INSTITUTO POLITECNICO NACIONAL

UNIDAD PROFESIONAL INTERDISCIPLINARIA EN INGENIERIA Y TECNOLOGIAS AVANZADAS

Sistemas Neuro-Difusos

Reporte de Redes Neuronales.

Identificador de colores en escala RGB

Nombre:Campos Jardon Luis Eduardo

Fecha de entrega: Jueves 16 de Julio del 2015

Grupo:2MM10

Prof.:Dra. Blanca Tovar Corona

Introduccin

Las Redes Neuronales Artificiales (RNA) estn inspiradas en la biologa, esto significa que estn formadas por elementos que se comportan de manera anloga a las neuronas (en las funciones ms elementales) y estn organizadas de una forma similar a la del cerebro. Las caractersticas fundamentales de las RNA son: Aprenden de la experiencia: Las RNA pueden modificar su comportamiento como respuesta a su entorno. Dado un conjunto de entradas, las RNA se ajustan para producir respuestas consistentes. Una amplia variedad de algoritmos de entrenamiento se han desarrollado. Generalizan de ejemplos anteriores a los ejemplos nuevos: Una vez que la RNA est entrenada, la respuesta de la red puede ser insensible a pequeas variaciones en las entradas, lo que las hace idneas para el reconocimiento de patrones. Abstraccin de la esencia de las entradas: Algunas RNA son capaces de abstraer informacin de un conjunto de entradas. Por ejemplo, en el caso de reconocimiento de patrones, una red puede ser entrenada en una secuencia de patrones distorsionados de una letra. Una vez que la red sea correctamente entrenada ser capaz de producir un resultado correcto ante una entrada distorsionada, lo que significa que ha sido capaz de aprender algo que nunca haba visto. Redes de capa simple A pesar de que una sola neurona puede realizar modelos simples de funciones, su mayor productividad viene dada cuando se organizan en redes. La red ms simple es la formada por un conjunto de perceptrones a los que entra un patrn de entradas y proporcionan la salida correspondiente. Por cada perceptrn que tengamos en la red vamos a tener una salida, que se hallar como se haca con un perceptrn solo, haciendo el sumatorio de todas las entradas multiplicadas por los pesos. Al representar grficamente una red, se aade una "capa" inicial que no es contabilizada a efectos de computacin, slamente sirve para distribuir las entradas entre los perceptrones. De esta manera, la representacin grfica de una red de capa simple sera la siguiente: Redes multicapa Las redes multicapa se forman por un conjunto de redes de capa simple en cascada unidas por pesos, donde la salida de una capa es la entrada de la siguiente capa. Generalmente son capaces de aprender funciones que una red de capa simple no puede aprender, por lo que ofrecen mejores capacidades computacionales. Para que este incremento en poder computacional sea tal, tiene que existir una funcin de activacin no lineal entre las capas, por lo que generalmente se utilizar una funcin de activacin sigmoidea en detrimento de la lineal o umbral. Para calcular la salida de una red multicapa se debe hacer de la misma manera que en las redes de capa simple, teniendo en cuenta que las salidas de una capa son las entradas de la siguiente capa.: Redes recurrentes: Las redes consideradas hasta ahora no tienen conexiones entre pesos de la salida de una capa a la entrada de la misma capa o anteriores. Las redes que poseen esta caracterstica son conocidas como redes recurrentes. Las redes recurrentes no tienen memoria, es decir, la salida solamente est determinada por las entradas y los pesos. Las capas recurrentes redireccionan previas salidas a entradas. Su salida es determinada por su entrada y sus salidas previas, por lo que se puede asemejar a la memoria a corto plazo de los seres humanos.

DESCRIPCIN DEL PROBLEMA.

Se desea construir un dispositivo capaz de identificar en alguna superficie diferentes colores de acuerdo a las escala RGB. Para esto, se implementarn tres sensores pticos (fotodiodos), los cuales identificarn los colores rojo, verde y azul respectivamente, para que de esta forma se obtengan diferentes combianaciones y un mayor rango de clasificacin de los colores

Como sabemos, el rojo, verde y azul son los colores primarios y al mezclarlos en diferentes proporciones se obtienen diferentes variaciones de los siguientes colores:

Negro Blanco Rojo Verde Azul Magenta Cyan Amarillo

Como se ha mencionado, dado que las proporciones de rojo, verde o azul son muy diversas, se obtienen diversas tonalidades, pero a fin de cuentas, matices diferentes de cada uno de los diferentes colores antes mencionados.

Las combinaciones de los colores primarios se pueden visualizar de la siguiente manera de acuerdo a la tonalidad que genera la combinacin de las diferentes proporciones de cada color primario.

OBJETIVO.

Utilizando la Red Neuronal Artificial tipo Kohonnen Competitiva llevar a cabo la identificacin de los diferentes colores de acuerdo a las diferentes proporciones de los colores primarios obtenidos por medio de tres fotodiodos configurados cada uno para sensar cada color (rojo, verde y azul).

PROCEDIMIENTO.

Para fines prcticos, los datos obtenido por los sensores se van a simular como datos de entrada otorgados por el usuario, con una escala de valores del 0 al 255 para cada color primario, ya que stos seran los valores decimales obtenidos por cada fotodiodo.

