Una vez extraídas las características para cada uno de los objetos, estas son almacenadas como elementos de una matriz de características que identifica cada objeto, esta matriz de características se le pasa a la nueva red neuronal artificial de tipo feed-forward backpropagation y al entrenamiento de la misma, una vez entrenada la red se hace la validación, donde se extraen nuevamente los cinco parámetros (vector de color, compactibilidad y cantidad de segmentos rectos) para cada una de las muestras de validación con lo cual la red neuronal arroja un numero entre uno y nueve que corresponde al color y forma del objeto como se indica a continuación:
1. Cubo Azul
2. Cubo Rojo
3. Cubo Verde
4. Cilindro Azul
5. Cilindro Rojo
6. Cilindro Verde
7. Pelota azul
8. Pelota Roja
9. Pelota Verde
La red neuronal artificial recibe también la arquitectura que para este caso se la definió con cinco neuronas en la capa de entrada, diez en la capa oculta y una en la capa de salida; las funciones de activación para cada capa son tangencial, tangencial y lineal respectivamente (tansig, tansig y purelin).
No hay comentarios:
Publicar un comentario