Download framework para redes neuronales en java

UNIVERSIDAD PONTIFICIA COMILLAS
ESCUELA TÉCNICA SUPERIOR DE INGENIERÍA (ICAI)
INGENIERO EN INFORMATICA
PROYECTO FIN DE CARRERA
FRAMEWORK PARA
REDES NEURONALES EN JAVA
AUTOR:
MIGUEL LARA ENCABO
MADRID, Junio 2006
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Autorizada la entrega del proyecto del alumno/a:
MIGUEL LARA ENCABO
..........................................................
EL DIRECTOR DEL PROYECTO
JUAN CARLOS ESQUIVEL DÍAZ
Fdo.: ........................
Fecha: ....../ ....../ ......
Vo Bo del Coordinador de Proyectos
MIGUEL ÁNGEL SANZ BOBI
Fdo.: ........................
Fecha: ....../ ....../ ......
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
I
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
FRAMEWORK PARA REDES NEURONALES EN JAVA
Autor: Lara Encabo, Miguel.
Director: Esquivel Díaz, Juan Carlos.
Entidad Colaboradora: ICAI – Universidad Pontificia Comillas
RESUMEN DEL PROYECTO
Se desea construir una solución completa que permita a desarrolladores de software
crear, educar y utilizar Redes Neuronales Artificiales (RNA’s) en proyectos de reales
de Java. Para lograrlo se propone el desarrollo de dos elementos: JCortex, framework
para Redes Neuronales Artificiales en Java; y JCortexBuilder, entorno gráfico de
desarrollo para JCortex.
Desde el comienzo del diseño y estudio de este proyecto, se prestó gran atención a la
combinación de framework y entorno de desarrollo; ya que es imprescindible para su
futuro contar con un IDE (Entorno Integrado de Desarrollo) fácil de usar y potente
que pueda complementar a JCortex.
El objetivo principal en el desarrollo del framework ha sido lograr un sistema
práctico, que pueda ser utilizado por la comunidad de programadores de Java para
resolver exigencias reales de sus aplicaciones. Para ello el framework ha de permitir
desarrollar sobre él soluciones basadas en RNA’s con distintos niveles de profundidad
según el tipo de usuario, personalizar las redes y su funcionamiento, recurrir a los
modelos más habituales de RNA’s ya implantados, poder añadir cómodamente
nuevos modelos, etc. Además se debe permitir un entorno que enmascare las bases
matemáticas a los usuarios que prefieran ignorarlas. El fin último es lograr que
sobreviva el fin de carrera y se convierta en un proyecto de código abierto que
continúe su crecimiento y evolución. Para ello se ha habilitado la dirección
http://www.jcortex.com desde la que se puede acceder a las últimas versiones,
manuales y tutoriales.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
II
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
El análisis de viabilidad del proyecto dio un resultado positivo. Estudiando el estado
de la tecnología, se puede advertir que existe tanto la oportunidad como la necesidad
de proporcionar un sistema de creación de RNA’s dirigida a desarrolladores de
software. Estos usuarios exigen las mejores prestaciones de un framework desde el
punto de vista de la ingeniería de software, pero en general desconocen – o no tienen
interés en conocer – las bases y teoría detrás de las soluciones de RNA’s. Siempre
manteniendo abierta la posibilidad de que haya un usuario que desee adentrarse. Este
es un nicho de oportunidad que otras soluciones ya existentes como JOONE o Matlab
no alcanzan a cubrir. Al ser éste un proyecto de investigación básica no tiene muchas
tablas para defenderse ante un análisis de viabilidad económico. Sin embargo,
considerando que se enmarca dentro del ámbito de un proyecto académico no
remunerado, no es despreciable.
Entrando en el diseño e implantación del framework JCortex, se parte de la idea de
que la riqueza del mismo no radica en proporcionar un gran número de
funcionalidades completas y soluciones cerradas. Lo realmente importante es ofrecer
una estructura sólida sobre la que se puedan construir soluciones basadas en RNA’s.
Para crear un framework de Java con las máximas garantías, se han marcado unas
normas metodológicas que pasan por seguir estrictamente el Principio AbiertoCerrado (facilitado con el Principio de Inversión de Dependencias), el Principio de
Segregación de Interfaces y la Ley de Demeter, en la medida en que ésta no afecte en
exceso al rendimiento. La incorporación de Patrones de Diseño de Orientación a
Objetos (Gang of Four, GoF) proporciona una seguridad adicional. En el framework
se emplean entre otros Template Method, Observer, Singleton, Composite… A su vez
se ha definido una metodología estricta para el trabajo con datos de configuración en
XML, al ser este un entorno predispuesto a soluciones no demasiado correctas.
Para lograr un sistema sólido, versátil y útil se recurrió a un modelo conceptual
modular que evolucionó hasta el sistema definitivo en el que las funciones están
repartidas en módulos (clases o interfaces) que tienen su contrato, responsabilidad,
interfaz y funcionalidades claramente definidos. En el paquete com.jcortex se
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
III
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
recogen las interfaces y clases abstractas generales, así como las constantes y
utilidades comunes. Se puede destacar como principales las clases abstractas:
NeuralNetwork que recoge el funcionamiento y estructura interna de la red, Neuron
para formar las estructuras de la red, Teacher para educar la red mediante algoritmos
supervisados o no supervisados… También recoge el sistema de estadísticas de los
entrenamientos, que gira en torno a la clase Statistics, y a los ProgressAnalyzer’s que
se encargan de estudiar los valores registrados con el fin de detener un entrenamiento
antes de que se alcance el sobreaprendizaje. A partir del paquete com.jcortex se van
añadiendo el resto que forma la jerarquía del framework. En lo que se podría
encontrar el núcleo del framework encontramos com.jcortex.activationFunctions,
.distanceFunctions, .networkFunctions y .translators, que recogen las funciones
matemáticas y los traductores de entrada y salida básicos distribuidos con JCortex.
Las redes no están restringidas a su uso exclusivo, sino que se pueden crear nuevas
funciones y traductores extendiendo las interfaces presentes en el paquete principal.
JCortex soporta la internacionalización y localización a través de Resource Bundles.
Entre los modelos de red distribuidos con el framework se encuentran los que se han
considerado más dispares y más utilizados en el mundo real: las Redes de Hopfield,
los Mapas de Kohonen y a partir de las redes Feed-Forward el modelo Perceptrón y
el Perceptrón Multicapa con el mecanismo de retropropagación. Estas redes se
incluyen en los paquetes de modelos com.jcortex.hopfield, .kohonen, .feedForward
y .backPropagation. Un desarrollador puede crear sus propios modelos de red
extendiendo, al menos, las clases NeuralNetwork y Teacher, y opcionalmente Neuron
si fuera necesario. Todos estos modelos de red han sido completamente implantados,
recurriendo a una metodología de pruebas continuas de eficacia y posteriormente de
eficiencia realizando un profiling de la ejecución de sus entrenamientos. Con esta
optimización se procuraba obtener el doble beneficio de afinar el núcleo framework al
máximo, y distribuir modelos realmente útiles
El entorno de desarrollo JCortexBuilder fue construido bajo la premisa de no lastrar
en modo alguno el funcionamiento del framework. Se puede considerar este entorno
como la prueba de fuego de JCortex. JCortexBuilder permite crear redes neuronales
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
IV
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
de los modelos ofrecidos, gestionar múltiples entrenamientos simultáneos, almacenar
la red en formato XML, exportarla a su proyecto Java definitivo e incluso documentar
de forma gráfica la red diseñada. Y lo más importante: es lo suficientemente dinámico
y ofrece las funcionalidades necesarias para ser personalizado y absorber los nuevos
modelos de red y módulos que cree el usuario. Todas las clases y paquetes del entorno
cuelgan
del
paquete com.jcortex.builder. El
sistema está completamente
internacionalizado con localizaciones gestionadas mediante Resource Bundles.
Desde el punto de vista puramente técnico se puede considerar que el proyecto ha
sido un éxito, ya que cumple con los objetivos iniciales, a pesar de que algunos
objetivos secundarios hayan tenido que ser relegados para versiones futuras en favor
de una mejor consecución del primario.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
V
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
NEURAL NETWORKS FRAMEWORK FOR JAVA
The aim to build a complete solution for that will allow software developers to create,
educate and use Artificial Neural Networks (ANNs) in real-life Java projects. To
achieve this goal two elements will be developed: JCortex, an Artificial Neural
Network framework for Java; and JCortexBuilder, the graphic environment for
developing solutions on JCortex.
Right from the beginning of the design and study process, great attention was devoted
to the combination of framework and developing environment; as it is essential for its
future to have a IDE easy to use and powerful that can complete JCortex.
The main objective on the development of the framework has been to achieve a
useful system that can be used by the Java community of Java programmers to
comply with their applications’ real demands. For this the framework must allow the
to develop on top of it ANN-based solutions at different levels of depth, according to
the kind of user, customize the networks and how they work, use the most common
ANN models already provided, conveniently add new models, etc. Moreover, it must
allow an environment that can hide the mathematic basis from the users who prefer to
ignore them. The final objective is to create a project that can survive the End-ofDegree assignment in order to become an open-source project that can continue its
growth and evolution. The online site http://www.jcortex.com has been created so it
can become the headquarters from which the latest versions, manuals and tutorials can
be obtained.
The project’s Feasibility Analysis produced a positive result. Studying state-of-the-art
technology available in these areas, it can be noticed that both the need and the
opportunity exists for providing a ANN creation system aimed at software developers.
These users demand the best performance from a framework from the point of view
of software engineering, but in the general picture they have no idea – or have no
interest in knowing – the basis the theory behind ANN solutions. Yet the possibility
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
VI
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
must remain open that there can be a user who really wants to get into it. This is an
opportunity niche that other present solutions such as JOONE and Matlab do not
really fulfil. As this is a basic-technology investigation project it has little strength to
stand against an Economic Feasibility Analysis. Anyhow, considering it is framed
inside a non-remunerated academic project, it is not despisable.
Looking into the design and programming of the JCortex framework, we start from
the idea that it richness does not stand in the possibility of offering a large number of
complex and closed solutions. What is really important is to offer a strong structure
on which ANN based solutions can be built upon. To create a Java framework with
the highest guarantees some methodology rules have been set. These cover the strict
use of the Open-Close Principle (helped by the Dependency Inversion Principle), the
Interface Segregation Principle and Demeter’s Law to an extend in which it does not
hurt too much performance. The inclusion of Object Oriented Design Patters (Gang of
Four, GoF) offers an additional safety. In the framework can be found – among many
others – Template Method, Observer, Singleton, Composite… At the same time, a
strict methodology for working with XML configuration data has been defined, as this
is an environment predispose to not-very-correct solutions.
In order to obtain a solid, versatile and useful system a modular conceptual model was
chosen. The modular paradigm evolved until it became the final architecture in which
functions are divided into modules (classes and interfaces) that have clearly defined
contracts, responsibilities, interface and functionalities. The package com.jcortex
collects all common interfaces and abstract classes, as well as the constants and
utilities used throughout the whole framework. The most important abstract classes
can be pointed out: NeuralNetwork covers how the network works and its inner
structure, Neuron to make up the network’s structure, Teacher to train the red with
supervised or non-supervised algorithms… It also gathers the training statistics
system that is centred on the class Statistics, and the ProgressAnalyzers in charge of
studying the values recorded so they can stop the training before the network learns
too much. Hung from the main package, com.jcortex, the rest of the framework’s
hierarchy is grown. The framework’s kernel holds com.jcortex.activationFunctions,
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
VII
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
.distanceFunctions,
.networkFunctions
and
.translators,
that
collect
the
mathematical functions as well as the input and output translators distributed with
JCortex. Networks are not tied to their exclusive use, but new functions and
translators can be created to meet the user’s needs, by extending the interfaces from
the main package. JCortex supports internationalization and localization through
Resource Bundles.
Among the network models distributed with the framework are the ones that have
been considered the most different and the most widely used in the real world: the
Hopfield Networks, Kohonen Maps and, granted by the Feed-Forward model, the
Perceptron Network and the Multilayer Perceptron Network with the backpropagation mechanism. These networks are included in the models’ packages
com.jcortex.hopfield, .kohonen, .feedForward and .backPropagation. A developer
can create its own network models extending, at least, NeuralNetwork and Teacher
classes, and optionally Neuron if it is required. All these network models have been
fully programmed using a method of continuous effectiveness tests and later
efficiency tests, making a profile of the training’s executions. Through this
optimization process we expect to achieve the double benefit of tuning the
framework’s kernel to the maximum, and distributing really useful network models.
The JCortexBuilder developing environment has been built under the premise of not
lumbering the framework’s work. This environment can be considered as the acid test
of JCortex. JCortexBuilder simplifies the creation of neural networks for the given
models, manages multiple simultaneous trainings, stores the network in XML files,
exports the working result into the user’s Java project and it even helps graphically
documenting the designed network. And, above all, it is dynamic enough to offer the
required facilities for its customization and to absorb the new network models and any
user-created module. All the environment’s classes and packages are hung from the
main package com.jcortex.builder. The system is completely internationalized and
localized using Resource Bundles.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006 VIII
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
From the purely technical point of view, it can be considered that the project has been
a success., as it accomplishes the initial objectives, although some of the secondary
aims have had to be left behind for future versions, in favour of a better achievement
of the primary objectives.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
IX
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Índice del documento
1. Descripción del proyecto ....................................................................................... 6
2. Objetivos............................................................................................................... 7
3. Motivaciones......................................................................................................... 8
4. Estudio de viabilidad ............................................................................................. 9
4.1. Análisis de necesidad y oportunidad ............................................................... 9
4.1.1 Alternativas ya existentes.......................................................................... 9
4.2. Análisis económico....................................................................................... 10
4.4. Planificación................................................................................................. 11
4.3. Conclusión de los análisis de viabilidad........................................................ 13
5. Desarrollo del framework JCortex ....................................................................... 14
5.1 Descripción del Framework JCortex .............................................................. 15
5.2. Metodología de desarrollo ............................................................................ 16
5.2.1. Uso de Patrones de Diseño O.O. ............................................................ 17
5.2.2. Optimización iterativa de los modelos de red ......................................... 18
5.2.3. Metodología de trabajo con XML .......................................................... 20
a) Métodos para el almacenamiento de la configuración (Store)................... 21
b) Métodos para la recuperación de la configuración (Load) ........................ 23
c) Formato básico de los documentos XML generados por JCortex.............. 24
5.3. Modelo Conceptual de Redes Neuronales ..................................................... 26
5.4. Modelo Lógico del framework...................................................................... 28
5.4. El sistema de paquetes com.jcortex.*. .................................................. 30
5.5. Paquetes del núcleo ...................................................................................... 31
5.5.1. Estructura esencial de la Red Neuronal .................................................. 35
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
1
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
a. Propagación en una Red Neuronal............................................................ 37
b. Exportar una Red Neuronal en XML........................................................ 38
5.5.2. Relación entre AxonSource, AxonReceiver, Sensor y Neuron. 40
a) Puntualizaciones sobre las neuronas (Neuron) ....................................... 42
b) Sensores y neuronas desde el punto de vista de NeuralNetwork ......... 42
5.5.3. Los Traductores ..................................................................................... 44
5.5.4. Las Funciones........................................................................................ 47
a)
Funciones de Activación....................................................................... 48
b)
Funciones de Activación para Back-Propagation ................................. 50
c)
Funciones de Distancia ......................................................................... 51
d)
Funciones de Red ................................................................................. 52
5.5.6. El Maestro (Teacher).......................................................................... 53
a) La clase abstracta Teacher.................................................................... 53
b) Método educateNetwork() Genérico............................................... 55
c) Método educateNetwork() Iterativo ................................................ 56
d) Reparto de los conjuntos de ejemplos ...................................................... 58
5.5.7. Recogida y análisis de Estadísticas......................................................... 62
a) El Modelo de Datos de las Estadísticas .................................................... 63
b) Recogida de datos estadísticos ................................................................. 65
c) Las Estadísticas y sus Analizadores ......................................................... 66
d) Estructura de los Analizadores de Estadísticas ......................................... 66
e) Analizador ValueDecreaseAnalyzer.............................................. 67
f) Analizador ValueVariationAnalyzer............................................ 69
g) Analizador ComposedProgressAnalyzer ...................................... 70
h) Información sobre la parada..................................................................... 71
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
2
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
h) El modelo de StatisticListener ................................................... 71
5.5.8. Internacionalización y localización ........................................................ 73
5.5.9. Utilidades en el paquete básico .............................................................. 74
a) Utilidades en ConsoleUtilities...................................................... 74
b) Utilidades en LoadAndStoreUtilities .......................................... 74
5.6. Paquetes de Modelos de red.......................................................................... 76
5.6.1. Indicaciones de construcción para modelos de Redes Neuronales
artificiales en JCortex ...................................................................................... 78
5.6.2. Redes de Hopfield (com.jcortex.hopfield)............................... 79
a. Descripción de la Red .............................................................................. 79
b. Diseño del modelo ................................................................................... 79
c.- Propagación en la red de Hopfield .......................................................... 81
d. Entrenamiento de una Red de Hopfield.................................................... 85
e. Serialización en XML .............................................................................. 87
5.6.3. Mapas de Kohonen (com.jcortex.kohonen) ................................. 89
a. Descripción de la Red .............................................................................. 89
b. Diseño del modelo ................................................................................... 89
c. Propagación ............................................................................................. 98
d. Maestro DefaultKohonenTeacher ................................................ 100
e. Cálculo de los Vecindarios..................................................................... 102
f. Construcción de las Matrices de Conexión Directa ................................. 105
g. Serialización en XML ............................................................................ 114
5.6.4. Modelo Genérico Feed-Forward.......................................................... 116
a. Descripción de la red genérica................................................................ 116
b. Diseño del modelo de propagación - ToDoList ...................................... 116
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
3
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
5.6.4. Modelo Perceptrón (com.jcortex.feedForward) ...................... 123
a. Descripción de la Red ............................................................................ 123
b. Diseño del modelo ................................................................................. 123
c. Propagación ........................................................................................... 123
d. Maestro DefaultPerceptronTeacher ......................................... 124
f. Serialización en XML............................................................................. 125
5.6.5. Modelo Preceptrón Multicapa (com.jcortex.backPropagation)
...................................................................................................................... 127
a. Descripción de la Red ............................................................................ 127
b. Diseño del modelo ................................................................................. 128
c. Propagación ........................................................................................... 130
d. Maestro DefaultMultilayerPerceptronTeacher .................. 130
e. Serialización en XML ............................................................................ 132
5.7. Estudio de Optimización............................................................................. 134
5.7.1. Entrenamiento de un Perceptrón Multicapa ......................................... 134
5.7.2. Entrenamiento de un Mapa de Kohonen.............................................. 135
5.7.3. Resultados de los análisis mostrados ............................................... 136
6. Desarrollo del IDE JCortexBuilder .................................................................... 138
6.1. El IDE JCortexBuilder................................................................................ 139
6.2. Diseño del Entorno de Desarrollo JCortexBuilder....................................... 140
6.1.1. Adaptación de un modelo de red a JCortexBuilder ............................... 144
6.1.2. Archivo de configuración..................................................................... 145
6.2. Formato de los archivos de Datos ............................................................... 147
6.2. Visita guiada a JCortexBuilder ................................................................... 148
6.2.1. Principales elementos de la interfaz...................................................... 148
6.2.2. Ejemplo de entrenamiento Perceptrón Multicapa ................................. 149
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
4
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
7. Planificación y Seguimiento .............................................................................. 158
8. Conclusiones del Proyecto................................................................................. 164
9. Bibliografía, materiales y aplicaciones............................................................... 165
Anexo A: Documentación de la API – JCortex...................................................... 166
Anexo B: Ejemplos de uso..................................................................................... 423
Modelo de Redes de Hopfield............................................................................ 423
Modelo de Mapas de Kohonen .......................................................................... 435
Modelo de Red Perceptrón ................................................................................ 472
Modelo de Redes Perceptrón Multicapa............................................................. 476
Archivo de ejemplos aFuncion2variables.txt...................................................... 480
Archivo de ejemplos aNumbers.txt.................................................................... 497
Archivo de ejemplos aPromoters.txt .................................................................. 498
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
5
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
1. Descripción del proyecto
Se desea construir una solución completa que permita a desarrolladores de
software crear, educar y utilizar Redes Neuronales Artificiales en proyectos reales de
Java. Para lograrlo se propone el desarrollo de dos elementos:
JCortex: framework para Redes
JCortexBuilder: entorno gráfico
Neuronales Artificiales en Java.
de desarrollo para JCortex.
En el documento del Anexo A, presentado en junio del 2005, se enunciaba la
siguiente descripción del proyecto:
“Diseño y construcción de un framework en Java que
facilitara la creación, entrenamiento, etc. de sistemas basados
en redes neuronales. Podría incluirse también un sistema
basado en dicho framework con un interfaz gráfico para la
creación de las redes, su entrenamiento, etc.”
A partir de esta descripción, el Proyecto Fin de Carrera se fue perfilando
durante los meses de julio y agosto. En este intervalo no sólo se analizó la tecnología
disponible y las bases teóricas, sino que se fueron definiendo las prioridades. Se llegó
a la conclusión de que si bien la importancia de este proyecto se encuentra en el
framework que lo sustenta – que ha de ofrecer las máximas garantías y posibilidades
de extensión – su éxito en el mundo real depende en gran medida de contar con un
entorno de desarrollo sencillo, potente y, ante todo, útil.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
6
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
2. Objetivos
El objetivo principal en el desarrollo del framework ha sido lograr un sistema
práctico, que pueda ser utilizado por la comunidad de programadores de Java
para resolver exigencias reales de sus aplicaciones.
A continuación se enumeran los objetivos secundarios que han establecido las
guías de desarrollo del framework JCortex.
•
El framework ha de permitir desarrollar sobre él soluciones basadas en
Redes Neuronales Artificiales a distintos niveles de profundidad. Habrá
usuarios que quieran acceder a soluciones inmediatas y sin complicaciones,
mientras que otros desearán tener acceso, a fondo, a los parámetros y ajustes
de las Redes Neuronales creadas.
•
Obtener un framework que pueda ser personalizado, tanto el modelado de
las redes como su funcionamiento y entrenamiento. La riqueza de un
framework no radica tanto en su funcionalidad implantada como en las
facilidades y posibilidades que ofrece para su personalización. Con este
objetivo en mente, además, se aseguran las posibilidades de evolución futura
del sistema.
•
Implantar en el framework los modelos de Redes Neuronales Artificiales
más utilizados. De tal forma que se permita su uso inmediato como solución
de creación, entrenamiento y uso de Redes Neuronales Artificiales.
•
Cómoda extensión del framework para incluir nuevos modelos
personalizados según las necesidades futuras del proyecto JCortex o los
desarrollos propios de sus usuarios (programadores).
•
Obtener un entorno de desarrollo gráfico – JCortexBuilder – que facilite la
creación, entrenamiento, uso y traslado de las redes creadas sobre el
framework JCortex a los proyectos software en los que trabaja el usuario.
El entorno de desarrollo ha de enmascarar la complejidad del framework
JCortex para el usuario que no desee profundizar en esta tecnología. Ha de
estar preparado para crecer y evolucionar de forma dinámica junto con el
framework.
En la lista anterior se han obviado los objetivos clásicos de cualquier proyecto
de desarrollo de software: eficacia, eficiencia, potencia y versatilidad.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
7
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
3. Motivaciones
A continuación se enumeran los tres factores que han motivado la propuesta,
elección y realización de este proyecto.
•
Proporcionar una forma fácil y sencilla para que los programadores puedan
implantar soluciones basadas en Redes Neuronales para sus proyectos en Java.
•
Aprovechar una de las pocas oportunidades disponibles para embarcarse en
proyecto de investigación básica. Una de las grandes ventajas de este campo,
es la posibilidad que abre a la investigación de nuevas vías de funcionamiento
y nuevos métodos.
•
Realizar una aportación a la comunidad Java a través de un sistema con
aspiraciones de convertirse en un proyecto Open Source.
•
Aprovechar el tirón de la inteligencia artificial y de las Redes Neuronales, en
especial para dar respuesta a problemas complejos y sistemas no lineales.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
8
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
4. Estudio de viabilidad
4.1. Análisis de necesidad y oportunidad
La tecnología de Redes Neuronales Artificiales es un campo de la Inteligencia
Artificial que no parece que reciba todo el interés que se merece, ni se materializa
todo el rendimiento del que es capaz.
Analizando la situación actual, parece bastante claro que es necesario un
sistema fácil y accesible orientado hacia los programadores, para conseguir
generalizar de forma definitiva el uso de estas soluciones. Una gran cantidad de
ingenieros de software – y todo tipo de especialistas involucrados en el desarrollo de
aplicaciones –nunca han adquirido una base académica sobre Redes Neuronales
Artificiales, o lo que pudieran saber ha quedado relegado al olvido con el paso del
tiempo. En esta situación, es muy improbable que una red neuronal sea la solución
propuesta y desarrollada para un problema complejo. Más si se mantiene la idea de
que la creación, el entrenamiento y el afinado de una Red Neuronal Artificial es una
tarea dura, larga y tediosa.
Hay hueco en este entorno, por tanto, para conjunto de framework y entorno
de desarrollo que permita crear soluciones basadas en Redes Neuronales Artificiales
de la forma más sencilla posible. Este sistema ha de ser fiable y eficiente para ser
tomado en cuenta a la hora de diseñar un proyecto software. Ha de enmascarar,
siempre que el usuario (programador) lo considere necesario, las bases teóricas y
matemáticas, funcionando como una caja negra. Ha de simplificar, facilitar y – en la
medida de lo posible – hacer incluso agradable el proceso de creación, entrenamiento
y puesta en producción de una red neuronal.
4.1.1 Alternativas ya existentes
A continuación se describen las principales alternativas a JCortex – como
sistema de creación, entrenamiento y uso de redes neuronales artificiales – mostrando
las ventajas que propone JCortex frente a los mismos.
Ya existe un framework para redes neuronales en JAVA llamado JOONE
(Java Object-Oriented Neural Engine). La primera impresión que ofrece este entorno
es de gran complejidad, e incluso se podría considerar menos accesible para su
extensión y personalización. Otro factor a tener en cuenta es que JOONE no está
pensado para almacenar y recuperar una red al completo, con todos sus parámetros y
ajustes, algo esencial para su uso habitual en aplicaciones.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
9
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Matlab es una aplicación típica en el mundo de la ingeniería que dispone de
un módulo para trabajar con Redes Neuronales Artificiales. Es posible exportar a
JAVA código escrito en el lenguaje de programación matemática de Matlab. Frente a
esta alternativa tan extendida, JCortex permite un sistema más rápido y simple,
apoyado en un entorno de desarrollo gráfico. Además, como framework abierto, el
usuario/programador tiene grandes facilidades para extender y personalizar el
funcionamiento del sistema.
4.2. Análisis económico
Al ser éste un proyecto de investigación básica nacido del mundo académico,
no tiene muchas tablas para defenderse adecuadamente ante un análisis de viabilidad
económico. En España, no ya a nivel empresarial sino incluso académico, se valoran
más los resultados económicos inmediatos de los proyectos que el avance que su
investigación pueda aportar. De ahí que la mayor parte de los proyectos de
investigación sean de aplicaciones para su uso concreto y a corto o medio plazo, más
que la investigación en nuevas tecnologías y campos más básicos. Sin embargo, son al
final estos campos los que mejores réditos proporcionan al entorno socioeconómico.
El tiempo dedicado a su diseño, desarrollo y documentación sobrepasa
ampliamente las 300 horas, a la vez que no se espera del mismo un retorno de la
inversión económico. Sin embargo el rendimiento inmaterial que se puede obtener (y
se ha obtenido del mismo) compensa ampliamente el tiempo y recursos dedicados.
A la hora de diseñar la Planificación Definitiva, que se presenta en el capítulo
7. Planificación y Seguimiento, se realizó también una acercamiento a la
presupuestación del proyecto. Se puede considerar que el único coste representativo
es la mano de obra. Las aplicaciones informáticas empleadas son de distribución
gratuita o ya estaban disponibles antes de comenzar este proyecto, y la literatura a la
que se ha recurrido es perfectamente genérica (ver 9. Bibliografía, materiales y
aplicaciones) o bien está disponible a través de Internet. JAVA es un lenguaje
tremendamente agradecido en este aspecto ya que posee una comunidad de
desarrolladores muy activa que mantiene en forma este lenguaje extremadamente
abierto.
El único recurso empleado en las tareas de la planificación es el autor. Su
consumo se mide por el tiempo dedicado a las actividades del proyecto, con
independencia de la naturaleza de las mismas. Teniendo en cuenta un coste de 20! por
hora (programador junior) se ha calculado un presupuesto aproximado de
8.625,00!, revisado a 8.676,61! a mitad de proyecto.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
10
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Sí que se puede decir en su defensa que, ignorando el coste de la mano de obra
dedicada, éste es trata de un proyecto barato en comparación con los resultados que se
espera obtener. Es preciso tener en cuenta el amplio espectro de problemas que
podrán ser resueltos de forma efectiva e innovadora con un framework hecho a
medida para programadores.
4.4. Planificación
La primera planificación de las actividades del proyecto se realizó en el mes
de agosto. A la vista de las modificaciones e imprevistos que han surgido durante la
realización del proyecto, se puede entender claramente la falta de conciencia de la
dimensión real del trabajo a realizar. Además el trabajo académico del último curso,
especialmente en la primera mitad del año académico, relegó cualquier intento de
avanzar con el proyecto.
Tabla 1: Fases de desarrollo previstas en la planificación inicial descartada
Inicio
Finalización
1 Agosto 2005
23 Diciembre 2005
Framework
5 Septiembre 2005
27 Noviembre 2005
IDE
2 Diciembre 2005
7 Enero 2006
Ejemplos
8 Enero 2006
27 Enero 2006
Framework
1 Marzo 2006
7 Mayo 2006
IDE
5 Marzo 2006
23 Abril 2006
Ejemplos
14 Mayo 2006
2 Junio 2006
7 Mayo 2006
...
Fase
Formación y Análisis
ALFA01
ALFA02
Cierre y Documentación
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
11
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
September2005
WBS
Activity Name
1 Formación
1.1
Aprendizaje básico sobre RNA por cuenta propia
1.2
Teoría sobre RNA en clase
1.3
Teoría de Back Propagation
1.4
Ejercicos en Clase
Start Date
Finish Date
1/9/05
22/10/05
24/10/05
29/12/05
31/10/05
6/11/05
28/11/05
29/12/05
2 Anexo B
2.1
Realización del Anexo B
22/10/05
27/10/05
2.2
27/10/05
1/11/05
Aceptación Anexo B
2.3
Entrega del Anexo B
2.4
Realización diapositivas Anexo B
2.5
Presentación del Anexo B
3 Framework
3.1
Modelo de propagación genérico
3.2
Modelo Perceptrón
5/9/05
19/9/05
7/10/05
4.2
Prototipado
Enlace entre Framework y Prototipo
5 Ejemplos Básicos (pruebas del IDE y framework
ALFA)
6 Presentación de Febrero
7 Framework BETA
7.1
Añadir modelos adicionales
7.1.1
Mapas de Kohonen
7.1.2
Otras redes competitivas
7.1.3
Radial Basis Network
7.2
Optimizar algoritmos y mejorar su elegancia
7.3
Tantear soluciones JNI
8 IDE BETA
8.1
Mejora del IDE con los nuevos modelos
9 Documentación Detallada
10 Ejemplos Avanzados (pruebas del IDE y framework
BETA)
11 Preparar Proyecto para su Presentación
March2006
April2006
May2006
June2006
18/9/05
27/11/05
4.3
February2006
2/10/05
19/11/05
Modelo de Aprendizaje General con Alg. Genéricos
January2006
1/11/05
3/10/05
Aprendizaje por Back-Propagation
Replantear la estructura del Framework. Nuevo
análisis y corrección.
4 IDE
4.1
Análisis sobre la resolución de Problemas
December2005
2/11/05
Modelo Perceptrón Multicapa
Clases básicas Perceptrón Multicapa
3.4
November2005
2/11/05
27/10/05
3.3
3.3.1
3.3.2
3.5
October2005
T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F S S M T W T F
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
8/10/05
30/10/05
5/11/05
18/11/05
2/12/05
18/12/05
19/12/05
2/1/06
1/1/06
8/1/06
9/1/06
27/1/06
20/2/06
28/2/06
1/3/06
13/3/06
20/3/06
27/3/06
12/3/06
19/3/06
26/3/06
8/4/06
24/4/06
7/5/06
5/3/06
23/4/06
7/5/06
1/6/06
14/5/06
2/6/06
5/6/06
1/7/06
Convocatoria de Exámenes de
Febrero
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Ilustración 1: Diagrama de Gantt de la planificación inidial descartada
La planificación inicial con la que se realizó el estudio de viabilidad comenzó
a mostrarse inviable durante los primeros dos meses de desarrollo. No ya por
problemas con los objetivos propuestos, sino por el escaso tiempo y lo impredecible
de los condicionantes académicos y profesionales. En su lugar se construyó una nueva
planificación mucho más realista, adaptable a las circunstancias y concreta, que se
muestra en detalle en el capítulo 7. Planificación y Seguimiento.
Los cambios que sufrió la planificación inicial son los siguientes:
•
Reducción del tiempo en el primer cuatrimestre del año académico (de
octubre a enero).
•
Uso intenso del periodo de exámenes de febrero que se había dejado libre.
•
Se simplificó los modelos de red a implantar con el fin de otorgar una
mayor importancia al objetivo de obtener un núcleo de framework sólido,
fiable y eficiente. Se consideró que el objetivo del proyecto radica más en
una buena base que en una gran variedad de modelos.
•
Se adelantó la implantación del entorno de desarrollo con el fin de poder
realizar de forma más eficaz las pruebas del framework y los modelos
implantados.
•
Se incluyeron las pruebas de rendimiento con profilers, no recogidas en la
planificación inicial.
•
Se simplificó el sistema de versiones, optando por un desarrollo más
continuado.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
12
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
4.3. Conclusión de los análisis de viabilidad
A la vista de los análisis anteriores, se puede concluir que el proyecto es
viable. La tecnología, las necesidades y la oportunidad son claramente favorable a
este respecto.
El único punto oscuro podría ser el análisis puramente económico. Sin
embargo, si se lo considera dentro del ámbito de un Proyecto Fin de Carrera no
remunerado, es plenamente satisfactorio. Esta decisión no estaría tan clara en caso de
enmarcarse en un análisis puramente empresarial.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
13
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
5. Desarrollo del framework JCortex
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
14
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
5.1 Descripción del Framework JCortex
El framework desarrollado para este Proyecto Fin de Carrera, proporciona la
estructura básica sobre la que construir soluciones basadas en Redes Neuronales
Artificiales.
El paquete básico a partir del cual se organiza el framework es
com.jcortex. Esta estructura es única ya que “jcortex.com” es un dominio
registrado para este proyecto.
JCortex es un framework, por lo que la riqueza del mismo no radica en
proporcionar un gran número de funcionalidades completas y soluciones cerradas. Lo
realmente importante es su estructura: ofrecer una estructura sólida sobre la que un
programador de JAVA pueda desarrollar sus soluciones basadas en redes neuronales.
Ha de proporcionar la seguridad de que los desarrollos realizados sobre él – y
siguiendo las indicaciones y precauciones facilitadas – son sólidos y fiables. De este
modo el framework proporciona los siguientes servicios:
•
El contrato de los elementos básicos de una Red Neuronal Artificial.
•
La descripción del comportamiento básico de cada elemento.
•
La funcionalidad básica, común – o accesible – para cualquier modelo de
Red Neuronal Artificial.
•
Herramientas genéricas para el almacenamiento y recuperación
(Load&Store en XML) de las redes creadas, escritura en consola…
•
Una implantación completa de los modelos de Redes Neuronales
Artificiales más comunes en los proyectos informáticos.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
15
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
5.2. Metodología de desarrollo
Una correcta metodología de desarrollo es siempre una garantía para un
producto software fiable. Un framework ha de ser tratado como un elemento crítico,
dada su importancia en las aplicaciones como substrato tecnológico. Por lo general se
entiende que un framework útil (o utilizable) no sólo ha de tener un diseño correcto
sino que además ha de ser eficiente, fácil de comprender, ampliar y personalizar. La
metodología utilizada en el desarrollo ha de garantizar que las clases creadas y el
sistema completo formen un conjunto que cumpla los requisitos indicados
anteriormente: formar una base sólida, probada, pura e independiente de sus usos
concretos para soluciones basadas en Redes Neuronales Artificiales.
Es importante reforzar a lo largo de todo el proceso de diseño y desarrollo la
necesidad de crear un núcleo genérico, independiente de los modelos de red
concretos. Es este núcleo el que realmente aportará las bondades del framework y
sobre el que se ha de volcar todo el esfuerzo posible.
Por lo ya expuesto anteriormente es imprescindible tener en cuenta las
siguientes normas básicas para el correcto diseño de éste y, en principio, de cualquier
otro framework orientado a objetos:
•
Seguir estrictamente el Principio Abierto-Cerrado (Open-Close
Principle - OCP). Aplicándolo, los módulos tendrán que diseñarse de
forma que su comportamiento pueda extenderse sin requerir ser
modificados.
•
El principio de Inversión de Dependencias se utiliza principalmente para
facilitar el Principio Abierto-Cerrado.
•
En la medida de lo posible hay que asegurar el Principio de Segregación
de Interfaces (Interface Segregation Principle – ISP), con el fin de
proporcionar la mayor flexibilidad a la extensión y posteriores desarrollos
sobre la base del framework. Aplicándolo, los clientes no deben ser
forzados a depender de interfaces que no utilizan. Un ejemplo de este
principio se puede hallar en la segregación de las responsabilidades de los
entes pensantes de una Red Neuronal en AxonSource y
AxonReceiver (ver: 5.5.2. Relación entre AxonSource,
AxonReceiver, Sensor y Neuron).
•
La Ley de Demeter se aplicará en la medida en la que merezca la pena
renunciar a cierto rendimiento, con el fin de disminuir el grado de
acoplamiento. Con el fin de dar mayores libertades para la optimización,
no se utilizará la Ley de Demeter cuando las cadenas de objetos
referenciados son interfaces o clases abstractas pertenecientes al núcleo del
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
16
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
framework y, por tanto, es seguro que su contrato no varíe en el futuro; o
cuando el rendimiento se vea seriamente afectado por esta restricción.
•
En el fondo, el Sentido Común es el principio más útil a la hora de
diseñar e implantar un framework.
Una oportunidad que surge en el panorama del hardware es la cada vez mayor
accesibilidad de sistemas multiprocesador, ya sea por compartir varios núcleos en el
mismo chip, distintos procesadores trabajando juntos en el mismo entorno o incluso
en máquinas distintas. Es imprescindible tener en mente, a la hora de diseñar y
desarrollar el framework, futuros desarrollos por la vía del paralelismo. Esta
preocupación ha de verse reflejada en el manejo y elección de estructuras de datos, así
como en la concurrencia en los datos, cálculos y métodos.
5.2.1. Uso de Patrones de Diseño O.O.
El uso intensivo de Patrones de Diseño Orientado a Objetos garantiza el
correcto diseño de cualquier proyecto. Más importante resulta, si cabe, en el caso del
desarrollo de un framework concebido para ser utilizado en una gran diversidad de
aplicaciones.
La utilidad de los patrones de diseño es doble: por un lado se diseñan
soluciones orientadas a objetos ampliamente probadas, y por otro la presencia de un
patrón de diseño suele ser autoexplicativo. Cualquier programador de un lenguaje
orientado a objetos con nociones de patrones entenderá la finalidad y el
funcionamiento del diseño.
Patrones de Gang of Four utilizados en el desarrollo del framework y del
entorno desarrollo. Para más información ver el Anexo C con la documentación de la
API:
•
Template Method
•
Observer
•
Composite
•
Singleton & Factory Method
•
Adapter
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
17
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
5.2.2. Optimización iterativa de los modelos de red
Se ha partido de la siguiente premisa: optimizar los modelos de red implica
optimizar al máximo el framework al completo. No es posible llegar a realizar pruebas
directamente sobre un framework que sólo proporciona las estructuras y funcionalidad
esenciales para poder construir sobre el mismo. Siguiendo esta idea, se planteó la
integración de una serie de modelos de red dentro del paquete básico. Si bien estos
modelos no llegan a formar parte del núcleo del framework, ofrecen una
funcionalidad completa – aunque básica con visos de ser extendida y personalizada –
así como la oportunidad de probar a fondo el sistema subyacente. Se ha procurado
seleccionar los modelos de Red Neuronal Artificial más utilizados, y a la vez más
distintos entre si, con el fin de poder realizar una optimización global de las clases del
framework.
Diagrama de Actividad 1
El proceso de desarrollo, mejora y pruebas se ejecutará según se muestra en el
Diagrama de Actividad 1. Las pruebas consisten en realizar una serie de ejecuciones
del modelo sobre una herramienta de profiling que no sólo mide el tiempo de
ejecución, sino que además permite hacer un análisis del tiempo y el número de
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
18
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
iteraciones a nivel de método, líneas de código e incluso instrucciones de bajo nivel.
Un proceso se considera optimizado si su tiempo de ejecución viene determinado
exclusivamente por los cálculos matemáticos e iteraciones ineludibles, propios del
sistema de propagación y de aprendizaje. Lo más importante en todo caso es que las
tareas de gestión de estructuras de datos, de control de flujo o de tratamiento de
estadísticas no representen tiempos de ejecución representativos.
Para más información sobre las pruebas consultar el apartado: 5.7. Estudio de
Optimización.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
19
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
5.2.3. Metodología de trabajo con XML
XML (eXtensible Markup Language, lenguaje de marcado ampliable o
extensible) es un lenguaje extensible de etiquetas desarrollado por el World Wide
Web Consortium (W3C). Es un meta-lenguaje que permite definir otros lenguajes de
marcado adecuados para usos determinados – en este caso el almacenamiento de
instancias de Redes Neuronales artificiales –, mediante una sintaxis personalizada, y
basado en archivos de texto plano.
El interés de asegurar mediante XML la perdurabilidad de las instancias
creadas y entrenadas utilizando las herramientas que proporciona el framework
JCortex viene dado por los siguientes motivos:
•
Es un formato de almacenamiento de información universal, de forma que
el mismo archivo de información puede ser compartido entre distintas
plataformas e incluso inspeccionado por aplicaciones creadas con
lenguajes de programación distintos.
•
Está enormemente extendido en el entorno de la programación orientada a
objetos, y con gran fuerza en JAVA.
•
Permite al ser humano realizar una lectura fácil y comprensible, incluso
cuando se inspecciona el archivo manualmente con un editor de texto.
El volcado y recuperación de las Redes Neuronales (y sus componentes)
modeladas con este framework, es uno de sus aspectos más oscuros. En especial, la
creación de una instancia de Red Neuronal a partir del archivo XML en el que se ha
almacenado su configuración, suele ser un proceso complejo en el que son necesarias
varias pasadas con construcciones parciales para finalmente recuperar el sistema
almacenado.
Por tanto, es interesante establecer una metodología clara para la serialización
y deserialización de los elementos que forman una red en XML. Ambos procesos se
apoyan insistentemente en el patrón de diseño Template-Method (GoF). A
continuación se describen los métodos establecidos en la metodología de trabajo con
XML. Estos métodos son de implantación obligatoria en todos los elementos
susceptibles de contener datos de configuración que tengan que ser preservados. Las
interfaces y clases abstractas del núcleo de la aplicación son las encargadas de
asegurar que se implanten en los objetos. Hay que señalar que esta metodología es de
aplicación general en todo el framework, no se está describiendo la implantación
concreta para un elemento o modelo de red.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
20
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Para la creación e inspección de los documentos XML se va a emplear el
entorno DOM creado por el W3C para Java. Este framework se distribuye con la
versión estándar J2SE, y tiene su raíz en el paquete: org.w3c.dom.
a) Métodos para el almacenamiento de la configuración (Store)
A continuación se describen los métodos genéricos empleados en el
almacenamiento de la configuración de un elemento del framework JCortex.
•
+
final
export2XMLDocument()
:Document – Método
implantado por todos los elementos que pueden ser almacenados como un
documento. De hecho, el resultado de este método ha de ser una instancia de
documento XML, con el árbol de nodos que recogen la configuración. El
método es final ya que es imprescindible que todos los documentos
almacenados tengan la misma estructura básica en sus primeros nodos.
•
+ final [clase]2XML(padre :Node, :Document) – Éste
método ha de estar implantado en la superclase abstracta, que defina la
categoría, de los elementos que pueden ser almacenados. Todos los elementos
que van a ser almacenados en XML pertenecen a clases que heredan de una
clase abstracta. Se desea que todos los nodos generados por los hijos de una
misma superclase compartan una serie de elementos básicos comunes e
iguales. Al menos el nombre del nodo XML generado para contener su
configuración. Por ejemplo, la clase NeuralNetwork implanta el método
neuralNetwork2XML(…), pero no así sus subclases como puede ser
KohonenNeuralNetwork. Este método recibe como parámetros el nodo
raíz del que tendrá que colgar el nodo creado para contener la información de
este elemento. A continuación se describen las acciones que lleva a cabo este
método y que se ilustran en el Diagrama de Actividad 2.
o Crea el nodo que contendrá la configuración del elemento almacenado.
o Añade como atributos o hijos del nodo XML creado, los atributos
recogidos que son conocidos desde la superclase.
o Es posible que deba incluir un atributo especial llamado “class”, en el
que se indique la clase concreta a la que pertenece la instancia cuya
información se está almacenando. (Este método se mueve
exclusivamente en el ámbito de la clase abstracta que define la
categoría.)
o Llama al Template Method specific2XML(…) para que complete
el nodo con la información propia, sólo conocida por la clase
particular.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
21
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
•
+
abstract
specific[Clase]2XML(raiz
:Node,
:Document) – Método encargado de volcar en el nodo creado la
información específica de la subclase concreta sobre la que ha sido invocado.
Este método tendrá que ser único y encontrarse en la última subclase, o al
menos recoger toda la información desde la última subclase.
Cabe llamar la atención a cerca de una diferencia sutil entre los dos últimos
métodos. A pesar de recibir ambos como parámetro argumento de llamada una
instancia de la clase Node, este nodo tiene distinto significado. En el primer método,
[clase]2XML(…), éste es el nodo raíz de nivel superior al que se ha de añadir
como hijo el nuevo nodo XML con la información de instancia sobre la que se está
invocando. En el segundo caso, specific[Clase]2XML(…), el nodo para la
instancia a almacenar ya ha sido creado, y sólo hay que añadir los atributos y los
objetos específicos de la subclase concreta.
Diagrama de Actividad 2: Almacenamiento de un elemento en XML
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
22
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
b) Métodos para la recuperación de la configuración (Load)
A continuación se describen los métodos genéricos empleados para la
recuperación de la información almacenada dentro de un documento XML. La carga
de datos desde un archivo XML siempre se lleva a cabo con el objetivo de reconstruir
la Red Neuronal Artificial creada previamente por el usuario, con todos sus
elementos. Normalmente no se recuperará tan solo la instancia propia de la red
neuronal (NeuralNetwork), sino que será necesario recuperar – al menos – la
configuración de sus neuronas y maestro.
Los métodos mas importantes en este proceso son los constructores de las
clases a recuperar. Su funcionamiento en el lenguaje Java va a marcar con fuerza el
mecanismo de carga y construcción. Este proceso se complica, en la medida en la que
en múltiples ocasiones la dependencia entre objetos conocidos y atributos obligará a
realizar varias pasadas sobre el documento XML, llevando a cabo construcciones
parciales hasta llegar a la definitiva.
•
La primera acción de un constructor es invocar al constructor de la
superclase a la que extiende. De esta forma la secuencia de creación bajará
desde las superclases hasta las clases concretas.
•
Un constructor sólo puede finalizar su ejecución devolviendo la instancia
que ha creado, o saltando por una excepción.
•
Las interfaces no tienen constructores al poder poseer únicamente atributos
estáticos y definiciones de métodos.
A continuación se describen los métodos que participan de la carga de los
datos de una Red Neuronal desde un documento XML.
•
+ ConstructorSuperclase(:Node) – El constructor de la
superclase es el primer método en ser completado. Es imprescindible que
todas las superclases susceptibles de ser almacenadas implanten, aunque
sea en vacío “{}”, un constructor cuyo atributo sea una instancia de Node.
Cada superclase ha de recoger y almacenar en la instancia creada los
atributos e hijos que ella se encargó de volcar en el nodo. Es posible que
en la creación de una instancia, sea necesario atravesar más de una
superclase con su respectivo constructor.
•
+ ConstructorClaseConcreta(:Node) – El constructor de la
clase concreta es el último en ejecutarse, y por lo tanto el que ha de volcar
toda la información que falta en la instancia, extrayéndola del nodo.
Pudiera darse la situación en la que este constructor no pudiera tener
acceso a todos los datos necesarios para la creación completa de la
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
23
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
instancia. Por ejemplo, puede desconocer la dirección de la instancia de un
elemento al que está relacionado pero que todavía no ha sido creado.
Es probable que durante la ejecución de los constructores, sea necesaria la
creación de nuevas instancias a partir de hijos del nodo procesado.
Hay que tener en cuenta que, a pesar de que el proceso parece pesado y
costoso, la carga de una Red Neuronal Artificial es una acción que se lleva a cabo no
muy a menudo y para la que el usuario está dispuesto a aguardar un corto espacio de
tiempo. Es por esto que se ha decidido mantener una estructura que puede llegar a
pecar de recargada.
c) Formato básico de los documentos XML generados por JCortex
En la Tabla 2 se describen los nodos básicos que forman los archivos XML de
configuración de Redes Neuronales Artificiales en JCortex. La Tabla 3 presenta una
serie de normas de estilo a utilizar en los nombre de los atributos aplicables a
cualquier nodo de cualquier elemento en cualquier modelo.
Tabla 2: Anidamiento de los nodos en los archivos de configuración
<com.jcortex …/>
! <neuralNetwork …/>
Nodo raíz de los documentos generados por el
framework JCortex.
Configuración de una red neuronal.
! <neuron …/>
Configuración de una neurona.
! <teacher …/>
Configuración de un maestro.
Ejemplo de la estructura de un archivo de configuración generado por el
framework JCortex para almacenar una Red Neuronal entrenada:
<?xml version="1.0" encoding="UTF-8"?>
<com.jcortex>
<neuralNetwork ... >
<!-- Nodos propios de la configuración de la red que no necesitan
hacer referencia a las neuronas. -->
...
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
24
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
<!-- Listado de las neuronas. -->
<neuron ... >
<!-- Configuración de las neuronas. -->
</neuron>
<!-- Nodos propios de la configutación de la red que necesitan la
definición previa de las neuronas. -->
...