Como ya se mencion, los valores de cada color primario van de 0 a 255, ya que los valores que obtienen los fotodiodos son 8 bits, de los cuales convertidos a hexadecimal son 00-FF.

Dada esta representacin grfica de la localizacin de los colores dentro de las dimensiones que abarcan los colores primarios y sus respectivas combinaciones, se asignan los valores de los puntos de cada clase, en este caso de cada color.Se ubican 8 clases, una por cada color, y cada clase posee 8 patrones, los cuales representaran diferentes tonalidades de cada color. Cada patrn posee 3 elementos, y stos son la proporcin de cada color primario.

Clase 1Clase 2Clase 3Clase 4Clase 5Clase 6Clase 7Clase 8

NegroVerdeAzulCyanRojo AmarilloMagentaBlanco

patrn 1[0,0,0][0,170,0][0,0,170][0,170,170][170,0,0][170,170,0][170,0,170][170,170,170]

patrn 2[0,85,0][0,255,0][0,85,170][0,255,170][170,85,0][170,255,0][170,85,170][170,255,170]

patrn 3[0,0,85][0,170,85][0,0,255][0,170,255][170,0,85][170,170,85][170,0,255][170,170,255]

patrn 4[0,85,85][0,255,85][0,85,255][0,255,255][170,85,85][170,255,85][170,85,255][170,255,255]

patrn 5[85,0,0][85,170,0][85,0,170][85,170,170][255,0,0][255,170,0][255,0,170][255,170,170]

patrn 6[85,85,0][85,255,0][85,85,170][85,255,170][255,85,0][255,255,0][255,85,170][255,255,170]

patrn 7[85,0,85][85,170,85][85,0,255][85,170,255][255,0,85][255,170,85][255,0,255][255,170,255]

patrn 8[85,85,85][85,255,85][85,85,255][85,255,255][255,85,85][255,255,85][255,85,255][255,255,255]

Posteriormente se definen los vectores W, los cuales son los que identificarn cada color.

W1[38.25,38.25,38.5]

W2[38.25,216.75,38.5]

W3[38.25,38.25,216.75]

W4[38.25,216.75,216.75]

W5[216.75,38.25,38.5]

W6[216.75,216.75,38.5]

W7[216.75,38.25,216.75]

W8[216.75,216.75,216.75]

Una vez definidos los patrones de las clases y los vectores W, se crean un vector pt horizontal de 64 elementos, wt vectical de 8 elementos y se define un alpha de 0.2 as como sigue:

Hecho esto, se procede a a realizar el algoritmo correspondiente a la neurona tipo Competitiva.Se define el nmero de iteraciones (epocs). En un ciclo triple FOR, donde el primero X se ejecutar el nmero de veces de iteraciones programadas, el segundo FOR Y, se ejecutar 64 veces (1 vez por cada patrn) y el tercero Z, por el nmero de W, en este caso 8.

Se observa que la ejecucin de la competencia se lleva a cabo en los dos ltimos FOR, pero antes de cerrar el ltimo, se aprecia que se plotea wtn, el simula el movimiento de las W por cada iteracin, para buscar el resultado en cada clase.

Despus de terminados los ciclos FOR, se inicia uno nuevo, y en ste se lleva a cabo la competencia de WTN con el vector de los valores RGB ingresados por los fotodiodos (en este caso ingresados por el usuario), y aqu se obtiene GUS, el cual es el valor que se va a comparar y condicionar para definir a qu color corresponde cada combinacin de las proporciones de los colores primarios.

RESULTADOS:

Una vez hecho todo lo anterior, se procede a plotear todos los puntos (64, 8 por cada clase) los vectores W (8), el punto de la combinacin de las proporciones de los colores primarios obtenida de los fotodiodos (en este caso ingresada por el usuario) y WTN (8 W por 30 iteraciones).

En este caso se realiz la prueba como sigue: Se ingresaron los valores RGB. Se obtiene un espacio donde aparecen las 8 clases ( colores) los W, WTN (se observa como cada W se mueve por cada iteracin) y el punto de los valores RGB (un tringulo). Se verifica que el color otorgado sea igual en donde aparece ^.

Se corrobora que la identificacin de colores funciona correctamente.

CONCLUSIONES:

Las redes neuronales son de gran utilidad para diversas aplicaciones donde se hace la misma tarea muchas veces y sta debe realizarse con la misma precisin. La identificacin de patrones es un campo de aplicacin bastante extenso y en este caso se llev a cabo una identificacin de colores, la cual se puede considerar como patrones que se pueden repetir o varias y el sistema ejecutar la accin correctamente.En lo personal, considero que la aplicacin de la identificacin y clasificacin de colores y patrones es muy importante en el rea de mecatrnica, ya que la mayora de los sistemas inteligentes deben poseer la capacidad de identificar diferentes objetos para poder actuar ante cierta situacin y hacerlo bien n veces.

BIBLIOGRAFA:

http://43hilos120palabras.blogspot.mx/2014/11/color-rgb.htmlhttp://ingenieria.udea.edu.co/investigacion/mecatronica/mectronics/redes.htm

APENDICE:

Cdigo principal: