Universidad Nacional de San

Antonio Abad del Cusco

ESCUELA PROFESIONAL DE INGENIERIA
ELECTRNICA

SEMESTRE ACADEMICO 2017-I

DEMODULADOR DIGITAL (REDES NEURONALES)
USANDO BACK PROPAGATION

Curso: Inteligencia Artificial

Escuela Profesional: Ing. Electrnica
Apellidos y Nombres Cdigo:
Nuez Loayza, Ana 103664
Huamanttica Salas, Kevin 101679
Casaverde Lopez, Ferdy 081582

Docente: Ing. Roger Jess Coaquira Castillo

Cusco Per
 2017

INTRODUCCION

La mayora de los mtodos de entrenamiento utilizados en las redes neuronales con conexin
hacia delante consisten en proponer una funcin de error que mida el rendimiento actual de la red
en funcin de los pesos sinpticos. El objetivo del mtodo de entrenamiento es encontrar el
conjunto de pesos sinpticos que minimizan (o maximizan) la funcin. El mtodo de
optimizacin proporciona una regla de actualizacin de los pesos que en funcin de los patrones
de entrada modifica iterativamente los pesos hasta alcanzar el punto ptimo de la red neuronal.

El mtodo de entrenamiento ms utilizado es el mtodo del gradiente descendente. Este mtodo

define una funcin E(W) que proporciona el error que comete la red en funcin del conjunto de
pesos sinpticos W

El algoritmo Back_propagation es el mtodo de entrenamiento ms utilizado en redes con

conexin hacia delante. Es un mtodo de aprendizaje supervisado de gradiente descendente, en el
que se distinguen claramente dos fases: primero se aplica un patrn de entrada, el cual se propaga
por las distintas capas que componen la red hasta producir la salida de la misma. Esta salida se
compara con la salida deseada y se calcula el error cometido por cada neurona de salida. Estos
errores se transmiten hacia atrs, partiendo de la capa de salida, hacia todas las neuronas de las
capas intermedias [ Fritsch, 1996]. Cada neurona recibe un error que es proporcional a su
contribucin sobre el error total de la red. Basndose en el error recibido, se ajustan los errores de
los pesos sinpticos de cada neurona.
 INTRODUCCIN A LOS SISTEMAS DE COMUNICACIN

Un sistema de comunicacin es aquel mtodo o conjunto de mtodos a travs de los cuales se

puede establecer una comunicacin satisfactoria. Mltiples ejemplos de sistemas de
comunicacin pueden ser fcilmente encontrados en todos los mbitos de la vida. Existen,
adems, muchos tipos de sistemas de comunicacin, que pueden clasificarse de mltiples formas.
As, por ejemplo, algunos son propios de los seres humanos, como el lenguaje o en cdigo morse,
y otros propios de los animales, como los hbitos de cortejo del pavo real. Todos ellos tienen la
misin de transmitir una cierta informacin de un individuo a otro, y se diferencian en la forma
en la que son transmitidos, el canal en que son transmitidos, y la forma de ser recibidos. Nosotros
centraremos nuestro anlisis en un tipo de sistemas de comunicacin relativamente reciente,
llamado comunicacin digital.

INTRODUCCIN A SISTEMAS DE COMUNICACIN DIGITALES

Un sistema de comunicaciones digitales basa su funcionamiento en que la informacin a

transmitir se codifica previamente para traducir el alfabeto original en un alfabeto de smbolos
finito que constituyen los smbolos digitales. Todos los smbolos que se vayan a transmitir deben
tener su equivalente en el alfabeto de smbolos para la comunicacin digital. A menudo, estos
smbolos se agrupan formando constelaciones de smbolos. Existen muchos tipos de
constelaciones, las ms conocidas son N-QAM, cuya representacin se puede observar en la
figura 1 para unos valores de N iguales a 4 y 6. Esta modulacin transporta log2N bits de
informacin en cada smbolo transmitido. As, para las constelaciones de la figura, se transmiten
2 y 4 bits por cada smbolo respectivamente.
 FIGURA 1: Esquema de modulaciones QPSK

As mismo existen muchos otros tipos de constelaciones y de variantes de las expuestas. La

informacin codificada y modulada, es transmitida a travs de un cierto canal. Dicho canal puede
comportarse de muy diversas formas en cuanto a la atenuacin y distorsin sufridas por la seal
atraviesa dicho canal

REDES NEURONALES

Las redes neuronales intentan imitar el funcionamiento del sistema nervioso de los animales, en
los cuales, las neuronas son excitadas mediante impulsos elctricos en sus entradas y ofrecen otro
impulso elctrico a su salida. Se trata de imitar este comportamiento debido a la robustez ofrecida
por el sistema nervioso biolgico. La salida de cada neurona vendr definida por tres funciones:
La funcin de excitacin, que por lo general consiste en el sumatorio de cada una de las entradas
multiplicada por el peso de esa entrada. Este peso puede ser positivo (excitatorio), o negativo
(inhibitorio).