<!-- Configuración del maestro -->
<teacher ... />
</neuralNetwork>
</com.jcortex>
Tabla 3: Atributos comunes en los nodos XML de configuración
class = “”
Atributo que indica la clase concreta con la que se implanta un
elemento.
id = “”
Atributo que indica la identificación numérica o alfanumérica de
un elemento. Este atributo se utilizará tanto en la descripción de la
información del elemento, como en las referencias que se hagan al
elemento concreto desde cualquier otro nodo.
ix = “”
Atributo que indica una posición en una tabla o estructura. Ha de
ser un valor numérico.
size = “”
Atributo que indica el tamaño de una estructura de datos o el
número de elementos recogidos como hijos de un nodo.
value = “”
Atributo que recoge un valor numérico de cualquier tipo.
weight = “”
Atributo que recoge un valor numérico que ejerce como peso en la
configuración de una Red Neuronal o un elemento de la Red.
Los atributos de los nodos anteriores, así como el resto de nodos necesarios
para la construcción de cada modelo concreto de Red Neuronal Artificial, se
describirán en futuros apartados. Es importante advertir que, en última instancia, el
nombre de los nodos y de sus atributos está determinado por las entidades a las que
hacen referencia en el diseño lógico y físico de la aplicación.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
25
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
5.3. Modelo Conceptual de Redes Neuronales
El reto de desarrollar un framework de Redes Neuronales radica en conseguir
una estructura que cumpla los siguientes requisitos:
•
Solidez para afianzar la fiabilidad de las Redes Neuronales basadas en ella.
•
Versatilidad para poder adaptarse a cualquier modelo de Red Neuronal.
•
Que sea útil, esto es, fácil de aplicar para resolver los problemas reales a los
que se enfrenta un programador de JAVA en sus proyectos de desarrollo.
Para cumplir estas exigencias, se ha optado por un modelo modular (ver
Ilustración 2) que segmenta una Red Neuronal genérica en unidades – módulos – que
tienen perfectamente definidas su funcionalidad, su interfaz, su accesibilidad y su
interconexión. Este modelo de red es aplicable tanto a las redes de propagación hacia
delante (feed-forward), las de retropropagación (back-propagation), redes recursivas,
redes competitivas… Este modelo lo que fija son los elementos de los que dispone la
red para alojar su funcionalidad, y los elementos necesarios para que la red pueda ser
utilizada en una aplicación real.
Ilustración 2: Diseño conceptual de la Red Neuronal Artifical
•
Red Neuronal: contiene el resto de módulos estableciendo la estructura de
cada modelo de red concreto, el conocimiento de todos los elementos que la
componen, y sus mecanismos de pensamiento (entrada de información,
propagación y salida). Es, por tanto, el elemento que aporta el funcionamiento
diferencial de cada modelo de red y cohesiona el resto de unidades de acuerdo
con las necesidades del mismo.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
26
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
•
Traductor de Entrada: realiza la traducción entre los objetos utilizados como
entradas para la Red Neuronal y el vector de números reales con los que
trabaja el modelo matemático. Los Traductores de Entrada no son específicos
para un modelo de red concreto, sino que dependen del problema abordado. Si
el problema versa sobre “coches”, la Red Neuronal recibirá como entrada una
instancia de la clase “Coche” que tendrá que ser traducida a sus factores
numéricos representativos, como puede ser: la potencia del motor, velocidad
máxima, tiempo de aceleración…
•
Sensores: estos elementos actúan como un buffer, almacenando durante el
proceso de pensamiento los datos numéricos de entrada para que puedan ser
accedidos por el resto de elementos internos de la Red Neuronal. Se alimentan
a partir de los valores numéricos generados por el Traductor de Entrada.
•
Neuronas: son los elementos pensantes en el más amplio sentido de la
palabra. Con esta unidad se pueden identificar multitud de elementos que
participan en el manejo de la información dentro de la Red Neuronal. Pueden
ser neuronas de McCullock-Pitts, neuronas Adaline, retardadores, etc. Puede
que incluso no sea necesario contar con estos elementos para redes simples.
•
Traductor de Salida: realiza la traducción de los valores numéricos reales
producidos por el modelo matemático, y los objetos que son la salida de la
Red Neuronal. Los Traductores de Salida, al igual que los de Entrada, no son
específicos para un modelo de red concreto, sino que dependen del problema
abordado.
•
Maestro: contiene los mecanismos para educar un modelo concreto de Red
Neuronal. Una red puede admitir más de un Maestro, aunque difícilmente un
mismo Maestro sea capaz de tratar distintos modelos de red. El Maestro
trabaja con la Red Neuronal para realizar el aprendizaje, modificando los
pesos y otros parámetros de cálculo en los elementos de la red.
o Analizadores: En general, un Maestro necesitará hacer uso de unos
Analizadores que trabajarán sobre una serie de Estadísticas que serán
rellenadas a medida que avance el entrenamiento. Estos Analizadores
modelan la evolución de la Red Neuronal, indicando cuándo el
Maestro ha de detener el entrenamiento.
o Estadísticas: Para alimentar a los analizadores de progreso del
maestro, será necesario recoger estadísticas que reflejen la evolución
de parámetros muy diversos de la red.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
27
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
5.4. Modelo Lógico del framework
El modelo lógico fue construido siguiendo las pautas marcadas por el modelo
conceptual: un sistema modular en el que los módulos indicados anteriormente han
evolucionado hasta convertirse en clases con sus atributos, relaciones, métodos y
responsabilidades:
Tabla 4: Traducción del modelo conceptual
Elemento Conceptual
Clase OO
Indicaciones
Red Neuronal
NeuralNetwork
Clase Abstracta
Traductor de Entrada
InputTranslator
Interfaz
Sensores
Sensor
Clase Completa
AxonSource
Interfaz
AxonReceiver
Interfaz
Traductor de Salida
OutputTranslator
Interfaz
Maestro
Teacher
Clase Abstracta
Neuronas
En la figura Diagrama de Clases 1 se muestra la relación entre las clases que
forman el modelo lógico de este framework. Se observa como las instancias de
NeuralNetwork son las que concentran los módulos que forman cada red. En los
siguientes apartados se describe y discute, en detalle, el diseño de cada uno de los
módulos.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
28
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Diagrama de Clases 1: Visión simple de los módulos de NeuralNetwork
Aunque aparentemente no haya conexión entre las clases abstractas Teacher
y ProgressAnalyzer, la primera puede hacer uso de la segunda. Si un Teacher
conoce una o más instancias de ProgressAnalyzer , no lo hará a nivel de
atributo, sino dentro de su método pureThink(…). Lo habitual es que en el proceso
de aprendizaje se maneje un único ProgressAnalyzer, que puede ser de tipo
compuesto. Sin embargo, nada impide que un programador decida implantar un
sistema con varios analizadores independientes.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
29
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
5.4. El sistema de paquetes com.jcortex.*.
El framework se distribuye con una estructura de paquetes que se ramifican a
partir de com.jcortex.*. Es en estos paquetes dónde se recoge exclusivamente
las clases estándar que forman parte del framework. El usuario/programador puede en
cualquier momento extender el funcionamiento del framework (de hecho debe hacerlo
para que se adapte a su problema concreto), pero sus clases propias tendrán que estar
fuera de la estructura com.jcortex.*. Esta norma típica busca mantener la
integridad y estabilidad de las distribuciones de este framework (tratado como
librería).
El paquete principal, com.jcortex, está acompañado por una serie de
paquetes que se pueden resumir en dos categorías que se describen en los apartados
siguientes: los Paquetes del Núcleo y los Paquetes de Modelos de Red. En el
Diagrama de Clases 2 se muestran los paquetes de cada uno de los grupos, así como la
relación entre los mismos.
Diagrama de Clases 2: Paquetes del framework y su interrelación
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
30
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
5.5. Paquetes del núcleo
Los paquetes del núcleo son los que forman la estructura básica del
framework, proporcionando servicios para cualquier modelo de Red Neuronal
Artificial o solución que se desee construir sobre él.
Ilustración 3: Paquetes del Núcleo
En la Ilustración 3 se han representado las dependencias entre los paquetes
mediante flechas. Todas ella apuntan a com.jcortex ya que el resto de paquetes
son meras colecciones de clases que implementan o extienden las interfaces y clases
abstractas en él definidas. Las funciones y traductores recogidos en estas colecciones
son las más habituales en los modelos de Redes Neuronales Artificiales. Ninguna de
ellas es de uso exclusivo, sino que el usuario puede crear las suyas propias, tomando
las herencias pertinentes. En la tabla siguiente se muestra el contenido de cada
paquete, junto con una descripción de su función en el framework.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
31
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
com.jcortex
Contiene la estructura básica del framework: interfaces, clases abstractas...
•
Definición del contrato de los elementos básicos: Productores y receptores de
valores, Traductores, Funciones, Maestros…
•
Elementos invariables: Sensor, Excepciones.
•
Herramientas estadísticas y analizadores de progreso.
•
Utilidades genéricas.
ActivationFunction
Clase abstracta que establece el contrato para
las Funciones de Activación.
AxonReceiver
Interfaz que establece el contrato para la
función de receptor de valores, de los
elementos interconectados para formar la Red
Neuronal Artificial.
AxonSource
Interfaz que establece el contrato para la
función de generador de valores, de los
elementos interconectados para formar la Red
Neuronal Artificial.
AxonSourceEntry
Clase que asocia una instancia AxonSource
en un AxonReceiver, con un peso
numérico.
BackPropagationActivation
Function
Clase abstracta que establece el contrato para
las Funciones de Activación utilizadas en la
redes de Retropropagación.
ComposedProgressAnalyzer
Analizador encargado de recoger el resultado
de una serie de analizadores, y ofrecer el
resultado de su análisis conjunto.
ConsoleUtilities
Colección de herramientas para mostrar
información en forma de texto. El medio
principal será una interfaz por línea de
comandos.
DistanceFunction
Clase abstracta que establece el contrato para
las funciones de cálculo de distancias.
InputTranslator
Interfaz que establece el contrato para los
traductores de entrada a la red.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
32
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
JCortexConstants
Colección de constantes cuyo ámbito de uso
es la totalidad de las clases desarrolladas.
LoadAndStoreUtilities
Colección de herramientas para almacenar y
recuperar valores almacenados en forma de
archivos.
Messages
Clase encargada de recabar los mensajes
localizados en los Resource Bundles.
NetworkFunction
Clase abstracta que establece el contrato para
las Funciones de Red.
NeuralNetwork
Clase abstracta que establece el contrato y la
funcionalidad común para las instancias de
Redes Neuronales Artificiales.
Neuron
Clase abstracta que establece el contrato y la
funcionalidad común para las neuronas
(recoge la funcionalidad de AxonSource y
AxonReceiver).
OutputTranslator
Interfaz que establece el contrato para los
traductores de salida de la red.
ProgressAnalyzer
Interfaz que establece el contrato para los
analizadores del progreso del entrenamiento
de una red.
ReadingException
Excepción lanzada cuando ha habido
problemas cargando la configuración de un
elemento de la red, desde un archivo XML.
Sensor
Clase que modela el comportamiento de
sensor: un buffer unitario de entrada a la red.
Statistics
Clase encargada de la recogida de estadísticas
durante el entrenamiento de una red.
StatisticsEvent
Evento lanzado a los métodos de
StatisticsListeners.
StatisticsListener
Interfaz que establece el contrato de un
elemento que es alertado ante cambios de
estado de las estadísticas.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
33
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
StatsMeasure
Clase que modela una dimensión o medida en
la recogida de estadísticas
StatsRegister
Clase que modela cada registro de estadísticas
recogido durante el proceso de aprendizaje.
Incluye el valor medido y la iteración en la
que se realizó la muestra.
Teacher
Clase abstracta que establece el contrato y la
funcionalidad común para los maestros de una
red neuronal.
ValueDecreaseAnalyzer
Analizador encargado de determinar si un
valor diferencial proporcionado, decrece de
forma correcta.
ValueVariationAnalyzer
Analizador encargado de determinar si un
valor proporcionado varía lo suficiente.
com.jcortex.activationFunctions
Contiene las Funciones de Activación más habituales en los modelos de redes. Todas
las clases implementan la interfaz ActivationFunction y algunas de ellas
BackPropagationActivationFunction.
GaussianFunction
Implantación de la Función de Gauss.
HyperbolicTangentFunction
Implantación de la Función Tangente
Hiperbólica (preparada para
retropropagación).
IdentityFunction
Implantación de la Función Identidad
(preparada para retropropagación).
SigmoidalFunction
Implantación de la Función Sigmoidal
(preparada para retropropagación).
SignFunction
Implantación de la Función Signo.
StepFunction
Implantación de la Función Umbral.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
34
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
com.jcortex.distanceFunctions
Contiene las Funciones de Distancia más habituales en los modelos de redes. Todas
las clases implementan la interfaz DistanceFunction.
EuclideanDistanceFunction
Implantación de la distancia Euclídea.
com.jcortex.networkFunctions
Contiene las Funciones de Red más habituales en los modelos de redes. Todas las
clases implementan la interfaz NetworkFunction.
LinearBasisFunction
Implantación de la Linear Basis Function.
RadialBasisFunction
Implantación de la Radial Basis Function.
com.jcortex.translators
Contiene los traductores más habituales. Todas las clases implementan o bien la
interfaz InputTranslator o bien OutputTranslator.
SingleBooleanOutputTranslator
TransparentInputTranslator
TransparentOutputTranslator
5.5.1. Estructura esencial de la Red Neuronal
En el Diagrama de Clases 3 se desarrolla una visión de cómo se han
implantado los módulos definidos para una Red Neuronal Artificial genérica en
modelo conceptual y su posterior refinamiento en el modelo lógico. El elemento de
mayor importancia es la clase NeuralNetwork que concentra el resto de los
elementos del modelo y aporta su estructura interna y capacidad de pensamiento.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
35
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Diagrama de Clases 3: Descomposición de NeuralNetwork
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
36
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
a. Propagación en una Red Neuronal
La propagación de un estímulo a través de una red neuronal, se modela en la
clase NeuralNetwork. El método + think(inputData : Object) :
Object, que recoge esta funcionalidad, está definido al nivel de la clase abstracta
por lo que es común a todos los modelos de Redes Neuronales Artificiales.
En realidad este método se responsabiliza únicamente de realizar la traducción
de los datos de entrada y de los obtenidos como resultado de la propagación en la red.
La responsabilidad de ejercer la función de propagación (" “pensamiento”) recae
sobre el Template Method (GoF) + pureThink(inputData : float[]) :
float. Este último método es el que es realmente capaz de realizar la propagación,
partiendo de términos matemáticos propios de las Redes Neuronales Artificiales. La
definición de este método forma parte del contrato de NeuralNetwork, obligando
su implantación para cada modelo de red.
El recorrido completo de este método se puede ver con más detalle en el
Diagrama de Secuencia 1. Para más información a cerca del proceso de los
traductores ver el apartado 5.5.3. Los Traductores.
Diagrama de Secuencia 1: Propagación en una Red Neuronal genérica
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
37
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
b. Exportar una Red Neuronal en XML
El proceso de exportar una red neuronal sigue las indicaciones metodológicas
marcadas en el apartado a) Métodos para el almacenamiento de la configuración
(Store).
En el Diagrama de Secuencia 2 se puede ver como se produce la secuencia de
mensajes entre los distintos elementos que han de volcar su información de
configuración en el árbol XML de la Red Neuronal. Es obvio que una red no se puede
almacenar como un único elemento por si mismo, sino que habrá que almacenar uno a
uno los módulos a los que esta tiene acceso. Se incluyen de este modo las neuronas y
el maestro.
Diagrama de Secuencia 2: Proceso de exportación a XML genérico
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
38
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
El método + export2XMLDocument() : Document es implementado
por la clase NeuralNetwork, de forma que una instancia de red neuronal puede
automáticamente ser serializada en un documento XML. Lo habitual será recurrir a
este método cada vez que se desee asegurar la permanencia de una red neuronal en
forma de archivo.
El nodo XML creado para esta instancia de la red, se descarga en el nodo raíz
del documento creado, utilizando el método + neuralNetwork2(docRoot
:Node, doc :Document). Como se describe en la metodología, este método
almacena los datos de configuración accesibles desde el ámbito de la clase abstracta
NeuralNetwork,
e
invoca
al
método
+
specificNeuralNetwork2(nnRoot :Node, doc :Document) de la
clase concreta para volcar la información propia del modelo de red específico. Se está
utilizando el patrón de diseño Template Method (GoF).
Ejemplo de la estructura de un archivo de configuración generado por el
framework JCortex para almacenar una Red Neuronal entrenada:
<?xml version="1.0" encoding="UTF-8"?>
<com.jcortex>
<neuralNetwork ... >
<!-- Nodos propios de la configuración de la red que no necesitan
hacer referencia a las neuronas. -->
...
<!-- Listado de las neuronas. -->
<neuron ... >
<!-- Configuración de las neuronas. -->
</neuron>
<!-- Nodos propios de la configutación de la red que necesitan la
definición previa de las neuronas. -->
...
<!-- Configuración del maestro -->
<teacher ... />
</neuralNetwork>
</com.jcortex>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
39
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
5.5.2. Relación entre
Sensor y Neuron
AxonSource,
AxonReceiver,
Mediante estos tres elementos, se pretende modelar la funcionalidad de lo que
se ha denominado anteriormente “elementos pensantes de la red neuronal”. Es
importante señalar que no todos los módulos que participan en el proceso de
propagación de un estímulo dentro de una red han de ser neuronas (en el sentido de
instancias de la clase Neuron). Según los modelos de red y sus necesidades pueden
aparecer otra serie de elementos como retardadores, bufferes…
Para reforzar el Principio de Segregación de Interfaces, se ha dividido en dos
interfaces la funcionalidad de estos elementos de red. Como metáfora de su actividad
se ha recurrido al símil biológico del Axón (prolongación filiforme de la célula
nerviosa, a través de la cual viaja el impulso nervioso de forma unidireccional, y que
establece contacto con otra neurona).
•
AxonReceiver. Interfaz que cubre la funcionalidad de recibir un valor
desde uno o más AxonSource’s.
•
AxonSource. Interfaz que cubre la funcionalidad de producir un valor
destinado a ser recogido por uno o más AxonReceiver’s.
Habrá clases, como la abstracta Neuron, que implemente ambas interfaces,
mientras que otras como Sensor sólo necesitan un repertorio de funcionalidades en
su contrato. A continuación se describen estas dos, que forman parte de las clases del
núcleo:
•
Neuron. Clase abstracta que implementa tanto la interfaz
AxonReceiver, porque recibe los estímulos de otros elementos
(neuronas, sensores…), y la interfaz AxonSource ya que a su vez es
fuente de valores. Además esta clase implanta un método +
produceAxonValue() :float que genera los valores ofertados por
la neurona a partir de los estímulos recibidos. En su contrato obliga y
recoge la funcionalidad necesaria (a nivel de clase abstracta) para volcar su
configuración a un nodo XML.
•
Sensor. Clase concreta, que hace las veces de buffer para el estímulo de
entrada a la red. Implementa la interfaz AxonSource de cara al resto de
elementos de la red neuronal. Este estímulo se realizará mediante un
vector numérico, y cada instancia de Sensor se hará cargo de una de las
posiciones de este vector. Se ha implantado como una clase completa
dentro del núcleo de la aplicación ya que esta labor es común para todas
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
40
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
los modelos de Redes Neuronales Artificiales, y es improbable que tenga
que sufrir alguna alteración para adaptarse a las mismas.
Para permitir la máxima versatilidad del framework de cara a los distintos
modelos de red que se puedan implantar, se hace referencia en la medida de lo posible
a los elementos según la funcionalidad a la que estén obligados. Los sensores por ser
invariantes siempre serán de clase Sensor; según se necesite una u otro repertorio de
funciones se utilizará las interfaces AxonReceiver o AxonSource, y en el caso
de que ambas sean necesarias de forma conjunta se recurrirá a la clase abstracta
Neuron.
La relación entre las cuatro clases anteriormente descritas se puede ver con
claridad en el Diagrama de Clases 4. Cada modelo de red es libre de extender las
clases que considere necesarias y utilizarlas en su proceso interno.
Diagrama de Clases 4: Relación entre Neuron, Sensor y sus interfaces
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
41
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
a) Puntualizaciones sobre las neuronas (Neuron)
La clase abstracta Neuron se encuentra disponible en el núcleo del framework
JCortex para permitir su implantación, siempre que sea necesario, en los modelos de
red concretos.
Modela las entidades que, además de tener obligada la funcionalidad del
contrato de las interfaces AxonReceiver y AxonProducer, han de reaccionar
ante los estímulos del entorno. El entorno de una neurona son todas aquellas fuentes
de valores a las que tenga acceso como AxonReceiver que es.
En el caso concreto de las neuronas Feed-Forward (ver 5.6.4. Modelo
Genérico Feed-Forward) la reacción ante los estímulos se produce invocando el
método + synapse() :Collection. Las funciones de este método son:
•
Calcular el nuevo estado de la neurona. En principio se apoyará sobre el
método + produceAxonValue() :float obligado por el contrato
de la interfaz AxonSource.
•
Devolverá el conjunto de neuronas que son afectadas por esta neurona.
Esto es, que están conectadas a esta neurona corriente abajo. Si la neurona
no cambia de estado ante el nuevo cálculo realizado, ninguna neurona se
verá afectada, de forma que la colección estará vacía (o será null para no
tener que crear una instancia vacía).
Se ha comprobado que el uso de un método que es invocado cuando se
considere necesario logra un rendimiento mucho mayor que el uso de un patrón
Observer (GoF) en el que la Neurona fuera reaccionando ante los estímulos de sus
fuentes AxonProducer. Si bien este último caso se asemeja mucho más al original
biológico, provoca una explosión exponencial de llamadas. Este hecho se puede
apreciar con mayor calidad en el caso de las redes Feed-Forward (ver: 5.6.4. Modelo
Genérico Feed-Forward ).
b) Sensores y neuronas desde el punto de vista de NeuralNetwork
Cada red neuronal tiene la obligación de conocer todos los elementos que la
conforman, esto incluye el almacenamiento de sus neuronas (Neuron) y sensores
(Sensor). La primera distinción que se realiza entre los elementos de ambos tipos es
su almacenamiento con estructuras de datos diferentes dentro de las instancias de la
clase NeuralNetwork.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
42
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
•
Las neuronas (instancias de alguna subclase de Neuron) se almacenan
en una estructura java.util.ArrayList, accesible como
java.util.List. Esta es la mejor opción ya que se prima la facilidad
de añadir nuevos elementos de forma rápida, recurriendo en muy pocas
ocasiones a un acceso directo por índice. Para asegurar su correcto
entrenamiento en entornos de concurrencia, se ha optado por recurrir a una
envoltura de sincronización creando la lista con el código this.neurons =
Collections.synchronizedList(new ArrayList(neuronCount));.
•
Los sensores (instancias de la clase Sensor) se almacenan en un array de
tipo Sensor[]. Es la estructura más simple y que ofrece la accesibilidad
más rápida a través de un índice. No es necesario permitir el crecimiento
de esta estructura ya que una vez se ha definido el número de entradas en
la creación de la red, no tiene sentido que varíe.
Ambos elementos exigen la asignación de un identificador numérico que
pueda ser accedido a través del método + getId() : int definido tanto en el
contrato de AxonSource como en el de AxonReceiver. Otra distinción entre
sensores y neuronas es el rango de estos identificadores:
•
Las neuronas (instancias de alguna subclase de Neuron), reciben
identificadores numéricos enteros en el rango [0, +inf], en orden
creciente. No ha de haber huecos vacíos en la asignación de
identificadores. Su identificador puede ser utilizado para acceder
directamente a ellas utilizándolo como índice para contra la estructura de
datos List.
•
Los sensores (instancias de la clase Sensor), reciben identificadores
numéricos enteros en el rango [-inf, 0), en orden decreciente. No ha de
haber huecos vacíos en la asignación de identificadores. Si el identificador
no puede ser utilizado de forma directa como índice para acceder a la
matriz de sensores descrita previamente, es necesario realizar la siguiente
transformación: índice = "identificador "1
Ídentificador
-1
-2
-3
…
-n
!
Índice
0
1
2
…
n-1
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
43
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
5.5.3. Los Traductores
Los traductores son los encargados de conectar el algoritmo matemático que
forma la Red Neuronal Artificial, con el mundo real de la aplicación desarrollada por
el programador. Los traductores son el único módulo de todo el framework que
depende únicamente de la naturaleza del problema y el tipo de objetos que entren en
juego en él. En ningún caso variarán según el modelo de red elegido para afrontar el
problema.
Hay dos tipos de traductores, para cada uno de los cuales se ha definido una
interfaz, como se muestra en el Diagrama de Clases 5.
Diagrama de Clases 5: Traductores
A continuación se describen los dos tipos de traductores en detalle:
•
Los traductores de entrada implementan la clase InputTranslator.
El único método de su contrato es el responsable de traducir una instancia
de la clase Object en un vector de números enteros, que es con lo que
puede trabajar un algoritmo matemático como son las Redes Neuronales
Artificiales. La instancia de Object recibida puede ser un objeto o
conjunto de objetos de una clase que tiene sentido dentro del ámbito del
problema a resolver. (Si la aplicación versa sobre coches, será necesario
traducir los atributos de un coche determinado en un vector de números
reales). La traducción lleva implícita un proceso de normalización de los
valores numéricos recibidos. Los pasos a seguir son los siguientes:
i) Realizar un downcasting sobre la instancia de Object recibida
para poder tratarlo según el ámbito del problema.
ii) Descomponer la instancia o instancias concretas en los atributos
representativos para el problema. Es importante tener en cuenta
que cuantos más atributos se utilicen más compleja y pesada será la
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
44
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
red y más tiempo requerirán los procesos de pensamiento y
entrenamiento.
iii) Traducir y/o normalizar los atributos recogidos en valores
numéricos reales. Se recomienda que los de valores finales estén
dentro del rango [0,1] ó [-1,1] dependiendo del modelo de red.
iv) Repartir los atributos traducidos en un vector de números reales
que será el que finalmente reciba la Red Neuronal.
•
Los
traductores
de
entrada
implementan
la
clase
OutputTranslator. Estos traductores incluyen dos métodos en su
contrato que se encargan de realizar cada uno la transformación
complementaria
al
otro.
El
método
+getOutputTranslation(:float) : Object construye una
instancia de la clase que deseamos como salida, a partir del vector de
números reales obtenidos. Así como en la traducción de entrada es
conveniente prescindir de todos los atributos que no sean relevantes, aquí
es necesario contar con toda la información necesaria para construir
completamente la instancia. Puede que parte de los atributos de la nueva
clase puedan ser calculados, deducidos o solicitados al usuario, pero lo
habitual es que la información numérica recibida sea suficiente para llevar
a
cabo
la
traducción.
El
método
+
getOutputBackTranslation(:Object)
:
float[] es
requerido por los maestros, abordan el entrenamiento como un aprendizaje
supervisado. Aunque no es necesario con otros tipos de maestro, siempre
es recomendable desarrollarlo con vistas a su utilización con otros
modelos de Red Neuronal Artificial. La labor de este método es similar a
la del InputTranslator, pero con la restricción añadida de que ha de
casar con los resultados obtenidos con la traducción de salida. Es
imprescindible que este método realice la operación inversa del anterior de
la forma más precisa posible y lo más ajustado que pueda, ya que de esta
traducción dependerá la labor del maestro que entrene la red. Lo ideal sería
que: " = getOutputBackTranslation(getOutputTranslation(" )) .
!Se ha decidido separar como entidades diferenciadas ambos traductores ya
que, por norma general, las entidades que entran a una red neuronal son de distinto
tipo que los resultados esperados. En el caso de que la entrada coincidiera con la
salida, se recomienda construir una clase conjunta Traductor que implemente
ambas interfaces y aproveche código en la medida de lo posible.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
45
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Traductores de entrada incluidos (implementan InputTranslator):
TransparentInputTranslator
Recoge un array de números enteros
(float[]) como instancia de Object, y
simplemente realiza un casting a
float[].
Éste es el traductor de entrada por
defecto para el framework.
Traductores de salida incluidos (implementan OutputTranslator):
SingleBooleanOutputTranslator Inspecciona el primer número (índice 0)
del array de reales recibido (float[]); el
resultado será una instancia de
Boolean que arropa el valor true si el
número es mayor que 0, false en caso
contrario. Realiza la traducción inversa
con los valores 1 y -1.
TransparentOutputTranslator
Realiza un upcasting sobre el array de
números enteros recibidos (float[]) para
tratarlo como una instancia de
Object. También realiza la
conversión inversa.
Éste es el traductor de salida por
defecto para el framework.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
46
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
5.5.4. Las Funciones
Existe multitud de posibles funciones dentro del modelo matemático de las
Redes Neuronales Artificiales.
Las instancias de las clases de tipo función no almacenan datos, como se
podría suponer de sus parámetros, entradas o resultados. Estas clases son puramente
funcionales y no son susceptibles de cambiar de estado. La idea detrás de esta
decisión es que se pueda compartir una misma instancia entre varios elementos sin
incurrir en problemas de concurrencia, aunque hilos de ejecución paralelos invoquen
el método para obtener la solución al mismo tiempo.
Las interfaces que definen el contrato de los distintos tipos de función, se
localizan en el paquete central com.jcortex, y son las mostradas en la figura
Diagrama de Clases 6. Cada realización concreta – incluida en el framework – de
estas clases se almacenan, según su tipo, en los paquetes del núcleo descritos.
Diagrama de Clases 6: Interfaces de función
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
47
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
a) Funciones de Activación
Las funciones de activación son las encargadas, en ciertos modelos de red, de
decidir el estado de una neurona de forma matemática.
Las funciones de este tipo han
de heredar de
com.jcortex.ActivationFunction que define dos métodos:
la
interfaz
•
+ getDefaultParameterSet () : float[] – Obtiene el
conjunto de parámetros por defecto para la Función de Activación. De
forma general se pueden considerar como genéricos aquellos que no
modifican el valor final producido por la red.
•
+ getNumberOfActivationParameters() : int – Obtiene el
número de parámetros con los que trabaja la función. No se ha
representado de forma estática ya que se invoca conociendo una instancia
de esta función y no la clase de la que proviene.
•
+ getSolution(networkResult : float,
activationParams : float[]) :_float – Método principal
que obtiene el resultado de la función de activación para un valor de red y
un conjunto de parámetros. Las funciones han de exigir que el vector de
parámetros tenga al menos en número de elementos obtenidos desde el
método anterior. Sin embargo han admitir que la lista de parámetros tenga
un tamaño superior al valor numérico requerido (aunque sea ignorando los
que no sean necesarios).
Funciones incluidas en el framework y recogidas en el paquete
com.jcortex.activationFunctions:
Función Gaussiana
GaussianFunction
( )
f a,b (x) = a " e
# xb
2
!
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
48
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Función Identidad
IdentityFunction
f a (x) = a
"x f a (x) = a #1
!
Función Sigmoidal
SigmoidalFunction
f a (x) =
1
1+ e"a# x
!
Función Signo
SignFunction
$x > 0 " 1
&
f (x) = % x = 0 " 0
& x < 0 " #1
'
!
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
49
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Función Tangente Hiperbólica
HyperbolicTangentFunction
1" e"x
f (x) =
1+ e"x
!
Función Umbral
StepFunction
$x " a # 1
f a (x) = %
&x < a # 0
!
b) Funciones de Activación para Back-Propagation
Las funciones de activación para Back-Propagation son, como su propio
nombre indica, una especialización de las Funciones de Activación descritas en el
apartado anterior. Estas funciones poseen los mecanismos para determinar, en ciertos
modelos de red, el estado de una neurona de forma matemática. Sobre esta base, se
añaden funcionalidades adicionales necesarias en el proceso de aprendizaje por BackPropagation.
Las funciones de Activación para Back-Propagation han de heredar de la
interfaz com.jcortex.BackPropagationActivationFunction. Además
de los métodos propios de las Funciones de Activación descritos anteriormente, se
define un método nuevo:
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
50
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
•
+ getDerivateSolution(neuron :
com.jcortex.backPropagation.BackPropagationNeuron
) : float – Obtiene el resultado de sustituir el valor final, dentro de la
derivada de la función representada por la clase. Al ser posible simplificar
estos cálculos con productos ya almacenados en la neurona, ésta se utiliza
como parámetro de entrada de la función.
Al ser también funciones de activación comunes, las funciones de Activación
para Back-Propagation incluidas en el framework están recogidas también en el
paquete com.jcortex.activationFunctions:
Función Sigmoidal
f 'a (y i,n ) = a " y i,n " (1# y i,n )
SigmoidalFunction
Función Tangente Hiperbólica
!
HyperbolicTangentFunction
f 'a (x) = 2 " f a (x) " [1# f a (x)]
!
c) Funciones de Distancia
Las funciones de distancia cuantifican a través de distintas métricas –
dependiendo de cada implantación concreta – la diferencia entre dos vectores de
números reales.
Las funciones de este tipo han
de heredar
com.jcortex.DistanceFunction que define el método:
•
de
la
interfaz
+ getDistance(entries : AxonSource[], weights :
float[]) : float – Método principal que cuantifica la diferencia
(“distancia”) entre dos vectores de números reales. Este método lanzará
una excepción cuando tenga que comparar vectores de distinto tamaño.
Funciones incluidas en el framework y recogidas en el paquete
com.jcortex.distanceFunctions:
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
51
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Distancia Euclídea
EuclideanDistanceFunction
D(a,b) =
# (a " b)
2
!
d) Funciones de Red
Las funciones de red recogen el valor de cada una de las entradas de un
elemento pensante (neurona) y las pondera para obtener un valor que represente el
conjunto de todas las entradas.
Las funciones de este tipo han
de heredar
com.jcortex.NetworkFunction que define el método:
•
de
la
interfaz
+ getSolution(axonSourceEntries : Collection) :
float – Método principal que obtiene la valoración conjunta de las
entradas. Las entradas se suministran como una colección de instancias de
la clase AxonSourceEntry (una para cada entrada).
Funciones incluidas en el framework y recogidas en el paquete
com.jcortex.networkFunctions:
Linear Basis Function
LinearBasisFunction
Radial Basis Function
!
LinearBasisFunction
t n = # (y i " w ij )
tn =
#[
( y i " wij )
2
]
!
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
52
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
5.5.6. El Maestro (Teacher)
a) La clase abstracta Teacher
Las instancias de la clase Teacher, son las encargadas llevar a cabo el
entrenamiento de las redes neuronales artificiales construidas con el framework
JCortex. Cada modelo de red ha de tener al menos una implantación de la clase
Teacher capaz de entrenarlo.
La clase abstracta Teacher implanta los métodos genéricos necesarios para
todos los tipos de Maestro, a la vez que define el contrato de obligatorio
cumplimiento para todas ellas.
Para cada algoritmo de aprendizaje se creará una clase distinta que extienda
Teacher que ha de implantar los siguientes métodos:
•
+
educateNetwork(nn
:NeuralNetwork,
exampleIObjects
:Object[],
exampleDObjects
:Object[])!: Statistics . Método encargado de llevar a cabo el
entrenamiento de la red neuronal. Aunque en principio, por su contrato,
acepte cualquier instancia de NeuralNetwork, típicamente sólo podrá
ser aplicado a un modelo de red concreto. En caso de error ha de lanzar
una excepción del tipo IllegalArgumentException.
•
+ createStatsSchema() :Statistics . Crea la instancia de
Statistics a ser utilizada por este maestro. En este método se definen
las medidas estadísticas que van a ser recogidas durante el proceso de
entrenamiento. Actúa como Template Method (GoF) para el método
getStats() de esta clase abstracta. Típicamente, su implantación
tendrá el siguiente aspecto, en el cual se proporciona un array de cadenas
de texto con los nombres de las medidas estadísticas y el número máximo
de iteraciones a previstas (no tiene que ser necesariamente el exacto):
public Statistics createStatsSchema()
{
return new Statistics(new String[]{“Medida1”, …},
maxIteraciones);
}
•
#
specificTeacher2xml(teacherRoot
:Element,
document :Document) . Este método actúa como Template Method
(GoF) en el proceso de exportar la configuración de la instancia de
Teacher
a
un
documento
XML.
(Ver:
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
53
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
5.2.3. Metodología de trabajo con XML)
•
+ stopTraining() . Método invocado cuando se desea detener el
proceso de entrenamiento de una Red Neuronal Artificial. Siempre y
cuando esto sea posible por la naturaleza del algoritmo de aprendizaje,
dejando el sistema en situación estable. En los métodos iterativos es
habitual incluir una variable booleana que actúe como flag en el bloque
condicional del bucle. De esta manera detener el entrenamiento es tan
simple como cambiar el valor de este flag. Este método está pensado para
entornos de multiproceso (o multiproceso por hilos).
•
+ toHTMLString() :String . Este método ha de mostrar la
configuración de la instancia de Teacher, en forma de texto con tags de
HTML para definir su estilo.
•
+ getAnalyzer() :ProgressAnalyzer . Método a través del
cual se obtendrá el analizador de mayor nivel utilizado para el
entrenamiento. Para más información ver 5.5.7. Recogida y análisis de
Estadísticas.
La clase abstracta Teacher implanta a su vez una serie de métodos comunes
para cualquiera de sus subclases.
•
+ synchronized getStats() : Statistics. Método
encargado de proporcionar al instancia de la clase Statistics en la que
se almacenan las estadísticas de un entrenamiento. Esta instancia será
creada en el caso de que no exista con anterioridad1. Este método que
actúa de una forma similar al patrón de diseño Singleton (GoF), si bien
sólo de cara a una instancia concreta de la clase Teacher. Utiliza a modo
de Template Method (GoF) el método createStatsSchema() de
implantación obligatoria en cada uno de los maestros concretos.
•
+ static translateAndClassifyExamples(…). Este método
estático se explica en detalle en este apartado, en el subapartado d) Reparto
de los conjuntos de ejemplos.
1
El funcionamiento del método getStats() es una de las escasas concesiones que
se ha proporcionado en el framework JCortex para su uso en el entorno de desarrollo
JCortexBuilder. En él es necesario disponer de las estadísticas a ser utilizadas antes
de que se inicie el proceso de entrenamiento.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
54
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Se recomienda que todas las instancias de la clase Teacher se comporten
como beans (métodos getter y setter obligatorios) con todos sus parámetros de
aprendizaje. De esta forma se muestra con claridad cuáles son los atributos que han de
ser establecidos por el usuario y cuáles son auxiliares para el algoritmo de
aprendizaje.
b) Método educateNetwork() Genérico
En el Diagrama de Actividad 3: Método educateNetwork() genérico se
muestran los pasos a dar antes y después de lanzar el algoritmo de entrenamiento
matemático. Se señalan también los objetos principales que participan en un proceso
de entrenamiento genérico, y su relación con las actividades detalladas.
Diagrama de Actividad 3: Método educateNetwork() genérico
Cabe destacar el papel que toman las estadísticas (Statistics) y sus
analizadores (ProgressAnalyzer) en el proceso de entrenamiento. En primer
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
55
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
lugar, estos elementos tendrán que ser creados e inicializados para que después el
algoritmo matemático actualice en su progreso las estadísticas. Las estadísticas son
analizadas con el fin de determinar en qué momento ha de detenerse el proceso de
entrenamiento. La relación entre el objeto de la clase Statistics y el de la clase
ProgressAnalyzer no se ha representado en el diagrama anterior.
c) Método educateNetwork() Iterativo
La mayor parte de los algoritmos de aprendizaje para Redes Neuronales
Artificiales se basan en la realización de sucesivas iteraciones sobre un conjunto de
ejemplos de entrenamiento. Es en el transcurso de estas iteraciones cuando la red
evoluciona y su bondad se representa mediante los estadísticos indicados en el
apartado anterior.
En el Diagrama de Actividad 4: Método educateNetwork() iterativo, se
muestran los pasos que ha de recorrer cualquier método de aprendizaje que funcione a
base de iteraciones. Ésta figura parte del Diagrama de Actividad 3: Método
educateNetwork() genérico, mostrando en detalle el desarrollo de la actividad
con el estereotipo “<<algoritmo particular>>”.
En primer lugar se pueden distinguir el bucle para las iteraciones, que cubre
gran parte del diagrama. Dentro de este se puede aislar dos fases:
•
La primera fase, la de entrenamiento, incluye el aprendizaje propiamente
dicho. En ella se recorren todos los ejemplos recogidos dentro del conjunto
de entrenamiento. Estos ejemplos son utilizados por cada algoritmo
particular para variar los pesos por la red, una vez que se ha propagado el
estímulo a través de la misma.
•
La segunda fase, la de validación, no es necesario que se ejecute para
cada una de las iteraciones de entrenamiento. Por motivos de rendimiento
es recomendable saltarse dos o más iteraciones de entrenamiento entre dos
pruebas de validación consecutivas.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
56
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Diagrama de Actividad 4: Método educateNetwork() iterativo
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
57
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
d) Reparto de los conjuntos de ejemplos
En la gran mayoría de los entrenamientos, es conveniente que el conjunto total
de ejemplos se divida en dos partes:
•
El conjunto de ejemplos de entrenamiento (training), utilizados para
alimentar a la red durante el proceso de aprendizaje y de los cuales
extraerá el conocimiento.
•
El conjunto de ejemplo de validación (validation), utilizados para
comprobar que la red evoluciona de forma correcta, generalizando el
conocimiento adquirido y no incurriendo en el problema clásico del
sobreaprendizaje2.
El reparto entre un conjunto y otro es una tarea común para un gran número de
Maestros. Esta acción se proporciona a través de un método estático implantado en la
clase Teacher, + static translateAndClassifyExamples(…)
:void. Sus parámetros se describen a continuación en orden:
•
exampleIObjects :Object[] – Array con la lista de objetos que
representan las entradas de los ejemplos suministrados para el aprendizaje.
Estos objetos tendrán que ser traducidos a una representación numérica
con el InputTranslator de la red neuronal. Cada una de estas
entradas ha de tener su salida correspondiente, en su misma posición, en la
lista exampleDObjects.
•
exampleDObjects :Object[] – Array con la lista de objetos que
representan las salidas deseadas de los ejemplos suministrados para el
aprendizaje. Estos objetos tendrán que ser traducidos a una representación
numérica con el OutputTranslator de la red neuronal. Cada una de
estas salidas ha de tener su entrada correspondiente, en su misma posición,
en la lista exampleIObjects.
•
inputTranslator :InputTranslator – Las entradas de los
ejemplos proporcionados para el aprendizaje tienen la forma de objetos
con sentido para el ámbito del problema. Estos objetos han de ser
traducidos, mediante un InputTranslator, a un formato numérico
2
El sobreaprendizaje se produce cuando la red ha aprendido bien los ejemplos del
conjunto de entrenamiento pero es incapaz de generalizar o responder adecuadamente
a los ejemplos que no pertenezcan al conjunto empleado para entrenarla.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
58
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
que pueda ser tratado por los algoritmos matemáticos de las redes
neuronales artificiales.
•
outputTranslator :OutputTranslator – Las salidas de los
ejemplos proporcionados para el aprendizaje tienen la forma de objetos
con sentido para el ámbito del problema. Estos objetos han de ser
traducidos, mediante un OutputTranslator, a un formato numérico
que pueda ser tratado por los algoritmos matemáticos de las redes
neuronales artificiales.
•
trainingI :float[][] – Array en el que se devolverá la lista con
las entradas del conjunto de ejemplos, para el entrenamiento de la red.
Cada float[i] representa un array de números reales con los valores
de la entrada de un ejemplo.
•
trainingD :float[][] – Array en el que se devolverá la lista con
las salidas deseadas del conjunto de ejemplos, para el entrenamiento de la
red. Cada float[i] representa un array de números reales con los
valores de la salida deseada para un ejemplo.
•
validationI :float[][] – Array en el que se devolverá la lista
con las entradas del conjunto de ejemplos, para la validación del
entrenamiento de la red. Cada float[i] representa un array de números
reales con los valores de la entrada de un ejemplo.
•
validationD :float[][] – Array en el que se devolverá la lista
con las salidas deseadas del conjunto de ejemplos, para la validación del
entrenamiento de la red. Cada float[i] representa un array de números
reales con los valores de la salida deseada para un ejemplo.
•
validationPercent :float – Valor real entre [0,1] que indica la
proporción de elementos que formará cada uno de los conjuntos. También
se emplea como indicador de la probabilidad en el reparto aleatorio de los
ejemplos entre ambos conjuntos. En el caso del número de elemento de
cada conjunto, el cálculo se realiza de acuerdo con la fórmula siguiente:
ejemplosValidación = #totalEjemplos " validationPercent$
ejemplosEntrenamiento = totalEjemplos % ejemplosValidación
!
Antes de realizar la invocación del método descrito, se recomienda el uso del
código descrito a continuación para crear los arrays que contendrán los conjuntos de
ejemplos:
// Obtains the number of examples devoted to each list
int validationCount = (int) (exampleIObjects.length * validationPercent);
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
59
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
int trainingCount = exampleIObjects.length - validationCount;
// The example and validation arrays
float[][] trainingI = new float[trainingCount][];// Training inputs
float[][] trainingD = new float[trainingCount][];// Training desired outputs
float[][] validationI = new float[validationCount][]; // Validation inputs!
float[][] validationD = new float[validationCount][]; // Validation
outputs
// Translates and classifies the examples between training and validation
Teacher.translateAndClassifyExamples(exampleIObjects, exampleDObjects,!
inputTranslator, outputTranslator,
trainingI, trainingD,
validationI, validationD,
validationPercent);
En el Diagrama de Actividad 5: Algoritmo de reparto pseudo-aleatorio de los
ejemplos, se muestra como se lleva a cabo el proceso de separación de los ejemplos
proporcionados en los dos conjuntos descritos anteriormente. Es enormemente
arriesgado presuponer que los ejemplos proporcionados estén de por si repartidos de
manera uniforme. Lo normal es que los conjuntos de ejemplo sean proporcionados de
acuerdo con una ordenación previa. Para evitar esto, todo el proceso de reparto se
realiza ejemplo a ejemplo, de forma aleatoria. Ha de respetarse la correspondencia
entre la entrada y salida del mismo ejemplo.
El reparto, en primera instancia, distribuye los elementos en ambos conjuntos
de acuerdo con la proporción indicada a través del validationPercent. Si un
ejemplo es asignado a una lista llena, se decidirá de forma aleatoria si el nuevo
ejemplo se añade directamente al otro conjunto, o sustituye a un ejemplo ya presente,
trasfiriéndolo a la otra lista. De esta manera se procura asegurar la mayor dispersión
posible de todos los ejemplos del conjunto proporcionado, con independencia de que
se encuentren estos al principio o al final.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
60
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Diagrama de Actividad 5: Algoritmo de reparto pseudo-aleatorio de los ejemplos
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
61
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
5.5.7. Recogida y análisis de Estadísticas
El análisis de las estadísticas de progreso recogidas a lo largo del
entrenamiento es imprescindible para el sistema de decisión que detenga el
aprendizaje de una red antes de incurrir en un sobreaprendizaje. Éste es uno de los
apartados más complejos del framework, por lo que se ha recurrido al uso de Patrones
de Diseño OO – en concreto a Composite y Observer. El Diagrama de Clases 7 ofrece
una visión general de todas las clases que forman este sistema, así como de su
interrelación.
Diagrama de Clases 7: Sistema de Estadísticas
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
62
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
a) El Modelo de Datos de las Estadísticas
Las estadísticas han de cumplir los requisitos de modularidad exigido para que
pueda ser aplicado a cualquier maestro de cualquier modelo de Red Neuronal
Artificial. El modelo de datos de las estadísticas se ha diseñado con tres tipos de datos
principales cuya composición se muestra en el Diagrama de Datos 1.
•
Statistics. Elemento central de almacenamiento. La recomendación
es crear una instancia para cada uno de los entrenamientos, si bien no hay
limitaciones técnicas que restrinjan el uso de más de una colección de
estadísticas para un entrenamiento.
•
StatsMeasure. Modela las medidas o dimensiones para las cuales se
recopilan los datos estadísticos. Cada medida se identifica con un String
que sirve a la vez de breve descripción. Este nombre ha de ser único para
cada instancia de esta clase dentro de la instancia de StatsMeasure.
Cada instancia de esta clase mantiene sus propias estadísticas sobre los
registros que almacenan. Se incluye el valor máximo almacenado, el valor
mínimo y el valor medio. El cálculo de estos valores es inmediato ya que
se va realizando a medida que se van añadiendo las instancias de
StatsRegister.
•
StatsRegister. Modela los registros concretos que contienen cada
valor estadístico. Cada vez que se desee almacenar un valor en la
colección de estadísticas se creará una instancia de StatsRegister que
refleja tanto el valor medido como la iteración en la que se ha registrado.
Lo normal es contar con una única instancia de la clase Statistics, tantas
intancias de la clase StatsMeasure como medidas de progreso se desee estudiar, y
una instancia de StatsRegister – en principio – para cada una de las muestras
registradas. A continuación se describen las estructuras utilizadas en cada nivel de
agrupación:
•
La colección de instancias StatsMeasure que posee una instancia de
Statistics se modela mediante un HashMap y es accedido a través de
su la interfaz Map, ambos recogidos en el paquete java.util. Un mapa
parece la estructura más lógica, teniendo en cuenta que cada dimensión
(instancia de StatsMeasure) se identifica por un String descriptivo.
Esta estructura de datos está preparada para trabajar en entornos de
concurrencia
ya
que
se
crea
como
measures
=
Collections.synchronizedMap(new HashMap(…)); Si bien esta medida
puede suponer una ralentización del acceso, será esencial para preservar la
correcta organización de los accesos.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
63
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
•
Los registros recogidos en forma de instancias de StatsRegister se
almacenan en la instancia de StatsMeasure para la que han sido
muestreados dentro de una estructura LinkedList, que es ofrecida a
través de su interfaz List. Esta clase, recogida en el paquete
java.util. Se eligió esta realización de la interfaz List en concreto para
aprovechar las propiedades de una lista doblemente enlazada: que pueda
crecer fácilmente y sin estar condicionada por un espacio. No se ha
considerado necesario convertir esta estructura en thread-safe, ya que sólo
será accedida para lectura por un único hilo cada vez. Multitud de hilos
con operaciones de lectura pueden concurrir de forma simultánea sin
problemas. Al tratarse de datos estadísticos, no hay inconvenientes en que
las lecturas sean “sucias”, en el caso en que coincidiera una lectura con
una escritura concurrente. Es más, interesa que el proceso sea lo más
rápido posible, y asegurar la concurrencia es una tara muy costosa. El
acceso a esta lista se suele llevar a cabo de forma secuencial y no
directamente a un valor determinado. Es necesario puntualizar que
StatsMeasure se encarga de mantener la referencia al último registro
que ha recibido.
