Ramos Avecillas Juan Paul, Valdez Garcia Freddy Homero. Facultad de Ingenierias. Universidad Politécnica Salesiana, Sede Cuenca. jramosa@est.ups.edu.ec, fvaldezg@est.ups.edu.ec Resumen- Este documento Implementar el problemas que eran difíciles contiene la implementación circuito diseñado. o imposibles de resolver por de una red neuronal para el los métodos de cálculo y control de un motor a pasos estadística. A pesar de que con las diferentes secuencias MARCO TEÓRICO. que tendremos a través de la las redes neuronales El análisis predictivo se artificiales se refieren a entrada basada en unos y utiliza hoy día en numerosas ceros en donde podremos menudo simplemente como ocasiones como sinónimo redes neuronales, el nombre realizar con las salidas el del término "aprendizaje Figure 2: Estructura de movimiento del motor con las más bien pertenece a los una red neuronal. características que se nos automático", también cerebros biológicos en los proponen. El uso de conocido como machine que se basaron en un perceptrones nos ayuda learning. Si hay una técnica principio. [1] mucho para poder cumplir en análisis predictivo que Como aprende una Red con lo establecido ya que es captura este aspecto más que Neuronal. un tipo de red neuronal cualquier otro, es el artificial en donde tiene la modelado de redes Las redes neuronales capacidad de aprender a neuronales artificiales. Su artificiales suelen comenzar reconocer patrones sencillos y funcionamiento se basa en con pesos al azar para todas dando lugar a un sus neuronas. Esto quiere el aprendizaje, una entrenamiento de la red, decir que no "sabe" nada y estando formado por una búsqueda iterativa de los coeficientes o pesos dados a deben estar capacitadas para capa de entrada y otra capa resolver el problema de salida. En general en el inputs y outputs. documento entrenaremos una particular para el que están red que a partir de los Procesamiento Neuronal: destinadas. En términos voltajes de entrada como generales, existen dos salida tengamos voltajes que Una computadora digital métodos para la formación se pueda asimilar como un tradicional hace muy bien de una RNA, dependiendo mando de ceros y unos y así muchas tareas. Es muy del problema que debe de esa manera poder darle el rápida, y hace exactamente Figure 1: Red Neuronal resolver: [1] funcionamiento requerido al lo que le diga que haga. Por 3 entradas 3 salidas. motor paso-paso. desgracia, no puede ayudarle Una auto- Palabras Clave- Perceptron, cuando usted mismo no Estructura de las redes organización de red neuronal, Neurona entiende por completo el neuronales. artificial. RNA (a menudo problema que desea resolver. llamada Kohonen, Una red neuronal artificial Peor aún, los algoritmos funciona mediante la por su inventor) INTRODUCCIÓN estándar no manejan bien creación de conexiones entre está expuesta a Últimamente las redes los datos ruidosos o grandes cantidades muchos elementos de neuronales están volviendo incompletos, sin embargo, de datos y tiende a procesamiento diferentes, a la actualidad por los en el mundo real, esos son descubrir patrones y cada uno similar a una sola logros que se están frecuentemente los que se relaciones en los neurona en un cerebro consiguiendo, es un claro encuentran. Una respuesta datos. Los biológico. Estas neuronas ejemplo en donde google ha es utilizar una red neuronal investigadores pueden estar físicamente logrado derrotar a su propio artificial (RNA), un sistema suelen utilizar este construidas o simuladas por reCAPTCHA con redes de cómputo que puede tipo para analizar una computadora digital. [2] neuronales y así metas aprender por sí mismo. [1] los datos bastantes impresionantes y Cada neurona tiene muchas experimentales. que cada vez se acercan más La primera red neuronal señales de entrada y luego, a esa idea original de artificial fue inventada en sobre la base de un sistema Una RNA de retro- reproducir el 1958 por el psicólogo Frank de peso interno, produce una propagación, por el funcionamiento del cerebro Rosenblatt. Llamada sola señal de salida que es contrario, está humano en un ordenador. A Perceptrón, intentaba normalmente enviada como entrenada por los