School Work">
Funciones de Activacion Logsig y Tansig
Funciones de Activacion Logsig y Tansig
Funciones de Activacion Logsig y Tansig
ResumenEl presente artculo muestra las funciones de activacion tansig y logsig, las cuales permiten mayor flexibilidad
en el sistema y mejor forma de entrenar neuronas. Para lo
que se utilizara dos funciones de activacion que son logartmica
sigmoidea (Logsig) y tangente sigmoidal (Tansig) ademas cuentan
con capas ocultas que funcionan con tansig y capas de salida que
funcionan con logsig.
Los valores de entradas de estas dos funciones estan dentro
de el y pueden ser de menos infinito y mas infinito, las salidas
de la funcion Logsig se encuentra en el rango de 0 a 1 y las
funciones tansig de -1 a 1.
Palabras Clave- Tansig, Logsig, Red Neuronal Artificial,
Incendio, Accidente Transito, Inundaciones, Deslaves, Atentado,
Polica Nacional, Fuerzas Armadas, Cuerpo de Bomberos, Cruz
Roja.
Abstract. This article will be based on the activation
functions, which allow more flexibility in the system. For what
two activation functions are logarithmic sigmoid (logsig) and
sigmoidal tangent (tansig) was used. Be used for the neurons of
the hidden layer activation function tansig and neurons of the
output layer logsig the activation function. Input values these
two functions are provided and can be of the negative infinity
and positive infinity, the function exits logsig is in the range 0
to 1 and the functions tansig from -1 to 1.
Index TermsTansig, logsig, Artificial Neural Network, Fire,
Traffic Accidents, Flooding, Mudslides, bombings, Police, Military, Fire Department, Red Cross
I. INTRODUCCI ON
N la actualidad las aplicaciones informaticas con redes
neuronales artificiales han tomado mayor interes en nuestra sociedad, el objetivo de este es llegar a disenar maquinas
con elementos neuronales de procesamiento paralelo, de modo
complejos de redes neuronales y conocer cuales son los valores de entrada y si son o no aplicadas
II-A2.
Funciones de Activacion:
Funcion Sigmoidal
II-A1. Caractersticas:
Un conjunto de unidades de procesamiento o neuronas.
Un estado de activacion para cada unidad, equivalente a
la salida de la unidad.
Conexiones entre las unidades, generalmente definidas
por un peso que determina el efecto de una senal de
entrada en la unidad
Una regla de propagacion, que determina la entrada
efectiva de una unidad a partir de las entradas externas.
Una funcion de activacion que actualiza el nuevo nivel de
activacion basandose en la entrada efectiva y la activacion
anterior.
Una entrada externa que corresponde a un termino determinado como bias para cada unidad.
Un metodo para reunir la informacion, correspondiente
a la regla del aprendizaje
Un ambiente en el que el sistema va a operar, con senales
de entrada e incluso senales de error.
La funcion f puede ser sigmoidal, tangente hiperbolica,
escalon, entre otras. En MATLAB se tiene diferentes funciones
de activacion como tansig, hardlim y purelin, entre otras,
lo cual facilita las aproximaciones que se requieran hacer,
empleando RNA.
II-B. Aprendizaje
El esquema de aprendizaje de una red es lo que determina
el tipo de problemas que sera capaz de resolver. La capacidad
de una red para resolver un problema estara ligada de forma
fundamental al tipo de ejemplos de que dispone en el proceso
de aprendizaje. El aprendizaje consiste en la determinacion de
los valores precisos de los pesos para todas sus conexiones,
que la capacite para la resolucion eficiente de un problema.
El criterio de convergencia depende del tipo de red utilizada
o del tipo de problema a resolver. Dependiendo del esquema
de aprendizaje y del problema a resolver, se pueden distinguir
tres tipos de esquemas de aprendizaje:
Aprendizaje Supervisado:
En este tipo de esquema, los datos del conjunto de aprendizaje tienen dos tipos de atributos: Los datos propiamente
dichos y cierta informacion relativa a la solucion del problema.
En la Figura 4. Se representa la estructura de este tipo de
aprendizaje.
Aprendizaje no Supervisado(Autoorganizado):
En este aprendizaje los datos del conjunto de aprendizaje
solo tienen informacion de los ejemplos, y no hay nada que
permita guiar en el proceso de aprendizaje.La red trata de
determinar caractersticas de los datos del conjunto de entrenamiento: rajos significativos, regularidades o redundancias. La
red se ajusta dependiendo u nicamente de los valores recibidos
como entrada, como se representa en la Figura 5.
P= [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1
11111;0000000011111111000000001
1111111;00001111000011110000111
100001111;001100110011001100110
01100110011;0101010101010101010
1 0 1 0 1 0 1 0 1 0 1 0 1 ];
Salida
T=[0 0 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
1 1 1 1; 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1
0 1 0 1 0 1; 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1; 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 0 0 0 0 0 0
0 0 1 1 1 1 1 1 1 1];
Para solucionar este problema vamos a utilizar un perceptron multicapas de 3 niveles con 5 capas de entrada 3 capas
ocultas y 4 capas de salida como se describe en la Figura 7.
II-C1. Boton Entrenar Red: Este boton me permite entrenar la red y en la Figura 9. me muestra la estructura en la
que se encuentra la red creada, mientras que en la figura 10.
presenta las interacciones que realizo para que la red este bien
entrenada, se vayan modificando los pesos y cumpla con todas
las salidas deseadas.
III.
IV.
CONCLUSIONES
R EFERENCIAS
BIOGRAFIA
[1] Cruz, P. P. (2010). INTELIGENCIA ARTIFICIAL CON APLICACIONES A LA INGENIERIA. Mexico: Alfaomega Grupo Editor, S.A. de
C.V.
[2] Vinuela, P. I., y Leon, I. M. (2004). Redes Neuronales Artificiales Un
S.A.
Enfoque Practico. Madrid: PEARSON EDUCACION
[3] Mexico, U. d. (Mayo de 1995). Server Proton. Obtenido de
http://proton.ucting.udg.mx/
Codigo fuente de ECU911 con redes neuronales en :
https://ralexs04@bitbucket.org/ralexs04/ecu911.git