Diagrama de Datos 1: Relación entre los tipos de objetos estadísticos
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
64
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
b) Recogida de datos estadísticos
El proceso de recogida de datos estadísticos dependerá de la naturaleza del
modelo de red neuronal y el funcionamiento de cada algoritmo de aprendizaje en
concreto. Una muestra de los puntos de recogida de datos estadísticos puede verse en
el Diagrama de Actividad 4: Método educateNetwork() iterativo.
Como se ha descrito anteriormente, es necesario definir para cada proceso de
entrenamiento una serie de Medidas o Dimensiones que se materializarán como
instancias de StatsMeasure recogidas en una instancia de Statistics. Estas
medidas se han de definir a través del método obligado por el contrato de la clase
Teacher para sus subclases: createStatsSchema() (ver: 5.5.6. El Maestro
(Teacher) > a) La clase abstracta Teacher). Por lógica, los valores estadísticos se
recogerán al finalizar una iteración o un análisis completo, como ocurre en el caso de
las pruebas de validación.
Si bien las instancias de StatsMeasure dependen en exclusiva de la
naturaleza de la red y el funcionamiento del algoritmo de aprendizaje, se puede
señalar las más habituales:
•
Variación de los pesos de los elementos de la red.
•
Error de Entrenamiento (Cuadrático Medio).
•
Error de Validación (Cuadrático Medio).
El almacenamiento de las muestras dentro del repositorio de estadísticas, se ha
encapsulado a nivel de instancia de la clase Statistics. De esta forma el Maestro
sólo tendrá que tratar un único objeto. En la interfaz de esta instancia se recoge el
método addRegister(measure :String, iteration :long, value
:float) que se encarga de todo el proceso de crear la instancia de
StatsRegister de la muestra con valor value tomada en la iteración
iteration; y almacenarla en la dimensión estadística measure.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
65
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
c) Las Estadísticas y sus Analizadores
Ya se ha indicado que cada proceso de entrenamiento mantendrá su propio
sistema de estadísticas, materializado en una instancia de la clase Statistics. Sin
embargo, es imprescindible resaltar que estos valores estadísticos recogidos tienen de
por si una utilidad clara: detener el entrenamiento cuando la red haya aprendido lo
suficiente y sin haber incurrido aún en un sobreaprendizaje que degrade su capacidad
de generalización.
Los valores en bruto, recogidos para las distintas dimensiones estadísticas, no
proporcionan ninguna pista a cerca del avance del entrenamiento. Es necesario
realizar un análisis sobre los registros recogidos para dar pie a una decisión. En
conclusión: a cada instancia de StatsMeasure que se desee observar se asociará al
menos un Analizador de Progreso. Será a estos analizadores a los que se les pedirá
un veredicto a cerca de la calidad del entrenamiento, y si este debe o no continuar.
d) Estructura de los Analizadores de Estadísticas
El sistema de analizadores se ha articulado en torno al patrón de diseño
Composite (GoF). De esta forma es posible crear una estructura arbórea tan compleja
como se desee con el fin de organizar y agrupar los distintos analizadores particulares.
La superclase principal es ProgressAnalyzer, que define el contrato que ha de
cumplir cada uno de los analizadores. El método más importante en un analizador es
+ isProgressGoodEnough() :boolean, con el que se solicita el veredicto
al analizador. En el Diagrama de Clases 8: Analizadores de Progreso, se puede
observar la estructura que garantiza esta funcionalidad.
Diagrama de Clases 8: Analizadores de Progreso
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
66
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Se recomienda aprovechar la capacidad de agrupamiento de los analizadores
para que el Maestro sólo tenga que manejar una única instancia de analizador. En la
mayor parte de los casos más de un parámetro tendrá que ser estudiado, por lo que
será un ComposedProgressAnalyzer el analizador al que el Maestro pida su
veredicto.
Se ha considerado que proporcionar esta versatilidad en la organización de los
analizadores será imprescindible para futuros desarrollos de Maestros. Pudiera darse
el caso de que un Maestro realizara varios entrenamientos en paralelo, cuyos
resultados se cruzaran periódicamente. En el modelo no sólo sería importante conocer
el veredicto conjunto del analizador, sino además el veredicto compuesto para cada
uno de los aprendizajes. Con una estructura arbórea es muy sencillo analizar el
progreso a distinto nivel y con distinta granularidad.
e) Analizador ValueDecreaseAnalyzer
Analiza si un valor estadístico decrece de forma adecuada. Actualmente su
implantación dista mucho de ser la más inteligente, en el sentido de ser la que mejor
calidad de veredicto ofrece. Se podría incluso indicar que peca de prudente,
deteniendo el entrenamiento a la más mínima indicación de crecida del valor de los
errores.
En el primer análisis que se llevó a cabo de este problema, se planteó el
muestreo de tres puntos, dentro de una franja dimensionada según el parámetro
studyWindowSize (atributo de esta clase). El punto n se toma en la última
instancia registrada, o en el extremo contrario de la ventana, y m el punto medio entre
ambos. Estudiando los posibles valores de estos tres puntos y su proyección sobre los
datos de evolución, se dibujaron las gráficas siguientes.
En este análisis se favorecen las evoluciones de pendiente descendiente. Sólo
se permiten repechos de subida, como paso anterior a otra bajada.
En ellas se presenta la evolución de un valor de error en línea gris continua,
discontinua cuando es un valor futuro que aún no ha tenido lugar, y los puntos
descritos anteriormente con sus proyecciones sobre las curvas. Sobre estas gráficas se
decidió en qué casos se debía recomendar finalizar el entrenamiento, y en qué casos
este debía continuar.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
67
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Utilizando los valores descritos por las gráficas, se diseñó el siguiente conjuto
de pruebas matemáticas para determinar si un entrenamiento evoluciona de forma
correcta (good). El parámetro ! (en el código OVERFLOW_GIFT_GRACE),
proporciona un cierto margen de regalo para que sea más fácil cumplir con las
exigencias del analizador:
om " {ao # ( am $ % )}
nm " {am > ( an $ % )}
on " {ao # ( an $ % )}
(
) (
)
good = nm & om ' on & om ' (on & nm)
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
!
68
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
En análisis posteriores se demostró como la eficacia del sistema anterior no
era demasiado grande. Gracias a la tabla de verdad mostrada a continuación se puede
ver claramente como las pruebas mostradas anteriormente equivalen a comprobar si la
proyección de m es mayor o menor que n. (Para ello se considera como caso
afirmativo el suceso imposible marcado con *).
a[o] < a[m]
a[o] >= a[m]
a[m] < a[n] a[m] >= a[n] a[m] < a[n] a[m] >= a[n]
a[o] < a[n]
a[o] >= a[n]
Imposible *
Imposible
Una propuesta para futuras versiones consiste en lograr un conjunto de
datos de entrenamiento y de ejemplos suficientemente grande como para poder
entrenar una red neuronal Perceptrón Multicapa. Esta red podría rápidamente
muestrear los registros estadísticos recogidos, para ofrecer una medida de confianza
sobre el progreso de la red. El usuario podría calibrar esta certeza sobre la evolución
de la red de acuerdo con sus necesidades o según el rendimiento de los aprendizajes.
f) Analizador ValueVariationAnalyzer
El ValueVariationAnalyzer ofrece su veredicto a cerca de la variación
de los valores de una medida estadística. Esta medida es, por regla general, la
diferencia entre el valor de un parámetro entrenado y el mismo en una iteración
anterior. En este análisis se priman los valores altos, considerándose que si las
variaciones de valores de los parámetros se mantiene baja durante demasiadas
iteraciones es que la red ha alcanzado un estado estable.
Para el funcionamiento de este analizador se definen dos parámetros:
•
constantVariation: número real que indica el valor de la variación
por debajo del cual se considera que los parámetros de una red no están
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
69
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
cambiando. Gracias a este parámetro, no es necesario esperar a que una
red alcance la variación 0 para considerar que no está evolucionando.
•
constantWindow: número entero que indica el tamaño de la meseta
(plateau) que se ha de mantener antes de que se considere que la red
definitivamente no evoluciona lo suficiente.
El progreso se considerará adecuado siempre que el valor de variación
registrado para la última iteración esté por encima del límite inferior marcado por
constantVariation; y si está por debajo, que lleve en esta situación un número
de iteraciones menor a las indicadas por constantWindow. El entrenamiento se
detendrá cuando el valor de variación registrado se halle por debajo del límite inferior
durante un periodo de iteraciones (plateau) menor que constantWindow.
g) Analizador ComposedProgressAnalyzer
El analizador ComposedProgressAnalyzer recoge el resultado de otros
analizadores y proporciona una decisión de compromiso entre todos ellos.
El sistema de decisión se basa en que, cada vez que se requiere la opinión de
este analizador con el método + isProgressGoodEnough() :boolean, éste
pedirá la opinión a los analizadores que lo componen invocando este mismo método
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
70
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
sobre ellos. Si alguno de los analizadores proporciona una respuesta negativa, el
ComposedProgressAnalyzer recomendará que se detenga el entrenamiento.
h) Información sobre la parada
Todos los analizadores han de ser a su vez capaces de informar al usuario de la
razón por la que han votado para detener el entrenamiento (o porqué no la han
tomado). De esta forma al finalizar un proceso de entrenamiento se puede obtener un
mensaje como el que se muestra a continuación (localizado en Español). Con esta
información se puede valorar el proceso de aprendizaje a fondo.
Este informe sobre la actividad se obtiene a través del método +
getReasonToStop() :String, obligado por el contrato de la interfaz
ProgressAnalyzer.
Razones de parada de los analizadores aglutinados:
{
....Error de Entrenamiento (Cuadrático Medio) no ha encontrado razones hasta ahora
para detener el entrenamiento.
....Detenido porque Error de Validación (Cuadrático Medio) no decrecía suficientemente
bien.
a[o] = 0.5487105; a[m] = 0.5487105; a[n] = 0.6852519
....Variación de Pesos (Media Abs.) no ha encontrado razones hasta ahora para detener
el entrenamiento.
}
Este ejemplo proviene del entrenamiento de una red Perceptrón Multicapa, en
la que concurren cuatro analizadores. Tres de los analizadores actúan con el papel de
hojas del patrón Composite (GoF) – dos ValueDecreaseAnalyzer’s y un
ValueVariationAnalyzer. Finalmente, los analizadores anteriores están
recogidos en un cuarto, un ComposedProgressAnalyzer, que ofrece la
conclusión final al Maestro. Es a esta última instancia a la cual se ha invocado el
método getReasonToStop(), que ha sido el encargado de recavar la información
de sus analizadores mediante la misma invocación.
h) El modelo de StatisticListener
Implantación del patrón de diseño Observer (GoF). El modelo de
StatisticLister’s permite que elementos ajenos a la red neuronal y al maestro
sean informados del progreso de un entrenamiento. Para ello, el elemento que quiera
recibir las notificaciones ante los eventos ha de implantar la interfaz
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
71
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
StatisticsListener y suscribirse en la instancia Statistics que desee
observar3. que incluye los dos métodos siguientes:
•
+ statsUpdate(statisticsEvent :StatisticsEvent).
Método invocado por la instancia de Statistics observada, cada cierto
número de actualizaciones de sus registros estadísticos. No todas las
actualizaciones son notificadas ya que, al actuar de forma síncrona con las
invocaciones, la carga administrativa sería demasiado fuerte para el
proceso de entrenamiento. En concreto, se notifica una de cada
Statistics.NOTIFICATION_GAP actualizaciones.
•
+ statsClosed(statisticsEvent :StatisticsEvent).
Método invocado por la instancia de Statistics observada una vez
que se ha finalizado el proceso de entrenamiento.
Las instancias de la clase StatisticsEvent viajan como parámetros del
método de notificación invocado. El único contenido de las instancias de esta clase es
el Source u origen del evento. De esta manera, un elemento que pudiera estar suscrito
a diferentes estadísticas de entrenamiento puede llegar a distinguir de cuál de ellas
proviene la notificación.
3
Es a causa de esta suscripción, para permitir el acceso a las estadísticas antes de que
comience el entrenamiento, por lo que se ha independizado la creación de las
instancias de Statistics del método de aprendizaje educateNetwork(). Para
más referencias ver: 5.5.6. El Maestro (Teacher) > a) La clase abstracta Teacher.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
72
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
5.5.8. Internacionalización y localización
Toda la carga de internacionalización y localización recae en la clase
Messages que se encarga del acceso a los Resource Bundles proporcionados con el
framework. Esta clase accederá a la localización del archivo de Resource Bundle
messages.properties, de la localización indicada por la configuración de la
máquina virtual. La localización proporcionada por defecto es la inglesa (EN). Para
acceder a la localización de Español – Castellano – se accederá al archivo
messages_es.properties.
El framework incluye un único Resource Bundle, situado en el paquete
com.jcortex, para almacenar los textos localizados. Este será el único archivo
para localización dentro de la distribución estándar de JCortex. Extensiones
desarrolladas y proyectos que utilicen JCortex tendrán que establecer sus propios
archivos de localización. Se recomienda en estos casos, que se duplique la clase
Messages para tener acceso a todas las funcionalidades que ofrece.
Dentro de la clase Messages se proporciona una serie de métodos estáticos
que facilitan la obtención de los textos localizados:
•
+ getString(key :String) :String. Método por defecto
que adquiere el texto localizado indexado por la clave key.
•
+ getString(key :String, arg1 :Object,…):String.
Método que adquiere el texto localizado indexado por la clave key.
Además sustituye en el mismo los placeholder (marcas) para los que se
ofrecen argumentos de tipo Object de forma explícita. Las marcas se
encuentran en el texto localizado y se indican con la cadena “{i}”
para el argumento i (" i # 0). Esta clase proporciona métodos que
utilizan de 1 a 4 argumentos a ser sustituidos. Es importante señalar
que estos argumentos han de ser objetos sobre los que se puede invocar
el método toString().
•
+ getString(key :String, args :Object[]):String.
Método que adquiere el texto localizado indexado por la clave key.
Además sustituye en el mismo los placeholder (marcas) para los que se
ofrecen argumentos de tipo Object a través del array.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
73
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
5.5.9. Utilidades en el paquete básico
Como apoyo al framework se incluyen dos clases con utilidades. En ellas se
recogen tareas que son necesarias en distintos puntos del framework, pero sin llegar a
formar parte de su actividad principal o a desempeñar un papel realmente
significativo. Ninguna de las acciones recogidas dentro de las utilidades son
determinantes en el rendimiento, bien sea por su uso poco frecuente o por su
simplicidad. Estas actividades no tienen cabida dentro de una de las clases antes
descritas en el paquete del núcleo, en la mayoría de los casos porque pueden ser
utilizadas en diversos puntos del framework, sin corresponder exclusivamente a
ninguno.
a) Utilidades en ConsoleUtilities
Esta clase recoge las utilidades de apoyo al framework relacionadas con la
generación de mensajes de texto para su presentación por la interfaz de línea de
comando.
•
+ static arrayToString(:float[]) :String. Representa
un vector de números reales en forma de texto.
•
+ static arrayToString(:float[][]) :String.
Representa una matriz de números reales en forma de texto.
•
+ static arrayToString(:boolean[]) :String.
Representa un vector de valores booleanos en forma de matriz.
•
+ static arrayToString(:boolean[][]) :String.
Representa una matriz de valores booleanos en forma de texto.
b) Utilidades en LoadAndStoreUtilities
Esta clase recoge las utilidades de apoyo al framework relacionadas con el
almacenamiento y recuperación de la configuración de los elementos del framework
en archivos XML.
•
+ static writeXMLFile(filepath :String, xmlDoc
:Document) :File. Almacena un documento XML en el archivo
indicado por su dirección lógica en el sistema de archivos.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
74
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
•
+ static writeXMLFile(file :File, xmlDoc
:Document) :File. Almacena un documento XML en el archivo
indicado por la instancia de la clase File.
•
+ static readXMLNeuralNetwork(filePath :String)
:NeuralNetwork. Carga desde un archivo XML una instancia de
NeuralNetwork. El archivo con la configuración es pasado en forma de
dirección lógica en el sistema de archivos.
•
+ static static readXMLNeuralNetwork(file :File)
:NeuralNetwork. Carga desde un archivo XML una instancia de
NeuralNetwork. El archivo con la configuración es pasado en forma de
instancia de la clase File.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
75
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
5.6. Paquetes de Modelos de red
Los modelos de red no forman parte realmente del núcleo del framework, si
bien su participación es imprescindible para desarrollar la estructura y el diseño del
núcleo, mostrar la potencia del framework, servir de ejemplo para otros desarrollos,
proporcionar una utilidad inmediata sin necesidad de programar nada de Redes
Neuronales Artificiales…
Se ha procurado implantar modelos diferentes entre si para probar la
versatilidad del framework, a la vez que se ha buscado que estos sean los modelos
más utilizados en proyectos reales. Los modelos proporcionados han de verse más
desde el punto de vista de una plantilla de desarrollo que un desarrollo completo.
Funcionan al completo, si bien caben mejoras en cuanto a la calidad de sus resultados
y prestaciones.
Los distintos modelos de red del framework se agrupan en paquetes, dentro de
la estructura del framework com.jcortex. En la Ilustración 4: Paquetes de
Modelos de Red se muestran los paquetes incluidos actualmente en el framework
JCortex. En los apartados siguientes se describen los aspectos más relevantes de la
implantación de cada uno de los modelos de red incluidos en el framework. Para
poder acceder a una explicación detallada, ver Anexo A: Documentación de la API –
JCortex (en Inglés).
Ilustración 4: Paquetes de Modelos de Red
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
76
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
com.jcortex.backPropagation
BackPropagationNeuron
DefaultMultilayerPerceptronTeacher
MultilayerPerceptronNeuralNetwork
Contiene clases genéricas para los
modelos de red basados en el
mecanismo de Retropropagación, así
como el modelo Perceptrón Multicapa
completo. Se basa en el Feed-Forward.
com.jcortex.feedForward
DefaultPerceptronTeacher
FeedForwardNeuralNetwork
FeedForwardNeuron
NeuronInTheList
PerceptronNeuralNetwork
ToDoList
Contiene clases genéricas para los
modelos de red basados en el
mecanismo de propagación hacia
delante, Feed-Forward. Incluye una
implantación versátil del modelo
Perceptrón.
com.jcortex.hopfield
DefaultHopfieldTeacher
HopfieldNeuralNetwork
Contiene clases necesarias para la
implantación de las redes de Hopfield.
com.jcortex.kohonen
CylinderHexKMap
CylinderSquareKMap
CylinderStarKMap
Contiene clases necesarias para la
implantación del modelo de red de
Mapas de Kohonen.
Default2DKMap
DefaultKohonenTeacher
KohonenMap
KohonenNeuralNetwork
KohonenNeuron
SheetHexKMap
SheetSquareKMap
SheetStarKMap
ToroidHexKMap
ToroidSquareKMap
ToroidStarKMap
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
77
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
5.6.1. Indicaciones de construcción para modelos de Redes
Neuronales artificiales en JCortex
Los modelos propuestos en el framework no son los únicos posibles. Es más,
JCortex está pensado para que un usuario pueda implantar sus propios algoritmos,
modelos y funcionalidades. Se recomienda que todas las clases que participan en un
mismo modelo de red se encuentren juntas, en un único paquete. Este paquete no ha
de estar obligatoriamente dentro de la jerarquía com.jcortex – esta está reservada
exclusivamente para los modelos de red distribuidos con el framework – sino que
puede situarse donde el usuario la necesite. Es recomendable que varios modelos de
red no compartan el mismo paquete.
Los modelos de red se pueden implantar de dos formas distintas. Una
implantación pura, partiendo de las interfaces y clases abstractas del paquete
com.jcortex. O bien extendiendo un modelo de red ya implantado dentro del
framework o fuera de él.
El contenido habitual del paquete de un modelo de red es el siguiente:
•
Ha de haber una clase que extienda a NeuralNetwork, directamente o a
través de otras clases intermedias. En esta clase se ha de modelar tanto la
estructura interna como el funcionamiento del modelo de red neuronal. El
nombre de esta clase tendrá la forma *NeuralNetwork.
•
Opcionalmente puede haber una o más clases que hereden de Neuron,
según la naturaleza del modelo. Las instancias de estas clases serán las que
constituyan la estructura de la red. El nombre de estas clases tendrá la
forma *Neuron.
•
Es imprescindible la presencia de al menos una clase que extienda a
Teacher. En ella residirá la funcionalidad de entrenar las redes
generadas con el modelo de red. El nombre de estas clases tendrá la forma
*Teacher.
•
…Pueden ser necesarias otras clases propias del funcionamiento o
naturaleza de la red que también tendrán que ser recogidas dentro del
paquete del modelo.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
78
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
5.6.2. Redes de Hopfield (com.jcortex.hopfield)
a. Descripción de la Red
Las redes de Hopfield son redes de adaptación probabilística, recurrentes,
funcionalmente entrarían en la categoría de las memorias autoasociativas, es decir,
que aprenden a reconstruir los patrones de entrada que memorizaron durante el
entrenamiento. Son arquitecturas de una capa con interconexión total, funciones de
activación booleana de umbral (cada unidad puede tomar dos estados, 0 o 1,
dependiendo de si la estimulación total recibida supera determinado umbral),
adaptación probabilística de la activación de las unidades, conexiones recurrentes y
simétricas, y regla de aprendizaje no supervisado.
Las Redes de Hopfield han sido seleccionadas para ser implantadas en JCortex
por su naturaleza distintiva respecto a otros modelos de red estructurados alrededor de
unidades “pensantes”.
b. Diseño del modelo
El enfoque tomado para la implantación de este modelo es completamente
distinto al resto de los recogidos en el framework. En lugar de disponer de una
estructura interna constituida por neuronas, toda la información de la red neuronal se
recoge en una matriz numérica.
La Matriz de Pesos es una matriz cuadrada que contiene la información
aprendida por la red. Su tamaño está determinado por el número de entradas o
atributos de los patrones a ser aprendidos. Esta matriz cuadrada está representada
como un array de arrays de números reales. Es de reseñar que la recomendación
realizada por Hopfield es que el número máximo de patrones no correlacionados que
se puede almacenar en una red es el 15% del número de sus neuronas, el decir, del
número de atributos registrados.
La implantación de este modelo ha sido extremadamente simple, como se
muestra en el Diagrama de Clases 9: Modelo de Red de Hopfield, gracias a su
carencia de estructura interna. La clase HopfieldNeuralNetwork es
autocontenida – no requiere de otros elementos para llevar a cabo el procesado de los
datos de entrada –, por lo que únicamente necesita poseer una clase de tipo Teacher
– HopfielTeacher – que sepa entrenarla.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
79
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Diagrama de Clases 9: Modelo de Red de Hopfield
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
80
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
c.- Propagación en la red de Hopfield
La propagación de un estímulo a través de una Red de Hopfield es un proceso
recursivo. El patrón de entrada para cada iteración se obtiene, bien del estímulo
recibido por la red, bien de la salida de la iteración anterior. En origen, el patrón de
entrada es el estímulo inicial que recibe la red que, supuestamente, es uno de los
patrones almacenados que puede estar afectado por un cierto ruido o desfase.
En cada una de las iteraciones, el patrón de entrada (X) sufre una serie de
transformaciones que deberían aproximarle cada vez más a un estado estable de la red
de Hopfield. Este estado será, idealmente, el patrón sin ruido almacenado en la red, al
cual está relacionada la entrada. El procesado del patrón de entrada se ha modelado
mediante una operación entre vectores y matrices, siguiendo las ecuaciones:
Y '= X " Weights # Bias
Y = FunciónSignoHopfield(Y ')
Vistos en detalle los elementos que forman las estructuras matemáticas:
!
!
# w1,1
%
w1,2
L xi ) " %
% M
%
$ w j,1
( y'1
y'2 L y'i ) = ( x1
( y1
y 2 L y i ) = FuncionSignoHopfield( y'1
x2
Símbolo Descripción
X
Patrón de entrada de la iteración.
Y
y'2 L y'i )
Elemento
Variable
xi
float[] iterationInput
wi,j
float[][] weights
Vector de Bias.
bi
float[] bias
Patrón de salida de la iteración.
yi
float[] iterationOutput
Weights Matriz con los pesos con la
configuración de la red de
Hopfield.
Bias
L w1,i &
(
L w1,i (
) (b1 b2 L bi )
O M (
(
L w j,i '
w1,2
w 2,2
M
w j,2
La Función Signo definida por Hopfield, se implanta utilizando el método
estático
+
static
hopfieldSignFunction(iterationsInput
:float[], functionsInput :float[]) : float[] de la clase
HopfieldNeuralNetwork. A continuación se muestra la definición de la
función:
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
81
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
FuncionSignoHopfield( y'1
!
y'2
$ y'i > 0 "1
&
L y'i ) = % y'i = 0 " x i
& y' < 0 " #1
' i
Para controlar el proceso iterativo, se ha empleado la definición de la Energía
de Hopfield (eH). Hopfield demostró que en cada iteración el patrón de salida
evoluciona hacia una energía menor o igual que la de su patrón de entrada.
Para que se cumpla este comportamiento descrito por Hopfield, la
construcción de la matriz ha de asegurar una serie de condiciones:
•
La matriz ha de ser simétrica (wa,b = wb,a). Es decir, la conexión entre la
supuesta neurona i y la supuesta neurona j ha de tener el mismo peso que la
conexión entre la j y la i.
•
La matriz ha de tener toda su diagonal a 0 (wa,a = 0 ). De forma figurada, esto
se traduciría en que una neurona de Hopfield no ha de estar conectada a si
misma.
La Ecuación de la Energía del Hopfield se encapsula dentro del método +
static
hopfieldEnergy(pattern
:float[],
weights
:float[][],
bias
:float[])
:float
de
la
clase
HopfieldNeuralNetwork. La energía se calcula siguiendo la función:
EnergíaHopfield( X,Weights,Bias) = "
!
1
$ $ w j,i # x i # x j + $ x i # bi
2 i j%i
i
Aprovechando la característica imprescindible de simetría, se puede reducir
considerablemente el número de operaciones. Sólo es necesario calcular el producto
de los binomios que forman los elementos de la diagonal superior, omitiendo la
división entre 2. De esta manera se logra el código compacto:
float energy = 0; int attributeCount = pattern.length;!int i,j;
for(i = 0; i < attributeCount; i++){
for(j = i+1; j < attributeCount; j++){
energy -= weights[i][j] * pattern[i] * pattern[j];
}!
energy += pattern[i] * bias[i];
}
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
82
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
A lo largo de la iteración de propagación, se mantiene almacenada en una
variable la energía del patrón de entrada. Al finalizar la iteración, ésta se compara con
la energía del patrón de salida obtenido. Pueden darse tres opciones:
•
eH del patrón de Entrada > eH del patrón de Salida: el caso más
habitual. En él la red ha evolucionado hacia un patrón más estable, es
decir, de menor energía.
•
eH del patrón de Entrada < eH del patrón de Salida: en este caso, la
red evoluciona hacia una situación inestable, de mayor energía. El
entrenamiento se detiene antes de que empeore aún más, devolviendo
como patrón reconocido, el patrón de entrada de esta última iteración. Es
de suponer que este patrón sea el que posea la energía mínima. El
entrenamiento ha finalizado en una situación inestable.
•
eH del patrón de Entrada = eH del patrón de Salida: será preciso
considerar dos escenarios:
o El patrón de Entrada es igual que el de Salida: el entrenamiento
habrá finalizado en una situación estable. El patrón habrá sido
reconocido, y por tanto podrá ser devuelto como respuesta al
estímulo introducido en la red.
o El patrón de Entrada es distinto que el de Salida: el
entrenamiento ha de continuar ya que puede ser el paso previo a
otro descenso de energía en una iteración futura. El patrón no ha
sido reconocido.
Es importante señalar que no se está evitando un posible bucle en la
evolución, entre patrones de igual eH. Tampoco se está controlando si se está
convergiendo en un mínimo local, en lugar de en el patrón almacenado que se
buscaba. En los casos anteriores, se ha de suponer que el usuario (programador) ha
dispuesto el vector de bias correcto para evitar situaciones anómalas.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
83
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Diagrama de Actividad 6: Propagación en la Red de Hopfield
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
84
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
d. Entrenamiento de una Red de Hopfield
El maestro por defecto proporcionado con el framework, no tiene un
comportamiento recursivo, por lo que no tiene sentido llevar a cabo un seguimiento
de sus estadísticas. El proceso, tal y como ha sido modelado, responde a un algoritmo
matemático con el cual los patrones de referencia se almacenan dentro de la matriz de
pesos de la red.
Como ya se ha visto en apartados anteriores, esta matriz ha de ser simétrica
respecto a su diagonal principal que, a su vez, ha de ser 0. El método matemático
propuesto por Hopfield observa la siguiente ecuación, conocido como Aprendizaje de
Hebb:
Weights =
p
)
1&
P
"
P'
$
p
%
I
(# k
+
k
N ' k=1
*
Vistos en detalle los elementos que forman las estructuras matemáticas:
!
" w1,1
$
$ w1,2
$ M
$
# w j,1
w1,2
w 2,2
M
w j,2
+L +
L w1,i %
'
L w1,i ' 1 1
= (x
O M ' N 1
'
L w j,i &
1 p
( x1
N
x 2p
x12
" x11 %
$ 1'
x
1
1
L x i ) ( $ 2 ' + ( x12
$M' N
$ 1'
# xi &
" x1p %
"1
$ p'
$
x 2 ' p $0
p
$
L xi ) (
) *
$ M ' N $M
$ p'
$
#0
# xi &
Símbolo Descripción
!
x 22
" x12 %
$ 2'
x
2
L xi ) ( $ 2 ' +
$M'
$ 2'
# xi &
0 L 0%
'
1 L 0'
M O M'
'
0 L 1&
Elemento
Variable
N
El número de atributos de cada
patrón.
N
attributeCount
Pk
Vector de atributos de un patrón.
xk i
float[][] weights
i=1…N
k=1…p
p
El número de patrones que van a
ser almacenados en la red.
p
-
I
Matriz identidad.
-
-
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
85
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Aprovechando la simetría de la matriz y las estructuras de datos propias
implantadas, se puede llegar a simplificar en gran medida el aparato matemático
mostrado:
•
Sólo es necesario calcular el valor de los elementos de un lado de la
diagonal. El otro lado puede ser copiado por simetría una vez los primeros
hayan sido completamente calculados.
•
Es posible extraer el cociente 1/N como factor común del producto
vectorial de cada patrón. De esta forma sólo es necesario realizar una única
división por cada atributo.
•
La finalidad del último término con la Matriz Identidad (I) es asegurar que
la diagonal de la matriz resultante sea 0. Esta operación se puede resolver
con una simple asignación (1 por cada atributo). Prescindiendo así de un
recorrido completo por la matriz.
A continuación se describe en pseudocódigo el proceso de construcción de la matriz
numérica, en el que se han aplicado las optimizaciones expuestas anteriormente.
1. Inicializar la matriz de pesos float[][] weights.
1.1. Inicializar uno a uno los arrays float[] que cuelgan de weights[].
2. Cálculo de los elemenos de la diagonal superior de la matriz.
for(k = 0; k < patterns.length; k++){
// k->pattern
for(i = 0; i < attributeCount; i++){ // i->lines
for(j = i+1; j < attributeCount; j++){
//j->columns
weights[i][j] += patterns[k][i] * patterns[k][j];
}
}
}
3. Recorre la diagonal y los elementos sobre la diagonal de la matriz,
realizando diversas operaciones: se asegura de que los elementos en la
diagonal tienen valor 0, divide el resto de los elementos de la diagonal
superior entre N, y copia su valor en la posición simétrica.
for(i = 0; i < attributeCount; i++){
// i->lines
for(j = i+1; j < attributeCount; j++){ //j->columns
if(i != j){
weights[i][j] = weights[i][j]/attributeCount;
weights[j][i] = weights[i][j];
// Copies under the diagonal
}
else{
weights[i][i] = 0;
// 0 on the diagonal}
}
}
El maestro por defecto no calcula el vector de bias adecuado para la red
neuronal, aunque su uso sí que está recogido dentro del funcionamiento descrito para
la Red de Hopfield. Por defecto, el maestro construirá un vector de bias con todos los
atributos a 0. Esta configuración implica que el bias no modifica en principio los
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
86
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
valores generados con el cálculo matricial. Será responsabilidad del usuario
(programador) establecer un bias personalizado, utilizando el método de la clase
HopfieldNeuralNetwork, + setBias(:float[]).
e. Serialización en XML
La mayor carga del almacenamiento en formato XML de la configuración de
una red de Hopfield reside en la serialización de la matriz de pesos.
<neuralNetwork class="com.jcortex.hopfield.HopfieldNeuralNetwork"
neuronCount="0" sensorCount="0"
inputTranslator="com.jcortex.translators.TransparentInputTranslator"
outputTranslator="com.jcortex.translators.TransparentOutputTranslator"
attributeCount="24">
<weights>
<weight row="0" col="0" value="0.0"/>
<weight row="0" col="1" value="-0.083333336"/>
<weight row="0" col="2" value="-0.25"/>
<weight row="0" col="3" value="0.41666666"/>
<weight row="0" col="4" value="-0.16666667"/>
<weight row="0" col="5" value="0.083333336"/>
<weight row="0" col="6" value="0.083333336"/>
<weight row="0" col="7" value="-0.083333336"/>
<weight row="0" col="8" value="0.0"/>
<weight row="0" col="9" value="0.16666667"/>
<weight row="0" col="10" value="-0.083333336"/>
<weight row="0" col="11" value="0.083333336"/>
<weight row="0" col="12" value="-0.083333336"/>
<weight row="0" col="13" value="0.083333336"/>
<weight row="0" col="14" value="-0.083333336"/>
<weight row="0" col="15" value="-0.083333336"/>
<weight row="0" col="16" value="0.0"/>
<weight row="0" col="17" value="0.16666667"/>
<weight row="0" col="18" value="0.083333336"/>
<weight row="0" col="19" value="-0.083333336"/>
<weight row="0" col="20" value="0.16666667"/>
<weight row="0" col="21" value="-0.16666667"/>
<weight row="0" col="22" value="-0.25"/>
<weight row="0" col="23" value="0.083333336"/>
<weight row="1" col="0" value="-0.083333336"/>
! Se ha omitido el resto de parámetros de las filas 1 a la 23.
<weight row="23" col="23" value="0.0"/>
</weights>
<biasVector>
<bias ix="0" value="0.0"/>
<bias ix="1" value="0.0"/>
<bias ix="2" value="0.0"/>
<bias ix="3" value="0.0"/>
<bias ix="4" value="0.0"/>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
87
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
<bias ix="5" value="0.0"/>
<bias ix="6" value="0.0"/>
<bias ix="7" value="0.0"/>
<bias ix="8" value="0.0"/>
<bias ix="9" value="0.0"/>
<bias ix="10" value="0.0"/>
<bias ix="11" value="0.0"/>
<bias ix="12" value="0.0"/>
<bias ix="13" value="0.0"/>
<bias ix="14" value="0.0"/>
<bias ix="15" value="0.0"/>
<bias ix="16" value="0.0"/>
<bias ix="17" value="0.0"/>
<bias ix="18" value="0.0"/>
<bias ix="19" value="0.0"/>
<bias ix="20" value="0.0"/>
<bias ix="21" value="0.0"/>
<bias ix="22" value="0.0"/>
<bias ix="23" value="0.0"/>
</biasVector>
<teacher class="com.jcortex.hopfield.DefaultHopfieldTeacher"/>
</neuralNetwork>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
88
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
5.6.3. Mapas de Kohonen (com.jcortex.kohonen)
a. Descripción de la Red
Son redes autoorganizadas capaces de codificar y luego reconocer modelos de
rasgos característicos de un entorno.
Una vez entrenada, la red puede ser utilizada para la clasificación de patrones
de entrada similares en un espacio n-dimensional. Una clase o grupo de patrones
similares tiende a controlar una neurona específica, que representará el centro de una
esfera n-dimensiona. Esa neurona será la más activa frente a patrones similares a su
vector de pesos.
Después del aprendizaje, la clasificación consiste en presentar una entrada y
seleccionar la unidad más activa, la ganadora, aplicando la función de Distancia. La
neurona ganadora será la más cercana al patrón de entrada.
b. Diseño del modelo
La clase principal del modelo es KohonenNeuralNetwork que hereda de
la clase abstracta NeuralNetwork. El principal problema de este tipo de red es la
gran diversidad de mapas de neuronas que es capaz de admitir. El diseño de un
framework ampliable y abierto exige que este modelo de red sea capaz de trabajar
sobre cualquier configuración de mapa interno. Para permitir este paso, se ha
recurrido a la creación de una nueva interfaz: KohonenMap.
En el diseño de este modelo de red se ha aislado la configuración, de la
estructura interna de la clase KohonenNeuralNetwork. Esta última clase es la
que tradicionalmente tendría que poseer la estructura, al heredar de
NeuralNetwork. En su lugar, la red almacena una instancia de KohonenMap.
Son las realizaciones de esta clase abstracta las que contienen la funcionalidad y la
información asociada a la estructura de la red.
Este hecho es transparente para el usuario externo ya que la clase
KohonenNeuralNetwork proporciona un interfaz único de acceso a la
información y los métodos obligados de la instancia de KohonenMap asociada,
cumpliendo con el contrato de NeuralNetwork.
La estrecha relación entre un mapa y la red a la que se encuentra asociado
obliga a llevar a cabo un proceso de integración entre ambos, recogido en el método +
integrateWithNeuralNetwork(KohonenNeuralNetwork
knn) de
KohonenMap. En este proceso se incluyen todas las neuronas del mapa dentro de la
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
89
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
colección mantenida por la red; y se trasladan las referencias a las instancias de
Sensor de la red al mapa, conectando red y mapa en la propagación.
A la hora de describir la estructura de un Mapa de Kohonen es preciso
identificar dos atributos imprescindibles:
•
La Forma de la Neurona o del Vecindario. Dentro del símil geométrico,
la forma de las neuronas que forman el mapa, determina la vecindad de
éstas con las neuronas adyacentes. No sólo variará el número de células
vecinas, sino incluso la distribución de esta vecindad. En el conjunto de
mapas propuesto se recogen las siguientes formas:
o Cuadrada. Las neuronas poseen 4 vecinas, que se distribuyen de
acuerdo con las aristas de una neurona de geometría cuadrada.
o Hexagonal. Las neuronas poseen 6 vecinas, que se distribuyen de
acuerdo con las aristas de una neurona de geometría hexagonal.
o Estrellada. Las neuronas poseen 8 vecinas, que se distribuyen de
acuerdo con los vértices y las aristas de una neurona de geometría
cuadrada.
Ilustración 5: Formas de Vecindad4
4
En la figura, los números de las neuronas de los mapas representan el radio de
vecindad más bajo en el que la neurona entra en contacto con la central.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
90
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
•
La Forma del Mapa. Si bien este parámetro posee una traslación bastante
ilustrativa al mundo geométrico, en realidad hace referencia al wrapping o
envoltura que realiza un mapa sobre si mismo. Se está definiendo de esta
manera el comportamiento de las neuronas del borde del mapa. En el
conjunto de mapas propuesto se recogen las siguientes formas:
o Fila. Este es un término ficticio, que realmente hace referencia a un
mapa de forma plana compuesto por una única hilera de neuronas.
o Plana (Sheet). Las neuronas de los bordes del mapa no adquieren
ningún comportamiento especial. Sus únicas vecinas serán aquellas
que se encuentren contiguas a ellas mismas en el borde o hacia el
interior del mapa.
o Cilíndrica. Las neuronas de los bordes verticales mantienen la
misma independencia que en la forma plana, mientras que las
neuronas de los extremos horizontales interpretan como vecinas
aquellas que se encuentran en el borde opuesto al suyo propio.
o Toroide. No sólo las neuronas de los bordes horizontales
interpretan como vecinas la neuronas que se encuentran en el
extremo opuesto del mapa (como es el caso de la forma cilíndrica),
sino que además las neuronas verticales cumplen con el mismo
comportamiento añadido.
Tabla 5: Conjugación de las Formas de Neurona y Mapa
Forma de Mapa
Cilíndrica
Toroide
Hexagonal
Cuadrada
Plano (Sheet)
Estrellada
Forma de Neurona
Fila
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
91
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
La disposición de las neuronas de forma geométrica cuadrada (neuronas
cuadradas y estrelladas), sigue una matriz de n filas por m columnas. En la
Ilustración 6: Distribución de neuronas Cuadradas y Estrelladas se muestra el ejemplo
de distribución y localización de estas neuronas en una red de 6x5.
C.1 C.2 C.3 C.4 C.5 C.6
Fila 1
0
5
10
15
20
25
Fila 2
1
6
11
16
21
26
Fila 3
2
7
12
17
22
27
Fila 4
3
8
13
18
23
28
Fila 5
4
9
14
19
24
29
Ilustración 6: Distribución de neuronas Cuadradas y Estrelladas
La disposición de las neuronas de forma hexagonal sigue la orientación de las
aristas para encajar como un panal de abejas. Al no poseer ángulos rectos, las filas se
organizan de acuerdo con una secuencia de zig-zag en un ángulo de 120º, tal y como
se muestra en la Ilustración 7: Distribución de neuronas Hexagonales. Las columnas
mantienen su disposición habitual.
Ilustración 7: Distribución de neuronas Hexagonales
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
92
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Para el sistema de wrapping o envoltura de los bordes de la red, se suponen las
vecindades mostradas en la Ilustración 8: Wrapping de neuronas Cuadradas y la
Ilustración 9: Wrapping de neuronas Hexagonales, ambas sobre una red de ejemplo de
6x5 neuronas.
29
4
9
14
19
24
29
4
25
0
5
10
15
20
25
0
26
1
6
11
16
21
26
1
27
2
7
12
17
22
27
2
28
3
8
13
18
23
28
3
29
4
9
14
19
24
29
4
25
0
5
10
15
20
25
0
Ilustración 8: Wrapping de neuronas Cuadradas
Ilustración 9: Wrapping de neuronas Hexagonales
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
93
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Tomando como base la Ilustración 9: Wrapping de neuronas Hexagonales se
puede comprender fácilmente el porqué de la orientación particular de la envoltura
cilíndrica. Lo habitual hubiera sido optar por una envoltura en horizontal, dejando los
bordes verticales libres. Sin embargo, dada la naturaleza geométrica de estas
neuronas, el número de columnas del mapa tendría que haber sido par. Con el fin de
imponer el mínimo número de restricciones, se ha reservado la envoltura horizontal
para la forma de mapa toroide.
Todas los modelos de mapas proporcionados con el framework JCortex
comparten gran número de características, más allá de las generalizadas al nivel de
abstracción de KohonenMap. Es por ello que se ha creado un nivel de abstracción
intermedio que resuelve, en la clase Default2DKMap, el almacenamiento de las
neuronas en una lista de elementos, sobre la que se aplican dos dimensiones: filas y
columnas. Proporciona a su vez la interfaz para la gestión del conjunto de neuronas.
En el Diagrama de Clases 10: KohonenMap y Default2DKMap se muestra el reparto
de responsabilidades entre ambas clases abstractas.
Diagrama de Clases 10: KohonenMap y Default2DKMap
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
94
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
La Tabla 6: Subclases de KohonenMap, muestra en qué clases se ha traducido
cada una de las posibles combinaciones de la Forma de la Neurona y la Envoltura del
Mapa. Cabe describir la nomenclatura recomendada para las distintas subclases de
KohonenMap:
Forma-del-Mapa + Forma-de-la-Neurona + “KMap”
(Se recomienda dar los nombres de las características en inglés.)
Hexagonal
Estrellada
Forma de la Neurona
Cuadrada
Tabla 6: Subclases de KohonenMap
Envoltura Mapa
Subclase de KohonenMap
Fila
SheetSquareKMap
Plana (Sheet)
SheetSquareKMap
Cilíndrica
CylinderSquareKMap
Toroidal
ToroidSquareKMap
Fila
SheetHexKMap
Sheet
SheetHexKMap
Cilíndrica
CylinderHexKMap
Toroidal
ToroidHexKMap
Fila
SheetStarKMap
Plana (Sheet)
SheetStarKMap
Cilíndrica
CylinderStarKMap
Toroidal
ToroidStarKMap
Ilustación
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
95
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
En el Diagrama de Clases 11: Modelo de Mapas de Kohonen se ha
representado el contenido completo del paquete com.jcortex.kohonen,
distribuido con el framework. Se han incluido las interfaces y clases abstractas básicas
del paquete principal que definen el contrato de los elementos de la red neuronal en
JCortex.
Diagrama de Clases 11: Modelo de Mapas de Kohonen
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
96
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Las neuronas de los mapas de Kohonen se representan a través de la clase
KohonenNeuron. Las instancias de esta clase cumplen las siguientes funciones:
•
Almacenar la configuración propia de la neurona. Esto es, un vector de
pesos en el que se codifica un patrón que identifica a un grupo de
ejemplos. Los valores de los pesos se almacenan en el atributo de la
instancia - float[] weights. Este array posee tantas posiciones
como atributos tenga la entrada a la red (que equivale al número de
sensores de la misma). Se ha elegido esta estructura ya que el tamaño de
entrada a una red es fijo, exigiéndose además un rápido acceso directo a
los valores almacenados, con un coste de almacenamiento mínimo.
•
La sinapsis de la neurona se realiza directamente sobre el método +
produceAxonValue() :float, ya que en las redes de Kohonen no
hay neuronas hijas conectadas. Este método utiliza la instancia de
DistanceFunction almacenada en la neurona para obtener su valor de
similitud. Será este valor el que determine si esta neurona es la ganadora
en la propagación.
•
Gestionar la elección de la clase a la que pertenece la neurona, a partir de
los resultados de excitarla con un conjunto de ejemplos de entrenamiento.
Para este proceso es necesario almacenar las clases de los ejemplos para
los cuales esta neurona ha resultado ser la ganadora, y el número de
ejemplos de cada clase que han caído en la neurona. Est no es una acción
que se lleve a cabo a menudo, sólo como último paso del proceso de
entrenamiento, o en los sondeos estadísticos sobre la calidad del mismo. El
almacenamiento de una clase se lleva a cabo a utilizando del método +
registerLastExampleClass(lastExampleClass:Object).
El resultado de la gestión se puede averiguar utilizando los métodos:
o + getDominantClass() :Object. Para obtener la clase
dominante en la neurona.
o + getClusterSuccesses() :int. Para obtener el número
de ejemplos para los cuales esta neurona ha sido la ganadora, y
cuya clase coincide con la clase dominante en la neurona.
o + getClusterErrors() :int. Para obtener el número de
ejemplos para los cuales esta neurona ha sido la ganadora, y cuya
clase no coincide con la clase dominante en la neurona.
La dificultad que exige crear todos los mecanismos de gestión de las clases
recogidas en una neurona es que la neurona no puede conocer a priori el número de
clases posibles recogidas en el conjunto de entrenamiento. Será necesario ir
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
97
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
recogiendo de forma dinámica en la neurona ganadora la clase y el número de
ejemplos que la avalan. Esta es la única manera de poder decidir al finalizar el
entrenamiento qué clase representa cada neurona.
Para la gestión de las clases recogidas en una neurona se ha utilizado la
estructura de datos java.util.Hashtable. Cada una de las clases (atención: son
instancias de Object) de los ejemplos recogidos en la neurona, se almacenará en la
tabla Hash como la clave. El contenido direccionado con esta clave será una instancia
de Integer que envuelve el número de ejemplos de esta clase para los cuales esta
neurona ha sido la vencedora.
c. Propagación
Los Mapas de Kohonen son redes competitivas en las que las neuronas pugnan
por ser seleccionadas como “ganadora”, es decir, aquella cuyo vector de pesos guarde
mayor similitud con el estímulo recibido.
La red neuronal extiende el método Template Method +
pureThink(input :float) :float[], al que está obligada por ser una
instancia de NeuralNetwork. Sin embargo, este método no se utiliza desde este
nivel, ya que se ha sobrecargado el método + think(inputData :Object)
:Object de NeuralNetwork a nivel de KohonenNeuralNetwork. Es
necesario reconstruir este método ya que la salida obtenida de excitar la red no es un
vector de valores numéricos que ha de pasar por un traductor, sino que será la clase
dominante de la neurona vencedora. Esta clase se trata directamente como una
instancia de Object.
El proceso de propagación consiste en, una vez se han almacenado los valores
de la entrada dentro de los sensores de la red (instancias de Sensor), recorrer todas
las neuronas del mapa induciéndolas a aplicar la función de distancia entre el vector
recibido y el vector de pesos característico de la propia neurona. La función de
distancia utilizada es la almacenada en la neurona de Kohonen como una instancia de
DistanceFunction. Si bien no tiene sentido que haya distintas funciones de
distancia en un mismo mapa, el modelo actual permite su coexistencia. El valor de la
distancia calculada por la neurona es almacenado como su axon value.
Para el recorrido de las neuronas del mapa se utiliza el Iterator que ha de
generarse desde todas los modelos de mapa concretos, tal y como exige el contrato de
KohonenMap. A medida que se lleva a cabo la sinapsis en las neuronas, se mantiene
el registro de cuál ha sido la mejor hasta el momento, esto es, aquella cuya distancia
entre vector de entrada y vector de pesos sea menor.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
98
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
El código básico es el siguiente:
// Inicialización
KohonenNeuron kNeuron = null;
KohonenNeuron bestNeuron = null;
// Generates an iterator an starts using it to go though all the neurons
Iterator it = map.iterator();
// The first one is taken as the best straight away
if(it.hasNext()){
bestNeuron = (KohonenNeuron) it.next();
bestNeuron.produceAxonValue();
}
// The whole lot further from the first one
while(it.hasNext()){
// Makes the neuron work out its distance
kNeuron = (KohonenNeuron) it.next();
kNeuron.produceAxonValue();
// Keeps the best distance
if(kNeuron.getAxonValue() < bestNeuron.getAxonValue()){
bestNeuron = kn;
}
}
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
99
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
d. Maestro DefaultKohonenTeacher
El maestro propuesto por defecto para el entrenamiento de los Mapas de
Kohonen es una interpretación simple, aunque rápida, del propuesto en el modelo
teórico. A grandes rasgos, el algoritmo recorre los siguiente pasos:
1. Obtener la instancia de KohonenNeuralNetwork a entrenar y los atributos
necesarios de la misma.
2. Obtener las estadísticas y generar los analizadores.
3. Traducir el conjunto de ejemplos de entrenamiento.
4. Generar los vecindarios para su uso posterior.
5. Iterar sobre el conjunto de ejemplos de aprendizaje hasta que los
analizadores indiquen que se debe detener el entrenamiento. Para cada
iteración sobre el conjunto de ejemplos:
5.1. Inicializar los contadores estadísticos.
5.2. Procesar el ejemplo:
5.2.1. Propagar el ejemplo a través del mapa de Kohonen.
5.2.2. Registrar la neurona ganadora.
5.2.3. Obtener el vecindario de la neurona ganadora.
5.2.4. Entrenar las neuronas del vecindario.
5.3. Registrar los resultados estadísticos.
5.4. Consultar a los analizadores de progreso.
6. Finalizar cerrando las estadísticas.
Sólo las neuronas que se encuentran dentro del radio de vecindad de la
neurona ganadora son las que obtienen como premio aprender del ejemplo. De esta
manera, a medida que fluyan las iteraciones, se irán perfilando zonas que agrupen
neuronas con la misma clase dominante. La ley de aprendizaje aplicada, se muestra en
la siguiente fórmula:
W i (N + 1) = W i (N) + " # [ Input i $ W i (N)]
En esta expresión # representa el Factor de Aprendizaje. Su función es ajustar la
variación que sufren los pesos de la neurona para permitir que aprenda de forma más
!
suave, sin saltos. El valor del Factor de Aprendizaje no es el mismo para todas las
neuronas a entrenar. Sólo en la neurona ganadora # será el Factor de Aprendizaje
completo definido como parámetro de aprendizaje. Para el resto de las neuronas que
pertenecen al vecindario de la ganadora se aplica un modificador que reduce # para
reducir el efecto del aprendizaje sobre las mismas. En forma matemática:
% Ganadora # FactorAprendizaje
" =&
' NoGanadora # FactorAprendizaje $ µ
Siendo 0$%$1, definida en la clase DefaultKohonenTeacher como la variable
estática DefaultKohonenTeacher.I_AM_NOT_THE_WINNER.
!
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
100
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Tabla 7: Parámetros de aprendizaje de DefaultKohonenTeacher
Parámetro
Tipo
Valor por
Defecto
Descripción
analysisWindow
int
Tamaño de la ventana utilizada por
los analizadores para tomar
decisiones sobre el progreso del
entrenamiento.
10
constantVariation
float
Margen bajo el cual una variación se
considera constante.
0.0001f
learningRate
float
Factor de Aprendizaje propio de los 0.6f
algoritmos basados en aprendizaje
supervisado a partir de errores.
maxIterations
long
Número de iteraciones máximo.
1000
maxMisplacedPercent float
Nivel de error máximo aceptable para 0.05f
detener el entrenamiento.
neighbourhoodRadius int
Radio de Vecindad de la neurona.
1
Tabla 8: Analizadores no compuestos de DefaultKohonenTeacher
Analizador
(DefaultKohonenTeacher.)
Tipo
Descripción
Porcentaje de
errores de
clasificación. Esto
es, el número de
ejemplos que
tuvieron como
neurona ganadora
una en la cual la
clase dominante no
es la suya.
MISPLACED_EXAMPLES
ValueDecreaseAnalyzer
WEIGHT_VARIATION
ValueVariationAnalyzer Variación absoluta
de los pesos de las
neuronas del mapa.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
101
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
e. Cálculo de los Vecindarios
Una pieza clave en el aprendizaje de los Mapas de Kohonen es determinar los
vecindarios de las neuronas ya que mal manejado se hubiera podido convertir en una
de las tareas más costosas en tiempo y recursos.
En la descripción del proceso de aprendizaje se ha visto como es necesario
consultar por el vecindario de una neurona (la ganadora) por cada uno de los ejemplos
del conjunto de entrenamiento, para cada una de las iteraciones. Es muy probable que
la consulta se realice repetidas veces sobre la misma neurona. La única forma de
minimizar el tiempo de consulta de este gran número de peticiones seguramente
repetitivas es precalcular los conjuntos de vecindad. Esta operación se lleva a cabo
utilizando el método + prepareNeighbourhoods(neighbourhoodRadius
:int) implantado en la clase abstracta KohonenMap.
El sistema de cálculo de conjuntos de vecindad se basa en cálculos lógicos
básicos entre un vector y una matriz booleana.
La Matriz de Conexión Directa del Mapa es una matriz booleana que posee
una fila y una columna por cada una de las neuronas que forman el Mapa de
Kohonen. El cruce entre una neurona y otra se marca como true, si ambas neuronas
están conectadas entre si en un vecindario de radio 1. En caso contrario se marcará
con false. Se obtiene de esta manera una matriz simétrica respecto a su diagonal
principal, cuyos elementos siempre estarán a true: una neurona por lógica ha de ser
vecina de si misma.
El Vector Vecindario de una Neurona es un vector que posee un valor
booleano por cada uno de las neuronas que forman el Mapa de Kohonen. Este vector
tendrá siempre asociado un Radio de Vecindad. Un valor true para una posición
representará que la neurona asociada a la posición se encuentra en el vecindario de la
neurona a la que pertenece el vector; false en caso contrario. De esta forma el
Vector de Vecindad de radio 0 sólo tendrá señalada a true la posición de la propia
neurona.5
La operación matrixANDvector (Operador $) aplica cálculos lógicos sobre
el Vector Vecindario de radio r de una neurona con la Matriz de Conexión Directa del
5
Las posiciones de una neurona en el vector y la matriz se corresponden con su
identificador numérico, obtenido por getId(), tomado como índice.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
102
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
mapa, para obtener el Vector de Vecindario de radio r+1 de la neurona. En forma
matemática:
vectorr +1 (n) = vectorr (n) "
matriz
Visto en detalle:
!
"v1n,r +1 % " v1n,r %
" m1,1 m1,2 L m1, j
L m1,N %
$ n,r +1 ' $ n,r '
$
'
$v 2 ' $ v 2 '
$ m2,1 m2,2 L m2, j L m2,N '
$ M ' $ M '
$ M
M
O
M
M '
$ n,r +1 ' = $ n,r ' ( $
'=
$v j ' $ v j '
$ mi,1 mi,2 L mi, j= j,i L mi,N '
$ M ' $ M '
$ M
M
M
O
M '
$ n,r +1 ' $ n,r '
$
'
# mN ,1 mN ,2 L mN , j L mN ,N &
#v N & # v N &
" v n,r +1 = (v n,r ) m ) * (v n,r ) m ) *L* (v n,r ) m ) *L* (v n,r ) m ) %
1
1
1,1
1
2,1
1
i,1
1
N ,1
$ n,r
'
+1
n,r
n,r
n,r
n,r
$ v 2 = (v 2 ) m1,2 ) * (v1 ) m2,2 ) *L* (v1 ) mi,2 ) *L* (v 2 ) mN ,2 ) '
$
'
M
'
= $ n,r +1
n,r
n,r
n,r
n,r
$ v j = (v j ) mi, j ) * (v j ) mi, j ) *L* (v j ) mi, j ) *L* (v j ) mN , j ) '
$
'
M
$$ n,r +1
''
n,r
n,r
n,r
n,r
v
=
v
)
m
*
v
)
m
*L*
v
)
m
*L*
v
)
m
(
)
(
)
(
)
(
)
N
N
i,N
N
i,N
N
i,N
N
N
,N
#
&
!
Símbolo
Descripción
matriz
Variable
vjn,r
cVector
El número de atributos de cada
patrón.
N
-
Matriz de Conexiones Directas del
mapa.
mi,j
cMatrix
vectorr(n) Vector de Vecindad de la neurona
n para el radio de vecindad r.
N
Elemento
De forma textual, cada vez que se aplique el operador $ entre un Vector de
Vecindad y la Matriz de Conexiones Directas lo que se está haciendo es marcar como
vecinas (true en el vector) las neuronas que se encuentran en la vecindad directa de
aquellas que ya estén marcadas en el vector. En el framework, se define en el método
estático de la clase KohonenMap - static matrixANDvector(matrix
:boolean[][], vector :boolean[]) :boolean[]. El código de la
operación es el siguiente:
private static boolean[] matrixANDvector(boolean[][]matrix,boolean[]vector)
{
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
103
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
int i,j;
boolean op;
boolean[] result = new boolean[vector.length];
// Goes through all the neurons in the vector.
for(i = 0; i < vector.length; i++){
op = false;
for(j = 0; !op && j < vector.length; j++){
op = matrix[i][j] && vector[j];
// Basic operation
}
result[i] = op;
}
return result;
}
La aplicación sucesiva de esta operación sobre el vector resultante, permiten
escalar el vecindario hasta cualquier Radio de Vecindad, a partir del radio más simple
e inmediato de obtener: el radio 0, en el que sólo está a true la propia neurona.
El único inconveniente que se plantea es la creación de la Matriz de
Conexión Directa para el mapa. La conexión directa entre neuronas depende por
completo de la estructura de cada mapa. Es por ello que se genera a nivel de estancia
concreta de KohonenMap, utilizando el método Template Method (GoF) exigido por
el
contrato
de
esta
clase
abstracta
+
createConnectionMatrix(neuronCount :int) :boolean[][]. Los
mecanismos seguidos en cada uno de los modelos se describen en el apartado
siguiente.
Se optó por una aproximación matricial al cálculo de los vecindarios, en lugar
de emplear el algoritmo recursivo que resultaría evidente, por su mejor rendimiento.
Un enfoque recursivo hubiera disparado tiempos de ejecución y consumo de recursos.
Cada una de las llamadas a la función podría desencadenar en 4, 6 o hasta 8 llamadas
recursivas en los modelos de red incluidos con el sistema (neuronas cuadradas,
hexagonales o estrelladas respectivamente). La complejidad de este proceso tendría
un crecimiento cercano al exponencial con el aumento del número de neuronas en el
mapa, máxime si se introducen opciones de envoltura.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
104
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
f. Construcción de las Matrices de Conexión Directa
A continuación se muestran las matrices y las pruebas que se llevaron a cabo
para determinar el proceso concreto de su creación en cada uno de los tipos de mapa.
En cada caso se propone un ejemplo con 30 neuronas, repartidas en 5 filas y 6
columnas. Los esquemas de los mapas se corresponden con los diseños mostrados en
Ilustración 8: Wrapping de neuronas Cuadradas y Ilustración 9: Wrapping de
neuronas Hexagonales, según sea la forma de la neurona.
En estas matrices las casillas a 1 (verde) representan aquellas en las que una
neurona se encuentra en la vecindad de otra. Las casillas con 0 o vacías (blanco)
representan neuronas que no se encuentran en vecindad mutua. Bajo cada una de las
tablas se representa el proceso de propagación del vecindario de una neurona desde su
Vector de Vecindad de radio 0, hasta el 5.
Hexagonal - Sheet (sin wrapping)
0
1
2
3
4
5
6
7
8
9
0
1
1
1
1
1
1
1
1
1
2
1
1
1
3
1
1
1
4
0
1
1
0
1
1
1
1
10
11
12
13
14
1
1
0
5
1
1
6
1
1
7
1
1
0
1
1
1
1
1
1
1
1
0
1
1
8
9
1
1
1
1
1
1
1
1
0
1
1
1
1
1
1
1
0
1
1
1
1
1
1
2
1
1
1
1
0
1
1
1
1
1
1
1
1
1
4
1
5
1
1
0
0
1
1
1
1
15
16
17
18
19
1
3
1
1
1
1
1
0
1
1
1
1
20
21
22
23
24
1
1
0
1
1
1
6
1
1
1
7
1
1
0
1
1
1
1
1
1
1
1
0
1
1
1
8
1
9
1
1
1
1
1
1
1
1
0
1
1
1
1
1
1
2
1
1
1
1
1
2
3
4
5
6
7
8
9
1
0
1
1
1
2
0
0
0
1
1
0
0
1
1
1
0
1
1
1
1
0
1
1
1
1
0
1
1
1
1
0
0
1
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
1
1
0
0
1
1
1
0
1
1
1
1
1
1
1
1
1
1
3
1
1
1
1
1
1
1
1
2
3
1
1
0
1
1
1
0
2
2
1
1
1
1
1
2
4
2
5
1
1
0
0
1
1
1
1
25
26
27
28
29
IN
1
2
3
4
5
2
0
1
1
1
1
1
0
1
1
1
1
1
1
2
6
1
1
2
7
1
1
0
1
1
1
1
0
1
1
1
1
1
1
2
8
2
9
1
1
1
1
1
1
1
1
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
2
3
2
4
2
5
2
6
2
7
2
8
2
9
1
1
1
1
1
0
0
1
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
1
1
0
0
0
1
1
0
0
1
1
1
0
1
1
1
1
0
1
1
1
1
0
1
1
1
1
0
0
0
1
1
0
0
1
1
1
0
0
1
1
1
0
0
1
1
1
0
0
1
1
1
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
105
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Hexagonal - Cylinder
0
1
0
1
2
3
4
1
1
1
1
1
5
6
7
8
9
1
2
1
1
1
1
1
1
3
1
1
1
4
5
1
1
1
1
1
0
1
1
1
1
1
10
11
12
13
14
1
1
0
6
7
1
1
1
1
1
1
1
1
0
1
1
1
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
1
1
1
1
1
1
1
1
1
1
1
1
1
15
16
17
18
19
1
1
1
1
1
1
1
1
1
1
2
1
1
1
1
2
2
2
3
2
4
2
5
1
1
0
2
6
2
7
2
8
2
9
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
1
1
1
20
21
22
23
24
1
1
0
1
1
1
1
1
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
25
26
27
28
29
IN
1
2
3
4
5
2
0
1
1
1
1
1
1
1
1
9
1
1
1
0
1
1
8
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
1
1
1
0
1
2
3
4
5
6
7
8
1
1
1
1
1
0
1
1
1
1
0
0
1
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
1
1
0
1
1
1
1
1
1
1
1
1
9
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
2
3
2
4
2
5
2
6
2
7
2
8
2
9
1
1
1
1
1
0
1
1
1
1
0
0
1
1
1
0
1
1
1
1
1
1
1
1
1
0
1
1
1
1
0
0
1
1
1
0
0
1
1
1
0
1
1
1
1
0
1
1
1
1
0
0
1
1
1
0
0
1
1
1
0
0
0
1
1
0
0
1
1
1
0
0
1
1
1
0
0
0
1
1
0
0
0
1
1
0
0
0
1
1
0
0
0
1
1
0
0
0
1
1
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
106
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Hexagonal - Toroid
0
1
0
1
2
3
4
1
1
1
1
1
5
6
7
8
9
1
2
1
1
1
1
1
1
3
1
1
1
4
5
1
1
1
1
1
0
1
1
1
1
1
10
11
12
13
14
1
1
0
6
7
1
1
1
1
1
1
1
1
0
1
1
1
2
1
3
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
15
16
17
18
19
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
IN
1
2
3
4
5
1
1
1
1
1
1
1
1
0
1
1
1
1
1
20
21
22
23
24
25
26
27
28
29
1
4
1
1
0
1
1
1
1
5
1
6
1
7
1
8
1
9
2
0
1
1
1
1
0
2
2
2
3
2
4
2
5
0
1
1
2
6
1
1
2
7
1
1
2
8
2
9
1
1
1
0
1
1
1
1
1
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
1
1
1
1
1
1
9
1
1
1
0
1
1
8
1
1
1
1
1
0
1
1
1
1
1
0
1
1
1
1
1
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
2
3
4
5
6
7
8
9
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
2
3
2
4
2
5
2
6
2
7
2
8
0
1
1
1
1
0
1
1
1
1
0
0
1
1
1
0
1
1
1
1
1
1
1
1
1
0
0
1
1
1
0
0
1
1
1
0
0
1
1
1
0
1
1
1
1
0
1
1
1
1
0
0
1
1
1
0
0
1
1
1
0
0
0
1
1
0
0
1
1
1
0
0
1
1
1
0
1
1
1
1
0
0
1
1
1
0
0
1
1
1
0
1
1
1
1
0
1
1
1
1
1
1
1
1
1
0
1
1
1
1
0
0
1
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
1
1
0
1
1
1
1
1
1
1
1
1
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
1
1
2
9
1
1
1
1
1
1
107
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Square - Sheet (no wrapping)
0
1
0
1
2
3
4
1
1
1
1
1
5
6
7
8
9
1
2
3
4
5
6
7
8
9
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
1
2
2
2
3
2
4
2
5
2
6
2
7
2
8
2
9
1
1
1
1
1
1
1
1
1
1
1
0
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
10
11
12
13
14
1
1
1
1
1
1
1
1
0
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
15
16
17
18
19
1
1
1
1
1
1
1
1
0
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
20
21
22
23
24
1
1
1
1
1
1
1
1
0
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
25
26
27
28
29
IN
1
2
3
4
5
2
0
1
1
1
1
1
1
1
1
0
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
0
1
2
3
4
5
6
7
8
9
1
0
1
1
1
2
0
0
0
0
1
0
0
0
1
1
0
0
1
1
1
0
1
1
1
1
0
0
1
1
1
0
0
0
1
1
0
0
1
1
1
0
1
1
1
1
1
1
1
1
1
0
1
1
1
1
0
0
1
1
1
0
1
1
1
1
1
1
1
1
1
1
3
1
1
1
1
1
1
1
1
1
1
1
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
2
3
2
4
2
5
2
6
2
7
2
8
2
9
1
1
1
1
1
0
0
0
1
1
0
0
1
1
1
0
1
1
1
1
1
1
1
1
1
0
1
1
1
1
0
0
0
0
1
0
0
0
1
1
0
0
1
1
1
0
1
1
1
1
0
0
1
1
1
0
0
0
0
0
0
0
0
0
1
0
0
0
1
1
0
0
1
1
1
0
0
0
1
1
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
108
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Square - Cylinder
0
1
0
1
2
3
4
1
1
1
1
1
5
6
7
8
9
1
2
1
1
1
1
3
4
5
1
1
6
7
8
9
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
1
2
2
2
3
2
4
2
5
2
6
2
7
2
8
2
9
1
1
1
1
1
1
1
0
1
1
0
1
1
1
1
1
1
1
1
1
10
11
12
13
14
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
0
1
1
1
1
1
1
1
1
1
15
16
17
18
19
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
0
1
1
1
1
1
1
1
1
1
20
21
22
23
24
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
0
1
1
1
1
1
1
1
1
1
25
26
27
28
29
IN
1
2
3
4
5
2
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
0
1
1
1
1
1
1
1
1
0
1
2
3
4
5
6
7
8
9
1
0
1
1
1
2
0
0
0
1
1
0
0
0
1
1
0
0
1
1
1
0
1
1
1
1
0
0
1
1
1
0
0
1
1
1
0
0
1
1
1
0
1
1
1
1
1
1
1
1
1
0
1
1
1
1
0
1
1
1
1
0
1
1
1
1
1
1
1
1
1
1
3
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
2
3
2
4
2
5
2
6
2
7
2
8
2
9
1
1
1
1
1
0
0
1
1
1
0
0
1
1
1
0
1
1
1
1
1
1
1
1
1
0
1
1
1
1
0
0
0
1
1
0
0
0
1
1
0
0
1
1
1
0
1
1
1
1
0
0
1
1
1
0
0
0
0
1
0
0
0
0
1
0
0
0
1
1
0
0
1
1
1
0
0
0
1
1
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
109
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Square - Toroid
0
1
0
1
2
3
4
1
1
1
1
1
5
6
7
8
9
1
2
1
1
1
1
3
4
5
1
1
6
7
8
9
1
0
1
1
1
2
1
3
1
4
1
7
1
8
1
9
2
0
2
1
2
2
2
3
2
4
2
5
1
1
1
2
6
0
1
0
1
1
1
1
1
1
1
1
2
9
1
1
1
1
2
8
1
1
1
1
2
7
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
0
1
1
1
1
1
1
1
1
1
15
16
17
18
19
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
0
1
1
1
1
1
1
1
1
1
20
21
22
23
24
IN
1
2
3
4
5
1
6
1
10
11
12
13
14
25
26
27
28
29
1
5
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
1
1
0
1
1
1
1
1
1
1
1
1
1
0
1
2
3
4
5
6
7
8
9
1
0
1
1
1
2
0
0
0
1
1
0
0
0
1
1
0
0
1
1
1
0
1
1
1
1
0
0
1
1
1
0
0
1
1
1
0
0
1
1
1
0
1
1
1
1
1
1
1
1
1
0
1
1
1
1
0
1
1
1
1
0
1
1
1
1
1
1
1
1
1
1
3
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
2
3
2
4
2
5
2
6
2
7
2
8
2
9
1
1
1
1
1
0
0
1
1
1
0
0
1
1
1
0
1
1
1
1
1
1
1
1
1
0
1
1
1
1
0
0
0
1
1
0
0
0
1
1
0
0
1
1
1
0
1
1
1
1
0
0
1
1
1
0
0
0
0
1
0
0
0
0
1
0
0
0
1
1
0
0
1
1
1
0
0
0
1
1
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
110
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Star - Sheet (no wrapping)
0
1
0
1
2
3
4
1
1
1
1
1
5
6
7
8
9
1
1
2
1
1
1
0
1
1
1
3
1
1
1
4
5
6
0
1
1
1
1
1
1
1
0
1
1
1
1
1
1
10
11
12
13
14
1
1
0
7
1
1
1
0
1
1
1
1
1
1
1
1
9
1
0
1
1
1
1
1
0
0
1
1
1
0
1
1
8
1
1
1
1
1
0
1
1
1
1
1
1
15
16
17
18
19
1
1
0
1
1
1
1
1
1
1
1
2
1
1
1
0
1
1
1
1
1
1
1
1
1
4
1
5
1
1
1
1
1
0
0
1
1
1
0
1
1
1
3
1
1
1
1
1
0
1
1
1
1
1
1
20
21
22
23
24
1
1
0
1
1
1
6
1
1
1
1
7
1
1
1
0
1
1
1
1
1
1
1
1
1
9
2
0
1
1
1
1
1
0
0
1
1
1
0
1
1
1
8
1
1
1
0
1
1
1
1
1
1
25
26
27
28
29
IN
1
2
3
4
5
1
1
1
1
0
0
1
2
3
4
5
6
7
8
9
1
0
1
1
1
2
0
0
1
1
1
0
1
1
1
1
0
1
1
1
1
0
1
1
1
1
0
1
1
1
1
0
0
1
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
1
1
1
0
1
1
1
1
1
1
1
1
1
1
3
1
1
1
1
1
1
1
1
2
1
1
1
1
2
2
1
1
1
0
1
1
1
1
1
1
1
1
2
4
2
5
1
1
1
1
1
0
0
1
1
1
0
1
1
2
3
1
1
1
1
1
0
1
1
1
1
1
2
6
1
1
1
2
7
1
1
1
0
1
1
1
1
1
1
1
0
1
1
1
2
8
2
9
1
1
1
1
1
0
1
1
1
1
1
1
1
1
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
2
2
2
3
2
4
2
5
2
6
2
7
2
8
2
9
1
1
1
1
1
0
0
1
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
0
1
1
1
0
1
1
1
1
0
1
1
1
1
0
1
1
1
1
0
1
1
1
1
0
0
1
1
1
0
0
1
1
1
0
0
1
1
1
0
0
1
1
1
0
0
1
1
1
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
111
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Star - Cylinder
0
1
0
1
2
3
4
1
1
1
1
1
5
6
7
8
9
1
1
2
1
1
1
1
1
1
1
3
1
1
1
4
5
6
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
10
11
12
13
14
1
1
0
7
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
9
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
1
1
1
1
1
1
1
1
1
1
1
1
15
16
17
18
19
2
0
2
1
2
2
2
3
2
4
2
5
2
6
2
7
2
8
2
9
1
1
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
20
21
22
23
24
1
1
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
25
26
27
28
29
IN
1
2
3
4
5
1
9
1
1
1
1
1
1
1
8
1
1
0
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
3
4
5
6
7
8
9
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
0
0
0
1
1
0
0
0
1
1
0
0
0
1
1
0
0
0
1
1
0
0
0
1
1
0
0
1
1
1
0
0
1
1
1
0
0
1
1
1
0
0
1
1
1
0
0
1
1
1
0
1
1
1
1
0
1
1
1
1
0
1
1
1
1
0
1
1
1
1
0
1
1
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
1
1
1
1
1
1
1
2
2
1
1
1
1
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
3
2
4
2
5
2
6
1
1
1
1
1
0
1
1
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
7
2
8
2
9
1
1
1
1
1
1
1
1
1
1
0
1
1
1
1
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
112
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Star - Toroid
0
1
0
1
2
3
4
1
1
1
1
1
5
6
7
8
9
1
1
2
1
1
1
1
1
1
1
3
1
1
1
4
5
6
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
10
11
12
13
14
1
1
0
7
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
9
1
0
1
1
1
2
1
3
1
1
1
1
1
1
1
1
1
1
1
1
1
15
16
17
18
19
IN
1
2
3
4
5
1
5
1
6
1
7
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
1
1
1
1
1
1
1
1
1
2
1
2
2
2
3
2
4
2
5
2
6
1
1
1
1
1
2
7
2
8
2
9
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
1
2
0
0
1
1
1
1
1
9
1
1
1
1
1
1
1
1
8
0
20
21
22
23
24
25
26
27
28
29
1
4
1
1
1
1
1
1
1
8
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
3
4
5
6
7
8
9
1
0
1
1
1
2
1
3
1
4
1
5
1
6
1
7
1
8
1
9
2
0
2
1
0
1
1
1
1
0
1
1
1
1
0
1
1
1
1
0
1
1
1
1
0
1
1
1
1
0
0
1
1
1
0
0
1
1
1
0
0
1
1
1
0
0
1
1
1
0
0
1
1
1
0
1
1
1
1
0
1
1
1
1
0
1
1
1
1
0
1
1
1
1
0
1
1
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
1
1
1
1
1
1
1
2
2
1
1
1
1
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
3
2
4
2
5
2
6
1
1
1
1
1
0
1
1
1
1
0
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
7
2
8
2
9
1
1
1
1
1
1
1
1
1
1
0
1
1
1
1
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
113
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
g. Serialización en XML
La mayor carga de trabajo en la serialización de las Mapas de Kohonen es el
almacenamiento de los pesos de cada una de las neuronas. Es en el fondo en estos
pesos donde se está almacenando la información de la red. También se guardan los
datos de configuración necesarios para poder reconstruirla, siguiendo la metodología
de trabajo con XML anteriormente documentada.
<neuralNetwork class="com.jcortex.kohonen.KohonenNeuralNetwork"
neuronCount="24" sensorCount="57"
inputTranslator="com.jcortex.translators.TransparentInputTranslator"
outputTranslator="com.jcortex.translators.TransparentOutputTranslator"
neighbourhoodShape="1">
<kmap class="com.jcortex.kohonen.CylinderHexKMap" rows="4" columns="6"/>
<neuron class="com.jcortex.kohonen.KohonenNeuron" id="0"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFuncti
on" neuronCl’ass="0.0">
<entries>
<entry entry="-1" weight="0.44997883"/>
<entry entry="-2" weight="0.6483059"/>
<entry entry="-3" weight="0.26400942"/>
<entry entry="-4" weight="0.70277363"/>
<entry entry="-5" weight="0.6560223"/>
<entry entry="-6" weight="0.5321597"/>
<entry entry="-7" weight="0.7569439"/>
<entry entry="-8" weight="0.54573894"/>
<entry entry="-9" weight="0.27227366"/>
<entry entry="-10" weight="0.0851264"/>
<entry entry="-11" weight="0.32600105"/>
<entry entry="-12" weight="0.43089312"/>
<entry entry="-13" weight="0.22756328"/>
<entry entry="-14" weight="0.63259524"/>
<entry entry="-15" weight="0.19224365"/>
<entry entry="-16" weight="0.5933614"/>
<entry entry="-17" weight="0.633659"/>
<entry entry="-18" weight="0.114406504"/>
<entry entry="-19" weight="0.22308083"/>
<entry entry="-20" weight="0.46485943"/>
<entry entry="-21" weight="0.21386817"/>
<entry entry="-22" weight="0.5893505"/>
<entry entry="-23" weight="0.26973826"/>
<entry entry="-24" weight="0.32525367"/>
<entry entry="-25" weight="0.16904715"/>
<entry entry="-26" weight="0.59232694"/>
<entry entry="-27" weight="0.14317566"/>
<entry entry="-28" weight="0.9005484"/>
<entry entry="-29" weight="0.7701142"/>
<entry entry="-30" weight="0.36541304"/>
<entry entry="-31" weight="0.45704892"/>
<entry entry="-32" weight="0.24202602"/>
<entry entry="-33" weight="0.63768333"/>
<entry entry="-34" weight="0.62507075"/>
<entry entry="-35" weight="0.5721791"/>
<entry entry="-36" weight="0.5307817"/>
<entry entry="-37" weight="0.42867833"/>
<entry entry="-38" weight="0.69789916"/>
<entry entry="-39" weight="0.744212"/>
<entry entry="-40" weight="0.65122235"/>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
114
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
<entry entry="-41" weight="0.3038286"/>
<entry entry="-42" weight="0.88952297"/>
<entry entry="-43" weight="0.40145975"/>
<entry entry="-44" weight="0.7137737"/>
<entry entry="-45" weight="0.3893802"/>
<entry entry="-46" weight="0.34767807"/>
<entry entry="-47" weight="0.49127114"/>
<entry entry="-48" weight="0.90430146"/>
<entry entry="-49" weight="0.63695836"/>
<entry entry="-50" weight="0.39226708"/>
<entry entry="-51" weight="0.21518014"/>
<entry entry="-52" weight="0.30000395"/>
<entry entry="-53" weight="0.60939234"/>
<entry entry="-54" weight="0.25245282"/>
<entry entry="-55" weight="0.775401"/>
<entry entry="-56" weight="0.8400013"/>
<entry entry="-57" weight="0.5092916"/>
</entries>
<examplesInClasses>
<examplesClassCount class="1.0" count="2"/>
<examplesClassCount class="0.0" count="3"/>
</examplesInClasses>
</neuron>
! Los datos de las neuronas 1 a 23 han sido omitidos.
<teacher class="com.jcortex.kohonen.DefaultKohonenTeacher"
learningRate="0.4" neighbourhoodRadius="1" maxIterations="500"
avgDistanceAccepted="0.05" constantVariation="1.0E-4"
analysisWindow="100"/>
</neuralNetwork>
La red serializada presenta el siguiente aspecto, tal y como lo representa el
entorno de desarrollo JCortexBuilder.
Ilustración 10: Ejemplo de Mapa de Kohonen
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
115
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
5.6.4. Modelo Genérico Feed-Forward
a. Descripción de la red genérica
Modelo genérico que sirve como base para cualquier modelo de Red Neuronal
Artificial en el que el proceso de propagación se lleve a cabo por el avance de los
estímulos desde las neuronas más cercanas a los sensores (capa de entrada) hacia
delante (downstream o corriente-abajo). En el caso de redes sin recurrencias, la
propagación finaliza cuando el estímulo ha alcanzado – y activado – las últimas
neuronas de la red, las que no tienen ningún elemento conectado a las mismas (capa
de salida). Este modelo intermedio soporta a su vez la existencia de realimentación
entre las neuronas de la red. En este caso la propagación finalizará cuando no se
produzcan más cambios significativos en los niveles de activación de las neuronas.
Sobre la arquitectura Feed-Forward, se pueden llegar a crear modelos de red
simples como el ADALINE, complejos como el Perceptrón Multicapa o incluso más.
b. Diseño del modelo de propagación - ToDoList
Este modelo genérico carece de Maestros ya que sólo interesa plantear la
funcionalidad común a todas las redes Feed-Forward: su sistema de propagación. Se
toman las siguientes convenciones de nomenclatura:
Sean dos neuronas, A y B, en una red Feed-Forward. Si la neurona B
toma como entrada el valor de A, asignándole un peso a esta
conexión; A será una entrada de B, mientras que B será un hijo de la
neurona A. Por lo tanto, el flujo corriente-abajo fluirá desde A hasta
B: de entradas a hijos.
En un primer momento se tanteó con un sistema de propagación mucho más
parecido al modelo biológico primario: las neuronas serían entidades (instancias) que,
al ser procesadas, activarían las neuronas que estuvieran conectadas a ellas corrienteabajo. Si bien este sistema parece mucho más intuitivo y paralelizable, presenta
grandes problemas por su tiempo de ejecución y consumo de recursos. Se puede
llegar a producir una explosión de invocaciones en cadena de una neurona a la
siguiente, y de ahí al siguiente nivel de conexión. Lo habitual es que una neurona
tenga más de una entrada, por lo que la mayor parte de las activaciones serían en
falso: la neurona realizaría sus cálculos sin disponer de toda la información de entrada
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
116
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
estable y actualizada. El problema llega a ser mucho más grave si se da cabida a la
realimentación en la red, ya que daría lugar a una explosión de invocaciones sin final.
El denominado Modelo Biológico fue desechado tras las primeras pruebas
posteriores a su desarrollo al comprobar la gravedad de sus deficiencias en consumo
de recursos y tiempo de ejecución.
El sistema de propagación finalmente empleado se bautizó como Modelo
ToDoList. En este sistema, el control de la propagación gira en torno a una lista de
neuronas a ser procesadas. La ToDoList actúa como una cola con una política similar
a la FIFO, de la cual se extrae de la cima la siguiente neurona a ser procesada, y se
añade al final (cola) los hijos de las neuronas que han sido procesadas.
Las neuronas Feed-Forward, modeladas a través de la clase abstracta
FeedForwardNeuron, son capaces de activar conexiones sinápticas. Tal y como
se describe en el 5.5.2. Relación entre AxonSource, AxonReceiver, Sensor y
Neuron > a) Puntualizaciones sobre las neuronas (Neuron), el método +
synapse() :Collection no sólo genera el valor de activación de la red, sino
que además obtiene el conjunto de neuronas afectadas. Un final temprano – aunque
exitoso – se produciría en el caso de que la entrada no generara cambios en el valor de
activación de la neurona (axon value en el modelo AxonSource). Al no verse
afectadas el resto de las neuronas conectadas, estas no tendrán que ser añadidas a la
lista de propagación ya que, al menos en lo que corresponde a esta entrada, su valor
permanecerá inalterable.
La implantación proporcionada de la clase ToDoList tiene su interfaz y
sistema de trabajo preparado para el uso de prioridades en forma de pesos. Para ello la
lista no trabaja directamente con objetos de la clase Neuron, sino con instancias de
la clase NeuronInTheList que envuelven en una misma entidad la referencia a la
neurona y su peso. Es posible comparar las instancias de NeuronInTheList al
haber implantado los métodos + compareTo(otherNeuron :Object) :int
y + equals(otherNeuron :Object) :boolean que atienden a la prioridad
e identidad de la neurona. De forma que ordenar una lista de mayor a menor prioridad
es tan simple como ordenar la estructura de datos que contenga las instancias de
NeuronInTheList. El criterio de prioridad se basa en los dos puntos siguientes:
•
A menor peso, mayor prioridad, por lo tanto más cerca estará la neurona
de la cima de la ToDoList.
•
A igualdad de peso, la prioridad se decidirá por el menor identificador de
neurona. Para tomar esta decisión se ha partido de la idea de que la
numeración de las neuronas se produce desde el principio hasta el final de
la red. De esta manera, en situaciones de recursividad se dará prioridad a
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
117
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
las neuronas que estén más cerca de los sensores, y cuyos cambios sea más
posible que se propaguen.
Dos instancias de ToDoList serán iguales cuando hagan referencia a la misma
neurona. Para simplificar esta comparación sólo es necesario trabajar con los
identificadores numéricos de las instancias de Neuron.
Sin embargo, la implantación actual ignora el uso de prioridades. La razón
es que en el sistema actual no se considera que un proceso tan costoso en tiempo
como es la ordenación sistemática de una estructura de datos sea imprescindible. Más
cuando esta ordenación tenga que ser llevada a cabo, en principio, al menos una vez
por neurona para cada propagación. El consumo es desorbitado, por lo que a estas
alturas compensa tener el sistema preparado, pero ignorar la prioridades y pagar, a
cambio, algunas posibles activaciones adicionales de neuronas que podrían haberse
ahorrado.
Un punto importante para el funcionamiento de la ToDoList es que no se
permite la presencia de neuronas duplicadas dentro de ella. En la situación actual las
neuronas repetidas son ignoradas. Para acelerar este proceso en la implantación actual
se incluye un vector auxiliar neuronsPresent :boolean[] que mantiene una
posición para cada una de las neuronas de la red. Si la neurona está ya presente, este
valor será true y false en caso contrario. En el caso de utilizar una aproximación
con prioridades, se retendrá en la lista la neurona con mayor prioridad (menor peso).
Para ello puede ser más cómodo que el array auxiliar sea de enteros y contenga el
peso con el que la neurona está presente en la red.
Para facilitar el uso de las instancias de ToDoList, esta clase implementa la
interfaz Iterator. De esta manera es posible avanzar a través de la lista de
neuronas por ser procesadas empleando únicamente los métodos + hasNext()
:boolean y + next() :Object. En este último se ha optado por proporcionar
un servicio sincronizado con vistas a futuras implantaciones paralelizadas.
Los pasos a seguir en el trabajo con la ToDoList, utilizando además
prioridades, son los siguientes:
1. Inicializar ToDoList con la colección de First Neurons de la red
neuronal. Son aquellas neuronas que están directamente conectadas a los
sensores de la red. Peso de las neuronas iniciales 0.
2. ¿Hay más elementos en la lista?: toDoList.hasNext();
3. Obtener el elemento y realizar la sinapsis.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
118
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
4. Añadir las neuronas devueltas por la sinapsis a la lista con
5. Ordenar la ToDoList
6. Volver al paso 2.
peso +1.
La implantación actual, ignorando el uso de prioridades es la siguiente:
// The list is prepared
this.toDoList = new ToDoList(this.neurons.size());
// Starts by activating the NeuralStimulus that leads onto the first neurons
this.toDoList.add(this.getConnectedNeurons(), 0);
// Goes deeper into the neuron network
while(this.toDoList.hasNext()){
/* Visits the first element, calculating the new neuron's value, taking
* it out from the toDoList. As a result of the synapse methods it
* obtains the neurons connected to this one and adds them
* on to the list.
*/
Collection thisNeuronsChilds = ((FeedForwardNeuron)
this.toDoList.next()).synapse();
this.toDoList.add(thisNeuronsChilds, -1);// Weight is ignored
}
Para llevar a cabo la sinapsis, las neuronas Feed-Forward utilizan dos
funciones: una Función de Red para aglutinar todas las entradas en un valor único, y
una Función de Activación que determina el estado de activación de la red. Estas
funciones se configuran en la neurona mediante instancias de NetworkFunction y
ActivationFunction respectivamente. El proceso matemático utilizado se
describe a continuación:
v = networkFunction( x1, x 2 ,L, x k )
y = activationFunction(v )
!
Símbolo
Descripción
Elemento
Variable
v
Valor conjunto de las entradas de
red.
-
float networkResult
x
El valor de las entradas a la red.
xi
entries.values()
y
Estado de activación de la neurona.
-
float axonValue
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
119
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Ilustración 11: Ejemplo de Propagación Feed-Forward - Sin recursividad
ToDoList (cima " cola)
Iteración
Procesado
0
-
0, 1, 2
1
0
1, 2, 3, 4
2
1
2, 3, 4
3
2
3, 4
4
3
4, 5
5
4
5
6
5
-
fin
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
120
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Ilustración 12: Ejemplo de Propagación Feed-Forward - Con recursividad
ToDoList (cima " cola)
Iteración
Procesado
0
-
0, 1, 2
1
0
1, 2, 3, 4
2
1
2, 3, 4, 5
3
2
3, 4, 5
4
3
4, 5, 0, 6
5
4
5, 0, 6
6
5
0, 6, 2
7
0
6, 2, 3, 4
8
6
2, 3, 4
9
2
3, 4, 5
bucle a partir de …
iteración 2
En el Diagrama de Clases 12: Modelo de Red Feed-Forward y Perceptrón se
ha representado el contenido completo del paquete com.jcortex.feedForward,
distribuido con el framework. Se ha incluido las interfaces y clases abstractas básicas
del paquete principal que definen el contrato de los elementos de la red neuronal.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
121
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Diagrama de Clases 12: Modelo de Red Feed-Forward y Perceptrón
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
122
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
5.6.4. Modelo Perceptrón (com.jcortex.feedForward)
a. Descripción de la Red
Las redes Perceptrón, formadas por una única neurona similar a la de
McCullock-Pitts, se encuentran entre los primeros acercamientos a las Redes
Neuronales Artificiales. Si bien al estar constituido por una única neurona poco se
podría considerar una red.
El sistema básico que se proporciona a través del modelo Feed-Forward se
correspondería más con una neurona ADALINE, ya que esta última es realmente
mucho más versátil que las Perceptrón tradicionales. Se puede configurar para su uso
con distintas funciones de red y de activación.
b. Diseño del modelo
Para la creación de este modelo sólo ha sido preciso crear una clase para la red
neuronal (PerceptronNeuralNetwork) y un Maestro capaz de educar las redes
de este modelo (DefaultPerceptronTeacher). Estas clases pueden apreciarse
en el Diagrama de Clases 12: Modelo de Red Feed-Forward y Perceptrón, situado en
el apartado anterior.
El constructor de PerceptronNeuralNetwork se encarga por su cuenta
de crear una neurona Perceptrón pura a partir de la versátil que ofrece el modelo
genérico Feed-Forward. Dentro de las posibilidades que ofrece la neurona
FeedForwardNeuron, la red impone:
•
Al ser la única neurona su identificador será 0.
•
La Función de Red será una LinearBasisFunction.
•
La Función de Activación será una StepFunction con umbral en 0,5.
Esta única neurona será a la vez first neuron, por estar conectada a los sensores, y end
neuron por ser la que proporciona la salida a la red.
c. Propagación
La propagación se realiza sobre el modelo genérico Feed-Forward del que
heredan todos los elementos de red de este modelo.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
123
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
d. Maestro DefaultPerceptronTeacher
El maestro por defecto suministrado con el framework JCortex emplea, para la
educación de la red Perceptrón una implantación del Algoritmo de Adaptación de
Pesos. Este algoritmo se basa en ajustar los parámetros de la neurona (los pesos
asociados a sus conexiones de entrada) a partir de los errores producidos al paso de un
conjunto de ejemplos.
Para más información consultar la descripción del método +
educateNetwork(:NeuralNetwork,
:Object[],
:Object[])
:Statistics de la clase DefaultPerceptronTeacher en el Anexo A:
Documentación de la API – JCortex.
Tabla 9: Parámetros de aprendizaje de DefaultPerceptronTeacher
Parámetro
Tipo
Descripción
Valor por
Defecto
acceptableError
float
Máximo error admisible para finalizar 0.05f
el entrenamiento.
analysisWindow
int
Tamaño de la ventana utilizada por
los analizadores para tomar
decisiones sobre el progreso del
entrenamiento.
10
constantVariation
float
Margen bajo el cual una variación se
considera constante.
0.0001f
learningRate
float
Factor de Aprendizaje propio de los 0.5f
algoritmos basados en aprendizaje
supervisado a partir de errores.
maxIterations
long
Número de iteraciones máximo.
1000
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
124
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Tabla 10: Analizadores no compuestos de DefaultPerceptrónTeacher
Analizador
(DefaultPerceptronTeacher.)
Tipo
Descripción
TRAINING_ERROR
ValueDecreaseAnalyzer
Error cuadrático
medio de
Entrenamiento.
VALIDATION_ERROR
ValueDecreaseAnalyzer
Error cuadrático
medio de
Validación.
WEIGHT_VARIATION
ValueVariationAnalyzer Variación
absoluta de los
pesos de las
neuronas del
mapa.
f. Serialización en XML
La serialización de este modelo de red es muy sencilla y rápida, ya que sólo
necesita almacenar la configuración de una única neurona.
<neuralNetwork class="com.jcortex.feedForward.PerceptronNeuralNetwork"
inputTranslator="com.jcortex.translators.TransparentInputTranslator"
neuronCount="1"
outputTranslator="com.jcortex.translators.TransparentOutputTranslator"
sensorCount="2">
<neuron activationFunction="com.jcortex.activationFunctions.StepFunction"
activationParamsCount="1"
class="com.jcortex.feedForward.FeedForwardNeuron" id="0"
networkFunction="com.jcortex.networkFunctions.LinearBasisFunction">
<parameters count="1">
<parameter ix="0" value="0.5"/>
</parameters>
<entries>
<entry id="-1" weight="-28.797607"/>
<entry id="-2" weight="20.38462"/>
</entries>
</neuron>
<firstNeurons size="1">
<neuronRef id="0"/>
</firstNeurons>
<endNeurons size="1">
<neuronRef id="0"/>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
125
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
</endNeurons>
<teacher acceptableError="0.05" analysisWindow="10"
class="com.jcortex.feedForward.DefaultPerceptronTeacher"
constantVariation="1.0E-4" learningRate="0.5" maxIterations="500"
validationPercent="0.2"/>
</neuralNetwork>
La red serializada presenta el siguiente aspecto, tal y como lo representa el
entorno de desarrollo JCortexBuilder.
Ilustración 13: Ejemplo de Red Perceptrón
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
126
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
5.6.5. Modelo Preceptrón Multicapa
(com.jcortex.backPropagation)
a. Descripción de la Red
La Red Perceptrón Multicapa es la red Back-Propagation por excelencia. Es
un de los modelos de red más ampliamente utilizados en la industria.
Formalmente, el Perceptrón Multicapa es una red Feed-Forward a la que se le
han añadido unas funcionalidades especiales para poder realizar un aprendizaje
utilizando retropropagación. Esto significa que a través de los elementos de la red
viajarán dos tipos de señales:
•
Señales de Función: señales de entrada que se propagan a lo largo de la
red desde la entrada hasta la salida.
•
Señales de Error: señales que se originan en la capa de salida y se
propagan hacia la entrada durante el proceso de entrenamiento.
Las neuronas de la red Perceptrón Multicapa se organizan, como su propio
nombre indica, en múltiples capas completamente conectadas entre si en cadena. Una
capa sólo tiene acceso a la inmediatamente anterior y la inmediatamente posterior.
Los sensores pueden considerarse como la primera capa, previa a la capa se entrada,
y las end neurons pueden ser consideradas como la capa de salida. El resto de las
capas intermedias se denominan capas ocultas. Este modelo representa una red
completamente conectada (fully-connected), lo que significa que cada neurona toma
como entradas todas las neuronas de la capa anterior, y es a su vez entrada para todas
las neuronas de la capa siguiente.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
127
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
b. Diseño del modelo
La implantación de este modelo de red neuronal artifical sólo requiere tres
clases, que extiendan las proporcionadas por el modelo intermedio Feed-Forward. El
modelo Perceptrón Multicapa no deja de ser un sistema de neuronas de propagación
hacia delante, con unas funciones e información adicionales que les permita propagar
el error en sentido contrario para su aprendizaje. Las clases de este modelo están
representadas en el Diagrama de Clases 13: Modelo de Red Perceptrón Multicapa, en
el que también se representa sus relaciones con las clases Feed-Forward y del paquete
principal.
La
clase
MultilayerPerceptronNeuralNetwork
extiende
FeedForwardNeuralNerwork, lo que le proporciona todas las características y
atribuciones de NeuralNetwork. El modelo intermedio Feed-Forward proporciona
todas las funcionalidades relacionadas con el funcionamiento y propagación de la red.
La única responsabilidad ha de acatar esta clase es la gestión de su estructura interna,
lo que incluye su creación, almacenamiento y recuperación.
El sistema de capas en que se organiza la red Perceptrón Multicapa se recoge
dentro
de
la
estructura
de
datos
–
neuronLayers
:BackPropagationNeuron[][] . El acceso a las neuronas concretas se lleva a
cabo mediante dos índices [i][j]: el primero indica la capa, mientras que el segundo
identifica a la neurona concreta de la capa. Este esquema de almacenamiento
aprovecha las características propias del lenguaje JAVA, por el cual la variable
neuronLayer[i]
realmente
hace
referencia
a
un
array
de
tipo
BackPropagationNeuron[] de cualquier dimensión. Es importante resaltar que
al contrario de otros lenguajes cuyas matrices multidimensionales están forzadas a
poseer el mismo tamaño en todas sus conjuntos de elementos (n-1)-dimensionales, en
Java estas estructuras se ajustan al tamaño justo, a pesar de trabajar con capas de
tamaño muy dispar. Se ha de tomar en consideración a su vez que la almacenada en la
estructura de capas no es la única referencia que la red neuronal posee de la neurona.
A nivel de NeuralNetwork las neuronas se almacenan en el interior de una lista
List que permite un acceso directo cuando se requiere una neurona por su
identificador. El propio constructor de la red Perceptron Multicapa se encarga de crear
las neuronas preparadas para la retropropagación, situarlas en el esquema de capas,
conectarlas completamente con la capa anterior, almacenarlas en la lista conjunta del
nivel superior y dar de alta las últimas como end neurons.
Las neuronas BackPropagationNeuron extienden también el concepto
de neurona implantado a nivel de red Feed-Forward. En este nuevo nivel de
especialización, la neurona adquiere las características necesarias para participar del
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
128
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
aprendizaje por retropropagación. La neurona adquiere la capacidad de calcular su
gradiente y almacenarlo. Para ello se recurre a los siguientes métodos:
•
+ getGradient() :float. Obtiene el último valor de gradiente
calculado por la neurona.
•
+ calculateGradient(desired_output :float) :float.
Calcula el gradiente para las neuronas de la capa de salida. Sólo en estas es
posible indicar cuál debía haber sido la salida deseada y, con ella, calcular
el error cometido por la neurona. Esta medida de error es la utilizada para
realizar el ajuste de los pesos de la neurona.
•
+ calculateGradient() :float. Las neuronas que se
encuentran en una de las capas ocultas no pueden conocer durante el
proceso de entrenamiento cuál es la salida que se supone debían producir.
Su error ha de ser calculado mediante los gradientes de sus neuronas hijas
para poder tener una pista de qué sentido e intensidad ha de tener el ajuste
de los pesos. Éste método no recibe parámetros ya que ha de ser la propia
neurona la que construya su gradiente a partir de los gradientes de aquellas
para las cuales esta es una entrada.
Para poder calcular el gradiente de una neurona, es preciso que su Función de
Activación no sea simplemente una instancia de tipo ActivationFunction, sino
que
ha
de
ser
una
especialización
de
esta:
BackPropagationActivationFunction. Son estas últimas las que poseen
los mecanismos necesarios para calcular la derivada de la Función de Activación,
imprescindible para obtener el valor del gradiente.
