrón, Neural Networks

Resumen— Este documento es un análisis al laboratorio sobre el Perceptrón desarrollado en Matlab teniendo como punto final la creación de un programa para el entrenamiento de redes neuronales a través de la aplicación de tres ejercicios; los dos primeros hacen uso del perceptrón simple, el otro restante debe ser resuelto mediante el uso del perceptrón doble. El programa tendrá una interfaz gráfica en la qué se podrán visualizar gráficas con respecto al error contra el tiempo, permitirá la entrada de valores a deseo del usuario y podrá guardar los resultados en un archivo de texto.

Palabras clave— Matlab, Perceptrón, Neural Networks

1. INTRODUCCIÓN

Como tema principal de este documento nos encontramos con la palabra “Perceptrón”, la cual más adelante iremos mencionando su significado y para que nos es útil, pero antes de ello es necesario dar una breve introducción a lo que concierne con que es la inteligencia artificial.

¿Qué es la inteligencia artificial? Según  Margaret A. Boden, Inteligencia Artificial, 2016.  “La inteligencia artificial (IA) tiene por objeto que los ordenadores hagan la misma clase de cosas que puede hacer la mente”,  de este modo damos por entendido el funcionamiento general de lo que pretende la IA, peró ahora bien ¿para qué nos es útil la IA?. Teniendo claro el objetivo y concepto de la IA se puede concluir: en situaciones en las cuales una mente humana tenga que tomar decisiones según las criterios de circunstancias, pero este sujeto no pueda estar presente, este pueda capacitar una una IA con el propósito de que ella tome las decisiones por él, y esto es posible realizar con la ayuda de una IA y lo que bien se denomina “proceso de aprendizaje”.

En esta gran área de estudio que se refiere a las IA podemos encontrar diferentes métodos de aprendizaje que permiten enseñar o capacitar a la Red Neuronal Artificial; Para la práctica y elaboración de este laboratorio haremos uso del método del perceptrón. Definiendo el concepto de  perceptrón encontramos que es un clasificador binario que es capaz de discriminar entre dos categoría, de las cuales necesariamente deben ser linealmente separables, visto gráficamente en un plano de dos dimensiones  por una recta o una curva.

Al tratarse este laboratorio de categorías simples como lo son las compuertas lógicas el perceptrón es práctico e ideal para implementarlo y llegar a conclusiones.

1. DESARROLLO DE CONTENIDOS

1. Títulos

Laboratorio Perceptrón.

1. Resumen

El programa desarrollado en el software Matlab consiste en dos partes, una en dónde estarán las funciones y operaciones para el entrenamiento de la RNA y otra dónde estará la parte visual encargada de recibir y mostrar datos. Teniendo esto en cuenta el objetivo general es el de poder resolver tres ejercicios básicos sobre el perceptrón simple y doble.  El programa tiene como fin dar los pesos de cada caso y  mostrar el número de errores y su cambio con respecto al tiempo, teniendo en cuenta qué para los casos donde se hace uso del perceptrón simple la función de activación es una sola a diferencia del perceptrón doble donde hay varias funciones de activación.  

1. Introducción

        El software conocido como Matlab es un programa para cómputo numérico muy usado para operaciones estrechamente relacionadas con las matemáticas. Según Cleve Moler, creador del programa, “Matlab es una plataforma de programación diseñada específicamente para que ingenieros y científicos analicen y diseñen sistemas y productos que transforman nuestro mundo”. Así entonces, se puede entender porque este software es el más idóneo para el presente laboratorio.

        Los casos a desarrollar son tres y dos de ellos son solucionables a través del perceptrón simple. Un perceptrón simple es aquel qué solo tiene una capa de procesamiento, es decir solo hace uso de una función de activación y un solo ajuste de pesos, son generalmente usados en problemas qué son linealmente separables, esto quiere decir qué los espacios de sus salidas puede ser dividido por una línea, un ejemplo de ese tipo de problemas es la clasificación del sexo biológico donde la salidas; masculino o femenino puede ser divido. Por otro lado, el perceptrón doble es lo contrario a lo anterior, es usado para problemas qué pueden no ser linealmente separables es decir qué los espacios de sus salidas no pueden ser divididos con una única línea y por lo tanto usa más de una capa de procesamiento con sus respectivas funciones de activación y varios ajustes de pesos. En este último caso, para llegar a los pesos definitivos se debe realizar una combinación de las funciones OR y AND, esto es debido a qué la función necesaria para resolver el caso con el perceptrón doble es la función XOR la cual es la combinación de OR y AND.

        Cada entrenamiento cuenta con un contador qué indica las épocas o repeticiones qué el algoritmo realiza hasta llegar a obtener los pesos definitivos, esto da una idea del tiempo qué tomó el proceso hasta resultar con los pesos definitivos.

        La operación qué define si el algoritmo se reinicia o no es el cálculo del error, para ello primero se realiza la sumatoria ponderada (), acto seguido se pasa el  por la función de activación y el resultado es la salida obtenida, esta salida se resta con la salida deseada y si el resultado es igual a cero entonces se puede concluir qué en ese ciclo la red ya aprendió, de lo contrario se ajustan los pesos y se vuelve a empezar.[pic 1][pic 2]

...