Alumno:

Erick Hernández Lázaro

Materia: Inteligencia Artificial

Catedrático:

Profra. María de Lourdes Aguilar López

INGENIERÍA MECATRÓNICA

     D o m i n g o   0 2   d e   N o v i e m b r e   2 0 1 4  

 

 

 

Reporte  de  Neuronas  OR  y  XOR  entrenadas  utilizando  el  programa  

Matlab  

UNIVERSIDAD IBEROAMERICANA PUEBLA

“Reporte de Neuronas OR y XOR entrenadas utilizando el programa Matlab”

Para la puerta lógica OR-exclusiva mejor conocida como XOR se utilizó una

tabla como se muestra a continuación en la tabla 1, en el cual nos sirvió para

construir la matriz necesaria para poder mostrar los resultados exactos a la

neurona.

Tabla de verdad puerta XOR

Tabla 1. Tabla de verdad de la puerta lógica XOR

En la siguiente figura (Figura 1) se pueden observar que los resultados fueron

correctos y coinciden con las respuesta por parte de la neurona. Con base a

esto se puede decir que la neurona ha sido entrenada correctamente.

La figura 1 muestra la matriz introducida en >>Data:input<<, los valores

correctos en >>Data:output<< y los resultados obtenidos como respuesta por

parte de la neurona en >>Data:Percetron_XOR_output<<.

Figura 1. Resultados de la neurona XOR entrenada correctamente.

En la siguiente figura (Figura 2) se puede prestar atención en la ventana

Neuronal Network Training en donde se observa que el tiempo fue menor a 1

segundo y esto fue posible ya que el mínimo valor que se muestra es de

segundos entonces se muestra 0 segundos como tiempo transcurrido para

entrenar la neurona.

De la misma forma se puede observar la gráfica de la neurona entrenada en

relación a cada epoch.

Figura 2. Tiempo transcurrido (Tiempo) y gráfica de la neurona entrenada

(Línea azul).

Para poder entrenar la puerta lógica OR se utilizó nuevamente la tabla de

verdad mostrada (Tabla 2) para poder construir la matriz necesaria para

moestrarle los resultados correctos a la neurona.

Tabla de verdad mostrada OR

Tabla 2. Tabla de verdad moestrada de la puerta lógica OR

En la siguiente figura (Figura 3) se muestran los valores correctos en

>>data:valor_deseado_OR<< y los resultados obtenidos como respuesta por

parte de la neurona en >>Data:Perceptron_OR_output<<. La matriz que se

introdujo fue X=[0011;0101]. En la siguiente figura (Figura 3) se puede

observar que los resultados correctos coinciden con las respuesta por parte

de la neurona, con esto se puede afirmar que la neurona ha sido entrenada

correctamente.

Figura 3. Valores obtenidos y deseados en la neurona OR.

En la siguiente figura (Figura 4) se observa en la ventana Neuronal Network

Training que el tiempo transcurrido para entrenar la neurona OR fue de 1

segundo y le tomó solo 3 epochs (iteracciones).

Figura 4. Tiempo transcurrido para entrenar la neurona.

En la siguiente figura (Figura 5) se observa la gráfica de la neurona entrenada

en relación a cada epoch.

Figura 5. Gráfica de la neurona entrenada (Línea azul).

Resultados

En la siguiente tabla (Tabla 3) se muestran los datos de cada perceptron

programado en el programa matlab.

Datos de cada perceptrón programado

Estructura utilizada XOR OR

Epochs 3 3

Goal 0 0

Tiempo aproximado de entrenamiento de la

red

1

1

Tiempo de cálculo de la salida

Instantáneo Instantáneo

Tabla 3. Datos de cada perceptrón programado OR y XOR

Conclusión

Gracias a la software utilizado que este caso fue Matlab nos fue de gran

ayuda ya que cuenta con las herramientas como la Neuronal Netwok Training

en el cual nos facilitó el entrenamiento a perceptrones ya que nos proporcionó

opciones para introducir un conjunto de datos de entrda que nos llevaron al

resultado de una sola salida. Pasando de la opción con la que cuenta este

programa se puede entrenar un perceptrón creado para aprender el resultado

correcto a partir de una conjunto de entradas.

El perceptron que se entrena requiere de un cierto tiempo para aprender y

probar si los resultados son correctos y esto a su vez concuerdan con lo

establecido de que sea exacto, para ello se realizan alguna iteracciones hasta

coincidir con los resultados esperados. El cero fue establecido como objetivo

para así poder llevar el error mínimo y valor posibe al entrenar el perceptrón.

A entrenar el perceptrón se hicieron pruebas para ver si el perceptrón fue

programa correctamente.

De esta manera se concluye estas actividades que consistió entrenar

perceptrones OR y XOR desde el programa matlab gracias a la herramienta

Neuronal Netwok Training en el cual pudimos entrenar estos perceprones

simples.

ANEXOS

El siguiente código fue utilizado para la entrenación de perceptrones en el programa Matlab y los pasos siguientes fueron realizados en las ventanas emergentes al introducir los comandos nntool, nftool, mostrados en las imágenes anteriores.

• Para la puerta lógica XOR:

input=[0 0 1 1; 0 1 0 1];

output=[0 1 1 0];

>>nntool

>>nftool

• Para la puerta lógica OR:

input=[0 0 1 1; 0 1 0 1];

output=[0 1 1 1];

>>nntool

>>nftool