La clase DefaultMultilayerPerceptronTeacher modela el maestro
por defecto para esta red. Como todos los maestros en JCortex hereda directamente de
la clase Teacher. El proceso de entrenamiento de una red Perceptrón Multicapa es
largo y complejo, como se describe en el apartado d. Maestro
DefaultMultilayerPerceptronTeacher.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
129
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Diagrama de Clases 13: Modelo de Red Perceptrón Multicapa
c. Propagación
La propagación se realiza sobre el modelo genérico Feed-Forward del que
heredan todos los elementos de red de este modelo.
d. Maestro DefaultMultilayerPerceptronTeacher
El maestro proporcionado por defecto para el modelo de red Perceptrón
Multicapa es una implantación del algoritmo de Aprendizaje Supervisado por
Adaptación de Pesos basado en el mecanismo de Retropropagación. Este algoritmo
se basa en ajustar los parámetros de la neurona (los pesos asociados a sus conexiones
de entrada) a partir de los errores producidos al paso de un conjunto de ejemplos,
utilizando el mecanismo de retropropagación para alcanzar las neuronas de las capas
ocultas.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
130
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Para más información consultar la descripción del método +
educateNetwork(:NeuralNetwork,
:Object[],
:Object[])
:Statistics de la clase DefaultMultilayerPerceptronTeacher en el
Anexo A: Documentación de la API – JCortex.
Tabla 11: Parámetros de aprendizaje de
DefaultMultilayerPerceptronTeacher
Parámetro
Tipo
Valor por
Defecto
Descripción
acceptableError
float
Máximo error admisible para finalizar 0.05f
el entrenamiento.
analysisWindow
int
Tamaño de la ventana utilizada por
los analizadores para tomar
decisiones sobre el progreso del
entrenamiento.
10
constantVariation
float
Margen bajo el cual una variación se
considera constante.
0.0001f
learningRate
float
Factor de Aprendizaje propio de los 0.5f
algoritmos basados en aprendizaje
supervisado a partir de errores.
maxIterations
long
Número de iteraciones máximo.
1000
Tabla 12: Analizadores no compuestos de
DefaultMultilayerPerceptrónTeacher
Analizador
(DefaultMultilayerPerceptronTeacher.)
TRAINING_ERROR
Tipo
ValueDecreaseAnalyzer
Descripción
Error cuadrático
medio de
Entrenamiento.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
131
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Error cuadrático
medio de
Validación.
VALIDATION_ERROR
ValueDecreaseAnalyzer
WEIGHT_VARIATION
ValueVariationAnalyzer Variación absoluta
de los pesos de las
neuronas del mapa.
e. Serialización en XML
Ejemplo de archivo generado para una red neuronal Perceptrón Multicapa de
dos capas con 2 neuronas en la capa de entrada y una neurona en la capa de salida,
representada en la Ilustración 14. El código XML se muestra sin los nodos raiz
correspondientes a la definición del documento y descritos en el apartado 5.2.3.
Metodología de trabajo con XML > c) Formato básico de los documentos XML
generados por JCortex.
<neuralNetwork
class="com.jcortex.backPropagation.MultilayerPerceptronNeuralNetwork"
inputTranslator="com.jcortex.translators.TransparentInputTranslator"
neuronCount="3"
outputTranslator="com.jcortex.translators.TransparentOutputTranslator"
sensorCount="2">
<layers count="2">
<layer ix="0" size="2"/>
<layer ix="1" size="1"/>
</layers>
<neuron
activationFunction="com.jcortex.activationFunctions.SigmoidalFunction"
activationParamsCount="1"
class="com.jcortex.backPropagation.BackPropagationNeuron" id="0"
networkFunction="com.jcortex.networkFunctions.LinearBasisFunction">
<parameters count="1">
<parameter ix="0" value="0.5"/>
</parameters>
<entries>
<entry id="-1" weight="2.7147276"/>
<entry id="-2" weight="0.997935"/>
</entries>
</neuron>
<neuron
activationFunction="com.jcortex.activationFunctions.SigmoidalFunction"
activationParamsCount="1"
class="com.jcortex.backPropagation.BackPropagationNeuron" id="1"
networkFunction="com.jcortex.networkFunctions.LinearBasisFunction">
<parameters count="1">
<parameter ix="0" value="0.5"/>
</parameters>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
132
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
<entries>
<entry id="-1" weight="2.645915"/>
<entry id="-2" weight="1.3748711"/>
</entries>
</neuron>
<neuron
activationFunction="com.jcortex.activationFunctions.SigmoidalFunction"
activationParamsCount="1"
class="com.jcortex.backPropagation.BackPropagationNeuron" id="2"
networkFunction="com.jcortex.networkFunctions.LinearBasisFunction">
<parameters count="1">
<parameter ix="0" value="0.5"/>
</parameters>
<entries>
<entry id="1" weight="6.2097344"/>
<entry id="0" weight="6.0428324"/>
</entries>
</neuron>
<firstNeurons size="2">
<neuronRef id="0"/>
<neuronRef id="1"/>
</firstNeurons>
<endNeurons size="1">
<neuronRef id="2"/>
</endNeurons>
<teacher acceptableError="0.05" analysisWindow="50"
class="com.jcortex.backPropagation.DefaultMultilayerPerceptronTeacher"
constantVariation="1.0E-4" learningRate="0.4" maxIterations="500"
validationPercent="0.2"/>
</neuralNetwork>
Ilustración 14: Ejemplo de Red Perceptrón Multicapa
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
133
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
5.7. Estudio de Optimización
Los estudios de optimización realizados a lo largo del proceso de desarrollo
del framework han permitido identificar las actividades más costosas y minimizar el
tiempo de proceso. Han sido realizados sobre los métodos de aprendizaje de los
maestros asociados a cada modelo de Red Neuronal Artificial. Esta decisión se tomó
con la idea de reducir al máximo el tiempo de la tarea tradicionalmente más pesada (el
entrenamiento de la red). Además, un entrenamiento supone a menudo gran cantidad
de pruebas dentro de la red, por lo que los procesos de propagación pueden ser
estudiados de una manera inmejorable.
Se ha seguido un proceso iterativo en el que se sucedía los análisis de
optimización con el rediseño de los métodos de pensamiento y entrenamiento. Los
resultados generados en los sucesivos estudios resultaron de gran utilidad a la hora de
afinar las estructuras de datos empleadas en las distintas tareas, ajustar los caminos de
ejecución, y centrar los esfuerzos de optimización en las tareas más repetitivas y
pesadas.
En los apartados siguientes 5.7.1. Entrenamiento de un Perceptrón Multicapa
y 5.7.2. Entrenamiento de un Mapa de Kohonen se muestra el volcado generado por
la herramienta de profile Shark del aprendizaje de estos dos modelos de red. En estos
informes los métodos no se muestran en orden cronológico de invocación, sino de
acuerdo con su tiempo de ejecución. Ambos análisis se realizaron sobre una máquina
RISC PowerPC G4 a 1,67GHz con 512 MB de RAM, sobre Mac OS X 10.4. Las
pruebas se realizaron lanzando los procesos de entrenamiento sobre el entorno de
desarrollo JCortexBuilder, por lo que en ocasiones se pueden observar métodos
ejecutados sobre elementos de la interfaz. Estas llamadas, aunque no sean visibles,
son comunes en las notificaciones de los StatsListeners.
5.7.1. Entrenamiento de un Perceptrón Multicapa
#
+
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Generated from the visible portion of the outline view
14113.4 ms Thread:run (java.lang)
+ 14113.4 ms TeachInAThread:run (com.jcortex.builder)
| + 14113.4 ms DefaultMultilayerPerceptronTeacher:educateNetwork (...backProp...)
| | + 7470.2 ms BackPropagationNeuron:calculateGradient (...jcortex.backPropagation)
| | | + 5856.0 ms FeedForwardNeuron:getEntryWeight (com.jcortex.feedForward)
| | | |
718.3 ms Hashtable:get (java.util)
| | |
760.4 ms AbstractList:iterator (java.util)
| | |
471.2 ms AbstractList$Itr:hasNext (java.util)
| | |
36.0 ms AbstractList$Itr:next (java.util)
| | |
0.4 ms FeedForwardNeuron:getActivationFunction (com.jcortex.feedForward)
| | + 4804.7 ms FeedForwardNeuralNetwork:pureThink (com.jcortex.feedForward)
| | | + 2445.4 ms Neuron:synapse (com.jcortex)
| | | | + 2403.1 ms FeedForwardNeuron:produceAxonValue (com.jcortex.feedForward)
| | | | | + 1976.7 ms LinearBasisFunction:getSolution (com.jcortex.networkFunctions)
| | | | | | - 692.0 ms Collections$SynchronizedCollection:iterator (java.util)
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
134
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
+
|
|
|
|
+
|
|
+
|
|
|
|
|
|
|
+
|
|
|
|
+
|
+
|
|
|
| | - 490.7 ms Hashtable$Enumerator:hasNext (java.util)
| |
363.6 ms Hashtable$Enumerator:next (java.util)
| + 376.3 ms SigmoidalFunction:getSolution (com.jcortex.activationFunctions)
| | - 376.3 ms Math:exp (java.lang)
2133.1 ms ToDoList:add (com.jcortex.feedForward)
471.4 ms AbstractList$Itr:hasNext (java.util)
442.5 ms AbstractList:iterator (java.util)
- 404.4 ms LinkedList:add (java.util)
43.5 ms AbstractList$Itr:next (java.util)
79.9 ms ToDoList:nextElement (com.jcortex.feedForward)
- 77.5 ms LinkedList:remove (java.util)
55.9 ms ToDoList:<init> (com.jcortex.feedForward)
13.7 ms 0x514d1100000138 [unknown] (Unknown Library)
- 6.9 ms Arrays:fill (java.util)
- 0.3 ms LinkedList:<init> (java.util)
14.4 ms ToDoList:hasMoreElements (com.jcortex.feedForward)
6.8 ms AbstractList:iterator (java.util)
5.7 ms Collections$SynchronizedCollection:size (java.util)
1.5 ms AbstractList$Itr:hasNext (java.util)
485.0 ms Collections$SynchronizedCollection:iterator (java.util)
385.4 ms Hashtable$Enumerator:hasNext (java.util)
338.9 ms Hashtable$Enumerator:next (java.util)
138.4 ms Statistics:addRegister (com.jcortex)
+ 137.3 ms Statistics:notifyUpdate2Listeners (com.jcortex)
| - 80.5 ms TrainingProgressRepresentation:statsUpdate (com.jcortex.builder)
| - 37.5 ms StatsMeasureXYGraphJPanel:statsUpdate (...jcortex.builder.reports)
| - 19.3 ms JReportFrame:statsUpdate (com.jcortex.builder)
75.5 ms Statistics:finishedStats (com.jcortex)
+ 75.5 ms Statistics:notifyEnd2Listeners (com.jcortex)
| - 75.5 ms JReportFrame:statsClosed (com.jcortex.builder)
22.4 ms FeedForwardNeuron:getEntries (com.jcortex.feedForward)
13.8 ms ComposedProgressAnalyzer:isProgressGoodEnough (com.jcortex)
+ 13.4 ms ValueDecreaseAnalyzer:isProgressGoodEnough (com.jcortex)
| - 12.6 ms StringBuffer:append (java.lang)
0.3 ms LinkedList$ListItr:hasNext (java.util)
5.7.2. Entrenamiento de un Mapa de Kohonen
+
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
11856.0 ms Thread:run (java.lang)
+ 11856.0 ms TeachInAThread:run (com.jcortex.builder)
| + 11856.0 ms DefaultKohonenTeacher:educateNetwork (com.jcortex.kohonen)
| | + 9082.2 ms KohonenNeuralNetwork:pureThink (com.jcortex.kohonen)
| | | + 8764.6 ms KohonenMap:pureThink (com.jcortex.kohonen)
| | | | + 8198.2 ms KohonenNeuron:produceAxonValue (com.jcortex.kohonen)
| | | | |
7972.2 ms EuclideanDistanceFunction:getDistance (...distanceFunctions)
| | | | - 208.4 ms AbstractList$Itr:next (java.util)
| | | |
190.6 ms AbstractList$Itr:hasNext (java.util)
| | | | - 79.1 ms Default2DKMap:iterator (com.jcortex.kohonen)
| |
1971.1 ms KohonenNeuron:learnFromLastInput (com.jcortex.kohonen)
| | + 370.9 ms Statistics:addRegister (com.jcortex)
| | | - 357.1 ms Statistics:notifyUpdate2Listeners (com.jcortex)
| | | + 5.7 ms StatsMeasure:addRegister (com.jcortex)
| | | |
1.3 ms Math:max (java.lang)
| | | |
1.3 ms Vector:add (java.util)
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
135
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
+
|
|
|
+
|
+
|
|
|
|
+
|
|
|
|
|
- 3.1 ms Collections$SynchronizedMap:get (java.util)
1.1 ms StatsRegister:<init> (com.jcortex)
154.3 ms KohonenNeuron:registerLastExampleClass (com.jcortex.kohonen)
34.8 ms Hashtable:put (java.util)
15.0 ms Hashtable:containsKey (java.util)
8.8 ms Hashtable:get (java.util)
110.0 ms Statistics:finishedStats (com.jcortex)
- 110.0 ms Statistics:notifyEnd2Listeners (com.jcortex)
50.9 ms AbstractSequentialList:iterator (java.util)
13.9 ms KohonenNeuron:getClusterErrors (com.jcortex.kohonen)
- 7.0 ms Collections$SynchronizedCollection:iterator (java.util)
3.1 ms Hashtable$Enumerator:next (java.util)
- 1.8 ms Hashtable$Enumerator:hasNext (java.util)
- 0.3 ms KohonenNeuron:getClusterSuccesses (com.jcortex.kohonen)
7.8 ms AbstractList$Itr:next (java.util)
6.4 ms KohonenNeuron:clearExamplesInClasses (com.jcortex.kohonen)
5.7 ms ComposedProgressAnalyzer:isProgressGoodEnough (com.jcortex)
+ 1.9 ms ValueDecreaseAnalyzer:isProgressGoodEnough (com.jcortex)
|
0.9 ms LinkedList:size (java.util)
|
0.3 ms LinkedList:add (java.util)
+ 1.6 ms AbstractSequentialList:iterator (java.util)
| - 1.6 ms AbstractList:listIterator (java.util)
4.1 ms AbstractList$Itr:hasNext (java.util)
+ 2.8 ms KohonenNeuralNetwork:getBestNeighbourhood (com.jcortex.kohonen)
|
2.8 ms KohonenMap:getNeighbours (com.jcortex.kohonen)
- 0.4 ms Collections$SynchronizedCollection:iterator (java.util)
5.7.3. Resultados de los análisis mostrados
Los ejemplos anteriores muestran una tendencia muy buena en el
entrenamiento de las redes: el proceso de aprendizaje dedica prácticamente la
totalidad de su tiempo a los cálculos imprescindibles. Como cálculos imprescindibles
se consideran las operaciones matemáticas esenciales incluidas en los algoritmos de
aprendizaje, así como las tareas imprescindibles de gestión y avance a través de listas.
En todo momento se ha procurado evitar que acciones auxiliares absorban el tiempo
de entrenamiento. Como acciones auxiliares pueden ser la recogida de estadísticas,
su análisis, la selección de la clase dominante gestión y consulta de estructuras de
datos, respuesta a las notificaciones, y otras tareas adicionales que no forman parte del
algoritmo matemático puro.
Es agradable observar como en el caso del Perceptrón Multicapa, el efecto
descrito anteriormente se manifiesta en que las barras de tiempos más altas con
diferencia son las que recogen el acumulado de los tiempos de propagación de los
ejemplos por la red y entrenamiento. Es comprensible que el entrenamiento sea una
labor pesada si se tiene en cuenta la complejidad matemática e iterativa del algoritmo
de retropropagación del error que requiere una gran carga de cálculos. Por otro lado
el tiempo dedicado a las tareas estadísticas y otras auxiliares es ridículo en
comparación.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
136
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
El mismo efecto se produce en el entrenamiento de los Mapas de Kohonen. En
el ejemplo se muestra como la mayor parte del tiempo se dedica, con diferencia, al
proceso de propagación del estímulo dentro de la red. Esto se debe a que se ha de
calcular la distancia entre el ejemplo recibido y los pesos de la neurona en todas y
cada una de las neuronas para todas las iteraciones. Este cálculo incluye una raíz
cuadrada que añade un punto de complejidad al cálculo matemático. En comparación
el resto de tiempos resulta ínfimo. Más, si se tiene en cuenta que en el acumulado de
Estadísticas&Clase se está recogiendo también el proceso de selección de la clase
dominante.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
137
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
6. Desarrollo del IDE JCortexBuilder
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
138
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
6.1. El IDE JCortexBuilder
JCortexBuilder es el perfecto compañero para el framework JCortex. Permite
con una interfaz gráfica clara e intuitiva crear, educar, utilizar, y exportar a proyectos
de Java soluciones basadas en Redes Neuronales Artificiales.
JCortexBuilder proporciona un gran número de ventajas y facilidades para los
desarrolladores de Java. Desde la posibilidad de realizar entrenamientos simultáneos
en busca del mejor resultado, personalizar los elementos de desarrollo e, incluso,
facilitar la documentación de las redes creadas.
Una idea ha de estar muy clara: rara vez un usuario empezará a usar el
framework JCortex por sus bondades (aunque hay que tener cuidado porque seguro
que dejará de hacerlo si considera que tiene defectos), pero sí que se podría interesar
por el a la vista de un entorno de desarrollo fácil, dinámico y potente. JCortex
tendrá que muy bueno para poder defenderse en entornos muy exigentes, pero
será JCortexBuilder el que venda el sistema.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
139
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
6.2. Diseño del Entorno de Desarrollo JCortexBuilder
El entorno de desarrollo JCortexBuilder ha sido creado como una adaptación
limpia del framework a una interfaz gráfica. Limpia significa que en ningún momento
se ha lastrado el framework con responsabilidades que no le pertenecieran sólo para
simplificar el funcionamiento del entorno de desarrollo. Se procura mantener un
framework lo más puro e independiente posible. En contrapartida, se complica el
diseño de JCortexBuilder, necesitando un amplio abanico de adaptadores y clases
intermedias.
El entorno de desarrollo ha sido construido con la idea clara de convertirse en
la prueba de fuego definitiva para el framework. Por sus requisitos, es un entorno muy
exigente que además ha facilitado en gran medida la creación misma de JCortex. Sin
un entorno de desarrollo disponible no se hubiera podido llevar a cabo el gran número
de pruebas y ensayos recogidos en la planificación. Ha sido además concebido con la
idea de ser agradable para un programador – especialmente uno de Java – que no
desea adentrarse en las interioridades matemáticas del sistema.
A continuación se destacan otras características relevantes de JCortexBuilder,
ya sea por su utilidad, por las posibilidades que abren, o por su importancia técnica.
•
Internacionalización y Localización. El entorno de desarrollo
JCortexBuilder se encuentra completamente internacionalizado mediante un
sistema de Resource Bundles. Utiliza el mismo sistema recomendado por
JCortex (ver: 5.5.8. Internacionalización y localización). El bundle principal,
messages.properties, se encuentra en com.jcortex.builder y
contiene la lengua inglesa. La distribución actual contiene también la
localización de Español-Castellano.
•
Adaptable a personalizaciones y evolución de JCortex. JCortexBuilder ha
sido creado para ser capaz de adaptarse a la evolución del framework JCortex,
así como a las personalizaciones del usuario. Prácticamente todas las listas
disponibles en la interfaz sobre traductores, funciones, maestros, modelos de
red, etc. son gestionables, para que cada usuario pueda añadir y utilizar sus
propias soluciones a través del framework. Todos pueden ser configurados a
través del archivo de configuración XML mantenido por la aplicación.
•
Sistema de creación de asistentes integrado. Una de las mayores
potencialidades de JCortexBuilder reside en la posibilidad de simplificar al
máximo el proceso de creación de una red empleando para ello un asistente.
De hecho, también el proceso de creación de un asistente es cómodo y sencillo
ya que JCortex ofrece la clase abstracta AbstractAssistanJDialog
que proporciona las funcionalidades básicas y características de
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
140
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
personalización requeridas para construir rápidamente un asistente integrado
con la aplicación.
•
Almacenamiento de imágenes. Todas las imágenes generadas con el entorno
JCortexBuilder pueden ser almacenadas como archivos .png. Esta es una gran
ventaja para los programadores que, una vez que han creado y entrenado una
red, se enfrentan a la obligación de documentarla y justificarla.
•
Almacenamiento y recuperación de Redes Neuronales. JCortexBuilder
exprime al máximo esta característica del framework JCortex, proporcionando
una interfaz sencilla para almacenar e inspeccionar archivos XML que
contengan la configuración de redes neuronales.
•
Permite exportar la red neuronal al proyecto de Java. El fin último de este
entorno de desarrollo y este framework es proporcionar soluciones útiles para
problemas reales. Es importante, por tanto, que exista la posibilidad de que el
sistema guíe al usuario en el proceso de trasladar el framework y la red
neuronal creada al proyecto en el que será utilizada.
Todas las clases del entorno de desarrollo JCortexBuilder pueden ser
distribuidas junto con JCortex, dentro del paquete com.jcortex.builder. A
continuación se muestran los paquetes de esta aplicación, junto con las clases que los
componen. No se han representado las clases internas ni abstractas muy comunes en
las interfaces gráficas.
com.jcortex.builder
AboutTheBox
AbstractAssistantJDialog
AbstractNetworkJSettingsPanel
Contiene clases genéricas para las
ventanas y elementos auxiliares.
ConfigParameters
DataReadingUtilities
ExportAssistant
ImageUtilities
InterpretTools
JARTools
JCortexBuilder
JCortexJDesktopPane
JReportFrame
JTeacherSettingsPanel
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
141
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
JToolBoxFrame
JTrainingProgressPanel
JWorkBenchFrame
Messages
NeuralNetworkCanvas
NeuralNetworkModel
ReadAttribute
TaggedElementModel
TaggedElementWrapper
TeachInAThread
TrainingProgressRepresentation
com.jcortex.builder.addons.backPropagation
LayerRow
LayersTableModel
MultilayerPerceptronCanvas
MultilayerPerceptronJSettingsPanel
Contiene las clases de que representan
y adaptan el modelo de red Perceptrón
Multicapa distribuido con el
framework JCortex.
com.jcortex.builder.addons.hopfield
HopfieldCanvas
HopfieldJSettingsPanel
Contiene las clases de que representan
y adaptan el modelo de red de Hopfield
distribuido con el framework JCortex.
com.jcortex.builder.addons.kohonen
KohonenCanvas
KohonenJSettingsPanel
Contiene las clases de que representan
y adaptan el modelo de Mapas de
Kohonen distribuido con el framework
JCortex.
com.jcortex.builder.addons.perceptron
PerceptronCanvas
PerceptronJSettingsPanel
Contiene las clases de que representan
y adaptan el modelo de red Perceptrón
distribuido con el framework JCortex.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
142
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
com.jcortex.builder.gui
AbstractComponentWrapper
BooleanCheckWrapper
FloatTextWrapper
Contiene las elementos y adaptadores
utilizados en las ventanas y otras partes
de la interfaz gráfica.
HTMLTextPane
ImageFileFilter
ImagesJPanel
IntegerTextWrapper
JOpenFileComponent
JSaveFileComponent
LongTextWrapper
ShortTextWrapper
SpringUtilities
XMLFileFilter
com.jcortex.builder.reports
AbstractXYGraphJPanel
FloatArrayXYGraphJPanel
StatsMeasureXYGraphJPanel
Clases propias de los informes. Por
ahora contiene exclusivamente las que
conforman el sistema de gráficas para
los analizadores de progreso de los
entrenamientos.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
143
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
6.1.1. Adaptación de un modelo de red a JCortexBuilder
La adaptación de un modelo de red neuronal a su uso en JCortexBuilder se
realiza simplemente extendiendo dos clases:
•
AbstractNetworkJSettingsPanel. Su subclases se encargan de
mostrar el JPanel en el que se definirán los parámetros de creación de
una red neuronal, para posteriormente extraer la información necesaria y
crear la instancia de NeuralNetwork adecuada. Se ha optado por
personalizar la configuración de una red ya que, si bien es una tarea
añadida importante, ofrece una enorme versatilidad para la comunicación
y para lograr que el uso del modelo de red sea amigable con el usuario.
•
NeuralNetworkCanvas. Sus subclases se encargan de dibujar la red
neuronal, es decir, representar la red con la que se está trabajando sobre un
JPanel.
La referencia a estas clases se recoge dentro de JCortexBuilder en una
colección de instancias de NeuralNetworkModel. Estas instancias son creadas en
la carga del archivo de configuración de la aplicación y definen la red, su información
descriptiva, las dos clases anteriormente descritas a las que recurrirá la interfaz, y una
lista de maestros disponibles para ese modelo de red.
No es necesario crear una interfaz para los maestros, ya que JCortexBuilder
analizará automáticamente los parámetros de entrenamiento de las instancias de
Teacher, mostrando los campos para el tipo requerido en cada caso. Esta
representación se afronta de forma automatizada ya que requiere menos pericia
artística que la configuración de una red y será habitual el uso de numerosos maestros
distintos para un mismo modelo.
Por defecto, JCortexBuilder soporta los modelos de red y los maestros
proporcionados con el framework JCortex.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
144
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
6.1.2. Archivo de configuración
El archivo de configuración es cargado por la aplicación en el arranque. En
caso de que no exista, se crea uno nuevo copiando el archivo por defecto contenido en
el paquete com.jcortex.builder. Los modelos de red configurados, las
funciones y los traductores disponibles son los elementos básicos que forman este
archivo. El archivo de configuración por defecto tiene la siguiente forma para la
versión ALPHA 0.02:
<JCortexBuilder>
<neuralNetworkModels>
<nnModel name="Hopfield" version="1.0b"
class="com.jcortex.hopfield.HopfieldNeuralNetwork"
settingsPanel="com.jcortex.builder.addons.hopfield.HopfieldJSettings
Panel" canvas="com.jcortex.builder.addons.hopfield.HopfieldCanvas">
<teacherModel name="Default Teacher"
class="com.jcortex.hopfield.DefaultHopfieldTeacher"/>
</nnModel>
<nnModel name="Kohonen" version="1.0b"
class="com.jcortex.kohonen.KohonenNeuralNetwork"
settingsPanel="com.jcortex.builder.addons.kohonen.KohonenJSettingsPa
nel" canvas="com.jcortex.builder.addons.kohonen.KohonenCanvas">
<teacherModel name="Default Teacher"
class="com.jcortex.kohonen.DefaultKohonenTeacher"/>
</nnModel>
<nnModel name="Multilayer Perceptron" version="1.0b"
class="com.jcortex.backPropagation.MultilayerPerceptronNeuralNetwork
"
settingsPanel="com.jcortex.builder.addons.backPropagation.Multilayer
PerceptronJSettingsPanel"
canvas="com.jcortex.builder.addons.backPropagation.MultilayerPercept
ronCanvas">
<teacherModel name="Default Teacher"
class="com.jcortex.backPropagation.DefaultMultilayerPerceptronTea
cher"/>
</nnModel>
<nnModel name="Perceptron" version="1.0b"
class="com.jcortex.feedForward.PerceptronNeuralNetwork"
settingsPanel="com.jcortex.builder.addons.perceptron.PerceptronJSett
ingsPanel"
canvas="com.jcortex.builder.addons.perceptron.PerceptronCanvas">
<teacherModel name="Default Teacher"
class="com.jcortex.feedForward.DefaultPerceptronTeacher"/>
</nnModel>
</neuralNetworkModels>
<activationFunctions>
<function name="Gaussian Function"
class="com.jcortex.activationFunctions.GaussianFunction" />
<function name="Hyperbolic Function"
class="com.jcortex.activationFunctions.HyperbolicTangentFunction" />
<function name="Identity Function"
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
145
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
class="com.jcortex.activationFunctions.IdentityFunction" />
<function name="Sigmoidal Function"
class="com.jcortex.activationFunctions.SigmoidalFunction" />
<function name="Sign Function"
class="com.jcortex.activationFunctions.SignFunction" />
<function name="Step Function"
class="com.jcortex.activationFunctions.StepFunction" />
</activationFunctions>
<distanceFunctions>
<function name="Euclidean Distance"
class="com.jcortex.distanceFunctions.EuclideanDistanceFunction" />
</distanceFunctions>
<networkFunctions>
<function name="Linear Basis Function"
class="com.jcortex.networkFunctions.LinearBasisFunction" />
<function name="Radial Basis Function"
class="com.jcortex.networkFunctions.RadialBasisFunction" />
</networkFunctions>
<inputTranslators>
<translator name="Transparent Input Translator"
class="com.jcortex.translators.TransparentInputTranslator" />
</inputTranslators>
<outputTranslators>
<translator name="Single Boolean Output Translator"
class="com.jcortex.translators.SingleBooleanOutputTranslator" />
<translator name="Transparent Output Translator"
class="com.jcortex.translators.TransparentOutputTranslator" />
</outputTranslators>
</JCortexBuilder>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
146
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
6.2. Formato de los archivos de Datos
Tanto los entrenamientos supervisados como no supervisados requieren el uso
de un gran volumen de ejemplos. Actualmente el sistema de carga de datos es muy
estricto en cuanto a los formatos que admite y los metadatos que requiere. En el
futuro se espera poder aumentar la flexibilidad de este sistema, cargando no sólo
número reales, sino cadenas de texto y objetos serializados.
La estructura de una archivo de datos:
# Comentario
Se pueden introducir comentarios de una línea
entera, siempre y cuando esta comience con una
almohadilla. Puede estar en cualquier lugar del
archivo, salvo en la zona de datos.
@structure float[]
Definición de la estructura de datos que compone
cada ejemplo. Por ahora sólo se permiten listas de
números reales. En próximas versiones se espera
emplear otros modificadores como object que
indicaría que el ejemplo a cargar es un objeto
serializado.
@input
N1
float
Definición de uno de los atributos de entrada. (El
orden es importante)
@output
O1
float
Definición de uno de los atributos de salida. (El
orden es importante)
@data
Indicación de que en la siguiente línea comienza la
zona de datos con los ejemplos.
Se pueden encontrar ejemplos de estos archivos al final del Anexo B:
Ejemplos de uso.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
147
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
6.2. Visita guiada a JCortexBuilder
A continuación se presentan los pasos, acciones y tareas más importantes para
trabajar con JCortexBuilder.
6.2.1. Principales elementos de la interfaz
El Work Bench de creación de
Redes Neuronales artificiales es el
punto de comienzo para la
configuración y construcción de
redes. Es posible disponer de varios
a la vez con distintas alternativas de
configuración.
El listado de entrenamientos en
curso y finalizados aparece en una
columna a la izquierda. Puede ser
recogido y desplegado para ahorrar
espacio.
Informe de aprendizaje o
descriptivo de la red (según si se
está entrenando, ha sido entrenada o
ha sido cargada desde un archivo de
configuración XML.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
148
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
6.2.2. Ejemplo de entrenamiento Perceptrón Multicapa
1.
Arranque de la aplicación con la ventana de bienvenida.
2.
Para crear una nueva red neurona seleccionar el botón iluminado. La opción de
Nueva Red Neuronal también es accesible desde el menú Archivo.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
149
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
3.
Seleccionar la red neuronal “Multilayer Perceptron v.1.0.b” del menú
desplegable.
4.
En esta ventana se pueden configurar los parámetros de la red Perceptrón
Multicapa, así como los de su maestro.
En el ejemplo se ha creado una red de dos entradas con una salida. Las neuronas
se organizan en dos capas, todas ellas utilizando como Función de Red Lineal
Basis Function y como Función de Activación la Sigmoidal. Se han de
configurar también los traductores a utilizar y los parámetros de entrenamiento.
Seleccionamos un traductor de salida transparente y dejamos los parámetros de
entrenamiento por defecto.
Siempre es posible añadir elementos personalizados, accediendo a la opción
Gestionar de los menús desplegables:
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
150
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Se selecciona el archivo aFuncion2Variables.txt y el maestro por defecto.
La configuración queda de la siguiente forma:
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
151
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
5.
Comienza el entrenamiento pulsando el botón Crear y Entrenar, con lo que se
despliega la ventana de informe y aparece el entrenamiento en la barra lateral.
Siempre es posible detener un entrenamiento o eliminarlo directamente. Si se
cierra la ventana de informe, puede ser traída de nuevo a través de su elemento
en el listado lateral.
En este caso el entrenamiento resultó ser extremadamente rápido. Apenas dos
iteraciones fueron suficientes para situarse por debajo del error máximo exigido.
Se tiene acceso a toda esta información a través de las pestañas.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
152
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Las razones comunicadas por los analizadores para deterner el entrenamiento
son:
Razones de parada de los analizadores aglutinados:
{
....Detenido porque Error de Entrenamiento (Cuadrático Medio) está por debajo del
error mínimo exigido. Mejor valor = 0,044
....Error de Validación (Cuadrático Medio) no ha encontrado razones hasta ahora
para detener el entrenamiento.
....Variación de Pesos (Media Abs.) no ha encontrado razones hasta ahora para
detener el entrenamiento.
}
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
153
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Se puede conservar el esquema de la red como una imagen .png a través del
menú contextual, e incluso cambiar la escala de la imagen para poder apreciarla
mejor.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
154
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
6.
Se puede probar la red creada, en la última pestaña.
7.
Finalmente se puede exportar la red neuronal creada al proyecto de Java
definitivo haciendo clic en Exportar a mi Proyecto. Durante el proceso un
asistente da las indicaciones y explicaciones necesarias, e incluso proporciona el
código a utilizar en la aplicación.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
155
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
156
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
157
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
7. Planificación y Seguimiento
A continuación se muestra en forma de tablas la EDT (Estructura de División
de Trabajo) en la que se reparte el proyecto. Para llevar a cabo la planificación se ha
considerado un calendario continuo en el que se trabaje todos los días de la semana
1,5 horas (1 hora con 30 minutos). Al final de cada semana, se habrá dedicado al
proyecto alrededor de 10,5 horas que en las alrededor de 40 semanas que suma el
proyecto producen un tiempo estimado de unas 420 horas. En la práctica no se dedica
una hora y media diaria, sino que en los momentos en los que el resto de las
obligaciones académicas y profesionales lo han permitido, este tiempo se ha agrupado
en jornadas en principio imprevisibles para su planificación. En la realidad, se puede
comprobar como el tiempo dedicado al proyecto ha sido superior a las 420 horas
supuestas.
Tabla 13: EDT Inicial
EDT
1. Gestión de Proyectos
1.1. Realización del Anexo B
1.2. Entrega del Anexo B
1.3. Entrega Final del Proyecto
2. Documentación y Comunicación
2.1. Anexo B
2.1.1. Creación de la presentación
2.1.2. Presentación
2.2. Presentación Marzo
2.2.1. Creación de la presentación
2.2.2. Presentación
2.3. Presentación Mayo
2.3.1. Creación de la presentación
2.3.2. Presentación
2.4. Creación del sitio web
www.jcortex.com
2.5. Redactar Memoria Final
2.6. Presentación Final
3. Formación
3.1. Aprendizaje básico sobre RNA por
cuenta propia
3.2. Asignatura IA
4. Framework Jcortex
4.1. Núcleo del Framework
4.1.1. Estudio y Diseño
4.1.2. Clases abstractas e interfaces
4.1.3. Refinado del núcleo
4.2. Modelo de propagación genérico
4.2.1 Estudio y diseño
4.2.2. Implantación e integración
4.3. Modelo Perceptrón
Tiempo
Estimado
243 days
4 days
0 days
0 days
245 days
8 days
7 days
1 day
8 days
7 days
1 day
8 days
7 days
1 day
Fecha
Comienzo
29/10/2005
29/10/2005
02/11/2005
29/06/2006
09/11/2005
09/11/2005
09/11/2005
16/11/2005
22/02/2006
22/02/2006
01/03/2006
26/04/2006
26/04/2006
03/05/2006
Fecha
Comp.
Final
29/06/2006
0%
02/11/2005
0%
02/11/2005
0%
29/06/2006
0%
12/07/2006
0%
16/11/2005
0%
16/11/2005
0%
16/11/2005
0%
01/03/2006
0%
01/03/2006
0%
01/03/2006
0%
03/05/2006
0%
03/05/2006
0%
03/05/2006
0%
2 days
26/04/2006 27/04/2006
0%
!60,00
20 days
31/05/2006 20/06/2006
0 days
12/07/2006 12/07/2006
136 days? 31/08/2005 13/01/2006
0%
0%
0%
!600,00
!0,00
!0,00
80 days?
31/08/2005 18/11/2005
0%
!0,00
54 days?
297 days
53 days
7 days
7 days
14 days
19 days
7 days
12 days
140 days
21/11/2005
01/09/2005
01/09/2005
01/09/2005
08/09/2005
10/10/2005
19/09/2005
19/09/2005
26/09/2005
21/11/2005
0%
0%
0%
0%
0%
0%
0%
0%
0%
0%
!0,00
!5.535,00
!840,00
!210,00
!210,00
!420,00
!570,00
!210,00
!360,00
!540,00
13/01/2006
25/06/2006
23/10/2005
07/09/2005
14/09/2005
23/10/2005
07/10/2005
25/09/2005
07/10/2005
09/04/2006
Coste
Previsto
!120,00
!120,00
!0,00
!0,00
!1.380,00
!240,00
!210,00
!30,00
!240,00
!210,00
!30,00
!240,00
!210,00
!30,00
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
158
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
4.3.1 Estudio y diseño
4.3.2. Implantación e integración
4.3.3. Integración en JCortexBuilder
4.3.4. Pruebas, refinado y mejora
del rendimiento
4.4. Modelo Perceptrón Multicapa
4.4.1 Estudio y diseño
4.4.2. Implantación e integración
4.4.3. Integración en JCortexBuilder
4.4.4. Pruebas, refinado y mejora
del rendimiento
4.5. Mapas de Kohonen
4.5.1 Estudio y diseño
4.5.2. Implantación e integración
4.5.3. Integración en JCortexBuilder
4.5.4. Pruebas, refinado y mejora
del rendimiento
4.6. Redes de Hopfield
4.6.1 Estudio y diseño
4.6.2. Implantación e integración
4.6.3. Integración en JCortexBuilder
4.6.4. Pruebas, refinado y mejora
del rendimiento
4.7. Cierre Framework ALPHA 0.01
4.8. Refinado del Framework en
conjunto
4.9. Redactar JavaDoc
4.9. Cierre Distribución ALPHA 0.02
5. IDE JCortexBuilder
5.1. Análisis de la problemática de las
RNA's y el entorno gráfico
5.2. Diseño
5.3. Programación de la aplicación
5.4. Mejoras sobre el interfaz
3 days
7 days
1 day
21/11/2005 23/11/2005
24/11/2005 30/11/2005
08/02/2006 08/02/2006
0%
0%
0%
!90,00
!210,00
!30,00
7 days
03/04/2006 09/04/2006
0%
!210,00
107 days
7 days
14 days
3 days
01/12/2005
01/12/2005
08/12/2005
05/02/2006
17/03/2006
07/12/2005
21/12/2005
07/02/2006
0%
0%
0%
0%
!1.140,00
!210,00
!420,00
!90,00
14 days
04/03/2006 17/03/2006
0%
!420,00
94 days
3 days
7 days
2 days
22/12/2005
22/12/2005
25/12/2005
03/02/2006
25/03/2006
24/12/2005
31/12/2005
04/02/2006
0%
0%
0%
0%
!570,00
!90,00
!210,00
!60,00
7 days
19/03/2006 25/03/2006
0%
!210,00
48 days
2 days
4 days
1 day
11/02/2006
11/02/2006
13/02/2006
17/02/2006
30/03/2006
12/02/2006
16/02/2006
17/02/2006
0%
0%
0%
0%
!300,00
!60,00
!120,00
!30,00
3 days
28/03/2006 30/03/2006
0%
!90,00
4 days
22/04/2006 26/04/2006
0%
!120,00
47,5 days
08/05/2006 24/06/2006
0%
!1.425,00
8 days
1 day
112 days
23/05/2006 31/05/2006
24/06/2006 25/06/2006
02/01/2006 23/04/2006
0%
0%
0%
!0,00
!30,00
!1.590,00
4 days
02/01/2006 05/01/2006
0%
!120,00
7 days
21 days
21 days
06/01/2006 12/01/2006
13/01/2006 02/02/2006
03/04/2006 23/04/2006
0%
0%
0%
!210,00
!630,00
!630,00
!8.625,00
A modo de detalle, se incluye en la Ilustración 15: Histograma del recurso
Miguel Lara Encabo, el nivel de ocupación del único recurso humano definido para el
proyecto. En las últimas fechas, alrededor de la presentación de mayo y antes de la
entrega final, la ocupación crece hasta un 200% prácticamente constante. Esto se debe
a que se simultanean las tareas de redacción de la documentación, y últimos retoques,
pruebas y afinaciones sobre el framework y el entorno de desarrollo.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
159
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Ilustración 15: Histograma del recurso Miguel Lara Encabo
A continuación, en la Tabla 14: ETD a fecha 01/03/2006 - Presentación de
Marzo, se muestra una instantánea tomada sobre la planificación del proyecto,
alrededor del miércoles 1 de marzo del 2006, la fecha en la se llevó a cabo la
presentación intermedia del proyecto. Se puede apreciar como ha hubo actividades
que exigieron mucho más tiempo del previsto (por ejemplo el cálculo de vecindades
en los Mapas de Kohonen). Sin embargo, también hubo otras actividades que
resultaron ser ligéramente más rápidas de lo esperado e incluso se había adelantado
parte de la tarea de algunas actividades futuras.
En este momento del tiempo se llevó a cabo un Earned Value Análisis que
reflejó cómo la situación prevista no estaba demasiado lejos de la realidad
materializada. Para el cálculo de costes sólo se ha tenido en cuenta el coste que
supone la dedicación de un recurso humano a la realización de las actividades. Se ha
supuesto un coste de 20!/hora, sin variaciones en caso de sobrecarga u horas extra.
Los resultados se muestran en la tabla Tabla 15: Cálculo del Earned Value Analysis a
fecha 01/03/2006.
Tabla 14: ETD a fecha 01/03/2006 - Presentación de Marzo
EDT
1. Gestión de Proyectos
1.1. Realización del Anexo B
1.2. Entrega del Anexo B
1.3. Entrega Final del Proyecto
2. Documentación y Comunicación
2.1. Anexo B
2.1.1. Creación de la presentación
2.1.2. Presentación
2.2. Presentación Marzo
2.2.1. Creación de la presentación
2.2.2. Presentación
2.3. Presentación Mayo
2.3.1. Creación de la presentación
2.3.2. Presentación
Tiempo
Estimado
243 days
4 days
0 days
0 days
245 days
8 days
7 days
1 day
8 days
7 days
1 day
8 days
7 days
1 day
Fecha
Comienzo
29/10/2005
29/10/2005
02/11/2005
29/06/2006
09/11/2005
09/11/2005
09/11/2005
16/11/2005
22/02/2006
22/02/2006
01/03/2006
26/04/2006
26/04/2006
03/05/2006
Fecha
Comp.
Final
29/06/2006 100%
01/11/2005 100%
02/11/2005 100%
29/06/2006 100%
12/07/2006
33%
16/11/2005 100%
15/11/2005 100%
16/11/2005 100%
01/03/2006
88%
28/02/2006 100%
01/03/2006
0%
03/05/2006
0%
03/05/2006
0%
03/05/2006
0%
Coste
Previsto
!120,00
!120,00
!0,00
!0,00
!1.380,00
!240,00
!210,00
!30,00
!240,00
!210,00
!30,00
!240,00
!210,00
!30,00
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
160
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
2.4. Creación del sitio web
www.jcortex.com
2.5. Redactar Memoria Final
2.6. Presentación Final
3. Formación
3.1. Aprendizaje básico sobre RNA por
cuenta propia
3.2. Asignatura IA
4. Framework Jcortex
4.1. Núcleo del Framework
4.1.1. Estudio y Diseño
4.1.2. Clases abstractas e interfaces
4.1.3. Refinado del núcleo
4.2. Modelo de propagación genérico
4.2.1 Estudio y diseño
4.2.2. Implantación e integración
4.3. Modelo Perceptrón
4.3.1 Estudio y diseño
4.3.2. Implantación e integración
4.3.3. Integración en JCortexBuilder
4.3.4. Pruebas, refinado y mejora
del rendimiento
4.4. Modelo Perceptrón Multicapa
4.4.1 Estudio y diseño
4.4.2. Implantación e integración
4.4.3. Integración en JCortexBuilder
4.4.4. Pruebas, refinado y mejora
del rendimiento
4.5. Mapas de Kohonen
4.5.1 Estudio y diseño
4.5.2. Implantación e integración
4.5.3. Integración en JCortexBuilder
4.5.4. Pruebas, refinado y mejora
del rendimiento
4.6. Redes de Hopfield
4.6.1 Estudio y diseño
4.6.2. Implantación e integración
4.6.3. Integración en JCortexBuilder
4.6.4. Pruebas, refinado y mejora
del rendimiento
4.7. Cierre Framework ALPHA 0.01
4.8. Refinado del Framework en
conjunto
4.9. Redactar JavaDoc
4.9. Cierre Distribución ALPHA 0.02
5. IDE JCortexBuilder
5.1. Análisis de la problemática de las
RNA's y el entorno gráfico
5.2. Diseño
5.3. Programación de la aplicación
5.4. Mejoras sobre el interfaz
2 days
26/04/2006 27/04/2006
0%
!60,00
20 days
31/05/2006 20/06/2006
0 days
12/07/2006 12/07/2006
136 days? 31/08/2005 13/01/2006
0%
0%
100%
!600,00
!0,00
!0,00
80 days?
31/08/2005 18/11/2005
100%
!0,00
54 days?
297 days
53 days
7 days
12 days
14 days
15 days
7 days
8 days
140 days
3 days
7 days
1 day
21/11/2005
01/09/2005
01/09/2005
01/09/2005
08/09/2005
10/10/2005
19/09/2005
19/09/2005
26/09/2005
21/11/2005
21/11/2005
24/11/2005
08/02/2006
13/01/2006
25/06/2006
23/10/2005
07/09/2005
19/09/2005
23/10/2005
03/10/2005
25/09/2005
03/10/2005
09/04/2006
23/11/2005
30/11/2005
08/02/2006
100%
54%
79%
100%
100%
50%
100%
100%
100%
61%
100%
100%
100%
!0,00
!5.985,00
!990,00
!210,00
!360,00
!420,00
!450,00
!210,00
!240,00
!540,00
!90,00
!210,00
!30,00
7 days
03/04/2006 09/04/2006
0%
!210,00
107 days
7 days
14 days
3 days
01/12/2005
01/12/2005
08/12/2005
05/02/2006
17/03/2006
07/12/2005
21/12/2005
07/02/2006
61%
100%
100%
75%
!1.140,00
!210,00
!420,00
!90,00
14 days
04/03/2006 17/03/2006
0%
!420,00
94 days
3 days
21 days
2 days
22/12/2005
22/12/2005
25/12/2005
03/02/2006
25/03/2006
24/12/2005
14/01/2006
04/02/2006
84%
100%
100%
100%
!990,00
!90,00
!630,00
!60,00
7 days
19/03/2006 25/03/2006
25%
!210,00
48 days
2 days
4 days
1 day
11/02/2006
11/02/2006
13/02/2006
17/02/2006
30/03/2006
12/02/2006
16/02/2006
17/02/2006
78%
100%
100%
100%
!300,00
!60,00
!120,00
!30,00
3 days
28/03/2006 30/03/2006
25%
!90,00
4 days
22/04/2006 26/04/2006
0%
!120,00
47,5 days
08/05/2006 24/06/2006
0%
!1.425,00
8 days
1 day
112 days
23/05/2006 31/05/2006
24/06/2006 25/06/2006
02/01/2006 23/04/2006
25%
0%
69%
!0,00
!30,00
!1.500,00
4 days
02/01/2006 05/01/2006
100%
!120,00
4 days
21 days
21 days
06/01/2006 09/01/2006
13/01/2006 02/02/2006
03/04/2006 23/04/2006
100%
100%
25%
!120,00
!630,00
!630,00
!8.625,00
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
161
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Tabla 15: Cálculo del Earned Value Analysis a fecha 01/03/2006
EDT
1. Gestión de Proyectos
1.1. Realización del Anexo B
1.2. Entrega del Anexo B
1.3. Entrega Final del Proyecto
2. Documentación y Comunicación
2.1. Anexo B
2.1.1. Creación de la presentación
2.1.2. Presentación
2.2. Presentación Marzo
2.2.1. Creación de la presentación
2.2.2. Presentación
2.3. Presentación Mayo
2.3.1. Creación de la presentación
2.3.2. Presentación
2.4. Creación del sitio web
www.jcortex.com
2.5. Redactar Memoria Final
2.6. Presentación Final
3. Formación
3.1. Aprendizaje básico sobre RNA
por cuenta propia
3.2. Asignatura IA
4. Framework Jcortex
4.1. Núcleo del Framework
4.1.1. Estudio y Diseño
4.1.2. Clases abstractas e
interfaces
4.1.3. Refinado del núcleo
4.2. Modelo de propagación
genérico
4.2.1 Estudio y diseño
4.2.2. Implantación e integración
4.3. Modelo Perceptrón
4.3.1 Estudio y diseño
4.3.2. Implantación e integración
4.3.3. Integración en
PVest 6
PVejc7
AC8
EAC 9
BAC 10
VAC11
120,00 !
120,00 !
120,00 !
120,00 !
120,00 !
0,00 !
120,00 !
120,00 !
120,00 !
120,00 !
120,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
480,00 !
450,00 !
450,00 !
1.380,00 !
1.380,00 !
0,00 !
240,00 !
240,00 !
240,00 !
240,00 !
240,00 !
0,00 !
210,00 !
210,00 !
210,00 !
210,00 !
210,00 !
0,00 !
30,00 !
30,00 !
30,00 !
30,00 !
30,00 !
0,00 !
240,00 !
210,00 !
210,00 !
240,00 !
240,00 !
0,00 !
210,00 !
210,00 !
210,00 !
210,00 !
210,00 !
0,00 !
30,00 !
0,00 !
0,00 !
30,00 !
30,00 !
0,00 !
0,00 !
0,00 !
0,00 !
240,00 !
240,00 !
0,00 !
0,00 !
0,00 !
0,00 !
210,00 !
210,00 !
0,00 !
0,00 !
0,00 !
0,00 !
30,00 !
30,00 !
0,00 !
0,00 !
0,00 !
0,00 !
60,00 !
60,00 !
0,00 !
0,00 !
0,00 !
0,00 !
600,00 !
600,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
3.450,00 !
3.217,50 !
3.247,50 !
5.586,61 !
5.535,00 !
-51,61 !
840,00 !