Funcin de activacin, que modifica la anterior. si no existiera esta funcin, la salida sera
idnticamente la salida de la funcin de excitacin. Por ltimo se define la funcin de
transferencia que se aplica al valor devuelto por la funcin de activacin. Su funcin es la de
acotar la salida de

la neurona y suele venir determinada por la funcin que se le desee dar a dicha neurona. En
oposicin al paradigma clsico de programacin en ingeniera software, al aproximacin al
problema basada en redes neurales parte de un conjunto de datos a la entrada suficientemente
expresivo de dicho problema. El objetivo ltimo es conseguir que la red aprenda de forma
totalmente automtica las propiedades que se desea que tenga el sistema. Desde este punto de
vista, el diseo de una red neuronal est ms basado en cuestiones como la eleccin del tipo de
red, variables a tener en cuenta y la seleccin de los datos previos que componen los datos de
entrenamiento. Dichos datos, como se ha mencionado tienen que ser lo suficientemente
expresivos como para lograr con ellos un entrenamiento suficientemente expresivo para
garantizar un funcionamiento ptimo del sistema. Las caractersticas de las redes neuronales las
hacen notablemente apropiadas para aquellas aplicaciones en las cuales no se dispone de un
modelo identificable que pueda ser programado, pero por el contrario s que se dispone de un
cierto nmero de muestras de esa entrada. Se las considera especialmente robustas frente al ruido,
lo que las hace particularmente atractivos para la aplicacin que queremos estudiar en este
trabajo. Otra caracterstica de las redes neuronales es que son fcilmente paralelizables. Las redes
neurales son muy utilizadas en campos como la clasificacin y reconocimiento de patrones tanto
de voz como de imgenes. Se han utilizado para predecir y encontrar patrones de fraude
econmico, hacer predicciones en el mercado financiero, del tiempo atmosfrico, y otras muchas
aplicaciones de este tipo de complejidad. Incluso algunos tipos especiales de redes neurales han
sido aplicadas en conjuncin con algoritmos genticos para implementar controladores para
robots. Dentro de este campo, se ha creado una disciplina para tratar la evolucin de redes
neurales mediante algoritmos genticos, cuyo nombre es robtica evolutiva. Ciertos parmetros
de la red tales como la topologa de dicha red, algoritmo de aprendizaje, etc. constituyen en estos
casos el genoma utilizado por el algoritmo gentico.
 FIGURA 2: Esquema de una Red Neuronal

AUTODETECCIN DE PERIODO
Otra de las propiedades que pueden ser derivadas de la utilizacin de una red neuronal para la
realizacin de un sistema de comunicaciones digital es que va a proveer a nuestro sistema de
autodeteccin de periodo. Esta no es una propiedad intrnseca de la tcnica utilizada pero se
puede conseguir mediante tcnicas de entrenamiento especializado de la red neural, o tcnicas de
deteccin de repetitividad del periodo. Esta tarea puede simplificarse sustancialmente si las
frecuencias utilizadas son mltiplo entero de alguna frecuencia fundamental, como podra ser la
mxima frecuencia permitida por el teorema de Nyquist. La tcnica de usar entrenamiento
especializado, supone enviar una secuencia del estilo 10000 representada en bits, y realizar
las observaciones de las entradas del primer grupo de neuronas y seleccionar aquellas cuya salida
es 1. Tambin podemos utilizar una tcnica que nos permita recuperar el periodo de muestreo
por medio de la deteccin de repeticin en las secuencias. El mtodo es entrenar con una
secuencia del tipo 101010101 Al entrenar con esta secuencia, los pesos neuronales deberan
tener una cierta correlacin de forma de forma que se repitieran de forma secuencial. El siguiente
paso es anular los pesos de las entradas que excedan del periodo. De esta forma, cuando la red
neuronal lea la seal lo har de N en N muestras (siendo N el periodo de la seal en muestras por
bit). Esto se realiza contando los pesos de las entradas consecutivas que contribuyen a que la
salida total de la red sea 1
 BACK PROPAGATION
es un algoritmo de aprendizaje supervisado que se usa para entrenar redes neuronales artificiales.
El algoritmo emplea un ciclo propagacin adaptacin de dos fases. Una vez que se ha aplicado
un patrn a la entrada de la red como estmulo, este se propaga desde la primera capa a travs de
las capas superiores de la red, hasta generar una salida. La seal de salida se compara con la
salida deseada y se calcula una seal de error para cada una de las salidas.

Las salidas de error se propagan hacia atrs, partiendo de la capa de salida, hacia todas las
neuronas de la capa oculta que contribuyen directamente a la salida. Sin embargo las neuronas de
la capa oculta solo reciben una fraccin de la seal total del error, basndose aproximadamente en
la contribucin relativa que haya aportado cada neurona a la salida original. Este proceso se
repite, capa por capa, hasta que todas las neuronas de la red hayan recibido una seal de error que
describa su contribucin relativa al error total.

La importancia de este proceso consiste en que, a medida que se entrena la red, las neuronas de
las capas intermedias se organizan a s mismas de tal modo que las distintas neuronas aprenden a
reconocer distintas caractersticas del espacio total de entrada. Despus del entrenamiento,
cuando se les presente un patrn arbitrario de entrada que contenga ruido o que est incompleto,
las neuronas de la capa oculta de la red respondern con una salida activa si la nueva entrada
contiene un patrn que se asemeje a aquella caracterstica que las neuronas individuales hayan
aprendido a reconocer durante su entrenamiento.

FIGURA 3: BackPropagation