Estudio de los principales tipos de redes neuronales y las herramientas para su aplicación

Título :	Estudio de los principales tipos de redes neuronales y las herramientas para su aplicación
Autor :	Andrade Tepán, Eva Cristina
Director de Tesis:	Robles Bykbaev, Vladimir Espartaco
Resumen :	Una red neuronal artificial está compuesta por un conjunto de neuronas artificiales, elementos simples de cálculo que a partir de un vector de entrada generan una respuesta; se distinguen tres tipos de neuronas: neuronas de entrada, de salida y las neuronas ocultas. Existen diferentes tipos de redes neuronales artificiales, entre las principales y las que han sido probadas en este trabajo están: El Perceptrón multicapa.- Utiliza aprendizaje supervisado, es decir la red conoce la salida que debe generar. Está formada por una capa de entrada, una de salida y al menos una capa oculta. Esta RNA presenta muy buenos resultados por lo que ha sido utilizada en distintas aplicaciones. Para probar la red es necesario tener en cuenta algunos aspectos como: El conjunto de datos a utilizar debe ser previamente tratado.- Como se presenten los datos a la red, éstos influirán en su salida. Algunas técnicas permiten lograr un conjunto de datos adecuado para el entrenamiento, como la normalización de las entradas y la codificación de salidas. Además la información debe estar organizada en pares de entrada - salida. La función de transferencia correcta.- Esta función depende de las salidas que vayamos a obtener, ya sean discretas o analógicas. Número de neuronas de entrada y salida.- Varía de acuerdo al problema a resolver. Número de capas ocultas y neuronas por capa.- Es aconsejable no utilizar más de dos capas ocultas y 150 neuronas por capa. La red Perceptrón se utilizó con diferentes corpus de datos, obteniendo un alto porcentaje de acierto y un error mínimo. LVQ.- Es un conjunto de algoritmos que utilizan aprendizaje supervisado; se utiliza para obtener resultados estadísticos de un conjunto de datos. Para el algoritmo LVQ, los datos que se presenten a la red deben estar ordenados primero las entradas y la salida correspondiente. El valor de vectores de código se basa en el número de clases que existan en los datos. Las iteraciones en el entrenamiento se realizan a manera de prueba - error. Los resultados obtenidos con el algoritmo Lvq son de carácter estadístico, permite obtener porcentajes de acierto, pero no rastrear el error existente. Red de Hopfield.- Esta red trabaja a manera de memoria asociativa, admite la recuperación de patrones a partir de información incompleta; su aprendizaje es no supervisado, es decir la red no conoce la salida que debe generar. Se utilizó en el reconocimiento de rostros; por lo que fue necesario realizar un proceso previo con las imágenes: Utilizando la librería OpenCV se convirtió las imágenes de escala de grises a blanco y negro. Para la imagen de prueba además de binarizar, fue modificada mediante la función dilate de openCV. Los resultados que se obtienen de la red son el reconocimiento de estas dos imágenes como pertenecientes a un mismo sujeto mediante la recuperación de patrones. En algunos casos la red falla debido a la pérdida de información durante el proceso de modificación, por lo que se recomienda el uso de rostros sin mayor cantidad de objetos. Existen las herramientas necesarias como FANN para la red Perceptrón; Lvq para los algoritmos Lvq y la librería Neurolab de Python que trabaja con la red de Hopfield; estas herramientas presentan un alto rendimiento y buen desempeño además de su libre acceso, por lo que han resultado muy útiles y de gran ayuda para el desarrollo del experimento.
Palabras clave :	REDES NEURONALES (COMPUTADORES) INTELIGENCIA ARTIFICIAL MÉTODOS DE SIMULACIÓN SIMULACIÓN POR COMPUTADORES MODELOS MATEMÁTICOS
Fecha de publicación :	feb-2013
URI :	https://dspace.ups.edu.ec/handle/123456789/4098
Idioma:	spa
Pertenece a las colecciones:	Grado

Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons