WIXLIB

1Revista de Innovación SistemáticaArtículoMarzo 2018 Vol.2 No.5 1-6Comparativa entre Red Neuronal Perceptrón y ADALINE en la clasificación dedatos de dos diferentes clasesComparison between Neural Network Perceptron and ADALINE in Dataclassification of from two different classesJARA-RUIZ, Ricardo†*, RODRÍGUEZ-FRANCO, Martín Eduardo, LÓPEZ-ÁLVAREZ, YadiraFabiola y DELGADO-GUERREO, Sergio HumbertoUniversidad Tecnológica del Norte de Aguascalientes, Av. Universidad #1001, Estación Rincón, El Potrero, 20400 Rincónde Romos, Ags.ID 1er Autor: Ricardo, Jara-Ruiz / CVU CONACYT ID: 630276ID 1er Coautor: Martin Eduardo, Rodríguez-Franco/ CVU CONACYT ID: 660892ID 2do Coautor: Yadira Faviola, López-Álvarez/ CVU CONACYT ID: 375952ID 3er Coautor: Sergio Humberto, Delgado-Guerrero/ CVU CONACYT ID: 240475Recibido 2 de Enero, 2018; Aceptado 8 de Marzo, 2018ResumenAbstractEn el presente trabajo se realiza una comparativa entre doselementos que forman parte fundamental e importantes enel desarrollo y comienzos del contexto de las redesneuronales artificiales para lo cual se considera comoprimer elemento el Perceptrón Simple y como segundo lared neuronal tipo ADALINE (por sus siglas en inglésADAptative LINear Element) como herramientas en laclasificación de datos de dos diferentes clases, siendo quepara esta clasificación se emplea un hiperplano por mediodel cual los elementos son divididos y separados segúncorresponda su clase. A partir del desarrollado y resultadosobtenidos se abordará la conclusión a la cual se llega comoefecto de la comparativa generada en función deldesempeño alcanzado en las pruebas de cada una de lasherramientas empleadas en esta tarea y se indica acorde alos resultados obtenidos cuál de estas logró un mejordesempeño considerando también sus característicasindividuales y estructurales en la clasificación de dichosdatos de esta índole.In the present paper, a comparison is made between twofundamental and important elements in the developmentsand beginnings of artificial neuronal nets, for which theSimple Perceptron and ADALINE (ADAptative LINearElement) network as tools in the classification of data oftwo different classes, being that for this classification ahyperplane is used to divided and separated the elementsaccording to their class. From the developed and obtainedresults will address the conclusion that is reached as aneffect of the comparison generated based on theperformance achieved in the tests of each of the tools usedin this task and is indicated according to the resultsobtained which of they achieved a better performanceconsidering also their individual and structuralcharacteristics in the classification of said data of thisnature.Red Neuronal, Perceptrón,Hiperplano y ClasificaciónADALINE,Neural Network, Perceptron,Hyperplane and ClassificationADALINE,Data,Datos,Citación: JARA-RUIZ, Ricardo, RODRÍGUEZ-FRANCO, Martín Eduardo, LÓPEZ-ÁLVAREZ, Yadira Fabiola yDELGADO-GUERREO, Sergio Humberto. Comparison between Neural Network Perceptron and ADALINE in Dataclassification of from two different classes. Revista de Innovación Sistemática 2018. 2-5:1-6*Correspondencia al Autor (Correo Electrónico: ricardo.jara@utna.edu.mx)† Investigador contribuyendo como primer autor. ECORFAN-Taiwanwww.ecorfan.org/taiwan

