Perceptron Multicapa back-propagation
-
Upload
gin-pao -
Category
Engineering
-
view
299 -
download
10
description
Transcript of Perceptron Multicapa back-propagation
POR: Gina Paola
Garzón
REDES NEURONALESPERCEPTRON MULTICAPA
OBJETIVOSGENERAL
Demostrar la usabilidad del modelo de aprendizaje de retro propagación para redes neuronales supervisadas, por medio una aplicación de reconocimiento de patrones.
ESPECÍFICOS:
1. Conocer la arquitectura del perceptrón multicapa.2. Entender el algoritmo de retro propagación.3. Analizar, identificar y determinar los patrones requeridos.4. Diseñar red neuronal con el uso del algoritmo de retro propagación.5. Desarrollar e implementar la aplicación de software.
ARQUITECTURAPERCEPTRÓN MULTICAPA
Se caracteriza porque tiene sus neuronas agrupadas en capas de diferentes niveles.
REDES NEURONALES
PERCEPTRON
SIMPLE MULTICAPA
TIENE CAPAS
ALGORITMO DE APRENDIZAJE SUPERVISADO
RETRO PROPAGACIÓN
6
78
5
9
21
34
0ABCDEF
GHIJKL
RSTUV
NM
OPQX
W
Y
Z
ENTRADASALIDA
OCULTA
TIENE UNA LISTA
LETRAS Y NUMERIOS
ES TOMADA DE
BITS DE LAIMÁGEN A RECONOCER
SUBCAPA
FUNCION DE TRANSFERENCIA
PESO
NEURONAS
TIENE n
BACK PROPAGATIONRequiere conocer las salidas en un determinado momento de tiempo para poder actualizar los pesos de las neuronas, esta red permite que presentandouna serie de valores arbitrarios, la red tienda a reconocer el patrón tras haber aprendido de patrones anteriores, incluso si nunca antes ha visto al patrón de entradaEsta red aprende de un conjunto de valores dados y posteriormente aprende reconocer patrones nunca antes presentados a la red, es decir asemeja los patrones de entrada, con los patrones que haya visto anteriormente.
PROCESO DE APRENDIZAJE BACK PROPAGATION
1. La red aprende conjunto de datos dados en formas como par entrada-salida.
2. Emplea un ciclo de propagación dado para el primer conjunto datos correspondientes a la entrada se propagan por la red hacia las neuronas ocultas y luego hasta llegar a la salida.
3. Se obtiene una señal de la fase de propagación.4. Ésta señal obtenida se compara con la salida deseada haciendo cálculo
del error para cada neurona de salida.5. Con el error obtenido se puede hacer un recálculo de los pesos qu8e
se empiezan a trasmitir hacia atrás de forma cíclica hasta obtener la salida deseada, de ahí el nombre del algoritmo.
REQUISITOS
Programa de reconocimiento de números y letras usando el algoritmo de retro propagación.
ANÁLISIS Y DISEÑO
1. Definición de caracteres de aprendizaje (10 dígitos y 27 letras de alfabeto).
2. Diseño de red neuronal: 5 neuronas de entrada, 3 neuronas ocultas y 5 neuronas de salida.
3. Definición de interfaz de usuario: Un tablero segmentado de 5x5, lista desplegable de caracteres, botones de peticiones y cuadro de vista de resultados.
9
10
11
12
2
1
6
3
4
7
8
13
ESTRUCTURA DE RED NEURONAL
5
9
10
11
12
2
1
6
3
4
U4
W16
W17
W47
W48
W26W27
U2
W46
7
8
W28
W36W37
W18
W38
U3
U8
U7
U6
13U5W56
W57
W58
W66
W55
W77
W88
W610
W79W89
W69
W710
W810W611
W711W811
W813W713W613
W612
W812
W712
ESTRUCTURA DE RED NEURONAL
5
W44
W33
W22
W11
CODIFICACIÓN
PRUEBAS