Universidad Nacional Mayor de San Marcos

Aplicaciones a casos prcticos del

perceptrn unicapa
 Problemas en lo que se usa
Redes Neuronales Artificiales
a) Optimizacin
En los problemas de optimizacin se trata de determinar una solucin que sea
ptima. En la gestin empresarial, son decisiones de optimizacin encontrar los
niveles adecuados de tesorera, de existencias, de produccin, construir de carteras
ptimas, etc.
b) Reconocimiento
En los problemas de reconocimiento se entrena una red neuronal con inputs como
sonidos, nmeros, letras y se procede a la fase de test presentando esos mismos
patrones con ruido. Este es uno de los campos ms fructferos en el desarrollo de
redes neuronales y casi todos los modelos de red neuronal han sido aplicados con
mayor o menor xito.
c) Generalizacin
En los problemas de generalizacin la red neuronal se entrena con unos inputs y el
test se realiza con otros casos diferentes. Problemas tpicos de generalizacin son
los de clasificacin y prediccin. Son problemas de generalizacin tratar de
predecir la quiebra de las empresas a partir de su informacin contable o la
concesin de prstamos, la calificacin de obligaciones, la prediccin en los
mercados de valores, etc.
 Aplicacin de
Redes Neuronales Artificiales
 Aplicacin
Disear un perceptrn que implemente la
funcin lgica AND.
AND
Entradas Salidas x1
(1, 1) 1
x2 y
(1, 1) 1

(1, 1) 1 1

(1,1) 1

Paso 0: Inicializacin aleatoria

w1 = 0.4, w2 = 0.2, = 0.6,
 Aplicacin
0.3
1
0.2
1 y
0.6
1
Paso 1:
Patrn de entrada (1,1): h 0.3(1) 0.2(1) 0.6(1) 1.1
Paso 2: Correccin de los pesos sinpticos
y=1
w1 (1) w1 (0) 21 0.3 1 0.7
w2 (1) w2 (0) 2 (1) 0.2 1 0.8 Elegimos =0.5

(1) (0) 2 (1) 0.6 1 0.4

 Aplicacin
-0.7
1
0.8
1 y

0.4
1
Paso 1:
Patrn de entrada (1,1): h 0.7(1) 0.8(1) 0.4(1) 0.5

Como y = 1 y z = 1 la clasificacin es correcta

y=1
 Aplicacin
-0.7
1
0.8
1 y

0.4
1

Paso 1:
Patrn de entrada (1,1):
h 0.7(1) 0.8(1) 0.4(1) 0.3
Paso 2: Correccin de los pesos sinpticos
w1 (2) w1 (1) 2 (1) 0.7 1 0.3 y=1

w2 (2) w2 (1) 2 (1) 0.8 1 1.8 Elegimos = 0.5

(2) (1) 2 (1) 0.4 1 0.6

 Ejemplo 1
0.3
1
1.8
1 y

0.6
1
Paso 1:
Patrn de entrada (1,1): h 0.3(1) 1.8(1) 0.6(1) 2.1
Paso 2: Correccin de los pesos sinpticos
y=1
w1 (3) w1 (2) 2 (1) 0.3 1 1.3
w2 (3) w2 (2) 2 (1) 1.8 1 0.8 Elegimos = 0.5

(3) (2) 2 (1) 0.6 1 0.4

 Aplicacin
1.3
-1
0.8
1 y
0.4
1

1.3x1 0.8x2 0.4 0

Patrn (1,1): h 1.3(1) 0.8(1) 0.4(1) 2.7

Patrn (1,1): h 1.3(1) 0.8(1) 0.4(1) 0.1

Patrn (1,1): h 1.3(1) 0.8(1) 0.4(1) 2.5

Patrn (1,1): h 1.3(1) 0.8(1) 0.4(1) 0.9

 Aplicacin
1.3
1
0.8
1 y

0.4
1

Paso 1:
Patrn de entrada (1,1): h 1.3(1) 0.8(1) 0.4(1) 0.1

Paso 2: Correccin de los pesos sinpticos

y=1
w1 (3) w1 (2) 2 (1) 1.3 1 0.7
w2 (3) w2 (2) 2 (1) 0.8 1 1.8
Elegimos = 0.5
(3) (2) 2 (1) 0.4 1 1.4
 Aplicacin
0.7
1
1.8
1 y
1.4
1

Paso 1:
Patrn de entrada (1,1): h 1.3(1) 0.8(1) 0.4(1) 0.1

Paso 2: Correccin de los pesos sinpticos

y=1
w1 (3) w1 (2) 2 (1) 1.3 1 0.7
w2 (3) w2 (2) 2 (1) 0.8 1 1.8
Elegimos = 0.5
(3) (2) 2 (1) 0.4 1 1.4
Herramientas computacionales
Neural Network Toolbox (Matlab)
Ofrece funciones y aplicaciones para el modelado de sistemas
complejos no lineales que no son fcilmente modelados con una
ecuacin de forma cerrada.
Neural Network Toolbox apoya el aprendizaje supervisado con
alimentacin directa, base radial y redes dinmicas.
Es compatible con aprendizaje no supervisado con los mapas
de auto-organizacin y capas competitivos
Utilizar Neural Network Toolbox para aplicaciones tales como
datos de ajuste, reconocimiento de patrones, la agrupacin, la
prediccin de series de tiempo, y modelado de sistemas
dinmicos y control.
Herramientas computacionales
Encog
Encog soporta diferentes algoritmos de aprendizaje, tales como
Redes Bayesianas, modelos ocultos de Markov y Mquinas de
Vectores de Soporte. Sin embargo, su principal fortaleza radica
en sus redes neuronales cuyos algoritmos son eficaces.
Encog contiene clases para crear una amplia variedad de redes,
as como clases de apoyo para normalizar y procesar datos para
estas redes neuronales.
Encog entrena usando muchas tcnicas
diferentes. Multithreading se utiliza para permitir un rendimiento
ptimo de entrenamiento en las mquinas multincleo. La
versin C ++ de Encog puede descargar algn tipo de
procesamiento a un OpenCL GPU compatible para obtener ms
ganancias de rendimiento.
Herramientas computacionales
Joone
Joone es una arquitectura basada en componentes basado en
componentes enlazables que se pueden extender para construir
nuevos algoritmos de aprendizaje y redes neuronales
arquitecturas.
Los componentes son mdulos de cdigo de plug-in que estn
vinculados a producir un flujo de informacin. Los nuevos
componentes se pueden aadir y reutilizados. Ms all de la
simulacin, Joone tambin tiene algunas capacidades de
despliegue multiplataforma medida.
Joone tiene un editor de interfaz grfica de usuario para crear de
forma grfica y probar cualquier red neuronal, y un entorno de
formacin distribuida que permite redes neuronales para ser
entrenados en varios equipos remotos.