2ArtículoRevista de Innovación SistemáticaMarzo 2018 Vol.2 No.5 1-6IntroducciónUna de las ramas más destacadas del campocientífico de la Inteligencia Artificial es la quecorresponde a las Redes Neuronales Artificiales(RNAs) entendiendo como tales aquellas redesen las que existen elementos procesadores deinformación de cuyas interconexiones localesdepende el comportamiento del conjunto delsistema (Flores López, 2008).En tiempos reciente las características yventajas que han alcanzado las redes neuronalesa diferencia de los algoritmos computacionalestradicionales, las ha catapultado hasta alcanzargran auge en diferentes campos de aplicaciónpara la resolución de problemas simples hastacon un grado de complejidad mayor como es laidentificación y clasificación de elementos;siendo las redes neuronales primordiales poremular el funcionamiento y proceso deaprendizaje del cerebro humano. A partir de los resultados obtenidos compararel desempeño de ambas herramientas y llegara una conclusión.Redes Neuronales BiológicasLos sistemas biológicos ofrecen la posibilidad n de forma no convencional, norequieren modelos de referencia, y sedesempeñan exitosamente en presencia deincertidumbre; aprenden a realizar nuevas tareasy se adaptan con facilidad a medios ambientescambiantes.Se dice de un sistema que tiene lacapacidad de aprender si adquiere y procesainformación acerca de su desempeño y delambiente que lo rodea, para mejorar dichodesempeño.Célula - unidad o componente básica delos sistemas biológicos.A lo cual, el Perceptrón y la red neuronalADALINE permiten llevar a cabo este tipo detareas considerando la simplicidad de suestructura; la comparativa entre estos doselementos se desarrollará en un softwareespecializado de simulación empleando dadosdistintos y asignados a una clase en específicopara poder llevar a cabo el procesamiento yentrenamiento pertinente del Perceptrón y a suvez de la red neuronal ADELINE permitiendoconocer el desempeño individual al realizar estatarea y tomar como resultado el grado declasificación en referencia a un hiperplano.Objetivo generalFigura 1 Célula BiológicaMedir el desempeño del Perceptrón y redADALINE dos elementos de las redesneuronales artificiales, en la clasificación yseparación de datos.Neuronas - Componente básico delsistema nervioso, incluyendo al cerebro. Soncélulas que tienen una forma especial; sumembrana genera impulsos eléctricos ytransfiere información a otras neuronas pormedio de la sinapsis.Objetivos específicos Definir las clases de datos a trabajar. Realizar el procesamiento de datos conPerceptrón y red ADALINE empleando elsoftware Matlab.ISSN 2523-6784ECORFAN Todos los derechos reservados.JARA-RUIZ, Ricardo, RODRÍGUEZ-FRANCO, Martín Eduardo, LÓPEZÁLVAREZ, Yadira Fabiola y DELGADO-GUERREO, Sergio Humberto.Comparison between Neural Network Perceptron and ADALINE in Dataclassification of from two different classes. Revista de Innovación Sistemática2018

3Revista de Innovación SistemáticaArtículoMarzo 2018 Vol.2 No.5 1-6Perceptrón SimpleEl modelo de RNA conocido como Perceptrón oPerceptrón Simple fue introducido porROSENBLATT (1958), estando inspirado en lasprimeras etapas de procesamiento de lossistemas sensoriales de los animales.Esta red de naturaleza unidimensional, seorganiza en dos capas de neuronas (N celdas deentrada y M neuronas de salida), calculándosecada salida de la red como sigue (considerandola presencia de umbrales):Figura 2 Neurona biológicaRedes Neuronales - Están constituidaspor un gran número de neuronas, conectadas enforma masiva. Conforman el sistema nervioso yel cerebro. El cerebro puede contener 1011neuronas y 1015 interconexiones. Las redesneuronales biológicas pueden establecerse comogrupos de neuronas activas especializadas entareascomo:cálculosmatemáticos,posicionamiento y memoria.Redes Neuronales Artificiales (RNAs)Son modelos simplificados de las redesneuronales biológicas. Tratan de extraer lasexcelentes capacidades del cerebro para resolverciertos problemas complejos como: visión,reconocimiento de patrones o control motosensorial. En la Figura 3 se puede observar larepresentación esquemática de una red neuronalartificial.