Nose

5. Resultados obtenidos

Para el entrenamiento de la red se utilizaron siete imágenes de cada tipo (círculos, rectángulos y cuadrados), el conjunto de entrenamiento se puede encontrar en https://robots7570.googlecode.com/svn/trunk/RNA_Figuras/Figuras/Entrenamiento

La salida de los resultados de las proporciones obtenidas durante la etapa de entrenamiento se encuentra en https://robots7570.googlecode.com/svn/trunk /RNA_Figuras/Tablas/Tabla1.pdf

Salida de la etapa de entrenamiento mediante Joone:

Training...

9000 cycles remaining - Error = 0.056908997013003094

8000 cycles remaining - Error = 0.02598698729007411

……...

1000 cycles remaining - Error = 0.00907455751633407

0 cycles remaining - Error = 0.008509953003905531

Training finished after 15427 ms

Las imágenes ingresadas en la etapa de prueba se encuentran en https://robots7570.googlecode.com/svn/trunk/RNA_Figuras/Figuras/Testeo

La salida de la etapa de reconocimiento de figuras se encuentra en https://robots7570.googlecode.com/svn/trunk/RNA_Figuras/Tablas/Tabla2.pdf

En cuanto a los resultados obtenidos se puede observar que de las ocho imágenes de prueba se obtuvieron resultados correctos en seis oportunidades, en donde por los niveles de reconocimiento alcanzados se puede afirmar que el método utilizado brinda una solución aceptable.

Los casos en donde no se proporcionaron casos correctos se dividen en dos tipos:

Imposibilidad de reconocimiento de la figura

Reconocimiento incorrecto.

Como ejemplo imposibilidad de reconocimiento podemos tomar la prueba Testeo3, en donde la figura es una elipse horizontal. En este caso las proporciones de pixeles negros en las distintas franjas produce que la figura pueda ser interpretada tanto como un círculo como con un rectángulo esto lleva a no poder determinar en forma efectiva que tipo de figura es. Puede notarse en los niveles de reconocimiento alcanzado para este caso que el mayor nivel corresponde a un círculo, brindando una solución correcta, pero no es tal para lograr una afirmación.

La prueba Testeo8, en donde la figura es una elipse vertical, brinda un ejemplo de reconocimiento incorrecto. Para este caso las proporciones de pixeles negros en las distintas franjas producen que la figura sea interpretada como un rectángulo. Se puede observar claramente por estas proporciones que las mismas son similares a las obtenidas al momento de predecir un rectángulo, este problema de predicción es propio del método utilizado.

Esto plantea la necesidad de incrementar la potencia de la red, posiblemente extendiendo el proceso de aprendizaje, o agregando más neuronas de entrada (mayor cantidad de franjas en la imagen), como también mayor cantidad de niveles.

6. Conclusión

Pudimos darnos cuenta que la dificultad del problema no era la creación de la red y su entrenamiento, sino en el entendimiento del problema, esto sería la búsqueda de una solución formal al problema informal planteado, y en la discretizacion de la figuras en buenos datos de entrada para que la red neuronal tenga una alta probabilidad de éxito.

Logramos realizar una red neuronal funcional, basada en backpropagation soportada por la librería Joone reutilizando el código existente de la misma, y generando un programa con una lógica simple para

...