0 calificaciones0% encontró este documento útil (0 votos)
128 vistas11 páginas
Este documento describe el funcionamiento de un perceptrón artificial codificado en Java. Explica que el perceptrón es una red neuronal artificial básica que puede clasificar datos de entrada en dos categorías mediante un separador lineal. Detalla el procedimiento de entrenamiento del perceptrón utilizando tablas de datos de entrada y salida esperada, y cómo se actualizan los pesos y el sesgo para mejorar la clasificación.
Este documento describe el funcionamiento de un perceptrón artificial codificado en Java. Explica que el perceptrón es una red neuronal artificial básica que puede clasificar datos de entrada en dos categorías mediante un separador lineal. Detalla el procedimiento de entrenamiento del perceptrón utilizando tablas de datos de entrada y salida esperada, y cómo se actualizan los pesos y el sesgo para mejorar la clasificación.
Este documento describe el funcionamiento de un perceptrón artificial codificado en Java. Explica que el perceptrón es una red neuronal artificial básica que puede clasificar datos de entrada en dos categorías mediante un separador lineal. Detalla el procedimiento de entrenamiento del perceptrón utilizando tablas de datos de entrada y salida esperada, y cómo se actualizan los pesos y el sesgo para mejorar la clasificación.
Abstract Este documento tiene como finalidad el explicar el
funcionamiento de la neurona artificial llamada Perceptron, para
ello se lo ha codificado en el lenguaje de programacin JAVA. Proveer un resultado, previo a un entrenamiento, a partir de dos entradas.
I. OBJETIVOS L objetivo principal del laboratorio a ms de reforzar el conocimiento del funcionamiento y mtodo de aprendizaje del Perceptron, es comprender que el Perceptron es un separador Lineal. II. INTRODUCTION STE documento va demostrar lo propuesto en el objetivo reforzar el conocimiento del funcionamiento de un Perceptron para lo cual se empezara con una breve introduccin. El Perceptrn dentro del campo de las redes neuronales tiene dos acepciones. Puede referirse a un tipo de red neuronal artificialdesarrollado por Frank Rosenblatt.Y dentro de la misma teora de Frank Rosenblatt. Tambin puede entenderse como la neurona artificial y unidad bsica de inferencia en forma de discriminador lineal, es decir, un algoritmo capaz de generar un criterio para seleccionar un sub-grupo, de un grupo de componentes ms grande. La limitacin de este algoritmo es que si dibujamos en un plot estos elementos, se deben poder separar con un hiperplano los elementos "deseados" de los "no deseados". El perceptrn puede utilizarse con otros perceptrones u otro tipo de neurona artificial, para formar redes neuronales ms complicadas.
III. PROCEDIMIENTO Para el desarrollo del laboratorio se utilizo el Perceptron codificado en los anteriores laboratorios, con una diferencia que son dos Perceptrones para poder saber la localizacion de puntos en un plano cartesiano. El presente laboratorio esta codificado para una aplicacin de escritorio en JAVA con la tecnologa Swing. Consta de tres clases: Clase Perceptron.java: Consta del metodo de aprendizaje
desarrollado en clases con modelos matemticos. Se realizaron modificaciones y adaptaciones al cdigo inicial las cuales son: 1. Para todo el aprendizaje con respecto al cdigo inicial se aument el bas, concepto explicado en clases. 2. Se modific el mtodo entrenar donde de igual manera se aadi el bas. 3. El mtodo que realiza los ajustes de las variaciones tanto de los pesos como del bas, se lo implemento. 4. Las adaptaciones que se realizo fue en cuanto al entrenamiento, puesto que las tablas de entrenamiento lo tenemos en un archivo de extensin .txt 5. Tambin se implement un mtodo que de la misma forma utiliza archivos con la extensin .txt este mtodo nos sirve para realizar el guardado tanto los pesos como el bas final resultantes del entrenamiento. Clase Grafico.java: Consta de la interfaz grfica y la llamada a los mtodos de la clase Perceptron.java para luego mostrar en pantalla de una manera amigable para el usuario. Clase PesosBiasCargar.java: Esta clase es una clase de ayuda para la implementacin de los metodos de lectura de archivos, transparente , al igual que Perceptron.java, al usuario. Clase Perceptron.java
Laboratorio Perceptron Uso como Separador Lineal Jonathan Bladimir Arana Mora, Tatiana Maribel Parreo Crdenas [email protected], [email protected] E E /** * */ package neurona;
public void entrenaTabla(String doc) throws IOException {
String subtemp; int index = 0; int cont = 0; int contesp = 0;
// StreamReader objReader = new StreamReader(doc); FileInputStream fstream = new FileInputStream(doc); // Creamos el objeto de entrada DataInputStream entrada = new DataInputStream(fstream); // Creamos el Buffer de Lectura BufferedReader buffer = new BufferedReader(new InputStreamReader( entrada)); String sLine = ""; while (sLine != null) { sLine = buffer.readLine(); Double[] x1 = new Double[2]; if (sLine != null)
for (int i = 0; i < sLine.length(); i++) { if (sLine.charAt(i) == ',') { subtemp = sLine.substring(index, i);