𝑁𝑦𝑗 𝑓 ( 𝑤𝑖𝑗 𝑥𝑗 ), 𝑗, 1 𝑗 𝑀(1)𝑖 0𝑤𝑖𝑗 (𝑡 1) 𝑤𝑖𝑗 (𝑡) 𝑤𝑖𝑗 (𝑡)(2) 𝑤𝑖𝑗 (𝑡) (𝑡𝑗 𝑦𝑗 )𝑥𝑖(3)El Perceptrón Simple puede utilizarsetanto para tareas de clasificación como para larepresentación de funciones booleanas, permitediscriminar entre dos clases lineales separables(el denominado problema OR), pero no entreclases linealmente no separables (problema ORexclusivo o XOR), lo que limita su aplicaciónpráctica.Las redes neuronales artificialespresentan las siguientes características: Elconocimientoexperimentalmente.esadquirido Los pesos (ganancias) de interconexión(sinapsis) varían constantemente. (SánchezCamperos, 2006).Figura 4 Perceptrón SimpleLa red ADALINELa red ADALINE (ADAptative LINearElement) fue desarrollada por WIDROW yHOFF (1960) poco después de la aparición delPerceptrón Simple, presentando múltiplessimilitudes con este modelo, si bien utilizafunciones de transferencia lineales.Figura 3 Representación de una red neuronal artificialISSN 2523-6784ECORFAN Todos los derechos reservados.JARA-RUIZ, Ricardo, RODRÍGUEZ-FRANCO, Martín Eduardo, LÓPEZÁLVAREZ, Yadira Fabiola y DELGADO-GUERREO, Sergio Humberto.Comparison between Neural Network Perceptron and ADALINE in Dataclassification of from two different classes. Revista de Innovación Sistemática2018

4Revista de Innovación SistemáticaArtículoMarzo 2018 Vol.2 No.5 1-6Asimismo, el mecanismo de aprendizajedifiere en gran medida de la regla utilizada en elPerceptrón Simple, al considerar la “regla deWidrow-Hoff”, que conduce a actualizacionesde tipo continuo, siendo la actualización de lospesos proporcional al error cometido por laneurona.Para el presente caso se definen dos tiposde clase diferentes para la asignación a los datosa clasificar como lo muestra la Tabla 1.La salida generada por estas redes y elproceso de actualización de pesos responde alsiguiente esquema (considerando la presencia deumbrales):A partir de lo definido en la Tabla 1 separte para llevar acabo el desarrollo yprocesamiento de los datos empleando las dosherramientas de redes neuronales artificiales yamencionadas y así poder realizar la comparativapertinente entre ellas.𝑁𝑦𝑗 𝑤𝑖𝑗 𝑥𝑖(4)𝑖 0𝑤𝑖𝑗 (𝑡 1) 𝑤𝑖𝑗 (𝑡) 𝑤𝑖𝑗 (𝑡)(5) 𝑤𝑖𝑗 (𝑡) (𝑡𝑗 𝑦𝑗 )𝑥𝑖(6)Clase 1: Clase 2: oTabla 1 Clases de datosPara esto, como se menciona el procesorealizado para el procesamiento correspondientede los datos.Datos ingresadosSe introducen aleatoriamente los datosasignados previamente a su respectiva clase,empleando el software especializado Matlabpara su procesamiento correspondiente.Figura 5 Red ADALINE (Flores López & FernándezFernández, 2008)HiperplanoSea 𝑢̅ 𝜖 ℝ𝑛 un vector no nulo y un númeroreal. Se llama hiperplano de ℝ𝑛 al conjunto 𝐻 {𝑥̅ 𝜖 ℝ𝑛 𝑢̅𝑡 𝑥̅ }.En el plano cartesiano ℝ2 , loshiperplanos son las rectas. Toda recta en elplano, divide a éste en dos “mitades”: cada unade estas es un semiespacio, el semiespacio quequeda en la parte superior de la recta y en la parteinferior. (García Cabello, 2006).Gráfico 1 Primer grupo de datos ingresados para suclasificaciónDefinición de clases de datosUn dato es una representación simbólica(numérica, alfabética, algorítmica, espacial, etc.)de un atributo o variable cuantitativa ocualitativa (Ontiveros Baeza & López Sabater,2017).Gráfico 2 Segundo grupo de datos ingresados para suclasificaciónISSN 2523-6784ECORFAN Todos los derechos reservados.JARA-RUIZ, Ricardo, RODRÍGUEZ-FRANCO, Martín Eduardo, LÓPEZÁLVAREZ, Yadira Fabiola y DELGADO-GUERREO, Sergio Humberto.Comparison between Neural Network Perceptron and ADALINE in Dataclassification of from two different classes. Revista de Innovación Sistemática2018