continuación, se podrá modelar cómo el cerebro entrada a otra neurona. Las seres humanos para revisar en que consiste humano procesaba los datos neuronas están realizar tareas simular el funcionamiento visuales y aprendía a estrechamente específicas. del cerebro del ser humano reconocer los objetos. interconectadas y atreves de un computador. Eventualmente, alguien se organizadas en capas Durante el período de dio cuenta de que además de diferentes. La capa de entrenamiento, el entrenador OBJETIVOS proporcionar conocimientos entrada recibe la entrada, la evalúa si la salida de la RNA sobre la funcionalidad del capa de salida produce el es correcta.Si es correcta, los Diseño de un cerebro humano, las RNA resultado final. Por lo coeficientes correctores circuito de dos pueden ser herramientas general, una o más capas neuronal que producen la perceptrones. útiles por su propia cuenta. ocultas se intercalan entre producción se ven Conocer el reforzados, si la salida es funcionamiento del Su patrón de coincidencia y las dos. Esta estructura hace que sea imposible predecir o incorrecta, los coeficientes motor Paso-Paso. las capacidades de correctores responsables se Comprobar las aprendizaje les permitió conocer el caudal exacto de los datos. [2] ven disminuidos. [1] entradas y salidas. hacer frente a muchos Cómo funcionan las RNA. función de Hebbiana, propuesta por separar con un hiperplano aproximación. [3] Hebb en 1949 y que ha dado los elementos "deseados" de Uno de los aspectos más 3) Clasificación: las pie a diversas variantes los "no deseados". El interesantes del estudio de redes neuronales propuestas en el transcurso Perceptrón puede utilizarse las redes neuronales artificiales pueden del tiempo. Si dos unidades j con otros perceptrones u otro artificiales es el que revela ser utilizadas y k están activas al mismo tipo de neurona artificial, en qué consiste su eficazmente para tiempo, la conexión entre las para formar redes neuronales aportación a la analítica clasificar muestras, dos debe ser fortalecida más complicadas. [4] predictiva. En esta línea, es decir, asignar los mediante la modificación del destacan cuatro usos: datos que se peso: ADALINE (Adaptive Linear recogen a diferentes Neuron). 1) Aproximación: su función se asemeja clases o categorías. La red ADALINE tiene una a una forma [3] Donde γ es una constante de topología similar a la del avanzada de modelo 4) Agrupación: la proporcionalidad positiva perceptrón, excepto porque de regresión lineal agrupación es otra que representa la tasa de emplea una función de múltiple. En un forma de aprendizaje. Otra regla activación lineal, usando modelo de regresión clasificación, donde usada comúnmente implica para su entrenamiento un lineal estándar, se se desconoce el el ajuste de los pesos a través método de busca ajustar una número de clases de la diferencia entre la mínimos cuadrados (LMS). función de línea antes de forma activación actual y la Entre sus aplicaciones se recta a través de los previa. Por tanto, el deseada; se le conoce como encuentran: valores de una trabajo de las redes Regla Delta: Procesamiento de variable neuronales señales. independiente. En artificiales para la Canceladores de un modelo de red agrupación es ECO, en señales similar a la Donde dk es la activación neuronal artificial telefónicas. clasificación de deseada. no hay ninguna Sistemas de restricción, no registros. [3] El Perceptrón. predicción. existen ese tipo de Un esquema de predicción Entrenamiento de las redes límites, la línea no básico es el siguiente, en el neuronales. tiene porqué ser cual se presenta un recta. Esta Se denomina entrenamiento entrenamiento con datos del característica al proceso de configuración sistema tanto de la entrada complica su diseño, de una red neuronal para que como de la salida. Después pero optimiza los las entradas produzcan las de realizado el resultados ya que, salidas deseadas a través del entrenamiento se elimina la en base al ajuste de fortalecimiento de las entrada de datos de la salida una función, se conexiones. Una forma de Figure 3: El Perceptrón. del sistema, como lo muestra pueden encontrar llevar esto a cabo es a partir Es un modelo que nos ayuda la figura 4. [4] los pesos correctos o del establecimiento de pesos a dividir patrones coeficientes que se conocidos con anterioridad, linealmente separables y lo relacionarán con y otro método implica el uso que hace este entrenamiento técnicas estadísticas de técnicas de es deducir cuando una estándar. [3] retroalimentación y patrones entrada pertenece a una de 2) Previsión: el de aprendizaje que cambian las dos clases. [4] forecasting que las los pesos hasta encontrar los Dentro del campo de las redes neuronales adecuados. redes neuronales tiene dos artificiales permiten Además, el aprendizaje acepciones. Puede referirse a llevar a cabo parte puede dividirse en un tipo de red neuronal de una variable supervisado o asociativo y no artificial desarrollado por objetivo con un supervisado o auto- Frank Rosenblatt. Y dentro Figure 4:Red valor equiparable al organizado. En el primer ADALINE: de la misma teoría de de la que se caso se introducen entradas Rosenblatt. También puede Las redes ADALINE son pretende medir en que corresponden a entenderse como la neurona estructuras de una capa con un punto del tiempo determinadas salidas, ya sea artificial y unidad básica de una función de escalón como en el futuro. Las por un agente externo o por inferencia en forma de no linealidad. variables el mismo sistema. En el discriminador lineal, es Adicionalmente, las entradas independientes son segundo caso el decir, un algoritmo capaz de pueden ser de forma consideradas entrenamiento se enfoca a generar un criterio para continua, mientras que en el valores históricos de encontrar características seleccionar un sub-grupo, de perceptrón son binarias de la misma medida. estadísticas entre un grupo de componentes De esta manera, un agrupamientos de patrones más grande. La limitación de problema de en las entradas. Un tipo de este algoritmo es que, si ∓ 1. Los pesos son ajustados predicción reduce regla que se usa para el dibujamos en un plot estos simplemente a una entrenamiento mediante el elementos, se deben poder ajuste de pesos es la mediante la regla de limitaciones, una Widrow-Hoff para red de perceptrón minimizar la diferencia entre conserva su la salida y el objetivo. Este importancia ya que algoritmo es una sirvió como implementación iterativa de inspiración para la regresión lineal, otros tipos de redes. educiendo el error cuadrado De acuerdo con las de un ajuste lineal. [4] entradas podremos observar las salidas en donde le voltaje de salida no debe de ser superior a 5V para no tener inconvenientes con el arduino en dañar las entradas, en donde de 0 a 2.5 V se tomará como un cero y si la salida es de 2.5 a 5 es Figure 5: ADALINE tomada la salida con salida de activacion. como un 1. El uso del motor se debe de tener claro DESARROLLO. si es unipolar o bipolar par su CONCLUSIONES respectiva conexión Al escoger una red y no tener neuronal como inconvenientes con método de solución el funcionamiento. de un problema en particular, es REFERENCIAS necesario tener un [1] P. P. Cruz, "TECNOLOGIAS entrenamiento (Informacion Actual.)," 21 07 2013. [Online]. Available: profundo y https://www.tecnologias- completo de lo que informacion.com/redes- es el problema neuronales.html. [Accessed 27 como tal, pues ello 05 2018]. [2] B. M. d. Brio, "gtocoma," 9 facilita la elección Novirmbre 2016. [Online]. de los patrones de Available: entrenamiento y http://grupo.us.es/gtocoma/pid/p ofrece una idea id10/RedesNeuronales.htm . [Accessed 27 Mayo 2018]. general de la [3] B. D. Analytics, "LOGICALIS," arquitectura que 26 Enero 2009. [Online]. debe de tener la red Available: https://blog.es.logicalis.com/ana y de los que se lytics/redes-neuronales- espera de ella. artificiales-funcionamiento-y- La red de tipo aplicacion-al-negocio. [Accessed 27 Mayo 2018]. perceptrón es una [4] Z. Oriaj, "Implementacion de un red que puede Motor a pasos con implementarse perceptrones.," pp. 4-5, 2010 exitosamente para resolver problemas de clasificación de patrones que sean linealmente separables, la red responderá mejor entre más sencillos sean los patrones que debe de clasificar. A pesar de que cuenta con serias