630,00 !
780,00 !
1.040,00 !
840,00 !
-200,00 !
210,00 !
210,00 !
210,00 !
210,00 !
210,00 !
0,00 !
210,00 !
210,00 !
360,00 !
360,00 !
210,00 !
-150,00 !
420,00 !
210,00 !
210,00 !
420,00 !
420,00 !
0,00 !
570,00 !
570,00 !
450,00 !
450,00 !
570,00 !
120,00 !
210,00 !
210,00 !
210,00 !
210,00 !
210,00 !
0,00 !
360,00 !
360,00 !
240,00 !
240,00 !
360,00 !
120,00 !
330,00 !
330,00 !
330,00 !
540,00 !
540,00 !
0,00 !
90,00 !
90,00 !
90,00 !
90,00 !
90,00 !
0,00 !
210,00 !
210,00 !
210,00 !
210,00 !
210,00 !
0,00 !
30,00 !
30,00 !
30,00 !
30,00 !
30,00 !
0,00 !
6
Valor Planificado teniendo en cuenta las actividades planificadas para esta fecha.
7
Valor Planificado teniendo en cuenta las actividades ejecutadas hasta la fecha.
8
Costes Actuales incurridos en la realización de las actividades.
9
Coste esperado de acuerdo con los datos recogidos.
10
Coste presupuestado.
11
Variación entre el coste presupuestado y el previsto, por actividad.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
162
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
JCortexBuilder
4.3.4. Pruebas, refinado y mejora
del rendimiento
4.4. Modelo Perceptrón Multicapa
4.4.1 Estudio y diseño
4.4.2. Implantación e integración
4.4.3. Integración en
JCortexBuilder
4.4.4. Pruebas, refinado y mejora
del rendimiento
4.5. Mapas de Kohonen
4.5.1 Estudio y diseño
4.5.2. Implantación e integración
4.5.3. Integración en
JCortexBuilder
4.5.4. Pruebas, refinado y mejora
del rendimiento
4.6. Redes de Hopfield
4.6.1 Estudio y diseño
4.6.2. Implantación e integración
4.6.3. Integración en
JCortexBuilder
4.6.4. Pruebas, refinado y mejora
del rendimiento
4.7. Cierre Framework ALPHA 0.01
4.8. Refinado del Framework en
conjunto
4.9. Redactar JavaDoc
4.9. Cierre Distribución ALPHA 0.02
5. IDE JCortexBuilder
5.1. Análisis de la problemática de las
RNA's y el entorno gráfico
5.2. Diseño
5.3. Programación de la aplicación
5.4. Mejoras sobre el interfaz
0,00 !
0,00 !
0,00 !
210,00 !
210,00 !
0,00 !
720,00 !
697,50 !
697,50 !
1.140,00 !
1.140,00 !
0,00 !
210,00 !
210,00 !
210,00 !
210,00 !
210,00 !
0,00 !
420,00 !
420,00 !
420,00 !
420,00 !
420,00 !
0,00 !
90,00 !
67,50 !
67,50 !
90,00 !
90,00 !
0,00 !
0,00 !
0,00 !
0,00 !
420,00 !
420,00 !
0,00 !
780,00 !
780,00 !
780,00 !
570,00 !
570,00 !
0,00 !
90,00 !
90,00 !
90,00 !
90,00 !
90,00 !
0,00 !
630,00 !
630,00 !
630,00 !
210,00 !
210,00 !
0,00 !
60,00 !
60,00 !
60,00 !
60,00 !
60,00 !
0,00 !
0,00 !
0,00 !
0,00 !
210,00 !
210,00 !
0,00 !
210,00 !
210,00 !
210,00 !
300,00 !
300,00 !
0,00 !
60,00 !
60,00 !
60,00 !
60,00 !
60,00 !
0,00 !
120,00 !
120,00 !
120,00 !
120,00 !
120,00 !
0,00 !
30,00 !
30,00 !
30,00 !
30,00 !
30,00 !
0,00 !
0,00 !
0,00 !
0,00 !
90,00 !
90,00 !
0,00 !
0,00 !
0,00 !
0,00 !
120,00 !
120,00 !
0,00 !
0,00 !
0,00 !
0,00 !
1.425,00 !
1.425,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
0,00 !
30,00 !
30,00 !
0,00 !
870,00 !
870,00 !
870,00 !
1.590,00 !
1.590,00 !
0,00 !
120,00 !
120,00 !
120,00 !
120,00 !
120,00 !
0,00 !
120,00 !
120,00 !
120,00 !
210,00 !
210,00 !
0,00 !
630,00 !
630,00 !
630,00 !
630,00 !
630,00 !
0,00 !
0,00 !
0,00 !
0,00 !
630,00 !
630,00 !
0,00 !
8.676,61 !
8.625,00 !
El coste del proyecto se ha revisado en 8.676,61!, una cifra nada dispar
respecto al inicialmente presupuestado de 8.625.00!.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
163
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
8. Conclusiones del Proyecto
Desde el punto de vista puramente técnico se puede considerar que este
proyecto de desarrollo ha sido un éxito. A la vista del tiempo disponible y el alcance
de las actividades, está claro que la planificación inicial estaba mal dimensionada y
era excesivamente optimista. Sin embargo los cambios en el alcance del proyecto no
han alterado el cumplimiento de los requerimientos y objetivos iniciales. Es más, en
diversas ocasiones se ha reconducido el proyecto con el fin de priorizar el mejor
cumplimiento del objetivo principal: lograr un sistema práctico, que pueda ser
utilizado por la comunidad de programadores de Java para resolver exigencias
reales de sus aplicaciones.
Se ha generado, en definitiva, un sistema útil que soporta de forma fiable los
desarrollos de Redes Neuronales Artificiales y aporta las funcionalidades básicas
imprescindibles para los programadores. Es cierto que aún quedan vías para la mejora
que serán exploradas en futuras versiones del framework – JCortex – y del entorno
de desarrollo – JCortexBuilder.
A lo largo del desarrollo del proyecto se han afrontado problemas técnicos en
el ámbito de las Redes Neuronales Artificiales y de la Ingeniería de Software que han
sido resueltos unas veces acudiendo a algoritmos teóricos de expertos, y otras
recurriendo a la propia labor de investigación.
Desde el punto de vista personal, esta ha resultado ser una labor muy
enriquecedora, no exenta de apuros y problemas. Considero muy importante el hecho
de haber podido enfrentarme a problemas de desarrollo reales en un ámbito que
podría considerarse fuera de lo académico.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
164
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
9. Bibliografía, materiales y aplicaciones
Bibliografía de consulta:
[ISAS04]
•
Redes Neuronales Artificiales. Un enfoque práctico – Pedro Isasi
Viñuela e Inés M. Galván León – Ed. Pearson Prentice Hall –
ISBN:84-205-4025-0
[SIER05]
•
Head First Java – Kathy Sierra y Bert Bates – Ed. O’Reilly –
ISMB:0-596-00920-8
[PILO00]
•
UML Pocket Reference – Dan Pilone – Editorial O’Reilly – ISBN:0596-00497-4
•
Apuntes de la asignatura de Inteligencia Artificial – Miguel Ángel
Sanz Bobi – 5º IINF, ICAI, Universidad Pontificia Comillas
•
Apuntes de la asignatura de Ingeniería del Software II – Juan Carlos
Esquivel Díaz – 5º IINF, ICAI, Universidad Pontificia Comillas
Principales aplicaciones utilizadas en el desarrollo:
•
J2SE SDK 1.4.2 y 1.5.0 – http://java.sun.com/
•
Eclipse 3.1.2 – http://www.eclipse.org/
•
JUDE Community 1.6.2 – http://jude.esm.jp/
•
Shark 4.3.3 – CHUD Tools 4.3.3 – http://developer.apple.com/
•
BBEdit 8.1 – http://www.barebones.com/
•
Firefox 1.5.0.3 (lector de XML) – http://www.mozilla.org/
•
Photoshop CS – http://www.adobe.es/
•
Blender 2.4.1 – http://www.blender.org/
Principales aplicaciones adicionales para la documentación del proyecto:
•
Microsoft Word 2004 para Mac – http://www.mactopia.com/
•
Keynote 3.0.1 – http://www.apple.com/es/iwork/keynote/
•
DocFlex/Doclet para javadoc v1.4.7 – http://www.docflex.com
•
FastTrack Schedule 8.0.8
•
Grapher 1.0 – http://www.apple.com/
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
165
Memoria de desarrollo – Framework JCortex – http://www.jcortex.com/
Anexo A: Documentación de la API – JCortex
Package Summary
Page
com.jcortex
166
com.jcortex.activationFunctions
258
com.jcortex.backPropagation
277
com.jcortex.distanceFunctions
295
com.jcortex.feedForward
297
com.jcortex.hopfield
332
com.jcortex.kohonen
343
com.jcortex.networkFunctions
413
com.jcortex.translators
416
Package com.jcortex
Interface Summary
Page
ActivationFunction
Interface defining the contract for the
Activation Functions available in the
framework or user-developed.
168
AxonReceiver
Interface defining the contract for an
Axon Receiver element.
170
AxonSource
Interface defining the contract for an
AxonSource element.
173
BackPropagationActivationFunction
Interface defining the contract for a
Back-Propagation Activation Function.
178
DistanceFunction
Interface defining the contract for the
Distance Functions available in the
framework or user-developed.
186
InputTranslator
Interface defining the contract for the
Input Translator available in the
framework or user-developed.
187
JCortexConstants
This class holds the basic constant values
required in the JCortex framework.
188
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
166
Package com.jcortex
NetworkFunction
Interface defining the contract for the
Network Functions available in the
framework or user-developed.
198
OutputTranslator
Interface defining the contract for the
Output Translator available in the
framework or user-developed.
220
StatisticsListener
This interface defines the contract
obliged to any class that wants to be
notified by upgrades and the closing of a
training session's statistics.
236
Class Summary
Page
Class modeling the relationship between an
AxonSource connected to an AxonReceiver and
the weight given to that connection.
175
The instances of this class are responsable for
ComposedProgressAnalyzer taking the decision of when to stop a training,
based on a statistics measure's progression.
179
ConsoleUtilities
Class defining static methods as helpers for this
frameworks classes console reports and String
representations.
183
LoadAndStoreUtilities
An utilities class devoted to hold the methods
which read and write the framework's data on to
the local file system.
190
Messages
Class in charge of obtaining the localized
messages for the JCortex framework.
194
NeuralNetwork
Abstract class that must be extended by all the
specific Artificial Neural Network models.
200
Neuron
bstract class extended to represent the generic
role of a neuron inside a Neural Networ's
structure.
215
ProgressAnalyzer
This is the Component element in the Composite
GoF Desing Pattern.
222
Sensor
The sensor is interface placed between the data
entrance and the neurons or other mechanisms
stored inside the NeuralNetwork.
226
Statistics
Holds the progress statistics for a training
session.
230
AxonSourceEntry
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
167
Package com.jcortex
StatisticsEvent
Event element created in order to send a
notification to a listener.
235
StatsMeasure
This class models the dimensions - or measures
recorded in the statistics.
238
StatsRegister
The StatsRegister is the most basic element in
the training Statistics system.
242
Teacher
The abstract class obliged to all Teachers of
Neural Networks.
246
ValueDecreaseAnalyzer
The instances of this class are responsable for
taking the decision of when to stop a training,
based on a statistics measure's progression.
253
ValueVariationAnalyzer
The instances of this class are responsable for
taking the decision of when to stop a training,
based on a statistics measure's progression.
256
Exception Summary
ReadingException
Page
Exception thrown when there is an exception reading a
local file from the file system.
225
Interface ActivationFunction
com.jcortex
All Known Subinterfaces:
BackPropagationActivationFunction
All Known Implementing Classes:
GaussianFunction,
HyperbolicTangentFunction,
SigmoidalFunction, SignFunction, StepFunction
IdentityFunction,
public interface ActivationFunction
Interface defining the contract for the Activation Functions available in the framework
or user-developed.
This interfaces' implementations must follow the Singleton (GoF) design pattern.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
168
Interface ActivationFunction
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1b
Method Summary
float[]
getDefaultParameterSet()
Obtains the default parameters for this Activation Function.
int
169
getNumberOfActivationParameters()
Method to obtain the number of activation parameters this
particular function needs.
float
Page
169
getSolution(float networkResult, float[] activationParams)
Calculates and return the solution of the currente function, given
the parameters passed as arguments.
170
Method Detail
getDefaultParameterSet
public float[] getDefaultParameterSet()
Obtains the default parameters for this Activation Function.
Returns:
The default set of parameters.
getNumberOfActivationParameters
public int getNumberOfActivationParameters()
Method to obtain the number of activation parameters this particular function
needs.
Returns:
The number of activation parameters.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
169
Interface ActivationFunction
getSolution
public float getSolution(float networkResult,
float[] activationParams)
throws IllegalArgumentException
Calculates and return the solution of the currente function, given the
parameters passed as arguments.
Parameters:
networkResult
- The result from the network function.
activationParams
- The array of activation parameters needed.
Returns:
The result of calculating the activation function.
Throws:
IllegalArgumentException
Interface AxonReceiver
com.jcortex
All Known Implementing Classes:
BackPropagationNeuron, FeedForwardNeuron, KohonenNeuron, Neuron
public interface AxonReceiver
Interface defining the contract for an Axon Receiver element. An AxonReceiver is an
element that will be child of one or more AxonSource instances. It is capable of
receiving the numeric values offered by its parents. An AxonReceiver is capable of
assigning a weight to each one of its connections with AxonSources.
Author:
Miguel Lara Encabo - [email protected]
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
170
Interface AxonReceiver
Version:
0.1b
Method Summary
void
addEntry(AxonSource entry)
Adds a new neuron connectio to an upper-level axon source,
taking care of the weight choosing.
void
173
getId()
This elemen's ID is obtained.
void
172
getEntryWeight(AxonSource parent)
Getter Method for this neuron's entries' weights
int
172
getEntries()
Getter Method for this neuron's entries collection.
float
171
addEntry(AxonSource entry, float weight)
Adds a new neuron connection to an upper-level axon source,
taking care of the weight choosing.
Collection
Page
171
setEntryWeight(AxonSource parent, float value)
Sets an entry's weight.
172
Method Detail
getId
public int getId()
This elemen's ID is obtained.
Returns:
An integer number with the ID of this element.
addEntry
public void addEntry(AxonSource entry)
Adds a new neuron connectio to an upper-level axon source, taking care of the
weight choosing.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
171
Interface AxonReceiver
Parameters:
entry
- The new axon data source on to which stablish a connection.
addEntry
public void addEntry(AxonSource entry,
float weight)
Adds a new neuron connection to an upper-level axon source, taking care of
the weight choosing.
Parameters:
entry
- The new AxonSource element to be connected as its father.
weight
- The entry's weight
setEntryWeight
public void setEntryWeight(AxonSource parent,
float value)
Sets an entry's weight.
Parameters:
- The parent AxonSource whose entry weighjt we are going to
change.
parent
value
- The float value to be set as this connections weight.
getEntries
public Collection getEntries()
Getter Method for this neuron's entries collection.
Returns:
The entries list.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
172
Interface AxonReceiver
getEntryWeight
public float getEntryWeight(AxonSource parent)
Getter Method for this neuron's entries' weights
Returns:
This receiver's entries' weights
Interface AxonSource
com.jcortex
All Known Implementing Classes:
BackPropagationNeuron, FeedForwardNeuron, KohonenNeuron, Neuron,
Sensor
public interface AxonSource
Interface defining the contract for an AxonSource element. An AxonSource is an
element that will be father of one or more AxonReceiver instances. It is capable of
producing the numeric values offered to its children.
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1b
Method Summary
void
Page
addConnectedNeuron(AxonReceiver child, boolean back_connection)
Adds a new neuron connectio to a lower-lever cell.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
175
173
Interface AxonSource
float
getAxonValue()
The value of the next cell input is obtained through the axon
connection.
int
getId()
This source's ID is obtained.
float
174
174
produceAxonValue()
Internal method made to generate the value that has to be
transmitted through the axon connection.
174
Method Detail
getId
public int getId()
This source's ID is obtained.
Returns:
An integer with the ID of this source;
getAxonValue
public float getAxonValue()
The value of the next cell input is obtained through the axon connection.
Returns:
A float value holding the result of the cell's activation.
produceAxonValue
public float produceAxonValue()
throws IllegalArgumentException
Internal method made to generate the value that has to be transmitted through
the axon connection.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
174
Interface AxonSource
Returns:
An Object holding the result of the cell's activation
Throws:
IllegalArgumentException
- Exception that can be thrown when there
is a problem with the function's parameters.
InvalidParameterException
addConnectedNeuron
public void addConnectedNeuron(AxonReceiver child,
boolean back_connection)
Adds a new neuron connectio to a lower-lever cell.
Parameters:
child
- The child element connected to this AxonSource instance.
back_connection
- Indicates if this neuron has to create the entry in its
child.
Class AxonSourceEntry
com.jcortex
java.lang.Object
com.jcortex.AxonSourceEntry
public class AxonSourceEntry
extends Object
Class modeling the relationship between an AxonSource connected to an
AxonReceiver and the weight given to that connection.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
175
Class AxonSourceEntry
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1b
Constructor Summary
Page
AxonSourceEntry(AxonSource axonSource, float weight)
Default constructor for the instances of this class.
Method Summary
AxonSource
177
setAxonSource(AxonSource axonSource)
Sets the AxonSource connected as a parent.
void
176
getWeight()
Obtains the weight given to this connection.
void
Page
getAxonSource()
Obtains the AxonSource connected as parent.
float
176
177
setWeight(float weight)
Set the weight for this connection.
177
Constructor Detail
AxonSourceEntry
public AxonSourceEntry(AxonSource axonSource,
float weight)
Default constructor for the instances of this class.
Method Detail
getAxonSource
public AxonSource getAxonSource()
Obtains the AxonSource connected as parent.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
176
Class AxonSourceEntry
Returns:
The parent AxonSource instance.
setAxonSource
public void setAxonSource(AxonSource axonSource)
Sets the AxonSource connected as a parent.
Parameters:
axonSource
- The AxonSource instance to be connected as parent.
getWeight
public float getWeight()
Obtains the weight given to this connection.
Returns:
The weight's value.
setWeight
public void setWeight(float weight)
Set the weight for this connection.
Parameters:
weight
- The weigh to be set for this connection.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
177
Interface BackPropagationActivationFunction
Interface BackPropagationActivationFunction
com.jcortex
All Superinterfaces:
ActivationFunction
All Known Implementing Classes:
HyperbolicTangentFunction, IdentityFunction, SigmoidalFunction
public interface BackPropagationActivationFunction
extends ActivationFunction
Interface defining the contract for a Back-Propagation Activation Function.
These functions extend as well the ActivationFunction interface, and on top of it they
implement a method to obtain the derivate solution for the current function.
This interfaces' implementations must follow the Singleton (GoF) design pattern.
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1b
Method Summary
float
Page
getDerivativeSolution(BackPropagationNeuron neuron)
Method for calculating the derivate value of this function given the
BackPropagationNeuron's values as an entry.
179
Methods inherited from interface com.jcortex.ActivationFunction
getDefaultParameterSet, getNumberOfActivationParameters, getSolution
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
178
Interface BackPropagationActivationFunction
Method Detail
getDerivativeSolution
public float getDerivativeSolution(BackPropagationNeuron neuron)
Method for calculating the derivate value of this function given the
BackPropagationNeuron's values as an entry.
Parameters:
- The BackPropagationNeuron instance that homes this
function.
neuron
Returns:
The derivate value calculated.
Class ComposedProgressAnalyzer
com.jcortex
java.lang.Object
com.jcortex.ProgressAnalyzer
com.jcortex.ComposedProgressAnalyzer
public class ComposedProgressAnalyzer
extends ProgressAnalyzer
The instances of this class are responsable for taking the decision of when to stop a
training, based on a statistics measure's progression. This way there will be a instance
for each stats measure that the Teacher instance wants to be monitored for decision.
Its intelligence operates inside the method isEvolutionGoodEnough(). This class is
responsible of storing all progress information that is not reflected in the StatsMeasure
instance associated, such as recen variations...
It is thought best not to implement this class as a StatsListener, as its decision method
isEvolutionGoodEnough() is not necessarily invoked each time a statistic register is
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
179
Class ComposedProgressAnalyzer
recorded, but it will be promptly asked by the Teacher instance at work when a
decision is required.
The Composed Progress Analyzer combines the decision taken by several other
analyzers in order to make the final statement.
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1b
Constructor Summary
Page
ComposedProgressAnalyzer()
Creates a new instance of this Composed Progress Analyzer by
initialyzing the analyzer collection with a LinkedList.
181
Method Summary
Page
void
add(ProgressAnalyzer analyzer)
Adds a ProgessAnalyzer instance to the compositing list.
ProgressAnalyzer
getInnerAnalyzers(int ix)
Obtains a ProgessAnalyzer instance from the list, given
its index.
String
182
isProgressGoodEnough()
Decides if the progress of the composed ProgessAnalyzer
instances is good enough to continue.
void
182
getReasonToStop()
Obtains the description of the reason why this analyzer has
stopped the training process it was following, if indeed it has.
boolean
181
182
remove(ProgressAnalyzer analyzer)
Removes a
compositing list.
ProgessAnalyzer
instance
from
the
181
Methods inherited from class com.jcortex.ProgressAnalyzer
add, getInnerAnalyzers, getReasonToStop, isProgressGoodEnough, remove
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
180
Class ComposedProgressAnalyzer
Constructor Detail
ComposedProgressAnalyzer
public ComposedProgressAnalyzer()
Creates a new instance of this Composed Progress Analyzer by initialyzing the
analyzer collection with a LinkedList.
Method Detail
add
public void add(ProgressAnalyzer analyzer)
Adds a ProgessAnalyzer instance to the compositing list.
Overrides:
add
in class ProgressAnalyzer
Parameters:
analyzer
- The progress analyzer to be added.
remove
public void remove(ProgressAnalyzer analyzer)
Removes a ProgessAnalyzer instance from the compositing list.
Overrides:
remove
in class ProgressAnalyzer
Parameters:
analyzer
- The progress analyzer to be removed.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
181
Class ComposedProgressAnalyzer
getInnerAnalyzers
public ProgressAnalyzer getInnerAnalyzers(int ix)
Obtains a ProgessAnalyzer instance from the list, given its index.
Overrides:
getInnerAnalyzers
in class ProgressAnalyzer
Parameters:
ix
- The index of the desired analyzer.
Returns:
The requested ProgessAnalyzer instance.
isProgressGoodEnough
public boolean isProgressGoodEnough()
Decides if the progress of the composed ProgessAnalyzer instances is good
enough to continue. The composed progress will be good enough to continue
the training when the progress of each one of the analyzers included is good
enough.
Overrides:
isProgressGoodEnough
in class ProgressAnalyzer
Returns:
A boolean value indicating if the training should continue (true) or not
(false).
getReasonToStop
public String getReasonToStop()
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
182
Class ComposedProgressAnalyzer
Obtains the description of the reason why this analyzer has stopped the
training process it was following, if indeed it has. The reason is built by
adding up the reasons of the progress analyzers composed.
Overrides:
getReasonToStop
in class ProgressAnalyzer
Returns:
The reason why this analyzer has decided to stop the training.
Class ConsoleUtilities
com.jcortex
java.lang.Object
com.jcortex.ConsoleUtilities
final public class ConsoleUtilities
extends Object
Class defining static methods as helpers for this frameworks classes console reports
and String representations.
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1b
Constructor Summary
Page
ConsoleUtilities()
184
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
183
Class ConsoleUtilities
Method Summary
static
String
Page
arrayToString(boolean[] array)
Static method for translating a boolean[] array to its String
representation.
static
String
arrayToString(boolean[][] array)
Static method for translating a boolean[][] array to its String
representation.
static
String
185
arrayToString(float[] array)
Static method for translating a float[] array to its String
representation.
static
String
185
184
arrayToString(float[][] array)
Static method for translating a float[][] array to its String
representation.
184
Constructor Detail
ConsoleUtilities
public ConsoleUtilities()
Method Detail
arrayToString
public static String arrayToString(float[] array)
Static method for translating a float[] array to its String representation.
Parameters:
array
- The array to be translated.
Returns:
The String translation.
arrayToString
public static String arrayToString(float[][] array)
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
184
Class ConsoleUtilities
Static method for translating a float[][] array to its String representation.
Internally uses the public static String arrayToString(float[] array)
method.
Parameters:
array
- The array to be translated.
Returns:
The String translation.
arrayToString
public static String arrayToString(boolean[] array)
Static method for translating a boolean[] array to its String representation.
Parameters:
array
- The array to be translated.
Returns:
The String translation.
arrayToString
public static String arrayToString(boolean[][] array)
Static method for translating a boolean[][] array to its String representation.
Internally uses the public static String arrayToString(boolean[] array)
method.
Parameters:
array
- The array to be translated.
Returns:
The String translation.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
185
Interface DistanceFunction
Interface DistanceFunction
com.jcortex
All Known Implementing Classes:
EuclideanDistanceFunction
public interface DistanceFunction
Interface defining the contract for the Distance Functions available in the framework
or user-developed.
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1b
Method Summary
float
Page
getDistance(AxonSource[] entries, float[] weights)
Obtains the distance between the values provided by the
AxonSource an the weights stablished for that connection.
186
Method Detail
getDistance
public float getDistance(AxonSource[] entries,
float[] weights)
throws IllegalArgumentException
Obtains the distance between the values provided by the AxonSource an the
weights stablished for that connection.
Parameters:
- The AxonSource instances that provide the values for the
distance calculation.
entries
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
186
Interface DistanceFunction
- The weights which are to be compared in order to calculate
the distance.
weights
Returns:
The distance between the entries' values and the weights.
Throws:
IllegalArgumentException
InvalidParameterException
- Exception that can be thrown if arrays
have different sizes.
Interface InputTranslator
com.jcortex
All Known Implementing Classes:
TransparentInputTranslator
public interface InputTranslator
Interface defining the contract for the Input Translator available in the framework or
user-developed.
The Input Translator's aim it to serialize the objects you need to use in you application
into a float array numerical representation. Neural Networks are mathematic
algorythms so they can only work with numbers.
You must make sure that the numbers into which an instance is translated are really
representative. It is desirable that each each instance should be univocal with its
float[] representation, but bear in mind this is not a HASH function: intances which
have the same signification for the problem should have similar (or even the same)
number arrays, independent of their exact original values.
On the other side of the Neural Network an Output Translator will be placed
producing an instance from the same class as the input or a different one. This means
that it may not be essential that an input translation should have a straight inverse
operation. In other words, information can be lost in the translation if it is not
necessary.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
187
Interface InputTranslator
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1b
Method Summary
float[]
Page
getInputTranslation(Object input_value)
Translates the input value given as an object into the numerical
values that can be fed onto the neurons.
188
Method Detail
getInputTranslation
public float[] getInputTranslation(Object input_value)
Translates the input value given as an object into the numerical values that can
be fed onto the neurons.
Parameters:
input_value
- The qualitative Object used in each particular problem.
Returns:
The float array that contains the input for each Neuron.
Interface JCortexConstants
com.jcortex
public interface JCortexConstants
This class holds the basic constant values required in the JCortex framework. It is
made up of static attributes with public access, and some may even be final if they are
never supposed to change in a distribution.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
188
Interface JCortexConstants
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1b
Field Summary
String
FRAMEWORK_MESSAGE
This framework's message, to be posted on the console.
String
189
XML_NEURON_CONSTRUCTOR_ATTRIBUTE_SIGNATURE
A constructor with a two parameters of class org.w3c.dom.Node
and com.jcortex.NeuralNetwork is needed quite a lot in the XML
configuration file loading process.
Class[]
189
FRAMEWORK_VERSION
This framework's version.
Class[]
Page
190
XML_SIMPLE_CONSTRUCTOR_ATTRIBUTE_SIGNATURE
A constructor with a single parameter of class org.w3c.dom.Node
is required quite a lot in the XML configuration file loading process.
190
Field Detail
FRAMEWORK_VERSION
public static final String FRAMEWORK_VERSION
This framework's version.
FRAMEWORK_MESSAGE
public static final String FRAMEWORK_MESSAGE
This framework's message, to be posted on the console.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
189
Interface JCortexConstants
XML_SIMPLE_CONSTRUCTOR_ATTRIBUTE_SIGNATURE
public static final Class[] XML_SIMPLE_CONSTRUCTOR_ATTRIBUTE_SIGNATURE
A constructor with a single parameter of class org.w3c.dom.Node is required
quite a lot in the XML configuration file loading process. The Class[] array
kept in this attribute is required to invoke the method:
#Class#.getConstructor(Class[]);
This static attribute has been stored as a constant so the same Class array
needn't be created each time one of this constructors has to be obtained.
XML_NEURON_CONSTRUCTOR_ATTRIBUTE_SIGNATURE
public static final Class[] XML_NEURON_CONSTRUCTOR_ATTRIBUTE_SIGNATURE
A constructor with a two parameters of class org.w3c.dom.Node and
com.jcortex.NeuralNetwork is needed quite a lot in the XML configuration
file loading process. The Class[] array kept in this attribute is required to
invoke the method: ##Class##.getConstructor(Class[]);
This static attribute has been stored as a constant so the same Class array
needn't be created each time one of this constructors has to be obtained.
Class LoadAndStoreUtilities
com.jcortex
java.lang.Object
com.jcortex.LoadAndStoreUtilities
abstract public class LoadAndStoreUtilities
extends Object
An utilities class devoted to hold the methods which read and write the framework's
data on to the local file system.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
190
Class LoadAndStoreUtilities
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1b
Method Summary
static
NeuralNetwork
Page
readXMLNeuralNetwork(File xmlFile)
Reads an XML file with a NeuralNetwork configuration
stored and creates with this information a NeuralNetwork instance.
static
NeuralNetwork
readXMLNeuralNetwork(String filePath)
Reads an XML file - from a given path - with a
NeuralNetwork configuration stored and creates with this
information a NeuralNetwork instance.
static File
192
writeXMLFile(File file, org.w3c.dom.Document xmlDoc)
Static method for writing an XML file in the given File
instance.
static File
193
192
writeXMLFile(String filePath, org.w3c.dom.Document xmlDoc)
Static method for writing an XML file at the selected spot.
191
Method Detail
writeXMLFile
public static File writeXMLFile(String filePath,
org.w3c.dom.Document xmlDoc)
throws Exception
Static method for writing an XML file at the selected spot.
This method is based on the (File, Document) implementation included in the
same class.
Parameters:
filePath
xmlDoc
- The file's path on wich the XML document will be written.
- The XML's document content.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
191
Class LoadAndStoreUtilities
Returns:
The written File instance.
Throws:
Exception
- Exceptions can be thrown.
writeXMLFile
public static File writeXMLFile(File file,
org.w3c.dom.Document xmlDoc)
throws Exception
Static method for writing an XML file in the given File instance.
This method uses the DOM implementation as the XML data manager and
uses a DOM tansformet to write the XML file into the file system.
Parameters:
file
- The file on wich the XML document will be written.
xmlDoc
- The XML's document content.
Returns:
The written File instance.
Throws:
Exception
- Exceptions can be thrown.
readXMLNeuralNetwork
public static NeuralNetwork readXMLNeuralNetwork(String filePath)
throws Exception
Reads an XML file - from a given path - with a NeuralNetwork configuration
stored and creates with this information a NeuralNetwork instance.
This method is based on its (File ) implementation included in this class.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
192
Class LoadAndStoreUtilities
Parameters:
filePath
- The XML file with the NeuralNetwork configuration.
Returns:
The NeuralNetwork instance created with the stored configuration.
Throws:
Exception
readXMLNeuralNetwork
public static NeuralNetwork readXMLNeuralNetwork(File xmlFile)
throws Exception
Reads an XML file with a NeuralNetwork configuration stored and creates
with this information a NeuralNetwork instance.
This method makes sure that there is a node as the root of the XML document
and that this node has a child in it. If one of both is lacking, this can't be a
NeuralNetwork configuration file.
This method makes use of the XML-node based instance constructor that mus
appear in all final NeuralNetwork classes.
Parameters:
xmlFile
- The XML file with the NeuralNetwork configuration.
Returns:
The NeuralNetwork instance created with the stored configuration.
Throws:
Exception
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
193
Class Messages
Class Messages
com.jcortex
java.lang.Object
com.jcortex.Messages
public class Messages
extends Object
Class in charge of obtaining the localized messages for the JCortex framework. This
class is based on the use of java.util.ResourceBundle.
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1b
Constructor Summary
protected
Messages()
Method Summary
static
String
195
195
getString(String key, Object arg1, Object arg2)
Obtains a localized text for the given key, replacing the
placeholders with the parameters submitted.
static
String
Page
getString(String key, Object arg1)
Obtains a localized text for the given key, replacing the
placeholders with the parameters submitted.
static
String
195
getString(String key)
Obtains a localized text for the given key, from the resource bundle
indicated by RESOURCE_BUNDLE.
static
String
Page
196
getString(String key, Object arg1, Object arg2, Object arg3)
Obtains a localized text for the given key, replacing the
placeholders with the parameters submitted.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
197
194
Class Messages
static
String
getString(String
Object arg4)
key,
Object
arg1,
Object
arg2,
Object
arg3,
Obtains a localized text for the given key, replacing the
placeholders with the parameters submitted.
static
String
197
getString(String key, Object[] args)
Obtains a localized text for the given key, replacing the
placeholders with a variable number of parameters submitted submitted
as an Object array.
198
Constructor Detail
Messages
protected Messages()
Method Detail
getString
public static String getString(String key)
Obtains a localized text for the given key, from the resource bundle indicated
by RESOURCE_BUNDLE.
Parameters:
key
- The key for which the localized text is looked up.
Returns:
The localyzed text with the placeholders replaced.
getString
public static String getString(String key,
Object arg1)
Obtains a localized text for the given key, replacing the placeholders with the
parameters submitted.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
195
Class Messages
This method is really a wrapper for this class' public static String
getString(String key, Object[] args) method. The Object parameters
received are put into a newly created Object[] array.
Parameters:
key
- The key for which the localized text is looked up.
arg1
- The argument that will replace the first placeholder in the text.
Returns:
The localyzed text with the placeholders replaced.
getString
public static String getString(String key,
Object arg1,
Object arg2)
Obtains a localized text for the given key, replacing the placeholders with the
parameters submitted.
This method is really a wrapper for this class' public static String
getString(String key, Object[] args) method. The Object parameters
received are put into a newly created Object[] array.
Parameters:
key
- The key for which the localized text is looked up.
arg1
- The argument that will replace the first placeholder in the text.
arg2
- The argument that will replace the second placeholder in the
text.
Returns:
The localyzed text with the placeholders replaced.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
196
Class Messages
getString
public static String getString(String
Object
Object
Object
key,
arg1,
arg2,
arg3)
Obtains a localized text for the given key, replacing the placeholders with the
parameters submitted.
This method is really a wrapper for this class' public static String
getString(String key, Object[] args) method. The Object parameters
received are put into a newly created Object[] array.
Parameters:
key
- The key for which the localized text is looked up.
arg1
- The argument that will replace the first placeholder in the text.
arg2
- The argument that will replace the second placeholder in the
text.
arg3
- The argument that will replace the third placeholder in the text.
Returns:
The localyzed text with the placeholders replaced.
getString
public static String getString(String
Object
Object
Object
Object
key,
arg1,
arg2,
arg3,
arg4)
Obtains a localized text for the given key, replacing the placeholders with the
parameters submitted.
This method is really a wrapper for this class' public static String
getString(String key, Object[] args) method. The Object parameters
received are put into a newly created Object[] array.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
197
Class Messages
Parameters:
key
- The key for which the localized text is looked up.
arg1
- The argument that will replace the first placeholder in the text.
arg2
- The argument that will replace the second placeholder in the
text.
arg3
- The argument that will replace the third placeholder in the text.
arg4
- The argument that will replace the fourth placeholder in the text.
Returns:
The localyzed text with the placeholders replaced.
getString
public static String getString(String key,
Object[] args)
Obtains a localized text for the given key, replacing the placeholders with a
variable number of parameters submitted submitted as an Object array.
Parameters:
key
- The key for which the localized text is looked up.
args
- The array of arguments that will replace the placeholders.
Returns:
The localyzed text with the placeholders replaced.
Interface NetworkFunction
com.jcortex
All Known Implementing Classes:
LinearBasisFunction, RadialBasisFunction
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
198
Interface NetworkFunction
public interface NetworkFunction
Interface defining the contract for the Network Functions available in the framework
or user-developed.
The Network Function has its origin in the McCullock-Pitts neuron model. This
function merges the neuron's parents' values into a single number.
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1b
Method Summary
float
Page
getSolution(Collection axonSourceEntries)
Calculates the input value to the neuron, from the values provided
its input connections and weights, given all as SourceEntry instances.
199
Method Detail
getSolution
public float getSolution(Collection axonSourceEntries)
Calculates the input value to the neuron, from the values provided its input
connections and weights, given all as SourceEntry instances.
Parameters:
axonSourceEntries
- A Collection of AxonSourceEntry instances.
Returns:
The network value calculated.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
199
Class NeuralNetwork
Class NeuralNetwork
com.jcortex
java.lang.Object
com.jcortex.NeuralNetwork
Direct Known Subclasses:
FeedForwardNeuralNetwork,
KohonenNeuralNetwork
HopfieldNeuralNetwork,
abstract public class NeuralNetwork
extends Object
Abstract class that must be extended by all the specific Artificial Neural Network
models.
This class covers the basic common functionalities and the defines the contract all
Neural Networks must commit to.
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Field Summary
protected
InputTranslator
Page
inputTranslator
This network's input translator.
protected List
neurons
This neural network's list of neurons.
protected
OutputTranslator
203
outputTranslator
This network's output translator.
protected
Sensor[]
203
204
sensors
This network's sensor list.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
204
200
Class NeuralNetwork
protected
Teacher
teacher
203
This neural network's associated teacher.
Constructor Summary
Page
NeuralNetwork(int
neuronCount,
int
inputsNum,
inputTranslator, OutputTranslator outputTranslator)
InputTranslator
204
Creates brand-new instances of NeuralNetwork.
NeuralNetwork(org.w3c.dom.Node nnRoot)
Creates a NeuralNetwork instance based on its XML representation.
Method Summary
void
Page
addEndNeuron(AxonSource neuron)
Adds a neuron - taken as an AxonSource instance - into
this network's collection of End Neurons.
void
This method encapsulates the whole process of creating
Document with the XML representation of this
NeuralNetwork instance.
205
getConnectedNeurons()
Obtains the collection of the neurons that are directly
connected to this NeuralNetwork instance.
Collection
213
getAttributeCount()
Obtains the number of input attributes this neural
network has been built to.
Collection
205
export2XMLDocument()
a
int
210
createNeuralNetwork(org.w3c.dom.Node nnNode)
Static method that encapsulates the creation of a neural
network from a "neuralNetwork" XML node.
final
org.w3c.dom.Document
210
addNeurons(List neurons_)
Adds a list of Neuron instances to this Neural Network.
static final
NeuralNetwork
208
addNeuron(Neuron neuron)
Adds a Neuron instance to this Neural Network.
void
208
addFirstNeuron(AxonReceiver neuron)
Adds a neuron, considered as its AxonReceiver interface
into the neural network's first-neurons-collection.
void
204
207
getEndNeurons()
Obtains the collection of the ending neurons of this
NeuralNetwork instance.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
207
201
Class NeuralNetwork
InputTranslator
getInputTranslator()
213
Obtains this network's Input Translator.
Neuron
getNeuron(int id)
211
Obtains a neuron, given its ID number.
int
getNeuronCount()
Obtains the number of neurons in the neural network.
List
getNeurons()
207
Obtains the list of neurons hold by this network.
OutputTranslator
getOutputTranslator()
213
Obtains this network's Output Translator.
Sensor
getSensor(int id)
209
Obtains a sensor given its ID number.
int
getSensorCount()
Obtains the number of sensors in this
instance.
Sensor[]
NeuralNetwork 210
getSensors()
Obtains this NeuralNetwork instance's sensor array.
Teacher
NeuralNetwork 211
neuralNetwork2xml(org.w3c.dom.Node
org.w3c.dom.Document document)
Obtains
representation.
abstract float[]
this
NeuralNetwork
docRoot,
instance's
XML
208
setInputTranslator(InputTranslator inputTranslator)
Sets this network's Input Translator.
void
209
setFirtsNeurons(Collection firstNeurons)
Sets the collection of the neurons that are directly
connected to this NeuralNetwork instance.
void
206
setEndNeurons(Collection endNeurons)
Sets the end neuron collection.
void
212
pureThink(float[] inputData)
Makes the specific numerical thinking for each neural
network model.
void
210
getTeacher()
Obtains the teacher associated to this
instance.
final void
205
213
setOutputTranslator(OutputTranslator outputTranslator)
Sets this network's Output Translator.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
214
202
Class NeuralNetwork
void
setTeacher(Teacher teacher)
Sets the teacher associated to this
instance.
protected abstract
void
NeuralNetwork 211
specificNeuralNetwork2xml(org.w3c.dom.Element
org.w3c.dom.Document document)
nnRoot,
A Template Method (GoF) that must be implemented
for every specific kind of NeuralNetwork.
Object
think(Object inputData)
This method encapsulates the "thinking" process of this
neural network's instance.
abstract String
206
toHTMLString()
Abstract method requiring every NeuralNetwork to be
able to produce a String representation of itself with HTML
tags to set its style.
abstract String
212
214
toString()
Abstract method requiring every NeuralNetwork to be
able to produce a String representation of itself.
214
Field Detail
teacher
protected Teacher teacher
This neural network's associated teacher. Its visibility is protected to allow a
quicker use from its subclasses.
neurons
protected List neurons
This neural network's list of neurons. Its visibility is protected to allow a
quicker use from its subclasses.
inputTranslator
protected InputTranslator inputTranslator
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
203
Class NeuralNetwork
This network's input translator. Its visibility is protected to allow a quicker use
from its subclasses.
outputTranslator
protected OutputTranslator outputTranslator
This network's output translator. Its visibility is protected to allow a quicker
use from its subclasses.
sensors
protected Sensor[] sensors
This network's sensor list. Its visibility is protected to allow a quicker use from
its subclasses.
Constructor Detail
NeuralNetwork
public NeuralNetwork(int neuronCount,
int inputsNum,
InputTranslator inputTranslator,
OutputTranslator outputTranslator)
Creates brand-new instances of NeuralNetwork.
NeuralNetwork
public NeuralNetwork(org.w3c.dom.Node nnRoot)
throws ReadingException
Creates a NeuralNetwork instance based on its XML representation.
Throws:
ReadingException
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
204
Class NeuralNetwork
Method Detail
createNeuralNetwork
public static final NeuralNetwork createNeuralNetwork(org.w3c.dom.Node nnNod
e)
throws ReadingException
Static method that encapsulates the creation of a neural network from a
"neuralNetwork" XML node.
This method looks into the node in order to obtain the specific NeuralNetwork
subclass that must be instatiated. Once it obtains the class' name, it produces
the Class object and looks for the constructor with the
JCortexConstants.XML_SIMPLE_CONSTRUCTOR_ATTRIBUTE_SIGNATURE signature.
Parameters:
nnNode
- A node with the neural network's configuration.
Returns:
An instance of NeuralNetwork created with the node's configuration.
Throws:
ReadingException
getNeuronCount
public int getNeuronCount()
Obtains the number of neurons in the neural network. This method does not
include sensors in the count.
Returns:
The number of neurons.
getAttributeCount
public int getAttributeCount()
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
205
Class NeuralNetwork
Obtains the number of input attributes this neural network has been built to.
Returns:
The number of input attributes.
think
public Object think(Object inputData)
throws IllegalArgumentException
This method encapsulates the "thinking" process of this neural network's
instance.
It receives an object as the input data and translates it to a number
representation. Once translated, this method invokes the pureThink() that must
be developed in each specific neural network model. The result of this method
is passed through the output translator before it is offered back to the invoker.
This method requires the Template Method (GoF) pureThink().
Parameters:
inputData
- The object that serves as input data for the neural network.
Returns:
An object containing the answer given by the neral network.
Throws:
IllegalArgumentException
pureThink
public abstract float[] pureThink(float[] inputData)
throws IllegalArgumentException
Makes the specific numerical thinking for each neural network model.
It behaves as the Template Method (GoF) for the think() method.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
206
Class NeuralNetwork
Parameters:
inputData
- The numerical input data.
Returns:
returns The numerical result of passing the input through the network.
Throws:
IllegalArgumentException
getNeurons
public List getNeurons()
Obtains the list of neurons hold by this network.
Returns:
The list of neurons.
getConnectedNeurons
public Collection getConnectedNeurons()
Obtains the collection of the neurons that are directly connected to this
NeuralNetwork instance. There can be more neurons in the network connected
to these in further layers.
Returns:
A collection with the directly connected neurons.
getEndNeurons
public Collection getEndNeurons()
Obtains the collection of the ending neurons of this NeuralNetwork instance.
These neurons are the ones asked to know the Networks final result.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
207
Class NeuralNetwork
The End Neurons can be known as well as the network's Output Neurons as
their internal state will be considered as the output of the Neural Network.
Returns:
A collections with the last neurons in the network.
addFirstNeuron
public void addFirstNeuron(AxonReceiver neuron)
Adds a neuron, considered as its
network's first-neurons-collection.
AxonReceiver
interface into the neural
This method does not include this neuron inside the collection of all the
neurons in the neural network. It does find out before adding this neuron if it is
already in the fist-neurons-collection.
Parameters:
neuron
- The new neuron to be included in the collection.
setFirtsNeurons
public void setFirtsNeurons(Collection firstNeurons)
Sets the collection of the neurons that are directly connected to this
NeuralNetwork instance. There can be more neurons in the network connected
to these in further layers.
Parameters:
firstNeurons
- The collection of directly connected neurons.
addEndNeuron
public void addEndNeuron(AxonSource neuron)
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
208
Class NeuralNetwork
Adds a neuron - taken as an
collection of End Neurons.
AxonSource
instance - into this network's
Parameters:
- The
collection.
neuron
AxonSource
instance to be added to the End Neurons
setEndNeurons
public void setEndNeurons(Collection endNeurons)
Sets the end neuron collection.
Parameters:
endNeurons
- The new end neurons collection.
getSensor
public Sensor getSensor(int id)
Obtains a sensor given its ID number.
The sensors' ID is always a negative number, so it will have to be transformed
in order to be looked up in the array as ann index, according to the following
distribution diagram:
__________________
|-1|-2|-3|-4|...|-n|
|__|__|__|__|___|__|
0
1
2
3
...
n-1
Parameters:
id
- The requested sensor's ID number.
Returns:
The Sensor instance requested.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
209
Class NeuralNetwork
getSensors
public Sensor[] getSensors()
Obtains this NeuralNetwork instance's sensor array.
Returns:
An array with this network's sensors.
getSensorCount
public int getSensorCount()
Obtains the number of sensors in this NeuralNetwork instance.
Returns:
The number of sensors.
addNeuron
public void addNeuron(Neuron neuron)
Adds a Neuron instance to this Neural Network.
The instance passed as an argument is placed in this network's neurons list at
the place stated by the neuron's ID number.
Parameters:
neuron
- The Neuron to be added.
addNeurons
public void addNeurons(List neurons_)
Adds a list of Neuron instances to this Neural Network.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
210
Class NeuralNetwork
Each Neuron instance passed is placed in this network's neurons list at the
place stated by the neuron's ID number.
getNeuron
public Neuron getNeuron(int id)
Obtains a neuron, given its ID number.
Parameters:
id
- The requested neuron's id number.
Returns:
The neuron requested.
getTeacher
public Teacher getTeacher()
Obtains the teacher associated to this NeuralNetwork instance.
Returns:
The associated teacher.
setTeacher
public void setTeacher(Teacher teacher)
Sets the teacher associated to this NeuralNetwork instance.
Parameters:
teacher
- The associated teacher.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
211
Class NeuralNetwork
neuralNetwork2xml
public final void neuralNetwork2xml(org.w3c.dom.Node docRoot,
org.w3c.dom.Document document)
Obtains this NeuralNetwork instance's XML representation.
This method is responsable for creating the node for every kind of
NeuralNetwork instance and storing the information it knows at this abstraction
level. * It requires the Template Method (GoF) specificNeuralNetwork2xml()
defined in this abstract class.
Parameters:
- The root node to which this neural network's node has to be
attatched.
docRoot
- The original XML document used for the creation of nodes
and other elements needed for representing this networks
configuration.
document
specificNeuralNetwork2xml
protected abstract void specificNeuralNetwork2xml(org.w3c.dom.Element nnRoot
,
org.w3c.dom.Document docum
ent)
A Template Method (GoF) that must be implemented for every specific kind
of NeuralNetwork. Its specific information must be put - or appended - inside
the XML node provided.
Parameters:
nnRoot
- The networl's node on to which the specific model's info must
be put.
- The original XML document used for the creation of nodes
and other elements needed for representing this networks
configuration.
document
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
212
Class NeuralNetwork
export2XMLDocument
public final org.w3c.dom.Document export2XMLDocument()
This method encapsulates the whole process of creating a Document with the
XML representation of this NeuralNetwork instance.
It calls the neuralNetwork2XML() implemented by this abstract class.
Returns:
A XML document
configuration.
containing
this
NeuralNetwork
instance's
getInputTranslator
public InputTranslator getInputTranslator()
Obtains this network's Input Translator.
Returns:
This network's Input Translator.
setInputTranslator
public void setInputTranslator(InputTranslator inputTranslator)
Sets this network's Input Translator.
Parameters:
inputTranslator
- This network's Input Translator.
getOutputTranslator
public OutputTranslator getOutputTranslator()
Obtains this network's Output Translator.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
213
Class NeuralNetwork
Returns:
This network's Output Translator.
setOutputTranslator
public void setOutputTranslator(OutputTranslator outputTranslator)
Sets this network's Output Translator.
Parameters:
outputTranslator
- This network's Output Translator.
toString
public abstract String toString()
Abstract method requiring every NeuralNetwork to be able to produce a String
representation of itself.
Overrides:
toString
in class Object
Returns:
A String representation of this NeuralNetwork instance.
toHTMLString
public abstract String toHTMLString()
Abstract method requiring every NeuralNetwork to be able to produce a String
representation of itself with HTML tags to set its style.
Make it cute & smart as it will be the one shown!
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
214
Class NeuralNetwork
Returns:
A String representation of this NeuralNetwork instance.
Class Neuron
com.jcortex
java.lang.Object
com.jcortex.Neuron
All Implemented Interfaces:
AxonReceiver, AxonSource
Direct Known Subclasses:
FeedForwardNeuron, KohonenNeuron
abstract public class Neuron
extends Object
implements AxonSource, AxonReceiver
bstract class extended to represent the generic role of a neuron inside a Neural
Networ's structure.
