Figura 3.

29: Conjuntos de prueba nal(nivel sonoro en dB)

100
Nivel sonoro(Leq)

Nivel sonoro equivalente(leq)

95
90
85
80
75
70
65

20

40

60

80

100

120

140

160

180

Nmero de registros
Fuente: Elaboracin propia

3.4.5.

Proceso de aprendizaje

Denido la arquitectura de la red neuronal a utilizar, mostrada en la Figura 2.7, y

especicado el conjunto de entrenamiento, validacin y prueba inicia el proceso de
aprendizaje de la red requerida. En la investigacin se tomar en cuenta dos escenarios: cuando los argumentos de ingreso se considere por separado por cada tipo de
aforo vechicular considerado y considerado la sumatoria de aforo vehicular total; la red
neuronal diseada dispondr de p neuronas en la capa de ingreso, m neuronas en la
capa oculta y r neuronas en la capa de salida; las neuronas de la capa de ingreso se
corresponde con los datos establecidos para cada unidad del ejemplo, Figura 3.22, en
el proceso de aforo vehicular se distingue cinco tipos de vehculos y en cada intervalo
de tiempo, para todos en conjunto, se dispone del nivel sonoro asociado, entonces las
neuronas de la capa de entrada son cinco para cada tipo de vehculo aforado, mientras como se dispone de un resultado nico, la capa de salida ser compuesto por un
nica neurona. Por otra parte, cuando se trabaje considerando solamente el volumen
total de ujo vehicular se dispondr con una nica neurona en la primera capa y los
componentes de la capa de salida ser siempre de una nica neurona, porque la salida
deseada es siempre y solamente el nivel sonoro causado por el trnsito de vehculos,
para esta opcin la arquitectura se corresponde con la Figura 3.30.
En los modelos de Redes Neuronales Articiales en general el aprendizaje consiste en
encontrar un valor de equilibrio para los parmetros del modelo [30], de tal forma
que para los argumentos establecidos sean capaces de devolver siempre los resultados
esperados y siempre dentro de los mrgenes aceptables. Especcamente en las redes
51

neuronales articiales de base radial los parmetros existentes son: los centros y las
desviaciones, pesos y umbrales. Los centros y desviaciones siempre dependen de la
cantidad y dispersin de los datos y la cantidad de neuronas consideradas en la capa
oculta, mientras los pesos existen solamente, en los modelos de base radial, en las conexiones entre las neuronas de la capa oculta a la capa de salida y el umbral nicamente
lo dispone las neuronas de la capa de salida, son las caractersticas particulares de los
modelos basados en redes neuronales de base radial. Dichos parmetros para la red
neuronal inician con valores generados aleatoriamente.
Figura 3.30: Modelo considerando el ujo vehicular total
1

Xi

.
.
.
(N-j)

.
.
.
N

Fuente: Elaboracin propia

En consecuencia, es preciso denir con claridad la nomenclatura y los argumentos requeridos para el proceso de aprendizaje. Teniendo el conjunto de muestras, representado
por el registro de datos del aforo vehicular y la generacin del nivel sonoro asociado,
sern los patrones de ingreso al modelo AN 4 . Sea tXpnq, Spnq, n 1, 2, . . . , N u el conjunto de los patrones de entrada, siendo Xpnq el registro del ujo vehicular y Spnq el
nivel sonoro asociado y n 1, 2, . . . , N cualquier muestra o patrn del conjunto total
de muestras N .
Obtencin de los centros y amplitudes
Para el aprendizaje de la red neuronal articial de base radial se elije el mtodo de
aprendizaje hbrido que comprende de dos etapas: una fase no supervisada que determina las bases y amplitudes y otra fase supervisada encargada de obtener los pesos y
52

amplitudes del modelo de red neuronal. El procedimiento para determinar los centros
de las funciones de base radial se realizar mediante el algoritmo de k-medias, que es
un algoritmo que consiste dividir el espacio muestral de entrada en clases, el nmero
de clases se corresponde con el nmero de neuronas de la capa oculta de la red.
Teniendo en cuenta los patrones de entrada Xpnq px1 pnq, x2 pnq, , xp pnqq, con
n 1, 2, , N y N el nmero total de muestras, por otra parte, sea los centros de
las funciones de base radial denidos, Ci pci1 , ci2 , , cip q, con i 1, 2, , k y k
equivalente al nmero de neuronas en la capa oculta, es una matriz m p, los pasos
para la obtencin de los Ci son los siguientes:
1. Inicializar los centros Ci para todas las clases k; el valor inicial se le atribuye
aleatoriamente, obteniendo los valores dentro del rango de la muestra.
2. Seleccionar Ni patrones de entrada para cada clase i, mediante: la muestra Xpnq
est dentro de la clase i si cumple: }Xpnq Ci } }Xpnq Cs }, para todo s i,
con s 1, 2, , k
3. Obtener la nueva posicin de los centros como el promedio de todos las muestras
que pertenece a su clase, mediante la Ecuacin 3.15
cij

Min xj pnq

(3.15)

n1

para j 1, 2, , N y k 1, 2, , k
4. Repetir los pasos dos y tres hasta que las diferencias de los centros anterior y
actual sea menor al margen permitido, Ecuacin 3.16
anterior
}Ciactual Ci1
}

(3.16)

para todo i 1, 2, 3, , k, siendo  un nmero real positivo muy pequeo.

Luego de la obtencin de los centros, las amplitudes se obtienen directamente mediante
las Ecuaciones 2.9 y 2.10, denidas en la pgina 26.
Propagacin de los patrones de entrada
La propagacin de los patrones de entrada en el modelo de una red articial de base
radial consiste en el ujo de los patrones de entrada hasta la obtencin de los resultados
y consiste en denir y aplicar las funciones de entrada, las funciones de activacin y
las funciones de transferencia en cada capa del modelo.
Capa de entrada: las conexiones entre las neuronas de la capa de entrada a la capa
de salida no disponen de ningn peso asociado, el peso de las conexiones retienen el
aprendizaje, es la memoria emulada comparada en una neurona biolgica, por tanto,
las neuronas de sta capa solamente transeren la informacin tal cual lo recibe desde
el exterior a las neuronas de la capa oculta.

53