INSTITUTO POLITECNICO NACIONAL

UNIDAD PROFESIONAL INTERDISCIPLINARIA EN

INGENIERIA Y TECNOLOGIAS AVANZADAS

Sistemas Neuro-Difusos
Reporte de Redes Neuronales.
Identificador de colores en escala RGB
Nombre:
Campos Jardon Luis Eduardo
Fecha de entrega:
Jueves 16 de Julio del 2015
Grupo:
2MM10

Prof.:
Dra. Blanca Tovar Corona

Introduccin
Las Redes Neuronales Artificiales (RNA) estn inspiradas en la biologa, esto significa
que estn formadas por elementos que se comportan de manera anloga a las
neuronas (en las funciones ms elementales) y estn organizadas de una forma similar
a la del cerebro.
Las caractersticas fundamentales de las RNA son:

Aprenden de la experiencia: Las RNA pueden modificar su comportamiento como

respuesta a su entorno. Dado un conjunto de entradas, las RNA se ajustan para
producir respuestas consistentes. Una amplia variedad de algoritmos de entrenamiento
se han desarrollado.
Generalizan de ejemplos anteriores a los ejemplos nuevos: Una vez que la RNA
est entrenada, la respuesta de la red puede ser insensible a pequeas variaciones en
las entradas, lo que las hace idneas para el reconocimiento de patrones.
Abstraccin de la esencia de las entradas: Algunas RNA son capaces de abstraer
informacin de un conjunto de entradas. Por ejemplo, en el caso de reconocimiento de
patrones, una red puede ser entrenada en una secuencia de patrones distorsionados de
una letra. Una vez que la red sea correctamente entrenada ser capaz de producir un
resultado correcto ante una entrada distorsionada, lo que significa que ha sido capaz de
aprender algo que nunca haba visto.

Redes de capa simple

A pesar de que una sola neurona puede realizar modelos simples de funciones, su
mayor productividad viene dada cuando se organizan en redes. La red ms simple es la
formada por un conjunto de perceptrones a los que entra un patrn de entradas y
proporcionan la salida correspondiente. Por cada perceptrn que tengamos en la red
vamos a tener una salida, que se hallar como se haca con un perceptrn solo,
haciendo el sumatorio de todas las entradas multiplicadas por los pesos. Al representar
grficamente una red, se aade una "capa" inicial que no es contabilizada a efectos de
computacin, slamente sirve para distribuir las entradas entre los perceptrones. De
esta manera, la representacin grfica de una red de capa simple sera la siguiente:

Redes multicapa
Las redes multicapa se forman por un conjunto de redes de capa simple en cascada
unidas por pesos, donde la salida de una capa es la entrada de la siguiente capa.
Generalmente son capaces de aprender funciones que una red de capa simple no
puede aprender, por lo que ofrecen mejores capacidades computacionales. Para que
este incremento en poder computacional sea tal, tiene que existir una funcin de
activacin no lineal entre las capas, por lo que generalmente se utilizar una funcin de
activacin sigmoidea en detrimento de la lineal o umbral.
Para calcular la salida de una red multicapa se debe hacer de la misma manera que en
las redes de capa simple, teniendo en cuenta que las salidas de una capa son las
entradas de la siguiente capa.:

Redes recurrentes: Las redes consideradas hasta ahora no tienen conexiones entre
pesos de la salida de una capa a la entrada de la misma capa o anteriores. Las redes
que poseen esta caracterstica son conocidas como redes recurrentes. Las redes
recurrentes no tienen memoria, es decir, la salida solamente est determinada por las
entradas y los pesos. Las capas recurrentes redireccionan previas salidas a entradas.
Su salida es determinada por su entrada y sus salidas previas, por lo que se puede
asemejar a la memoria a corto plazo de los seres humanos.

DESCRIPCIN DEL PROBLEMA.

Se desea construir un dispositivo capaz de identificar en alguna superficie diferentes
colores de acuerdo a las escala RGB. Para esto, se implementarn tres sensores
pticos (fotodiodos), los cuales identificarn los colores rojo, verde y azul
respectivamente, para que de esta forma se obtengan diferentes combianaciones y un
mayor rango de clasificacin de los colores
Como sabemos, el rojo, verde y azul son los colores primarios y al mezclarlos en
diferentes proporciones se obtienen diferentes variaciones de los siguientes colores:

Negro
Blanco
Rojo
Verde
Azul
Magenta
Cyan
Amarillo

Como se ha mencionado, dado que las proporciones de rojo, verde o azul son muy
diversas, se obtienen diversas tonalidades, pero a fin de cuentas, matices diferentes de
cada uno de los diferentes colores antes mencionados.
Las combinaciones de los colores primarios se pueden visualizar de la siguiente manera
de acuerdo a la tonalidad que genera la combinacin de las diferentes proporciones de
cada color primario.

OBJETIVO.
Utilizando la Red Neuronal Artificial tipo Kohonnen Competitiva llevar a cabo la
identificacin de los diferentes colores de acuerdo a las diferentes proporciones de los
colores primarios obtenidos por medio de tres fotodiodos configurados cada uno para
sensar cada color (rojo, verde y azul).
PROCEDIMIENTO.
Para fines prcticos, los datos obtenido por los sensores se van a simular como datos
de entrada otorgados por el usuario, con una escala de valores del 0 al 255 para cada
color primario, ya que stos seran los valores decimales obtenidos por cada fotodiodo.
Como ya se mencion, los valores de cada color primario van de 0 a 255, ya que los
valores que obtienen los fotodiodos son 8 bits, de los cuales convertidos a hexadecimal
son 00-FF.