To put it simple, a Neuron is an element from a Neural Network that haves both the
role of an AxonSource and an AxonReceiver. Although, this abstract class is much more
than this: it provides the common functionality required by all kinds of Neuron
implementations, and assures its instances' hability to make a synapse().
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1b
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
215
Class Neuron
Field Summary
Page
static
final
short
RANDOM_CLOSE_TO_ZERO_VALUE
static
final
short
RANDOM_INITIAL_VALUE
static
final
short
ZERO_INITIAL_VALUE
217
Values are initialized with a low random number.
217
Values are initialized with a random number.
217
Values are initialized with 0.
Constructor Summary
Page
Neuron(int id)
217
Creates a brand new neuron.
Neuron(org.w3c.dom.Node neuronRoot, NeuralNetwork nn)
217
Creates a neuron from its XML representation.
Method Summary
boolean
Page
equals(Object obj)
Compares this neuron with an Axon Source object.
abstract
Collection
getConnectedNeurons()
Gets the AxonReceivers connected to this Neuron.
int
218
neuron2xml(org.w3c.dom.Document document)
Obtains the XML serialized representation of this Neuron.
protected
abstract void
specificNeuron2xml(org.w3c.dom.Element
org.w3c.dom.Document document)
218
neuronRoot,
A template method for putting in the neuron's tag the
specific attributes of each kind of neuron.
String
218
getId()
Obtains this neuron's id number.
final
org.w3c.dom.Node
220
219
toString()
Obtains the String representation of this Neuron.
219
Methods inherited from interface com.jcortex.AxonSource
addConnectedNeuron, getAxonValue, getId, produceAxonValue
Methods inherited from interface com.jcortex.AxonReceiver
addEntry, addEntry, getEntries, getEntryWeight, getId, setEntryWeight
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
216
Class Neuron
Field Detail
ZERO_INITIAL_VALUE
public static final short ZERO_INITIAL_VALUE
Values are initialized with 0.
RANDOM_INITIAL_VALUE
public static final short RANDOM_INITIAL_VALUE
Values are initialized with a random number.
RANDOM_CLOSE_TO_ZERO_VALUE
public static final short RANDOM_CLOSE_TO_ZERO_VALUE
Values are initialized with a low random number.
Constructor Detail
Neuron
public Neuron(int id)
Creates a brand new neuron.
Neuron
public Neuron(org.w3c.dom.Node neuronRoot,
NeuralNetwork nn)
Creates a neuron from its XML representation.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
217
Class Neuron
Method Detail
getId
public int getId()
Obtains this neuron's id number.
Specified by:
getId
in interface AxonSource
getId
in interface AxonReceiver
Returns:
The id number.
getConnectedNeurons
public abstract Collection getConnectedNeurons()
Gets the AxonReceivers connected to this Neuron.
Returns:
A Collection instance if there are any, null if no neurons can be
connected.
neuron2xml
public final org.w3c.dom.Node neuron2xml(org.w3c.dom.Document document)
Obtains the XML serialized representation of this Neuron.
This method requires the Template Method (GoF) specificNeuron2xml()
method required by this abstract class's contract for all the specific neural
network implementations.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
218
Class Neuron
Parameters:
document
- The XML document needed to create the nodes and
elements.
Returns:
The XML node with this neuron's configuration.
specificNeuron2xml
protected abstract void specificNeuron2xml(org.w3c.dom.Element neuronRoot,
org.w3c.dom.Document document)
A template method for putting in the neuron's tag the specific attributes of
each kind of neuron.
This method acts as a Template Method (GoF) for this class'
method.
neuron2xml()
Parameters:
neuronRoot
document
- The XML node that contains this neuron's configuration.
- The XML document used for the creation of new elements.
toString
public String toString()
Obtains the String representation of this Neuron.
Overrides:
toString
in class Object
Returns:
The String representation of this Neuron.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
219
Class Neuron
equals
public boolean equals(Object obj)
Compares this neuron with an Axon Source object.
Overrides:
equals
in class Object
Returns:
True if both objects are AxonSources and have the same id number.
Interface OutputTranslator
com.jcortex
All Known Implementing Classes:
SingleBooleanOutputTranslator, TransparentOutputTranslator
public interface OutputTranslator
Interface defining the contract for the Output Translator available in the framework or
user-developed.
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1b
Method Summary
float[]
Page
getOutputBackTranslation(Object desired_output)
Translates a desired result into the numerical value it should have
produced.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
221
220
Interface OutputTranslator
Object
getOutputTranslation(float[] input_value)
Translates the numerical value given out by neurons as an object
that can be taken as the qualitative result given by the network.
221
Method Detail
getOutputTranslation
public Object getOutputTranslation(float[] input_value)
Translates the numerical value given out by neurons as an object that can be
taken as the qualitative result given by the network.
Parameters:
input_value
- The float array that is the result of the neural network's
process.
Returns:
The Object returned as a qualitative response from the neural network.
getOutputBackTranslation
public float[] getOutputBackTranslation(Object desired_output)
Translates a desired result into the numerical value it should have produced.
Parameters:
desired_output
- The object that is the desired output for an example.
Returns:
The Object returned as a qualitative response from the neural network.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
221
Class ProgressAnalyzer
Class ProgressAnalyzer
com.jcortex
java.lang.Object
com.jcortex.ProgressAnalyzer
Direct Known Subclasses:
ComposedProgressAnalyzer,
ValueVariationAnalyzer
ValueDecreaseAnalyzer,
abstract public class ProgressAnalyzer
extends Object
This is the Component element in the Composite GoF Desing Pattern.
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1b
Constructor Summary
Page
ProgressAnalyzer()
223
Method Summary
Page
void
add(ProgressAnalyzer analyzer)
Adds a ProgessAnalyzer to this composite node.
ProgressAnalyzer
getInnerAnalyzers(int ix)
Obtains a ProgessAnalyzer instance from the list, given
its index.
abstract String
223
224
getReasonToStop()
Obtains the description of the reason why this analyzer has
stopped the training process it was following, if indeed it has.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
224
222
Class ProgressAnalyzer
abstract boolean
isProgressGoodEnough()
Decides if the progress monitored
ProgessAnalyzer is good enough to continue.
void
by
this
224
from
this
223
remove(ProgressAnalyzer analyzer)
Removes a
compositing node.
ProgessAnalyzer
instance
Constructor Detail
ProgressAnalyzer
public ProgressAnalyzer()
Method Detail
add
public void add(ProgressAnalyzer analyzer)
Adds a ProgessAnalyzer to this composite node.
By default, an empty implementation is supplied.
Parameters:
analyzer
- The progress analyzer to be added.
remove
public void remove(ProgressAnalyzer analyzer)
Removes a ProgessAnalyzer instance from this compositing node.
By default, an empty implementation is supplied.
Parameters:
analyzer
- The progress analyzer to be removed.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
223
Class ProgressAnalyzer
getInnerAnalyzers
public ProgressAnalyzer getInnerAnalyzers(int ix)
Obtains a ProgessAnalyzer instance from the list, given its index.
By default, an empty implementation is supplied.
Parameters:
ix
- The index of the desired analyzer.
Returns:
The requested ProgessAnalyzer instance.
isProgressGoodEnough
public abstract boolean isProgressGoodEnough()
Decides if the progress monitored by this ProgessAnalyzer is good enough to
continue.
Returns:
A boolean value indicating if the training should continue (true) or not
(false).
getReasonToStop
public abstract String getReasonToStop()
Obtains the description of the reason why this analyzer has stopped the
training process it was following, if indeed it has.
Returns:
The reason why this analyzer has decided to stop the training.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
224
Class ReadingException
Class ReadingException
com.jcortex
java.lang.Object
java.lang.Throwable
java.lang.Exception
com.jcortex.ReadingException
All Implemented Interfaces:
Serializable
public class ReadingException
extends Exception
Exception thrown when there is an exception reading a local file from the file system.
It usually happens when loading a NeuralNetwork's XML configuration file.
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1b
Constructor Summary
Page
ReadingException(String message)
Default constructor for this exception.
225
Constructor Detail
ReadingException
public ReadingException(String message)
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
225
Class ReadingException
Default constructor for this exception.
Class Sensor
com.jcortex
java.lang.Object
com.jcortex.Sensor
All Implemented Interfaces:
AxonSource
public class Sensor
extends Object
implements AxonSource
The sensor is interface placed between the data entrance and the neurons or other
mechanisms stored inside the NeuralNetwork.
A Sensor instance is just a buffer element that stores the value set as input for the
NeuralNetwork. Sensor implements the AxonSource interface so its instances will be
able to provide AxonReceiver subclasses the stored value. Both the NeuralNetwork or
the first layer of AxonReceivers (these can be Neurons themselves) can access and
grab the value buffered in the sensor.
A value continues to be stored and provided by the Sensor instance until it is changed
to a new one.
All sensors' ids are negative numbers starting at -1 and decreasing until -inf. By
thesemeans they are distinguished from the Neuron's ids which are positive starting at
0 and increasing to +inf.
Author:
Miguel Lara Encabo - [email protected]
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
226
Class Sensor
Version:
0.1b
Constructor Summary
Page
Sensor(int id, NeuralNetwork parentNetwork)
Complete sensor builder.
Method Summary
void
229
setValue(float value_)
Sets this sensor's buffered value.
String
228
produceAxonValue()
Dummy method as sensors don't really produce any values.
void
228
getId()
Gets this Sensor instance's id.
float
229
getAxonValue()
Gets the value buffered inside the sensor.
int
Page
addConnectedNeuron(AxonReceiver child, boolean connect_back)
Adds a neuron as a child to this sensor.
float
227
228
toString()
Obtains a String representation of this Sensor instance.
229
Methods inherited from interface com.jcortex.AxonSource
addConnectedNeuron, getAxonValue, getId, produceAxonValue
Constructor Detail
Sensor
public Sensor(int id,
NeuralNetwork parentNetwork)
Complete sensor builder.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
227
Class Sensor
Method Detail
setValue
public void setValue(float value_)
Sets this sensor's buffered value.
Parameters:
value_
- The value.
getId
public int getId()
Gets this Sensor instance's id.
Specified by:
getId
in interface AxonSource
Returns:
The id.
getAxonValue
public float getAxonValue()
Gets the value buffered inside the sensor.
Specified by:
getAxonValue
in interface AxonSource
Returns:
The value.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
228
Class Sensor
produceAxonValue
public float produceAxonValue()
Dummy method as sensors don't really produce any values. They just buffer
them.
Specified by:
produceAxonValue
in interface AxonSource
Returns:
0f, What d'ya want? Its a dummy!
addConnectedNeuron
public void addConnectedNeuron(AxonReceiver child,
boolean connect_back)
Adds a neuron as a child to this sensor.
The child will be an AxonReceiver implementation. There is no use for the
Sensor instance knowing which AxonReceiver instances are connected to it.
These AxonReceiver instances will really be the first-layer neurons for the
NeuralNetwork: from which the propagation is really started.
Specified by:
addConnectedNeuron
in interface AxonSource
Parameters:
- An AxonReceiver that will be connected as a child to this
AxonSource.
child
connect_back
- If it is
true
this sensor will add itself to its child as an
entry.
toString
public String toString()
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
229
Class Sensor
Obtains a String representation of this Sensor instance.
Overrides:
toString
in class Object
Returns:
A String representation of this instance.
Class Statistics
com.jcortex
java.lang.Object
com.jcortex.Statistics
public class Statistics
extends Object
Holds the progress statistics for a training session.
Each instance of the
training session.
Statistics
class serves to collect all the values recorded for a
This classes' instances play their role in the GoF Observer Design Pattern. They are
responsible for managing the list of listeners and notifying them with the relevant
changes.
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1b
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
230
Class Statistics
Constructor Summary
Page
Statistics()
Default builder for the Statistics system.
232
Statistics(String[] measureList, long aproxMaxIteration)
Default builder for the Statistics system.
Method Summary
void
232
Page
addRegister(String measure, long iteration, float value)
Adds a register to one of the measures
232
This method encapsulates the full Register creation process so
as to simplify the work of the Teacher.
void
addStatisticsListener(StatisticsListener statsListener)
Adds a
StatisticsListener
to the list of listeners syndicated
233
to this Statistics instance.
void
finishedStats()
Method used to close the stats from outside.
StatsMeasure
235
getMeasure(String measure)
Obtains the
Measure
instance associated to the given String
233
key.
float
getProgress()
Evaluates the progress of the training session as the
percentage of iterations done, assuming the maximum iteration
number given as the total ammount of iterations to be done.
Iterator
iterator()
Obtains a Iterator instance that can go though all the values
recorded in this Statistics instance.
protected
void
234
notifyUpdate2Listeners()
This method notifies all syndicated listeners that there has
been an update to the training statistics.
void
233
notifyEnd2Listeners()
This method notifies all syndicated listeners that the training
has finished.
protected
void
235
234
removeStatisticsListener(StatisticsListener statsListener)
Removes a StatisticsListener from the list of listeners
syndicated to this Statistics instance.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
234
231
Class Statistics
Constructor Detail
Statistics
public Statistics()
Default builder for the Statistics system. It creates the Statistics instance still
without knowing the number or names o the StatsMeasures it will have to deal
with.
This method initialyzes the variables and creates the data structures.
Each instance of
training session.
Statistics
serves to collect all the values recorded for a
Statistics
public Statistics(String[] measureList,
long aproxMaxIteration)
Default builder for the Statistics system. It creates the Statistics instance still
for the known the number or names o the StatsMeasures it will have to deal
with.
This method initialyzes the variables and creates the data structures. It creates
as well the StatsMeasure instances submitted as parameters for this
constructor.
Each instance of
training session.
Statistics
serves to collect all the values recorded for a
Method Detail
addRegister
public void addRegister(String measure,
long iteration,
float value)
Adds a register to one of the measures
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
232
Class Statistics
This method encapsulates the full
the work of the Teacher.
Register
creation process so as to simplify
Parameters:
- The key, and name, of the
register has been recorded.
measure
iteration
value
Measure
instance for which the
- The iteration number at which the register was recorded.
- The value to be recorded in the register.
getMeasure
public StatsMeasure getMeasure(String measure)
Obtains the Measure instance associated to the given String key.
Parameters:
measure
- The key, and name, of the Measure instance requested.
Returns:
The Measure instance requested.
iterator
public Iterator iterator()
Obtains a
instance that can go though all the values recorded in this
Statistics instance.
Iterator
Returns:
The
instance that can go though all the values in this
Statistics instance.
Iterator
addStatisticsListener
public void addStatisticsListener(StatisticsListener statsListener)
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
233
Class Statistics
Adds a
to the list of listeners syndicated to this
StatisticsListener
Statistics
instance.
Parameters:
statsListener
- The
StatisticsListener
to be added to the
syndication list.
removeStatisticsListener
public void removeStatisticsListener(StatisticsListener statsListener)
Removes a
Statistics
StatisticsListener
from the list of listeners syndicated to this
instance.
Parameters:
statsListener
- The
StatisticsListener
to be removed from the
syndication list.
notifyUpdate2Listeners
protected void notifyUpdate2Listeners()
This method notifies all syndicated listeners that there has been an update to
the training statistics.
Not all registers added are notified to the listeners. The
NOTIFICATION_GAP dictates the number of updates done to this
Statistics instance, before a change is actually notified.
To make this notification, it invokes the
all StatisticListener instances.
.statsClosed()
method obliged for
notifyEnd2Listeners
protected void notifyEnd2Listeners()
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
234
Class Statistics
This method notifies all syndicated listeners that the training has finished.
To make this notification, it invokes the
all StatisticListener instances.
.statsClosed()
method obliged for
finishedStats
public void finishedStats()
Method used to close the stats from outside.
Its only responsability is to call this class' method in charge of notifying all
listeners that the training has ended.
getProgress
public float getProgress()
Evaluates the progress of the training session as the percentage of iterations
done, assuming the maximum iteration number given as the total ammount of
iterations to be done.
Returns:
The training session's progress presented as the percentage of work
done.
Class StatisticsEvent
com.jcortex
java.lang.Object
java.util.EventObject
com.jcortex.StatisticsEvent
All Implemented Interfaces:
Serializable
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
235
Class StatisticsEvent
public class StatisticsEvent
extends EventObject
Event element created in order to send a notification to a listener.
This class plays its role in the GoF Observer Design Pattern by allowing the listener
to know which Statistics instance was the source of a notification.
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1b
Constructor Summary
Page
StatisticsEvent(Object source)
Creates a statistics event that can be used by the listener to identify the
source of its notifications.
236
Constructor Detail
StatisticsEvent
public StatisticsEvent(Object source)
Creates a statistics event that can be used by the listener to identify the source
of its notifications.
Interface StatisticsListener
com.jcortex
public interface StatisticsListener
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
236
Interface StatisticsListener
This interface defines the contract obliged to any class that wants to be notified by
upgrades and the closing of a training session's statistics.
This part of a GoF Observer Design Pattern implementation (known as listeners in
Java).
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1b
Method Summary
void
Page
statsClosed(StatisticsEvent statisticsEvent)
Method use to notify the lister that the training session has ended.
void
237
statsUpdate(StatisticsEvent statisticsEvent)
Method use to notify the lister that a relevant update has taken
place in the Statistics instance, during the training session.
237
Method Detail
statsUpdate
public void statsUpdate(StatisticsEvent statisticsEvent)
Method use to notify the lister that a relevant update has taken place in the
Statistics instance, during the training session.
Parameters:
statisticsEvent
- The event that shows the source of this notification.
statsClosed
public void statsClosed(StatisticsEvent statisticsEvent)
Method use to notify the lister that the training session has ended.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
237
Interface StatisticsListener
Parameters:
statisticsEvent
- The event that shows the source of this notification.
Class StatsMeasure
com.jcortex
java.lang.Object
com.jcortex.StatsMeasure
public class StatsMeasure
extends Object
This class models the dimensions - or measures recorded in the statistics. Each
instance from this class collects all the records from the same kind of measurements.
The measure keeps its own statistics as for its maximum, minimum and accumulate
values, in case these are requested by the
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1b
Constructor Summary
Page
StatsMeasure(String name_)
Instance builder that initializes this measure's name, data structure and its
own statistic values.
239
Method Summary
Page
void
addRegister(StatsRegister sr)
Adds a register to this measure.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
240
238
Class StatsMeasure
float
getAverage()
Obtains the stored registers' average value.
StatsRegister
getLastRegister()
Obtains the last register put into this instance.
float
240
iterator()
Obtains an
stored.
void
241
getRegisters()
Gets the vector of registers recorded for this measure.
Iterator
239
getRegister(int ix)
Gets a certain register, given its index in the list.
List
242
getName()
Obtains this measure's name.
StatsRegister
241
getMin()
Obtains the minimum value recorded
String
242
getMax()
Obtains the maximum value recorded.
float
241
Iterator
instance that can access all the registers
241
setName(String name)
Sets this measure's name.
240
Constructor Detail
StatsMeasure
public StatsMeasure(String name_)
Instance builder that initializes this measure's name, data structure and its own
statistic values.
To start with, the maximum and minimum values set for this measure are the
minimum and maximum values - respectively - that a float type can hold.
Method Detail
getName
public String getName()
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
239
Class StatsMeasure
Obtains this measure's name.
Returns:
This measure's name.
setName
public void setName(String name)
Sets this measure's name.
Parameters:
name
- The new name for this measure.
getRegisters
public List getRegisters()
Gets the vector of registers recorded for this measure.
Returns:
The vector of registers recorded.
addRegister
public void addRegister(StatsRegister sr)
Adds a register to this measure. In the process it updates the statistics held for
this measure.
Parameters:
sr
- The new register to be added to the list.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
240
Class StatsMeasure
getRegister
public StatsRegister getRegister(int ix)
Gets a certain register, given its index in the list.
Parameters:
ix
- The requested register's index.
Returns:
The requested register.
iterator
public Iterator iterator()
Obtains an Iterator instance that can access all the registers stored.
This iterator is obtained from the List interface obliged implementation.
Returns:
An iterator for this instance.
getAverage
public float getAverage()
Obtains the stored registers' average value.
Returns:
The average value.
getMax
public float getMax()
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
241
Class StatsMeasure
Obtains the maximum value recorded.
Returns:
The maximum value.
getMin
public float getMin()
Obtains the minimum value recorded
Returns:
The minimum value.
getLastRegister
public StatsRegister getLastRegister()
Obtains the last register put into this instance.
Returns:
The last register recorded.
Class StatsRegister
com.jcortex
java.lang.Object
com.jcortex.StatsRegister
All Implemented Interfaces:
Comparable
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
242
Class StatsRegister
public class StatsRegister
extends Object
implements Comparable
The StatsRegister is the most basic element in the training Statistics system. Each
instance of a StatsRegister stores the pair iteration - value that keeps the record of how
the training is going on. The system's relationships work as follows:
_______________
|
|
|
StatsRegister
|_______________|*
______________
|
StatsMeasure
1|______________|*
|
|----|
|----|
____________
|
|
Statistics
|
1|____________|
The idea is that for each statistic measure there will be quite a lot of registers
recorded. There can be several measures in the overall training statistics.
Constructor Summary
Page
StatsRegister(long iteration_, float value_)
Creates a statsitic register storing the value of its measure at the given
iteration.
244
Method Summary
Page
int
compareTo(Object obj)
Compares two StatsRegister instances.
long
getIteration()
Gets the iteration at which this register was recorded.
float
244
setIteration(long iteration)
Sets the iteration at which this register was recorded.
void
244
getValue()
Obtains the value recorded.
void
245
245
setValue(float value)
Sets the value in this register.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
244
243
Class StatsRegister
Constructor Detail
StatsRegister
public StatsRegister(long iteration_,
float value_)
Creates a statsitic register storing the value of its measure at the given
iteration.
Method Detail
getValue
public float getValue()
Obtains the value recorded.
Returns:
The value.
setValue
public void setValue(float value)
Sets the value in this register.
Parameters:
value
- The value to be recorded.
getIteration
public long getIteration()
Gets the iteration at which this register was recorded.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
244
Class StatsRegister
Returns:
The iteration.
setIteration
public void setIteration(long iteration)
Sets the iteration at which this register was recorded.
Parameters:
iteration
- The iteration.
compareTo
public int compareTo(Object obj)
Compares two StatsRegister instances.
The comparison is made on their chronological order, taking the iteration as
the timestamp.
Parameters:
obj
- The other StatsRegister instance to be compared with this one.
Returns:
1 if this register was taken as at a latter iteration than the compared
one. (This register is previous in chronological order.) 0 both registers
are from the same iteration. -1 if this register was taken as at a former
iteration than this one. (The given register one is previous in
chronological order.)
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
245
Class Teacher
Class Teacher
com.jcortex
java.lang.Object
com.jcortex.Teacher
Direct Known Subclasses:
DefaultHopfieldTeacher,
DefaultKohonenTeacher,
DefaultMultilayerPerceptronTeacher, DefaultPerceptronTeacher
abstract public class Teacher
extends Object
The abstract class obliged to all Teachers of Neural Networks.
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Field Summary
static
int
Page
VALIDATION_JUMP
A validation will be made each VALIDATION_JUMP iterations.
Constructor Summary
247
Page
Teacher()
The default creator is available for a brand new teacher creation.
248
Teacher(org.w3c.dom.Node teacherNode)
An XML creator taken as a placeholder for XML source configurations.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
248
246
Class Teacher
Method Summary
abstract Statistics
Page
createStatsSchema()
Creates the Statistics instance with the specific
progress measures needed by each particular kind of Teacher.
abstract Statistics
educateNetwork(NeuralNetwork
nn,
exampleIObjects, Object[] exampleDObjects)
249
Object[]
248
Takes care of the training of a Neural Network.
abstract
ProgressAnalyzer
getAnalyzer()
Gets the progress analyzer used in this teacher's training.
synchronized
Statistics
getStats()
249
Gets the statistics for this teacher's progress.
protected abstract
void
specificTeacher2xml(org.w3c.dom.Element
org.w3c.dom.Document document)
teacherRoot,
Dumps into the teacher's XML node this specific
Teacher instance's configuration.
abstract void
251
250
stopTraining()
Stops the training if it is in progress, and it is possible to
250
do so.
org.w3c.dom.Element
teacher2xml(org.w3c.dom.Document document)
Dumps into an XML Element instance this teacher's
configuration.
abstract String
toHTMLString()
Produces a String output with
configuration represented with HTML code.
static void
249
this
teacher's
251
translateAndClassifyExamples(Object[]
exampleIObjects,
Object[]
exampleDObjects,
InputTranslator
inputTranslator,
OutputTranslator
outputTranslator,
float[][] trainingI, float[][] trainingD, float[][]
validationI,
float[][]
validationD,
float
251
validationPercent)
Makes a random separation of the examples passed
though the Object[] parameters into the training and validation
sets.
Field Detail
VALIDATION_JUMP
public static int VALIDATION_JUMP
A validation will be made each VALIDATION_JUMP iterations.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
247
Class Teacher
Constructor Detail
Teacher
public Teacher()
The default creator is available for a brand new teacher creation.
Teacher
public Teacher(org.w3c.dom.Node teacherNode)
An XML creator taken as a placeholder for XML source configurations.
Method Detail
educateNetwork
public abstract Statistics educateNetwork(NeuralNetwork nn,
Object[] exampleIObjects,
Object[] exampleDObjects)
throws IllegalArgumentException
Takes care of the training of a Neural Network.
Parameters:
nn
- The neural network to be trained.
exampleIObjects
- The example input objects.
exampleDObjects
- The example output objects.
Returns:
The statistics for this training.
Throws:
IllegalArgumentException
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
248
Class Teacher
getStats
public synchronized Statistics getStats()
Gets the statistics for this teacher's progress.
In case this teacher's Statistics instance does not exist, it will be created
invoking the Template Method newStatsSchema() that must be implemented
for each kind of Teacher final subclass. This method will be responsible of
creating the Statistics with all the specific measures applicable for each
Teacher, according to their nature.
Returns:
The Statistics instance updated by this teacher's training.
createStatsSchema
public abstract Statistics createStatsSchema()
Creates the Statistics instance with the specific progress measures needed by
each particular kind of Teacher. This is a Template Method (GoF).
This method must be implemented by all final Teacher subclasses. Typically
this method will be like:
public
Statistics
createStatsSchema()
{
return
new
Statistics(new
String[]{"Measure1",
"Measure2",...},
maximumIterationNumber);
}
Returns:
The new Statistics instance with the specific progress measures for this
particular Teacher.
teacher2xml
public org.w3c.dom.Element teacher2xml(org.w3c.dom.Document document)
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
249
Class Teacher
Dumps into an XML Element instance this teacher's configuration.
This method creates the XML node that holds this teacher's configuration,
setting its name to and putting in a class attribute with the name of this
specific Teacher intance's class.
The rest of this specific instance's configuration is dumped into the Teacher's
node using the Template Method specificTeacher2xml(Element, Document).
Parameters:
- The Document instance that will be the ultimate root for
this XML structure. It is used in these methods to create the XML
Elements and Nodes with its Factory Methods.
document
Returns:
An XML Element instance holding this teacher's configuration.
specificTeacher2xml
protected abstract void specificTeacher2xml(org.w3c.dom.Element teacherRoot,
org.w3c.dom.Document document)
Dumps into the teacher's XML node this specific
configuration. This is a Template Method (GoF).
Teacher
instance's
Parameters:
- The XML node in which this teacher's configuration
must be dumped.
teacherRoot
- The Document instance that will be the ultimate root for
this XML structure. It is used in these methods to create the XML
Elements and Nodes with its Factory Methods.
document
stopTraining
public abstract void stopTraining()
Stops the training if it is in progress, and it is possible to do so.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
250
Class Teacher
toHTMLString
public abstract String toHTMLString()
Produces a String output with this teacher's configuration represented with
HTML code.
Returns:
A String representation of the Teacher's configuration written in
HTML.
getAnalyzer
public abstract ProgressAnalyzer getAnalyzer()
Gets the progress analyzer used in this teacher's training.
Returns:
The progress analyzed used.
translateAndClassifyExamples
public static void translateAndClassifyExamples(Object[] exampleIObjects,
Object[] exampleDObjects,
InputTranslator inputTransla
tor,
OutputTranslator outputTrans
lator,
float[][] trainingI,
float[][] trainingD,
float[][] validationI,
float[][] validationD,
float validationPercent)
Makes a random separation of the examples passed though the Object[]
parameters into the training and validation sets. In the process, these examples
are translated as what we really need is the numerical representation.
The percentage of examples in each group is determined by the
validationPercent parameter for which 0 means all will be taken as training
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
251
Class Teacher
examples, and 1 for all turning out to be validation examples (not much point
on doing so, but it may come useful some how).
For each set, two collections must be created: one with the input values
(ending as *I) and another with the desired output values (ending as *D).
These arrays must be created before invoking this method by using the code:
//
Obtains
the
number
of
examples
devoted
to
each
list
int
validationCount
=
(int)
(exampleIObjects.length
*
validationPercent);
int
trainingCount
=
exampleIObjects.length
validationCount;
//
The
example
and
validation
arrays
float[][]
trainingI
=
new
float[trainingCount][];
//
Training
examples'
inputs
float[][]
trainingD
=
new
float[trainingCount][];
//
Training
examples'
desired
outputs
float[][] validationI = new float[validationCount][]; // Validation
examples'
inputs
float[][] validationD = new float[validationCount][]; // Validation
examples'
desired
outputs
// Translates and classifies the examples between the training and
validation
lists
Teacher.translateAndClassifyExamples(exampleIObjects, exampleDObjects,
inputTranslator,
outputTranslator,
trainingI,
trainingD,
validationI,
validationD,
validationPercent);
Parameters:
- The array with the complete set of untranslated
inputs for the examples.
exampleIObjects
- The array with the complete set of untranslated
desired outputs matchig the input examples.
exampleDObjects
inputTranslator
- The input translator to be applied on the examples.
outputTranslator
- The input translator to be applied on the examples.
- The array where the input values for the training example
set are returned.
trainingI
- The array where the desired output values for the training
example set are returned.
trainingD
- The array where the input values for the validation
example set are returned.
validationI
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
252
Class Teacher
- The array where the desired output values for the
validation example set are returned.
validationD
- [0,1] The percentage that controls the number of
examples in each set.
validationPercent
Class ValueDecreaseAnalyzer
com.jcortex
java.lang.Object
com.jcortex.ProgressAnalyzer
com.jcortex.ValueDecreaseAnalyzer
public class ValueDecreaseAnalyzer
extends ProgressAnalyzer
The instances of this class are responsable for taking the decision of when to stop a
training, based on a statistics measure's progression. This way there will be a instance
for each stats measure that the Teacher instance wants to be monitored for decision.
Its intelligence operates inside the method isEvolutionGoodEnough(). This class is
responsible of storing all progress information that is not reflected in the StatsMeasure
instance associated, such as recen variations...
It is thought best not to implement this class as a StatsListener, as its decision method
isEvolutionGoodEnough() is not necessarily invoked each time a statistic register is
recorded, but it will be promptly asked by the Teacher instance at work when a
decision is required.
The Value Decrease Analyzer takes its decision based on how well the values
observed decrease.
Author:
Miguel Lara Encabo - [email protected]
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
253
Class ValueDecreaseAnalyzer
Version:
0.1b
Field Summary
protected
static
float
Page
OVERFLOW_GIFT_GRACE
Detemines the size of the margin under which an overflow from
the correct progress is considered as acceptable.
Constructor Summary
ValueDecreaseAnalyzer(StatsMeasure statsMeasure, float bottomLimit, int
studyWindowSize)
254
Page
255
The full constructor for the this classes instances.
Method Summary
String
getReasonToStop()
Obtains the reason why this analyzer has suggested to stop, if
indeed it has.
boolean
Page
255
isProgressGoodEnough()
Decides if the progress monitored by this ProgessAnalyzer is
good enough to continue.
255
Methods inherited from class com.jcortex.ProgressAnalyzer
add, getInnerAnalyzers, getReasonToStop, isProgressGoodEnough, remove
Field Detail
OVERFLOW_GIFT_GRACE
protected static float OVERFLOW_GIFT_GRACE
Detemines the size of the margin under which an overflow from the correct
progress is considered as acceptable.
The value must be between [0,1]. With 0 for no margin and 1 for the
maximum margin possible.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
254
Class ValueDecreaseAnalyzer
For more information on this parameter, take a look at the detailed
documentation.
Constructor Detail
ValueDecreaseAnalyzer
public ValueDecreaseAnalyzer(StatsMeasure statsMeasure,
float bottomLimit,
int studyWindowSize)
The full constructor for the this classes instances.
The attributes and the data structures are initialyzed with the given parameters.
Method Detail
isProgressGoodEnough
public boolean isProgressGoodEnough()
Decides if the progress monitored by this ProgessAnalyzer is good enough to
continue.
Studies the sequence of statistic registers generated. For more information
look at the detailed documentation.
Overrides:
isProgressGoodEnough
in class ProgressAnalyzer
Returns:
A boolean value indicating if the training should continue (true) or not
(false).
getReasonToStop
public String getReasonToStop()
Obtains the reason why this analyzer has suggested to stop, if indeed it has.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
255
Class ValueDecreaseAnalyzer
Overrides:
getReasonToStop
in class ProgressAnalyzer
Returns:
The reason.
Class ValueVariationAnalyzer
com.jcortex
java.lang.Object
com.jcortex.ProgressAnalyzer
com.jcortex.ValueVariationAnalyzer
public class ValueVariationAnalyzer
extends ProgressAnalyzer
The instances of this class are responsable for taking the decision of when to stop a
training, based on a statistics measure's progression. This way there will be a instance
for each stats measure that the Teacher instance wants to be monitored for decision.
The Value Decrease Analyzer takes its decision based on the quality of the value
variations experienced by the network's parameters.
A training will be considered to be going on well, when there the variation recorded is
higher than a Constant-Variation. The training will be stopped when for a ConstantWindow lapse of iterations all values registered are bellow the Constant-Variation
imposed.
The Constant-Value is the value bellow which a variation is considered as constant.
This way a variation does not necessarily have to be 0 to be considered insignificant,
although it should be quite close to 0.
Its intelligence operates inside the method isEvolutionGoodEnough(). This class is
responsible of storing all progress information that is not reflected in the StatsMeasure
instance associated, such as recen variations...
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
256
Class ValueVariationAnalyzer
It is thought best not to implement this class as a StatsListener, as its decision method
isEvolutionGoodEnough() is not necessarily invoked each time a statistic register is
recorded, but it will be promptly asked by the Teacher instance at work when a
decision is required.
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Constructor Summary
ValueVariationAnalyzer(StatsMeasure
constantVariation, int constantWindow)
Page
statsMeasure,
float
257
This class' basic constructor.
Method Summary
String
getReasonToStop()
Obtains the reason why this analyzer has suggested to stop, if
indeed it has.
boolean
Page
258
isProgressGoodEnough()
Decides if the progress monitored by this ProgessAnalyzer is
good enough to continue.
258
Methods inherited from class com.jcortex.ProgressAnalyzer
add, getInnerAnalyzers, getReasonToStop, isProgressGoodEnough, remove
Constructor Detail
ValueVariationAnalyzer
public ValueVariationAnalyzer(StatsMeasure statsMeasure,
float constantVariation,
int constantWindow)
This class' basic constructor.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
257
Class ValueVariationAnalyzer
Method Detail
isProgressGoodEnough
public boolean isProgressGoodEnough()
Decides if the progress monitored by this ProgessAnalyzer is good enough to
continue.
Studies the sequence of statistic registers generated. For more information
look at the detailed documentation.
Overrides:
isProgressGoodEnough
in class ProgressAnalyzer
Returns:
A boolean value indicating if the training should continue (true) or not
(false).
getReasonToStop
public String getReasonToStop()
Obtains the reason why this analyzer has suggested to stop, if indeed it has.
Overrides:
getReasonToStop
in class ProgressAnalyzer
Returns:
The reason.
Package com.jcortex.activationFunctions
Class Summary
GaussianFunction
Page
The ActivationFunction implementation of the
Gaussian Function.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
259
258
Package com.jcortex.activationFunctions
HyperbolicTangentFunction
The ActivationFunction implementation of the
Hyperbolic Tangent Function.
262
IdentityFunction
The ActivationFunction implementation of the
Identity Function.
265
SigmoidalFunction
The ActivationFunction implementation of the
Sigmoidal Function.
268
SignFunction
The ActivationFunction implementation of the
Sign Function.
272
StepFunction
The ActivationFunction implementation of the
Step Function.
274
Class GaussianFunction
com.jcortex.activationFunctions
java.lang.Object
com.jcortex.activationFunctions.GaussianFunction
All Implemented Interfaces:
ActivationFunction
final public class GaussianFunction
extends Object
implements ActivationFunction
The ActivationFunction implementation of the Gaussian Function. As this class
does not store any specific attributes or parameters it has been buit to work
complaying with the Singleton pattern (GoF).
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
259
Class GaussianFunction
Method Summary
float[]
Page
getDefaultParameterSet()
Obtains the default parameters for this Activation
Function.
static
GaussianFunction
getInstance()
Obtains the Singleton (GoF) instance for this class.
int
260
getNumberOfActivationParameters()
Obtains the number of parameters required by this
function.
float
260
261
getSolution(float networkResult, float[] activationParams)
Implementation of the Gaussian Function.
261
Methods inherited from interface com.jcortex.ActivationFunction
getDefaultParameterSet, getNumberOfActivationParameters, getSolution
Method Detail
getInstance
public static GaussianFunction getInstance()
Obtains the Singleton (GoF) instance for this class.
Returns:
This class' Singleton (GoF) instance.
getDefaultParameterSet
public float[] getDefaultParameterSet()
Obtains the default parameters for this Activation Function.
Specified by:
getDefaultParameterSet
in interface ActivationFunction
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
260
Class GaussianFunction
Returns:
The default set of parameters.
getNumberOfActivationParameters
public int getNumberOfActivationParameters()
Obtains the number of parameters required by this function.
Specified by:
getNumberOfActivationParameters
in interface ActivationFunction
Returns:
The number of activation parameters required by this function. [= 2]
getSolution
public float getSolution(float networkResult,
float[] activationParams)
Implementation of the Gaussian Function.
Specified by:
getSolution
in interface ActivationFunction
Parameters:
networkResult
- The result of the network function.
- The function parameters used by this neuron's
function. This function needs two parameters: the dimensional
modifier (array position 0) and another one for its shape (array position
1).
activationParams
Returns:
The result produced by the Gaussian Function
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
261
Class HyperbolicTangentFunction
Class HyperbolicTangentFunction
com.jcortex.activationFunctions
java.lang.Object
com.jcortex.activationFunctions.HyperbolicTangentFunction
All Implemented Interfaces:
ActivationFunction, BackPropagationActivationFunction
final public class HyperbolicTangentFunction
extends Object
implements BackPropagationActivationFunction
The ActivationFunction implementation of the Hyperbolic Tangent Function. As
this class does not store any specific attributes or parameters it has been buit to work
complaying with the Singleton pattern (GoF).
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Method Summary
float[]
Page
getDefaultParameterSet()
Obtains the default parameters for this Activation
Function.
float
getDerivativeSolution(BackPropagationNeuron neuron)
Derivative Hyperbolic Tangent Function
static
HyperbolicTangentFunction
264
getInstance()
Obtains the Singleton (GoF) instance for this class.
int
263
263
getNumberOfActivationParameters()
Obtains the number of parameters required by this
function.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
264
262
Class HyperbolicTangentFunction
float
getSolution(float
networkResult,
parameter_to_be_ignored)
float[]
264
Hyperbolic Tangent Function
Methods
inherited
from
com.jcortex.BackPropagationActivationFunction
interface
getDerivativeSolution
Methods inherited from interface com.jcortex.ActivationFunction
getDefaultParameterSet, getNumberOfActivationParameters, getSolution
Method Detail
getInstance
public static HyperbolicTangentFunction getInstance()
Obtains the Singleton (GoF) instance for this class.
Returns:
This class' Singleton (GoF) instance.
getDefaultParameterSet
public float[] getDefaultParameterSet()
Obtains the default parameters for this Activation Function.
Specified by:
getDefaultParameterSet
in interface ActivationFunction
Returns:
The default set of parameters.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
263
Class HyperbolicTangentFunction
getNumberOfActivationParameters
public int getNumberOfActivationParameters()
Obtains the number of parameters required by this function.
Specified by:
getNumberOfActivationParameters
in interface ActivationFunction
Returns:
The number of activation parameters required by this function. [= 0]
getSolution
public float getSolution(float networkResult,
float[] parameter_to_be_ignored)
Hyperbolic Tangent Function
Specified by:
getSolution
in interface ActivationFunction
Parameters:
networkResult
- The result of the network function.
parameter_to_be_ignored
- Not necessary for this function.
Returns:
The result produced by the Activation Function. Any value will be
ingnored.
getDerivativeSolution
public float getDerivativeSolution(BackPropagationNeuron neuron)
Derivative Hyperbolic Tangent Function
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
264
Class HyperbolicTangentFunction
Specified by:
getDerivativeSolution
BackPropagationActivationFunction
in
interface
Parameters:
neuron
- The neuron for which the derivate function is calculated.
Returns:
The result produced by the Activation Function.
Class IdentityFunction
com.jcortex.activationFunctions
java.lang.Object
com.jcortex.activationFunctions.IdentityFunction
All Implemented Interfaces:
ActivationFunction, BackPropagationActivationFunction
final public class IdentityFunction
extends Object
implements BackPropagationActivationFunction
The ActivationFunction implementation of the Identity Function. As this class does
not store any specific attributes or parameters it has been buit to work complaying
with the Singleton pattern (GoF).
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
265
Class IdentityFunction
Method Summary
float[]
Page
getDefaultParameterSet()
Obtains the default parameters for this Activation
Function.
float
getDerivativeSolution(BackPropagationNeuron neuron)
268
Derivative Simoidal Identity Function
static
IdentityFunction
getInstance()
266
Obtains the Singleton (GoF) instance for this class.
int
getNumberOfActivationParameters()
Obtains the number of parameters required by this
function.
float
266
267
getSolution(float networkResult, float[] activationParams)
267
Implementation of the Identity Function.
Methods
inherited
from
com.jcortex.BackPropagationActivationFunction
interface
getDerivativeSolution
Methods inherited from interface com.jcortex.ActivationFunction
getDefaultParameterSet, getNumberOfActivationParameters, getSolution
Method Detail
getInstance
public static IdentityFunction getInstance()
Obtains the Singleton (GoF) instance for this class.
Returns:
This class' Singleton (GoF) instance.
getDefaultParameterSet
public float[] getDefaultParameterSet()
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
266
Class IdentityFunction
Obtains the default parameters for this Activation Function.
Specified by:
getDefaultParameterSet
in interface ActivationFunction
Returns:
The default set of parameters.
getNumberOfActivationParameters
public int getNumberOfActivationParameters()
Obtains the number of parameters required by this function.
Specified by:
getNumberOfActivationParameters
in interface ActivationFunction
Returns:
The number of activation parameters required by this function. [= 1]
getSolution
public float getSolution(float networkResult,
float[] activationParams)
Implementation of the Identity Function.
Specified by:
getSolution
in interface ActivationFunction
Parameters:
networkResult
- The result of the network function.
- The parameters used by this function. This
function needs only one parameters (array position 0).
activationParams
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
267
Class IdentityFunction
Returns:
The result produced by the Sigmoidal Function
getDerivativeSolution
public float getDerivativeSolution(BackPropagationNeuron neuron)
Derivative Simoidal Identity Function
Specified by:
getDerivativeSolution
BackPropagationActivationFunction
in
interface
Parameters:
neuron
- The neuron on which the deriva activation function has to
work.
Returns:
The result produced by the derivate of the Sigmoidal Function.
Class SigmoidalFunction
com.jcortex.activationFunctions
java.lang.Object
com.jcortex.activationFunctions.SigmoidalFunction
All Implemented Interfaces:
ActivationFunction, BackPropagationActivationFunction
final public class SigmoidalFunction
extends Object
implements BackPropagationActivationFunction
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
268
Class SigmoidalFunction
The ActivationFunction implementation of the Sigmoidal Function. As this class
does not store any specific attributes or parameters it has been buit to work
complaying with the Singleton pattern (GoF).
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Method Summary
float[]
Page
getDefaultParameterSet()
Obtains the default parameters for this Activation
Function.
float
getDerivativeSolution(BackPropagationNeuron neuron)
271
Derivative Simoidal Tangent Function
static
SigmoidalFunction
getInstance()
270
Obtains the Singleton (GoF) instance for this class.
int
getNumberOfActivationParameters()
Obtains the number of parameters required by this
function.
float
270
getSolution(float
activationParams)
networkResult,
270
float[]
271
Implementation of the Sigmoidal Function.
Methods
inherited
from
com.jcortex.BackPropagationActivationFunction
interface
getDerivativeSolution
Methods inherited from interface com.jcortex.ActivationFunction
getDefaultParameterSet, getNumberOfActivationParameters, getSolution
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
269
Class SigmoidalFunction
Method Detail
getInstance
public static SigmoidalFunction getInstance()
Obtains the Singleton (GoF) instance for this class.
Returns:
This class' Singleton (GoF) instance.
getDefaultParameterSet
public float[] getDefaultParameterSet()
Obtains the default parameters for this Activation Function.
Specified by:
getDefaultParameterSet
in interface ActivationFunction
Returns:
The default set of parameters.
getNumberOfActivationParameters
public int getNumberOfActivationParameters()
Obtains the number of parameters required by this function.
Specified by:
getNumberOfActivationParameters
in interface ActivationFunction
Returns:
The number of activation parameters required by this function. [= 1]
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
270
Class SigmoidalFunction
getSolution
public float getSolution(float networkResult,
float[] activationParams)
Implementation of the Sigmoidal Function.
Specified by:
getSolution
in interface ActivationFunction
Parameters:
networkResult
- The result of the network function.
- The parameters used by this function. This
function needs only one parameters (array position 0). FOR THIS
IMPLEMENTATION THIS SETTING WILL BE IGNORED.
activationParams
Returns:
The result produced by the Sigmoidal Function
getDerivativeSolution
public float getDerivativeSolution(BackPropagationNeuron neuron)
Derivative Simoidal Tangent Function
Specified by:
getDerivativeSolution
BackPropagationActivationFunction
in
interface
Parameters:
neuron
- The neuron on which the deriva activation function has to
work.
Returns:
The result produced by the derivate of the Sigmoidal Function.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
271
Class SignFunction
Class SignFunction
com.jcortex.activationFunctions
java.lang.Object
com.jcortex.activationFunctions.SignFunction
All Implemented Interfaces:
ActivationFunction
final public class SignFunction
extends Object
implements ActivationFunction
The ActivationFunction implementation of the Sign Function. As this class does not
store any specific attributes or parameters it has been buit to work complaying with
the Singleton pattern (GoF).
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Method Summary
float[]
Page
getDefaultParameterSet()
Obtains the default parameters for this Activation Function.
static
SignFunction
getInstance()
273
Obtains the Singleton (GoF) instance for this class.
int
getNumberOfActivationParameters()
Obtains the number of parameters required by this function.
float
273
getSolution(float
parameter_to_be_ignored)
networkResult,
273
float[]
274
Sign Function
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
272
Class SignFunction
Methods inherited from interface com.jcortex.ActivationFunction
getDefaultParameterSet, getNumberOfActivationParameters, getSolution
Method Detail
getInstance
public static SignFunction getInstance()
Obtains the Singleton (GoF) instance for this class.
Returns:
This class' Singleton (GoF) instance.
getDefaultParameterSet
public float[] getDefaultParameterSet()
Obtains the default parameters for this Activation Function.
Specified by:
getDefaultParameterSet
in interface ActivationFunction
Returns:
The default set of parameters.
getNumberOfActivationParameters
public int getNumberOfActivationParameters()
Obtains the number of parameters required by this function.
Specified by:
getNumberOfActivationParameters
in interface ActivationFunction
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
273
Class SignFunction
Returns:
The number of activation parameters required by this function. [= 0]
getSolution
public float getSolution(float networkResult,
float[] parameter_to_be_ignored)
Sign Function
Specified by:
getSolution
in interface ActivationFunction
Parameters:
networkResult
- The result of the network function.
parameter_to_be_ignored
- Not necessary for this function.
Returns:
The result produced by the Sign Function
Class StepFunction
com.jcortex.activationFunctions
java.lang.Object
com.jcortex.activationFunctions.StepFunction
All Implemented Interfaces:
ActivationFunction
final public class StepFunction
extends Object
implements ActivationFunction
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
274
Class StepFunction
The ActivationFunction implementation of the Step Function. As this class does not
store any specific attributes or parameters it has been buit to work complaying with
the Singleton pattern (GoF).
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Method Summary
float[]
getDefaultParameterSet()
Obtains the default parameters for this Activation Function.
static
StepFunction
275
getNumberOfActivationParameters()
Obtains the number of parameters required by this function.
float
276
getInstance()
Obtains the Singleton (GoF) instance for this class.
int
Page
276
getSolution(float networkResult, float[] activationParams)
Step Function
276
Methods inherited from interface com.jcortex.ActivationFunction
getDefaultParameterSet, getNumberOfActivationParameters, getSolution
Method Detail
getInstance
public static StepFunction getInstance()
Obtains the Singleton (GoF) instance for this class.
Returns:
This class' Singleton (GoF) instance.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
275
Class StepFunction
getDefaultParameterSet
public float[] getDefaultParameterSet()
Obtains the default parameters for this Activation Function.
Specified by:
getDefaultParameterSet
in interface ActivationFunction
Returns:
The default set of parameters.
getNumberOfActivationParameters
public int getNumberOfActivationParameters()
Obtains the number of parameters required by this function.
Specified by:
getNumberOfActivationParameters
in interface ActivationFunction
Returns:
The number of activation parameters required by this function. [= 1]
getSolution
public float getSolution(float networkResult,
float[] activationParams)
Step Function
Specified by:
getSolution
in interface ActivationFunction
Parameters:
networkResult
- The result of the network function.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
276
Class StepFunction
- The function parameters used by this neuron's
function. This function only one parameter (array position 0) that
represents the thresshold.
activationParams
Returns:
The result produced by the Step Function
Package com.jcortex.backPropagation
Pag
e
Class Summary
A
specialization
of
the
class
com.jcortex.feedForward.FeedForwardNeu
BackPropagationNeuron
that adds all the functionalities needed
for a neuron to work inside BackPropagation neural networks.
ron
277
Default Teacher implementation for the
DefaultMultilayerPerceptronTeac
Multilayer Perceptron neural network
her
model.