Clase Grafico.java
for (int i = 0; i < sLine.length(); i++) { if (sLine.charAt(i) == ',') { subtemp = sLine.substring(index, i); index = i + 1; x1[cont] = Double.parseDouble(subtemp); cont++;
} else if (i == (sLine.length() - 1)) { if (sLine.substring(i).equals("T")) v[contesp] = 1; else v[contesp] = 0; entra.add(x1); index = 0; cont = 0; contesp++; } } } entrada.close(); ejecucion(entra);
/* * To change this license header, choose License Headers in Project Properties. * To change this template file, choose Tools | Templates * and open the template in the editor. */
/** * * @author Jonathan Arana, Tatiana Parreno */ public class Grafico extends javax.swing.JFrame {
/** * */ private static final long serialVersionUID = 1L;
/** * Creates new form Grafico */ public Grafico() { initComponents(); setLocationRelativeTo(null); setResizable(false); }
/** * This method is called from within the constructor to initialize the form. * WARNING: Do NOT modify this code. The content of this method is always * regenerated by the Form Editor. */ // <editor-fold defaultstate="collapsed" desc="Generated Code"> private void initComponents() {
jLabel4 = new javax.swing.JLabel(); jLabel1 = new javax.swing.JLabel();
jLabel4 = new javax.swing.JLabel(); jLabel1 = new javax.swing.JLabel(); jLabel2 = new javax.swing.JLabel(); jLabel3 = new javax.swing.JLabel(); jLabel5 = new javax.swing.JLabel(); jTextField1 = new javax.swing.JTextField(); jTextField2 = new javax.swing.JTextField(); jButton1 = new javax.swing.JButton(); jButton2 = new javax.swing.JButton(); jButton3 = new javax.swing.JButton();
private void jButton3ActionPerformed(java.awt.event.Acti onEvent evt) { // TODO add your handling code here: // AQUI // cargarDatosArchivo(); try { cargarPesosBias();
JOptionPane.showMessageDialog(null, "Se han cargado los datos"); } catch (Exception e) { e.printStackTrace(); JOptionPane.showMessageDialog(null, "error al cargar los datos"); }
}
List<String> datosPesosBias = new ArrayList<>();
private void cargarDatosArchivo() { try { // Abrimos el archivo FileInputStream fstream = new FileInputStream(
"C:\\\\Users\\\\Jonathan\\\\Documents\\\ \tablas\\\\pesosBias.txt"); // Creamos el objeto de entrada DataInputStream entrada = new DataInputStream(fstream); // Creamos el Buffer de Lectura BufferedReader buffer = new BufferedReader(new InputStreamReader( entrada)); String strLinea; // Leer el archivo linea por linea while ((strLinea = buffer.readLine()) != null) { // Imprimimos la lnea por pantalla // System.out.println (strLinea); datosPesosBias.add(strLinea); } // Cerramos el archivo entrada.close();
List<PesosBiasCargar> pesosBiasCargars = new ArrayList<PesosBiasCargar>(); Perceptron perceptron = new Perceptron(2);
public void cargarPesosBias() { try { cargarDatosArchivo(); String subtemp; int index = 0; int cont = 0;
int cont = 0; PesosBiasCargar cargar = new PesosBiasCargar(); for (int i = 0; i < datosPesosBias.size(); i++) { if (i > 0) { cont = 0; cargar = new PesosBiasCargar(); index = 0; } for (int j = 0; j < datosPesosBias.get(i).length(); j++) { if (datosPesosBias.get(i).charAt(j) == ',') { cont++; subtemp = datosPesosBias.get(i).substring(index, j); index = j + 1; if (cont == 1) {
cargar.setPeso1(Double.parseDouble(subtemp )); } else if (cont == 2) {
cargar.setPeso2(Double.parseDouble(subtemp )); } else if (cont == 3) {
Se realizo una grafica donde se representan los Perceptrones usuados para realizar el laboratorio.
Figura 1: Grafica representative de los Perceptrones como separadores lineales. Para entrenar los perceptrones se utiliz la siguiente tabla.
Figura 2: Tabla entrenamiento Perceptrones
IV. RESULTADOS Los resultados obtenidos son los siquientes: /** * */ package neurona;
/** * @author Jonathan Arana, Tatiana Parreno * */ public class PesosBiasCargar {
private Double peso1; private Double peso2; private Double bias; public Double getPeso1() { return peso1; } public void setPeso1(Double peso1) { this.peso1 = peso1; } public Double getPeso2() { return peso2; } public void setPeso2(Double peso2) { this.peso2 = peso2; } public Double getBias() { return bias; } public void setBias(Double bias) { this.bias = bias; }
} A
C B
Figura 3: Interfaz de Usuario sencilla
Figura 4: Carga de datos de los pesos y el bas.
Figura 5: Prueba conjunto C
Figura 6:Prueba Conjunto A.
Figura 7: Prueba Conjunto B.
Figura 8: Prueba 2 Conjunto B.
Figura 9:Prueba 2 Conjunto A.
Figura 10: Prueba 2 Conjunto C.
V. CONCLUSIONES Para este laboratorio se utiliz un plano cartesiano y de acuerdo con los requerimientos se realiz la interfaz de usuario. Se realiz un guardado de los pesos y el bas en un archivo de extensin .txt para poder realizar con mayor rapidez las consultas. De acuerdo al aprendizaje el Perceptron responder a las necesidades del usuario.
REFERENCES [1]PERCEPTRN. WIKIPEDIA, LA ENCICLOPEDIA LIBRE, APRIL 19, 2014. HTTP://ES.WIKIPEDIA.ORG/W/INDEX.PHP?TITLE=PERCEP TR% C3%B3N&OLDID=73895041. [2] CARABALLO, GISSELL. ELECTRNICARADICAL: COMPUERTAS LGICAS. ELECTRNICARADICAL, SBADO, DE ENERO DE 2011.