Dada esta representacin grfica de la localizacin de los colores dentro de las

dimensiones que abarcan los colores primarios y sus respectivas combinaciones, se
asignan los valores de los puntos de cada clase, en este caso de cada color.
Se ubican 8 clases, una por cada color, y cada clase posee 8 patrones, los cuales
representaran diferentes tonalidades de cada color. Cada patrn posee 3 elementos, y
stos son la proporcin de cada color primario.

Clase 1
Negro

patrn
1
patrn
2
patrn
3
patrn
4
patrn
5
patrn
6
patrn
7
patrn

Clase 2
Verde

Clase 3
Azul

Clase 4
Clase 5
Clase 6
Clase 7
Clase 8
Cyan
Rojo
Amarillo
Magenta
Blanco
[0,170,17
[170,170, [170,0,17 [170,170
[0,0,0] [0,170,0] [0,0,170]
[170,0,0]
0]
0]
0]
70]
[0,85,17 [0,255,17 [170,85, [170,255, [170,85,1 [170,255
[0,85,0] [0,255,0]
0]
0]
0]
0]
70]
70]
[0,170,8
[0,170,25 [170,0,8 [170,170, [170,0,25 [170,170
[0,0,85]
[0,0,255]
5]
5]
5]
85]
5]
55]
[0,85,8 [0,255,8 [0,85,25 [0,255,25 [170,85, [170,255, [170,85,2 [170,255
5]
5]
5]
5]
85]
85]
55]
55]
[85,170, [85,0,17 [85,170,1
[255,170, [255,0,17 [255,170
[85,0,0]
[255,0,0]
0]
0]
70]
0]
0]
70]
[85,85, [85,255, [85,85,1 [85,255,1 [255,85, [255,255, [255,85,1 [255,255
0]
0]
70]
70]
0]
0]
70]
70]
[85,0,8 [85,170, [85,0,25 [85,170,2 [255,0,8 [255,170, [255,0,25 [255,170
5]
85]
5]
55]
5]
85]
5]
55]
[85,85, [85,255, [85,85,2 [85,255,2 [255,85, [255,255, [255,85,2 [255,255

85]

85]

55]

55]

85]

85]

Posteriormente se definen los vectores W, los cuales son los que identificarn cada
color.
W1
W2
W3
W4
W5
W6
W7
W8

[38.25,38.25,38.5]
[38.25,216.75,38.
5]
[38.25,38.25,216.
75]
[38.25,216.75,216
.75]
[216.75,38.25,38.
5]
[216.75,216.75,38
.5]
[216.75,38.25,216
.75]
[216.75,216.75,21
6.75]

Una vez definidos los patrones de las clases y los vectores W, se crean un vector pt
horizontal de 64 elementos, wt vectical de 8 elementos y se define un alpha de 0.2 as
como sigue:

Hecho esto, se procede a a realizar el algoritmo correspondiente a la neurona tipo

Competitiva.
Se define el nmero de iteraciones (epocs). En un ciclo triple FOR, donde el primero X
se ejecutar el nmero de veces de iteraciones programadas, el segundo FOR Y, se

55]

55]

ejecutar 64 veces (1 vez por cada patrn) y el tercero Z, por el nmero de W, en este
caso 8.

Se observa que la ejecucin de la competencia se lleva a cabo en los dos ltimos FOR,
pero antes de cerrar el ltimo, se aprecia que se plotea wtn, el simula el movimiento de
las W por cada iteracin, para buscar el resultado en cada clase.
Despus de terminados los ciclos FOR, se inicia uno nuevo, y en ste se lleva a cabo la
competencia de WTN con el vector de los valores RGB ingresados por los fotodiodos
(en este caso ingresados por el usuario), y aqu se obtiene GUS, el cual es el valor que
se va a comparar y condicionar para definir a qu color corresponde cada combinacin
de las proporciones de los colores primarios.

RESULTADOS:
Una vez hecho todo lo anterior, se procede a plotear todos los puntos (64, 8 por
cada clase) los vectores W (8), el punto de la combinacin de las proporciones

de los colores primarios obtenida de los fotodiodos (en este caso ingresada por
el usuario) y WTN (8 W por 30 iteraciones).

En este caso se realiz la prueba como sigue:

Se ingresaron los valores RGB.
Se obtiene un espacio donde aparecen las 8 clases ( colores) los W, WTN
(se observa como cada W se mueve por cada iteracin) y el punto de los
valores RGB (un tringulo).
Se verifica que el color otorgado sea igual en donde aparece ^.

Se corrobora que la identificacin de colores funciona correctamente.

CONCLUSIONES:
Las redes neuronales son de gran utilidad para diversas aplicaciones donde se hace la
misma tarea muchas veces y sta debe realizarse con la misma precisin. La
identificacin de patrones es un campo de aplicacin bastante extenso y en este caso
se llev a cabo una identificacin de colores, la cual se puede considerar como
patrones que se pueden repetir o varias y el sistema ejecutar la accin correctamente.
En lo personal, considero que la aplicacin de la identificacin y clasificacin de colores
y patrones es muy importante en el rea de mecatrnica, ya que la mayora de los
sistemas inteligentes deben poseer la capacidad de identificar diferentes objetos para
poder actuar ante cierta situacin y hacerlo bien n veces.
BIBLIOGRAFA:

http://43hilos120palabras.blogspot.mx/2014/11/color-rgb.html
http://ingenieria.udea.edu.co/investigacion/mecatronica/mectronics/redes.htm

APENDICE:
Cdigo principal: