Introducción al Simulador “NeuralGraphics”

Ejemplo de software sobre simulaciones de redes neuronales.

En este apartado explicamos el funcionamiento del simulador de redes (NeuralGraphics) Este simulador lo hemos conseguido después de una busqueda intensiva por internet. Seguidamente pasamos a explicar su funcionamiento.

Cuando ejecutamos el programa aparece un menú general como se puede ver en la Imagen.

En dicho menú, se puede observar, podemos elegir entre:

-          Metdos de aprendizaje:

Backpropagation

Backpropagation with maps of memory

Hybrid Network

Radial Basis

Kohonen Classifier

Conjugate Gradient

Hopfield Ass Memory

Kohonen Demo

Trav Salesman Demo

-          Tutorial: Es una ayuda general del  programa.

-          Licencia.

-          Exit.

Cuando seleccionamos cualquier método de aprendizaje, de los citados anteriormente, entramos en un menú de similares características para:

Backpropagation

Backpropagation with maps of memory

Hybrid Network

Radial Basis

Kohonen Classifier

            Conjugate Gradient

Dicho menú se muestra en la imagen.

Una vez dentro, nos pide que introduzcamos los siguientes datos:

1-      Data Directory

Aquí introducimos el nombre del directorio donde se encuentran los ficheros de datos.

2-      Data File

Aquí introducimos el nombre del archivo que queremos. Los cuales se pueden visualizar en la ventana adjunta.

3-      Noise

Aquí introducimos el ruido que queremos.

4-      Normalize

Aquí podemos escoger entre:

      Ninguno

      Energy

      Stadistical

Una vez introducidos todos estos datos, nos aparece otra ventana en la que introducimos datos topológicos de la red.Estos son:

1-      Number of layers: Introducimos número de capas

2-      Hidden Nodes: Número de nodos ocultos.

3-      Weight File: Introducimos el archivo donde se encuentran el valor de los pesos. También tenemos la opción de ponerlos aleatoriamente random.

Una vez introducidos todos estos datos, comienza la simulación de la red. La que podemos visualizar graficamente. Aquí tenemos un ejemplo de perceptron con los siguientes datos:

-          Data Directory: Data

-          Data File: xor.dat

-          Noise: 0

-          Normalize:  None

-          Number of Layers: 2

-          Hidden Nodes: 5

-          Weight file: r

Durante la ejecución de la simulación podemos acceder unos iconos que estan situados en la parte superior de la pantalla. Y estos son:

-          Test: Al que accedemos con la tecla T y en el que podemos modificar el peso de los nodos.

-          Learning On/Off: Al que accedemos con la tecla L y con la que seleccionamos que la red esté aprendiendo o no.

-          Save: Al que accedemos con la tecla S. Sirve para grabar la simulación.

-          Read: Al que accedemos con la tecla R. Sirve para cargar una simulación.

-          Parameters: Al que accedemos con la letra P. Sirve para modificar, durante la simulación, ciertos parámetros como:

Learning rate

Momentum

Display energy

Hardness

Noise

-          Help: Ayuda sobre la ejecución del programa.

Otros ejemplos diferentes son:

-          Kohonen Classifier.

En este ejemplo los pasos a seguir son los mismos que en el ejemplo anterior. Pero el método es diferente.

-          Hopfield.

El programa también incluye las siguientes demos:

1-      Tray Salesman Demo.

Aquí introducimos los siguientes datos:

Data Directory

Data File

2-      Kohonen Demo.

Una vez dentro de la demo, al igual que en los otros simuladores, debemos introducir los siguientes parámetros:

-          Función de densidad:

Elegir entre: cuadrado, triangulo y cruz

-          Dimensión de trabajode la Red:

Seleccionamos unas dimensiones preestablecidas de la red.

-          Funciones de probabilidad:

Que utiliza el programa en los ejes x e y.

Seguidamente mostramos las diferencias que se observan en estos 3 ejemplos:

Para los 3 ejemplos utilizamos la función de densidad cruz y dimensión de trabajo de la red 10x10. Las diferencias las observamos modificando las funciones de probabilidad.

1- Funcion Probabilidad:            Random           Random

2- Función probabilidad:     Gausiana        Gausiana

3- Función probabilidad: Chi Squared       Chi Squared

Conclusiones al respecto.

Cuando utilizamos una función de probabilidad Random podemos observar que es la que se aproxima más a la figura real, pero se sale de los límites. Si utilizamos Gausiana, no se sale de los límites, pero no se aproxima tanto como la Random. Y finalmente, con la Chi Squared observamos que es la peor opción de todas, ya que es la que menos se aproxima a la figura real.