281
The Multilayer Perceptron Neural
MultilayerPerceptronNeuralNetw
Network Model based on a Feedork
Forward Neural Network.
290
Class BackPropagationNeuron
com.jcortex.backPropagation
java.lang.Object
com.jcortex.Neuron
com.jcortex.feedForward.FeedForwardNeuron
com.jcortex.backPropagation.BackPropagationNeuron
All Implemented Interfaces:
AxonReceiver, AxonSource
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
277
Class BackPropagationNeuron
public class BackPropagationNeuron
extends FeedForwardNeuron
A specialization of the class com.jcortex.feedForward.FeedForwardNeuron that adds
all the functionalities needed for a neuron to work inside Back-Propagation neural
networks.
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1b
Fields inherited from class com.jcortex.Neuron
RANDOM_CLOSE_TO_ZERO_VALUE, RANDOM_INITIAL_VALUE, ZERO_INITIAL_VALUE
Constructor Summary
BackPropagationNeuron(int
id,
NetworkFunction
ActivationFunction activationFunction)
Page
networkFunction,
279
The constructor for brand new Back Propagation neurons.
BackPropagationNeuron(org.w3c.dom.Node neuronNode, NeuralNetwork nn)
Constructor based on the XML node representation of this neuron.
Method Summary
float
280
calculateGradient(float desired_output)
Calculates the gradient of those neurons for which the error is
available: the ending layer ones.
float
Page
calculateGradient()
Calculates the gradient of the neuron based on the next layer's
gradient.
float
279
280
getGradient()
Obtains this neuron's gradient.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
280
278
Class BackPropagationNeuron
Methods inherited from class com.jcortex.feedForward.FeedForwardNeuron
addConnectedNeuron,
addEntry,
addEntry,
connectLoadedNeuronWithEntries,
equals,
getActivationFunction,
getActivationParameters,
getAxonValue,
getConnectedNeurons,
getEntries,
getEntryWeight,
getNetworkFunction,
getNetworkResult, instantError, produceAxonValue, setActivationFunction,
setActivationParams, setEntryWeight, setNetworkFunction, specificNeuron2xml,
synapse, toString
Methods inherited from class com.jcortex.Neuron
equals, getConnectedNeurons, getId, neuron2xml, toString
Methods inherited from interface com.jcortex.AxonSource
addConnectedNeuron, getAxonValue, getId, produceAxonValue
Methods inherited from interface com.jcortex.AxonReceiver
addEntry, addEntry, getEntries, getEntryWeight, getId, setEntryWeight
Constructor Detail
BackPropagationNeuron
public BackPropagationNeuron(int id,
NetworkFunction networkFunction,
ActivationFunction activationFunction)
The constructor for brand new Back Propagation neurons. It is based on the
FeedForwardNeuron class' basic constructor.
BackPropagationNeuron
public BackPropagationNeuron(org.w3c.dom.Node neuronNode,
NeuralNetwork nn)
throws ReadingException
Constructor based on the XML node representation of this neuron.
Throws:
ReadingException
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
279
Class BackPropagationNeuron
Method Detail
getGradient
public float getGradient()
Obtains this neuron's gradient. It may return 0 if the gradient has not been
calculated yet. If either calculateGradient() methods have not been invoked
recently, this method may produce an old gradient value from a previous
iteration.
Returns:
This neuron's stored gradient value.
calculateGradient
public float calculateGradient(float desired_output)
Calculates the gradient of those neurons for which the error is available: the
ending layer ones.
Parameters:
desired_output
- The output desired to have come out
Returns:
The gradient value found. This is also stored in the class for future use.
calculateGradient
public float calculateGradient()
Calculates the gradient of the neuron based on the next layer's gradient.
Returns:
The gradient value found. This is also stored in the class for future use.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
280
Class DefaultMultilayerPerceptronTeacher
Class DefaultMultilayerPerceptronTeacher
com.jcortex.backPropagation
java.lang.Object
com.jcortex.Teacher
com.jcortex.backPropagation.DefaultMultilayerPerceptronTeacher
final public class DefaultMultilayerPerceptronTeacher
extends Teacher
Default
model.
Teacher
implementation for the Multilayer Perceptron neural network
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Fields inherited from class com.jcortex.Teacher
VALIDATION_JUMP
Constructor Summary
Page
DefaultMultilayerPerceptronTeacher()
The default creator for a brand new teacher.
283
DefaultMultilayerPerceptronTeacher(org.w3c.dom.Node teacherNode)
Creates a DefaultMultilayerPerceptronTeacher instance from an XML
node with its configuration.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
283
281
Class DefaultMultilayerPerceptronTeacher
Method Summary
Statistics
Page
createStatsSchema()
Creates the Statistics instance with the specific progress
measures needed by thos particular Teacher.
Statistics
educateNetwork(NeuralNetwork nn, Object[] exampleIObjects,
Object[] exampleDObjects)
Educates a layered Feed-Forward Neural Network using
the Back Propagation Algorithm based on the Error Correction
Algorithm, also known as Delta Rule.
float
285
getAnalysisWindow()
287
Obtains the Analysis Window training parameter.
ProgressAnalyzer
getAnalyzer()
287
Obtains this teacher's associated training analyzer.
float
getConstantVariation()
286
Obtains the Constant Variation training parameter.
float
getLearningRate()
284
Obtains the Learning Rate training parameter.
long
getMaxIterations()
Obtains
parameter.
float
the
Maximum
Iteration
Number
training
285
setMaxIterations(long maximumIterationNumber)
Sets the Maximum Iteration Number training parameter.
void
287
setLearningRate(float learningRate)
Sets the Learning Rate training parameter.
void
287
setConstantVariation(float constantVariation)
Sets the Constant Variation training parameter.
void
285
setAnalysisWindow(int constantVariationWindow)
Obtains the Analysis Window training parameter.
void
285
setAcceptableError(float maximumAcceptableError)
Sets the Acceptable Error training parameter.
void
286
getValidationPercent()
Obtains the Validation Percent training parameter.
void
284
getAcceptableError()
Obtains the Acceptable Error training parameter.
int
288
286
setValidationPercent(float validationPercent)
Sets the Validation Percent training parameter.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
286
282
Class DefaultMultilayerPerceptronTeacher
void
specificTeacher2xml(org.w3c.dom.Element
org.w3c.dom.Document document)
teacherRoot,
Dumps into the teacher's XML node this specific
instance's configuration.
void
Teacher
stopTraining()
Stops the training's progress by interrupting its next
iteration.
String
288
289
toHTMLString()
Produces a String representation of this teacher's
parameters and settings, including HTML tags to enhance it with
styled text.
289
Methods inherited from class com.jcortex.Teacher
createStatsSchema, educateNetwork, getAnalyzer, getStats,
teacher2xml, toHTMLString, translateAndClassifyExamples
stopTraining,
Constructor Detail
DefaultMultilayerPerceptronTeacher
public DefaultMultilayerPerceptronTeacher()
The default creator for a brand new teacher.
All learning parameters are initialized with their default values.
DefaultMultilayerPerceptronTeacher
public DefaultMultilayerPerceptronTeacher(org.w3c.dom.Node teacherNode)
Creates a DefaultMultilayerPerceptronTeacher instance from an XML node
with its configuration.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
283
Class DefaultMultilayerPerceptronTeacher
Method Detail
educateNetwork
public Statistics educateNetwork(NeuralNetwork nn,
Object[] exampleIObjects,
Object[] exampleDObjects)
throws IllegalArgumentException
Educates a layered Feed-Forward Neural Network using the Back Propagation
Algorithm based on the Error Correction Algorithm, also known as Delta
Rule.
Overrides:
educateNetwork
in class Teacher
Parameters:
nn
- The neural network to be trained.
exampleIObjects
- The example input objects.
exampleDObjects
- The example output objects.
Returns:
The statistics for this training.
Throws:
- Exception thrown when an error occured
due to problems with the training's parameters.
IllegalArgumentException
getLearningRate
public float getLearningRate()
Obtains the Learning Rate training parameter.
Returns:
The requested parameter's value.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
284
Class DefaultMultilayerPerceptronTeacher
setLearningRate
public void setLearningRate(float learningRate)
Sets the Learning Rate training parameter.
Parameters:
learningRate
- The new value.
getAcceptableError
public float getAcceptableError()
Obtains the Acceptable Error training parameter.
Returns:
The requested parameter's value.
setAcceptableError
public void setAcceptableError(float maximumAcceptableError)
Sets the Acceptable Error training parameter.
Parameters:
maximumAcceptableError
- The new value.
getValidationPercent
public float getValidationPercent()
Obtains the Validation Percent training parameter.
Returns:
The requested parameter's value.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
285
Class DefaultMultilayerPerceptronTeacher
setValidationPercent
public void setValidationPercent(float validationPercent)
Sets the Validation Percent training parameter.
Parameters:
validationPercent
- The new parameter's value.
getMaxIterations
public long getMaxIterations()
Obtains the Maximum Iteration Number training parameter.
Returns:
The requested parameter's value.
setMaxIterations
public void setMaxIterations(long maximumIterationNumber)
Sets the Maximum Iteration Number training parameter.
Parameters:
maximumIterationNumber
- The new value.
getConstantVariation
public float getConstantVariation()
Obtains the Constant Variation training parameter.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
286
Class DefaultMultilayerPerceptronTeacher
Returns:
The requested parameter's value.
setConstantVariation
public void setConstantVariation(float constantVariation)
Sets the Constant Variation training parameter.
Parameters:
constantVariation
- The new value.
getAnalysisWindow
public int getAnalysisWindow()
Obtains the Analysis Window training parameter.
Returns:
The requested parameter's value.
setAnalysisWindow
public void setAnalysisWindow(int constantVariationWindow)
Obtains the Analysis Window training parameter.
Parameters:
constantVariationWindow
- The new value.
getAnalyzer
public ProgressAnalyzer getAnalyzer()
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
287
Class DefaultMultilayerPerceptronTeacher
Obtains this teacher's associated training analyzer.
Overrides:
getAnalyzer
in class Teacher
Returns:
The training statistics analyzer
createStatsSchema
public Statistics createStatsSchema()
Creates the Statistics instance with the specific progress measures needed by
thos particular Teacher. This method works as a a Template Method (GoF) for
the getStats() method implemented in the Teacher abstract class. The
measures used in the training will be: TRAINING_ERROR, VALIDATION_ERROR and
WEIGHT_VARIATION, all of them defined as static Strings in this class.
Overrides:
createStatsSchema
in class Teacher
Returns:
The new Statistics instance.
specificTeacher2xml
public void specificTeacher2xml(org.w3c.dom.Element teacherRoot,
org.w3c.dom.Document document)
Dumps into the teacher's XML node this specific Teacher instance's
configuration. This is a Template Method (GoF) for the Teacher abstract class.
This teacher's training parameters are stored as attributes in the XML
configuration node.
Overrides:
specificTeacher2xml
in class Teacher
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
288
Class DefaultMultilayerPerceptronTeacher
Parameters:
- The XML node in which this teacher's configuration
must be dumped.
teacherRoot
- The Document instance that will be the ultimate root for
this XML structure. It is used in these methods to create the XML
Elements and Nodes with its Factory Methods.
document
stopTraining
public void stopTraining()
Stops the training's progress by interrupting its next iteration.
For this, it uses a boolan flag - this class' attribute continueTraining and turns
it false so the next time the iteration reaches the condition state, it will surely
jump out of the training loop.
Overrides:
stopTraining
in class Teacher
toHTMLString
public String toHTMLString()
Produces a String representation of this teacher's parameters and settings,
including HTML tags to enhance it with styled text.
Overrides:
toHTMLString
in class Teacher
Returns:
This teacher's String representation.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
289
Class MultilayerPerceptronNeuralNetwork
Class MultilayerPerceptronNeuralNetwork
com.jcortex.backPropagation
java.lang.Object
com.jcortex.NeuralNetwork
com.jcortex.feedForward.FeedForwardNeuralNetwork
com.jcortex.backPropagation.MultilayerPerceptronNeuralNetwork
public class MultilayerPerceptronNeuralNetwork
extends FeedForwardNeuralNetwork
The Multilayer Perceptron Neural Network Model based on a Feed-Forward
Neural Network.
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Fields inherited from class com.jcortex.NeuralNetwork
inputTranslator, neurons, outputTranslator, sensors, teacher
Constructor Summary
Page
MultilayerPerceptronNeuralNetwork(int
inputNum,
int[]
neuronLayers,
InputTranslator
inputTranslator,
OutputTranslator
outputTranslator,
NetworkFunction
networkFunction,
BackPropagationActivationFunction
292
activationFunction)
Constructor for brand-new Multilayer Perceptron Networks.
MultilayerPerceptronNeuralNetwork(org.w3c.dom.Node nnRoot)
Creates a
representation.
MultilayerPerceptronNeuralNetwork
instance from its XML
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
292
290
Class MultilayerPerceptronNeuralNetwork
Method Summary
static int
Page
countNeuronsInLayers(int[] neuronLayers)
Static method that counts the number of neurons
inside the layers.
BackPropagationNeuron[][]
294
getLayers()
293
Obtains the all the neurons in their layers.
void
specificNeuralNetwork2xml(org.w3c.dom.Element
nnRoot, org.w3c.dom.Document document)
Puts into this neural network's XML configuration
node the aditional information it has as being a
MultilayerPerceptronNeuralNetwork instance.
String
toHTMLString()
Produces a String representation of this neural
network enhanced with HTML tags to include styled
text.
String
293
294
toString()
Produces a String representation of this neural
network.
Methods
inherited
from
com.jcortex.feedForward.FeedForwardNeuralNetwork
293
class
pureThink
Methods inherited from class com.jcortex.NeuralNetwork
addEndNeuron, addFirstNeuron, addNeuron, addNeurons, createNeuralNetwork,
export2XMLDocument, getAttributeCount, getConnectedNeurons, getEndNeurons,
getInputTranslator,
getNeuron,
getNeuronCount,
getNeurons,
getOutputTranslator, getSensor, getSensorCount, getSensors, getTeacher,
neuralNetwork2xml,
pureThink,
setEndNeurons,
setFirtsNeurons,
setInputTranslator, setOutputTranslator, setTeacher, think, toHTMLString,
toString
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
291
Class MultilayerPerceptronNeuralNetwork
Constructor Detail
MultilayerPerceptronNeuralNetwork
public MultilayerPerceptronNeuralNetwork(int inputNum,
int[] neuronLayers,
InputTranslator inputTranslator,
OutputTranslator outputTranslator,
NetworkFunction networkFunction,
BackPropagationActivationFunction a
ctivationFunction)
Constructor for brand-new Multilayer Perceptron Networks. Initializes the
network's parameters and creates a Feed-Forward Neuron based on a layered
structure.
This constructor creates a Feed-Forward network of fully-connected layers.
The layer schema is passed to the constructor through an int[] array. Each
position of this array represents a layer, layer 0 is the first layer and will be
fully-connected to the sensors defined by the inputNum parameter, layer 1 the
next, and so on. The int number at each position represents the number of
neurons in that layer. The neurons of last layer (index neuronLayers.lenght-1
will be taken as the network's end neurons. The number of neurons in the
last layer will be the number of values returned by the network as its
output.
This constructor requires as the default Network and Activation functions with
which have the new neurons initiallized. These can later be changed for each
specific neuron.
MultilayerPerceptronNeuralNetwork
public MultilayerPerceptronNeuralNetwork(org.w3c.dom.Node nnRoot)
throws ReadingException
Creates a MultilayerPerceptronNeuralNetwork instance from its XML
representation.
The whole process is based on the appropriate Feed-Forward Neural Network
constructor as this neuron does not add any specific information. The main
issue of this constructor is, once the neurons have been created by the FeedForward network construstor, pour them into the layered schema.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
292
Class MultilayerPerceptronNeuralNetwork
Throws:
ReadingException
Method Detail
getLayers
public BackPropagationNeuron[][] getLayers()
Obtains the all the neurons in their layers.
Returns:
A BackPropagationNeuron[][] array where the fist index is for the
layer and the second index for the neuron in the layer.
specificNeuralNetwork2xml
public void specificNeuralNetwork2xml(org.w3c.dom.Element nnRoot,
org.w3c.dom.Document document)
Puts into this neural network's XML configuration node the aditional
information it has as being a MultilayerPerceptronNeuralNetwork instance.
The only information stored at this level is the layer schema that organizes this
network.
Overrides:
specificNeuralNetwork2xml
in class NeuralNetwork
Parameters:
nnRoot
- This neural network's XML configuration node.
document
- The XML Document needed to create new elements.
toString
public String toString()
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
293
Class MultilayerPerceptronNeuralNetwork
Produces a String representation of this neural network.
Overrides:
toString
in class NeuralNetwork
Returns:
A String representation of this neural network.
toHTMLString
public String toHTMLString()
Produces a String representation of this neural network enhanced with HTML
tags to include styled text.
Overrides:
toHTMLString
in class NeuralNetwork
Returns:
A String representation of this neural network.
countNeuronsInLayers
public static int countNeuronsInLayers(int[] neuronLayers)
Static method that counts the number of neurons inside the layers. It has to go
through all the layers to peform this task.
Parameters:
neuronLayers
- The layer structure described in the basic constructor.
Returns:
The number of neurons defined in the layer structure.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
294
Package com.jcortex.distanceFunctions
Package com.jcortex.distanceFunctions
Class Summary
Page
EuclideanDistanceFunction
The DistanceFunction implementation of the
Euclidean Distance.
295
Class EuclideanDistanceFunction
com.jcortex.distanceFunctions
java.lang.Object
com.jcortex.distanceFunctions.EuclideanDistanceFunction
All Implemented Interfaces:
DistanceFunction
public class EuclideanDistanceFunction
extends Object
implements DistanceFunction
The DistanceFunction implementation of the Euclidean Distance. As this class does
not store any specific attributes or parameters it has been buit to work complaying
with the Singleton pattern (GoF).
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Method Summary
float
Page
getDistance(AxonSource[] entries, float[] weights)
Implementation of the Euclidean Distance between
an AxonSource array and a float array.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
296
295
Class EuclideanDistanceFunction
static
EuclideanDistanceFunction
getInstance()
Obtains the Singleton (GoF) instance for this class.
296
Methods inherited from interface com.jcortex.DistanceFunction
getDistance
Method Detail
getInstance
public static EuclideanDistanceFunction getInstance()
Obtains the Singleton (GoF) instance for this class.
Returns:
This class' Singleton (GoF) instance.
getDistance
public float getDistance(AxonSource[] entries,
float[] weights)
throws IllegalArgumentException
Implementation of the Euclidean Distance between an AxonSource array and a
float array. Both arrays must have the same size; otherwise, an
IllegalArgumentException will be thrown.
Specified by:
getDistance
in interface DistanceFunction
Parameters:
- The first reference array with a list of AxonSource instances.
From each AxonSource instance a float value can be obtained.
entries
weights
- The second reference array with a list of float values.
Returns:
The Euclidean distance between the two arrays' values.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
296
Class EuclideanDistanceFunction
Throws:
IllegalArgumentException
- Thrown in case both arrays have different
sizes.
Package com.jcortex.feedForward
Class Summary
Page
DefaultPerceptronTeacher
Default Teacher implementation
Perceptron neural network model.
for
the
FeedForwardNeuralNetwork
This class models a generic kind of Neural
Network: a Feed-Forward Neural Network.
306
FeedForwardNeuron
Class that models the functionalities of a FeedForward neuron giving it as much versatility as
possible.
309
NeuronInTheList
Simple representation of a Neuron that will be
juggled in the ToDoList.
321
PerceptronNeuralNetwork
A Perceptron Neural Network is a specific
kind of Feed-Forward Neural Network
325
ToDoList
A ToDoList instance puts some order into the
stymulus propagation through a Feed-Forward
Neural Network.
329
297
Class DefaultPerceptronTeacher
com.jcortex.feedForward
java.lang.Object
com.jcortex.Teacher
com.jcortex.feedForward.DefaultPerceptronTeacher
final public class DefaultPerceptronTeacher
extends Teacher
Default Teacher implementation for the Perceptron neural network model.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
297
Class DefaultPerceptronTeacher
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Fields inherited from class com.jcortex.Teacher
VALIDATION_JUMP
Constructor Summary
Page
DefaultPerceptronTeacher()
The default creator for a brand new teacher.
299
DefaultPerceptronTeacher(org.w3c.dom.Node teacherNode)
Creates a DefaultPerceptronTeacher instance from an XML node with its
configuration.
300
Method Summary
Page
Statistics
createStatsSchema()
Creates the Statistics instance with the specific progress
measures needed by thos particular Teacher.
Statistics
educateNetwork(NeuralNetwork nn, Object[] exampleIObjects,
Object[] exampleDObjects)
Educates a pure Feed-Forward Neural Network - such as
the Perceptron model - using the Error Correction Algorithm,
also known as Delta Rule.
float
304
getConstantVariation()
Obtains the Constant Variation training parameter.
float
303
getAnalyzer()
Obtains this teacher's associated training analyzer.
float
301
getAnalysisWindow()
Obtains the Analysis Window training parameter.
ProgressAnalyzer
300
getAcceptableError()
Obtains the Acceptable Error training parameter.
int
304
303
getLearningRate()
Obtains the Learning Rate training parameter.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
302
298
Class DefaultPerceptronTeacher
long
getMaxIterations()
Obtains
parameter.
float
the
Maximum
Iteration
Number
training
getValidationPercent()
301
Obtains the Validation Percent training parameter.
void
setAcceptableError(float maximumAcceptableError)
301
Sets the Acceptable Error training parameter.
void
setAnalysisWindow(int constantWindow)
304
Obtains the Analysis Window training parameter.
void
setConstantVariation(float constantVariation)
303
Sets the Constant Variation training parameter.
void
setLearningRate(float learningRate)
302
Sets the Learning Rate training parameter.
void
setMaxIterations(long maxIterations)
Sets the Maximum Iteration Number training parameter.
void
301
specificTeacher2xml(org.w3c.dom.Element
org.w3c.dom.Document document)
teacherRoot,
Dumps into the teacher's XML node this specific
instance's configuration.
void
Teacher
305
stopTraining()
Stops the training's progress by interrupting its next
iteration.
String
302
setValidationPercent(float validationPercent)
Sets the Validation Percent training parameter.
void
302
305
toHTMLString()
Produces a String representation of this teacher's
parameters and settings, including HTML tags to enhance it with
styled text.
306
Methods inherited from class com.jcortex.Teacher
createStatsSchema, educateNetwork, getAnalyzer, getStats,
teacher2xml, toHTMLString, translateAndClassifyExamples
stopTraining,
Constructor Detail
DefaultPerceptronTeacher
public DefaultPerceptronTeacher()
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
299
Class DefaultPerceptronTeacher
The default creator for a brand new teacher.
All learning parameters are initialized with their default values.
DefaultPerceptronTeacher
public DefaultPerceptronTeacher(org.w3c.dom.Node teacherNode)
Creates a DefaultPerceptronTeacher instance from an XML node with its
configuration.
Method Detail
educateNetwork
public Statistics educateNetwork(NeuralNetwork nn,
Object[] exampleIObjects,
Object[] exampleDObjects)
throws IllegalArgumentException
Educates a pure Feed-Forward Neural Network - such as the Perceptron
model - using the Error Correction Algorithm, also known as Delta Rule.
Overrides:
educateNetwork
in class Teacher
Parameters:
nn
- The neural network to be trained.
exampleIObjects
- The example input objects.
exampleDObjects
- The example output objects.
Returns:
The statistics for this training.
Throws:
- Exception thrown when an error occured
due to problems with the training's parameters.
IllegalArgumentException
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
300
Class DefaultPerceptronTeacher
getAcceptableError
public float getAcceptableError()
Obtains the Acceptable Error training parameter.
Returns:
The requested parameter's value.
setAcceptableError
public void setAcceptableError(float maximumAcceptableError)
Sets the Acceptable Error training parameter.
Parameters:
maximumAcceptableError
- The new parameter's value.
getValidationPercent
public float getValidationPercent()
Obtains the Validation Percent training parameter.
Returns:
The requested parameter's value.
setValidationPercent
public void setValidationPercent(float validationPercent)
Sets the Validation Percent training parameter.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
301
Class DefaultPerceptronTeacher
Parameters:
validationPercent
- The new parameter's value.
getMaxIterations
public long getMaxIterations()
Obtains the Maximum Iteration Number training parameter.
Returns:
The requested parameter's value.
setMaxIterations
public void setMaxIterations(long maxIterations)
Sets the Maximum Iteration Number training parameter.
Parameters:
maxIterations
- The new parameter's value.
getLearningRate
public float getLearningRate()
Obtains the Learning Rate training parameter.
Returns:
The requested parameter's value.
setLearningRate
public void setLearningRate(float learningRate)
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
302
Class DefaultPerceptronTeacher
Sets the Learning Rate training parameter.
Parameters:
learningRate
- The new value.
getConstantVariation
public float getConstantVariation()
Obtains the Constant Variation training parameter.
Returns:
The requested parameter's value.
setConstantVariation
public void setConstantVariation(float constantVariation)
Sets the Constant Variation training parameter.
Parameters:
constantVariation
- The new parameter's value.
getAnalysisWindow
public int getAnalysisWindow()
Obtains the Analysis Window training parameter.
Returns:
The requested parameter's value.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
303
Class DefaultPerceptronTeacher
setAnalysisWindow
public void setAnalysisWindow(int constantWindow)
Obtains the Analysis Window training parameter.
Parameters:
constantWindow
- The new value.
getAnalyzer
public ProgressAnalyzer getAnalyzer()
Obtains this teacher's associated training analyzer.
Overrides:
getAnalyzer
in class Teacher
Returns:
The training statistics analyzer
createStatsSchema
public Statistics createStatsSchema()
Creates the Statistics instance with the specific progress measures needed by
thos particular Teacher. This method works as a a Template Method (GoF) for
the getStats() method implemented in the Teachet abstract class. The
measures used in the training will be: TRAINING_ERROR, VALIDATION_ERROR and
WEIGHT_VARIATION, all of them defined as static Strings in this class.
Overrides:
createStatsSchema
in class Teacher
Returns:
The new Statistics instance.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
304
Class DefaultPerceptronTeacher
specificTeacher2xml
public void specificTeacher2xml(org.w3c.dom.Element teacherRoot,
org.w3c.dom.Document document)
Dumps into the teacher's XML node this specific Teacher instance's
configuration. This is a Template Method (GoF) for the Teacher abstract class.
This teacher's training parameters are stored as attributes in the XML
configuration node.
Overrides:
specificTeacher2xml
in class Teacher
Parameters:
- The XML node in which this teacher's configuration
must be dumped.
teacherRoot
- The Document instance that will be the ultimate root for
this XML structure. It is used in these methods to create the XML
Elements and Nodes with its Factory Methods.
document
stopTraining
public void stopTraining()
Stops the training's progress by interrupting its next iteration.
For this, it uses a boolan flag - this class' attribute continueTraining and turns
it false so the next time the iteration reaches the condition state, it will surely
jump out of the training loop.
Overrides:
stopTraining
in class Teacher
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
305
Class DefaultPerceptronTeacher
toHTMLString
public String toHTMLString()
Produces a String representation of this teacher's parameters and settings,
including HTML tags to enhance it with styled text.
Overrides:
toHTMLString
in class Teacher
Returns:
This teacher's String representation.
Class FeedForwardNeuralNetwork
com.jcortex.feedForward
java.lang.Object
com.jcortex.NeuralNetwork
com.jcortex.feedForward.FeedForwardNeuralNetwork
Direct Known Subclasses:
MultilayerPerceptronNeuralNetwork, PerceptronNeuralNetwork
abstract public class FeedForwardNeuralNetwork
extends NeuralNetwork
This class models a generic kind of Neural Network: a Feed-Forward Neural
Network. This neural network is not itself a network model, but an intermediate
entity that provides the functionality common to all Feed-Forward neural network
models.
A Feed-Forward neural network model is characterized for it has a set of neurons
connected upstream and downstream. The connections begin with the Sensor
instances to which the fist neurons are connected, and flow from these downstream.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
306
Class FeedForwardNeuralNetwork
There can be recursive connections to previous neurons. The propagation must move
forward, following the downstream neuron connections.
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1b
Fields inherited from class com.jcortex.NeuralNetwork
inputTranslator, neurons, outputTranslator, sensors, teacher
Constructor Summary
Page
FeedForwardNeuralNetwork(int neuronNum, int inputsNum, InputTranslator
inputTranslator, OutputTranslator outputTranslator)
308
The basic constructor for a brand-new Feed Forward Neural Network.
FeedForwardNeuralNetwork(org.w3c.dom.Node nnRoot)
Creates a
representation.
FeedForwardNeuralNetwork
instance based on its XML
Method Summary
float[]
308
Page
pureThink(float[] inputData)
Makes the specific numerical thinking for the Feed-Forward
Neural Network model.
308
Methods inherited from class com.jcortex.NeuralNetwork
addEndNeuron, addFirstNeuron, addNeuron, addNeurons, createNeuralNetwork,
export2XMLDocument, getAttributeCount, getConnectedNeurons, getEndNeurons,
getInputTranslator,
getNeuron,
getNeuronCount,
getNeurons,
getOutputTranslator, getSensor, getSensorCount, getSensors, getTeacher,
neuralNetwork2xml,
pureThink,
setEndNeurons,
setFirtsNeurons,
setInputTranslator, setOutputTranslator, setTeacher, think, toHTMLString,
toString
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
307
Class FeedForwardNeuralNetwork
Constructor Detail
FeedForwardNeuralNetwork
public FeedForwardNeuralNetwork(int neuronNum,
int inputsNum,
InputTranslator inputTranslator,
OutputTranslator outputTranslator)
The basic constructor for a brand-new Feed Forward Neural Network.
FeedForwardNeuralNetwork
public FeedForwardNeuralNetwork(org.w3c.dom.Node nnRoot)
throws ReadingException
Creates a FeedForwardNeuralNetwork
representation.
instance
based
on
its
XML
Throws:
ReadingException
Method Detail
pureThink
public float[] pureThink(float[] inputData)
throws IllegalArgumentException
Makes the specific numerical thinking for the Feed-Forward Neural Network
model. The process is based on a ToDoList instance that is updated with the
neurons that have to be calculated in the propagation's flow.
It behaves as the Template Method (GoF) for the
NeuralNetwork abstract superclass.
think()
method of its
Overrides:
pureThink
in class NeuralNetwork
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
308
Class FeedForwardNeuralNetwork
Parameters:
- The input data already translated to its float[]
representation by an InputTranslator
inputData
Returns:
The result of a Feed-Forward Neural Network's process is the
numerical state of its ending neurons. These values are passed as a
float[] array that will be put into the OutputTranslator.
Throws:
- Exception thrown when an error occured
due to problems with the network's parameters.
IllegalArgumentException
Class FeedForwardNeuron
com.jcortex.feedForward
java.lang.Object
com.jcortex.Neuron
com.jcortex.feedForward.FeedForwardNeuron
All Implemented Interfaces:
AxonReceiver, AxonSource
Direct Known Subclasses:
BackPropagationNeuron
public class FeedForwardNeuron
extends Neuron
Class that models the functionalities of a Feed-Forward neuron giving it as much
versatility as possible. A Feed-Forward neuron can be associated to various
Activation Functions, Network Functions... It stores as well the upstream-connected
neurons as entries associating a value to them, and downstream-connected neurons as
childs.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
309
Class FeedForwardNeuron
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Fields inherited from class com.jcortex.Neuron
RANDOM_CLOSE_TO_ZERO_VALUE, RANDOM_INITIAL_VALUE, ZERO_INITIAL_VALUE
Constructor Summary
Page
FeedForwardNeuron(int
id,
NetworkFunction
ActivationFunction activationFunction)
networkFunction,
312
Constructor for brand-new instances of this class.
FeedForwardNeuron(org.w3c.dom.Node neuronNode, NeuralNetwork nn)
Creates a
configuration.
FeedForwardNeuron
instance from an XML node with its
Method Summary
void
312
Page
addConnectedNeuron(AxonReceiver
connect_back)
child,
boolean
317
Adds a new child to this neuron instance.
void
addEntry(AxonSource entry)
An AxonSource is added as an entry to this neuron.
void
addEntry(AxonSource entry, float weight)
An AxonSource is added as an entry to this neuron.
void
313
equals(Object obj)
Two neurons will be the same if their identification
numbers are the same one.
ActivationFunction
318
connectLoadedNeuronWithEntries(org.w3c.dom.Node
neuronNode, FeedForwardNeuralNetwork ffnn)
This method connects a Feed-Forward Neuron with this
entries and childs in the Feed-Forward Neural Network
structure, following the indications stated in its XML
description.
boolean
318
321
getActivationFunction()
Obtains this neuron's Activation Function
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
314
310
Class FeedForwardNeuron
float[]
getActivationParameters()
Getter Method for this neuron's activation parameters
float
getAxonValue()
Obtains this neuron's state, represented by a number
locally named Axon Value.
Collection
this
neuron's
entries
(upstream-connected
314
getNetworkResult()
Obtains the last result of combining the various entries
into a unique value that represents the global entry this neuron
instance receives.
float
319
produceAxonValue()
Generates this neuron's state (Axon Value) by combining
all entry values with the Network Function and passing this
value through the Activation Function.
void
316
instantError(float desiredResponse)
Calculates the error incurred by this neuron.
float
315
getNetworkFunction()
Obtains this neuron's Network Function
float
313
getEntryWeight(AxonSource parent)
Obtains the weight associated to an specific entry.
NetworkFunction
317
getEntries()
Obtains
neurons).
float
316
getConnectedNeurons()
Obtains a collection of this neuron's childs (downstreamconnected neurons), for which this instance is an entry.
Collection
315
setActivationFunction(ActivationFunction
activationFunction_)
316
314
Sets this neuron's Activation Function
void
setActivationParams(int ix, float value)
315
Sets this neuron's activation parameters.
void
setEntryWeight(AxonSource parent, float value)
319
Sets the weight associated to a certain entry.
void
setNetworkFunction(NetworkFunction networkFunction_)
314
Sets this neuron's Network Function
void
specificNeuron2xml(org.w3c.dom.Element
org.w3c.dom.Document document)
neuronRoot,
Adds the specific information known to the FeedForward Neuron at this level.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
320
311
Class FeedForwardNeuron
Collection
synapse()
Makes the neuron's calculations.
String
319
toString()
Generates a quick String representation of this neuron.
320
Methods inherited from class com.jcortex.Neuron
equals, getConnectedNeurons, getId, neuron2xml, toString
Methods inherited from interface com.jcortex.AxonSource
addConnectedNeuron, getAxonValue, getId, produceAxonValue
Methods inherited from interface com.jcortex.AxonReceiver
addEntry, addEntry, getEntries, getEntryWeight, getId, setEntryWeight
Constructor Detail
FeedForwardNeuron
public FeedForwardNeuron(int id,
NetworkFunction networkFunction,
ActivationFunction activationFunction)
Constructor for brand-new instances of this class.
FeedForwardNeuron
public FeedForwardNeuron(org.w3c.dom.Node neuronNode,
NeuralNetwork nn)
throws ReadingException
Creates a FeedForwardNeuron instance from an XML node with its
configuration.
Throws:
ReadingException
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
312
Class FeedForwardNeuron
Method Detail
connectLoadedNeuronWithEntries
public void connectLoadedNeuronWithEntries(org.w3c.dom.Node neuronNode,
FeedForwardNeuralNetwork ffnn)
throws ReadingException
This method connects a Feed-Forward Neuron with this entries and childs in
the Feed-Forward Neural Network structure, following the indications stated
in its XML description.
An instance can not be fully created from is XML representation in just one
dash. All Feed-Forward Neuron make reference to other neuron instances
either as an entry, a child or both (unless it is a single-layered network).
Parameters:
neuronNode
ffnn
- The XML node with this neuron's configuration.
- The Feed-Forward neural network that holds this neuron.
Throws:
- This exception will be thrown if there is any
problem reading the XML node.
ReadingException
getEntries
public Collection getEntries()
Obtains this neuron's entries (upstream-connected neurons).
Specified by:
getEntries
in interface AxonReceiver
Returns:
The entries in the form of a collection of AxonSourceEntry instances.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
313
Class FeedForwardNeuron
getNetworkFunction
public NetworkFunction getNetworkFunction()
Obtains this neuron's Network Function
Returns:
the neuron's network function
setNetworkFunction
public void setNetworkFunction(NetworkFunction networkFunction_)
Sets this neuron's Network Function
Parameters:
networkFunction_
- the network function to be used by this neuron
getActivationFunction
public ActivationFunction getActivationFunction()
Obtains this neuron's Activation Function
Returns:
the neuron's activation function
setActivationFunction
public void setActivationFunction(ActivationFunction activationFunction_)
Sets this neuron's Activation Function
Parameters:
activationFunction_
- the activation function to be used by this
neuron
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
314
Class FeedForwardNeuron
getEntryWeight
public float getEntryWeight(AxonSource parent)
Obtains the weight associated to an specific entry.
Specified by:
getEntryWeight
in interface AxonReceiver
Parameters:
parent
- The upstream neuron that serves as entry to this instance.
Returns:
The weight associated to this entry.
getActivationParameters
public float[] getActivationParameters()
Getter Method for this neuron's activation parameters
Returns:
the neuron's network function
setActivationParams
public void setActivationParams(int ix,
float value)
Sets this neuron's activation parameters.
Parameters:
ix
- the index of the activation function's params.
value
- the float value to be set as an activation parameter.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
315
Class FeedForwardNeuron
produceAxonValue
public float produceAxonValue()
throws IllegalArgumentException
Generates this neuron's state (Axon Value) by combining all entry values with
the Network Function and passing this value through the Activation Function.
The result or Axon Value is both stored in this neuron's instance, and given
back as this method's return.
Specified by:
produceAxonValue
in interface AxonSource
Returns:
The newly calculated neuron state (Axon Value).
Throws:
IllegalArgumentException
getAxonValue
public float getAxonValue()
Obtains this neuron's state, represented by a number locally named Axon
Value.
Specified by:
getAxonValue
in interface AxonSource
Returns:
This neuron's numerical state - or Axon Value.
getNetworkResult
public float getNetworkResult()
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
316
Class FeedForwardNeuron
Obtains the last result of combining the various entries into a unique value that
represents the global entry this neuron instance receives. This value may have
expired as it is the last network result calculated, not the value the neuron's
current situation would have produced.
If you wish to obtain an updated value, you will first have to invoke this class'
produceAxonValue() method.
Returns:
The last network result calculated.
getConnectedNeurons
public Collection getConnectedNeurons()
Obtains a collection of this neuron's childs (downstream-connected neurons),
for which this instance is an entry.
Overrides:
getConnectedNeurons
in class Neuron
Returns:
The collection of child neurons associated to this instance.
addConnectedNeuron
public void addConnectedNeuron(AxonReceiver child,
boolean connect_back)
Adds a new child to this neuron instance.
If the connect_back flag - passed as a parameter - is true, this neuron will in
turn invoke on its new child the addEntry() method with itself. This way it
adds itself as an entry to the child neuron.
Specified by:
addConnectedNeuron
in interface AxonSource
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
317
Class FeedForwardNeuron
Parameters:
- The downstream
AxonSource.
child
AxonReceiver
instance connected to this
- Flag indicating if this neuron must subscribe as an
entry on its child.
connect_back
addEntry
public void addEntry(AxonSource entry)
An AxonSource is added as an entry to this neuron. The associated weight is
initialized with a random value close to zero.
Specified by:
addEntry
in interface AxonReceiver
Parameters:
- The upstream
AxonReceiver.
entry
AxonSource
that will be added as an entry to this
addEntry
public void addEntry(AxonSource entry,
float weight)
An AxonSource is added as an entry to this neuron. The associated weight is
passed as a parameter.
Specified by:
addEntry
in interface AxonReceiver
Parameters:
entry
- The upstream
AxonSource
that will be added as an entry to this
AxonReceiver.
weight
- This entry's associated weight.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
318
Class FeedForwardNeuron
setEntryWeight
public void setEntryWeight(AxonSource parent,
float value)
Sets the weight associated to a certain entry.
Specified by:
setEntryWeight
in interface AxonReceiver
Parameters:
parent
value
- The upstream AxonSource that serves as entry.
- The new value for the associated weight.
synapse
public Collection synapse()
throws IllegalArgumentException
Makes the neuron's calculations.
Returns:
The neurons affected by this neuron's changes. In case no neurons are
affected, or no change has taken place, the synapse can produce a null
result.
Throws:
IllegalArgumentException
instantError
public float instantError(float desiredResponse)
Calculates the error incurred by this neuron.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
319
Class FeedForwardNeuron
Returns:
the numerical value of the instant error incurred by this neuron.
specificNeuron2xml
public void specificNeuron2xml(org.w3c.dom.Element neuronRoot,
org.w3c.dom.Document document)
Adds the specific information known to the Feed-Forward Neuron at this
level.
This method puts the intance attributes known at this level as attributes of the
XML node. Hooks as well the nodes that describes this neuron's activation
parameters and entries - with their weights. (Childs are not stored as this
relationship will be kept by each child as it knows this neuron is one of its
entries).
Overrides:
specificNeuron2xml
in class Neuron
Parameters:
neuronRoot
document
- The neuron's XML configuration node.
- The XML Document used to create new elements.
toString
public String toString()
Generates a quick String representation of this neuron.
Overrides:
toString
in class Neuron
Returns:
A String representation of this neuron.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
320
Class FeedForwardNeuron
equals
public boolean equals(Object obj)
Two neurons will be the same if their identification numbers are the same one.
If the passed Object instance is not an AxonSource, it will be considered
straight away as different (= not equal = false).
Overrides:
equals
in class Neuron
Parameters:
obj
- The other neuron to be compared.
Returns:
A boolean value: true if equal, false if not equal.
Class NeuronInTheList
com.jcortex.feedForward
java.lang.Object
com.jcortex.feedForward.NeuronInTheList
All Implemented Interfaces:
Comparable
public class NeuronInTheList
extends Object
implements Comparable
Simple representation of a Neuron that will be juggled in the ToDoList.
This representation quickly associates a neuron with its priority in the form of a
weight value.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
321
Class NeuronInTheList
Author:
Miguel Lara
Version:
0.1
Constructor Summary
Page
NeuronInTheList(Neuron neuron, int weight)
Constructor for objects of class NeuronInTheList
Method Summary
int
324
equals(Object otherNeuron)
An element of this list is equal to another if it is the placeholder for
the same neuron, regardless of their weight.
int
Page
compareTo(Object otherNeuron)
Instances of the class NeuronInTheList must be able to compare
themselves with other placeholders to correctly sort themselves in the
inner queue.
boolean
322
324
getId()
Obtains the identity of the neuron this instance as a placeholder
323
for.
Neuron
getNeuron()
Obtains the neuron this instance as a placeholder for.
int
getWeight()
The getter method for the neuron's given weight.
void
323
323
updateWeight(int newWeight)
Updates the weight of this placeholder.
323
Constructor Detail
NeuronInTheList
public NeuronInTheList(Neuron neuron,
int weight)
Constructor for objects of class NeuronInTheList
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
322
Class NeuronInTheList
Method Detail
getWeight
public int getWeight()
The getter method for the neuron's given weight.
Returns:
This neuron's weight (priority).
getId
public int getId()
Obtains the identity of the neuron this instance as a placeholder for.
Returns:
This neuron's id.
getNeuron
public Neuron getNeuron()
Obtains the neuron this instance as a placeholder for.
Returns:
The neuron.
updateWeight
public void updateWeight(int newWeight)
Updates the weight of this placeholder. This is not a setter method as the new
weight will only be be set if it gives this neuron a higher priority than the one
it had. If the priority now granted is lower, the neuron will keep the old one.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
323
Class NeuronInTheList
Parameters:
newWeight
- The new weight (priority) granted..
compareTo
public int compareTo(Object otherNeuron)
Instances of the class NeuronInTheList must be able to compare themselves
with other placeholders to correctly sort themselves in the inner queue.
Instances will be sorted according to their associated weight and identification
number. Lower weights - and id's in case of the same weight - will have the
highest priority.
Returns:
A negative integer, zero, or a positive integer as this object is less than,
equal to, or greater than the specified object.
equals
public boolean equals(Object otherNeuron)
An element of this list is equal to another if it is the placeholder for the same
neuron, regardless of their weight.
In case the object passed is not a
considered straight away as not equal.
NeuronInTheList
instance, it will be
Overrides:
equals
in class Object
Parameters:
otherNeuron
- A NeuronInTheList instance to be compared.
Returns:
A boolean value: true if both instances are equal.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
324
Class NeuronInTheList
Class PerceptronNeuralNetwork
com.jcortex.feedForward
java.lang.Object
com.jcortex.NeuralNetwork
com.jcortex.feedForward.FeedForwardNeuralNetwork
com.jcortex.feedForward.PerceptronNeuralNetwork
public class PerceptronNeuralNetwork
extends FeedForwardNeuralNetwork
A Perceptron Neural Network is a specific kind of Feed-Forward Neural Network
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1b
Fields inherited from class com.jcortex.NeuralNetwork
inputTranslator, neurons, outputTranslator, sensors, teacher
Constructor Summary
Page
PerceptronNeuralNetwork(int inputNum, InputTranslator inputTranslator,
OutputTranslator outputTranslator)
326
Constructor for brand-new Perceptron Neural Networks.
PerceptronNeuralNetwork(org.w3c.dom.Node nnRoot)
Creates a
representation.
PerceptronNeuralNetwork
instance
from
its
XML
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
327
325
Class PerceptronNeuralNetwork
Method Summary
void
nn2xml(org.w3c.dom.Element
document)
Page
nnRoot,
org.w3c.dom.Document
There is no aditional specific information this neural network
must put into its XML representation, as it is a pure Feed-Forward
implementation.
protected
void
specificNeuralNetwork2xml(org.w3c.dom.Element
org.w3c.dom.Document document)
nnRoot,
There is no specific information to be added to the XML
configuration as this model is completely based on the Feed-Forward
network.
String
327
toHTMLString()
Produces a String representation of this neural network enhanced
with HTML tags to include styled text.
String
327
328
toString()
Produces a String representation of this neural network.
Methods
inherited
from
com.jcortex.feedForward.FeedForwardNeuralNetwork
328
class
pureThink
Methods inherited from class com.jcortex.NeuralNetwork
addEndNeuron, addFirstNeuron, addNeuron, addNeurons, createNeuralNetwork,
export2XMLDocument, getAttributeCount, getConnectedNeurons, getEndNeurons,
getInputTranslator,
getNeuron,
getNeuronCount,
getNeurons,
getOutputTranslator, getSensor, getSensorCount, getSensors, getTeacher,
neuralNetwork2xml,
pureThink,
setEndNeurons,
setFirtsNeurons,
setInputTranslator, setOutputTranslator, setTeacher, think, toHTMLString,
toString
Constructor Detail
PerceptronNeuralNetwork
public PerceptronNeuralNetwork(int inputNum,
InputTranslator inputTranslator,
OutputTranslator outputTranslator)
Constructor for brand-new Perceptron Neural Networks. Initializes the
network's parameters and creates a Feed-Forward Neuron properly-configured
to be a Perceptron neuron.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
326
Class PerceptronNeuralNetwork
PerceptronNeuralNetwork
public PerceptronNeuralNetwork(org.w3c.dom.Node nnRoot)
throws ReadingException
Creates a PerceptronNeuralNetwork instance from its XML representation.
The whole process is based on the appropriate Feed-Forward Neural Network
constructor as this neuron does not add any specific information.
Throws:
ReadingException
Method Detail
nn2xml
public void nn2xml(org.w3c.dom.Element nnRoot,
org.w3c.dom.Document document)
There is no aditional specific information this neural network must put into its
XML representation, as it is a pure Feed-Forward implementation.
Parameters:
nnRoot
- This neuron's XML
specificNeuralNetwork2xml
protected void specificNeuralNetwork2xml(org.w3c.dom.Element nnRoot,
org.w3c.dom.Document document)
There is no specific information to be added to the XML configuration as this
model is completely based on the Feed-Forward network.
Overrides:
specificNeuralNetwork2xml
in class NeuralNetwork
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
327
Class PerceptronNeuralNetwork
Parameters:
nnRoot
- The networl's node on to which the specific model's info must
be put.
- The original XML document used for the creation of nodes
and other elements needed for representing this networks
configuration.
document
toString
public String toString()
Produces a String representation of this neural network.
Overrides:
toString
in class NeuralNetwork
Returns:
A String representation of this neural network.
toHTMLString
public String toHTMLString()
Produces a String representation of this neural network enhanced with HTML
tags to include styled text.
Overrides:
toHTMLString
in class NeuralNetwork
Returns:
A String representation of this neural network.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
328
Class ToDoList
Class ToDoList
com.jcortex.feedForward
java.lang.Object
com.jcortex.feedForward.ToDoList
All Implemented Interfaces:
Iterator
public class ToDoList
extends Object
implements Iterator
A ToDoList instance puts some order into the stymulus propagation through a FeedForward Neural Network.
This list itself is thought to work as a non-fail-fast Iterator (GoF), as new elements
will be added to the structure each time a neuron is retrieved until the last layer (if
there is no recursive connection to previous layers).
The add() and next() methods are synchronized with looks to its use in multi-thread
environments. Although the current version has not been tested to be completely
thread-safe.
Author:
Miguel Lara Encabo
Version:
0.1
Constructor Summary
Page
ToDoList(int neuronHighestId)
Constructor for instances of class ToDoList.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
330
329
Class ToDoList
Method Summary
synchronized
void
Page
add(Collection neurons, int weight)
Adds a collection of neurons to the list.
boolean
hasNext()
Finds out if there are more elements still left in the list.
synchronized
Object
331
next()
Obtains the next element in the list.
void
330
331
remove()
Empty implementation as no objects should be removed from
the list like this.
331
Constructor Detail
ToDoList
public ToDoList(int neuronHighestId)
Constructor for instances of class ToDoList.
The data structures are created, and the presence array is all initialized to false
as there are no neurons in the list to start with.
Method Detail
add
public synchronized void add(Collection neurons,
int weight)
Adds a collection of neurons to the list. Only the neurons that are not already
in the list will be added.
Parameters:
neurons
- The neuron collection to be added into the list.
- The neuron's weight given by the number of steps given
before it was reached.
weight
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
330
Class ToDoList
hasNext
public boolean hasNext()
Finds out if there are more elements still left in the list.
Specified by:
hasNext
in interface Iterator
Returns:
A boolean value: true if there are still more elements left.
next
public synchronized Object next()
Obtains the next element in the list. It works like a kind of pop from the
ToDoList
Specified by:
next
in interface Iterator
Returns:
The next neuron to be processed; null if there are none left.
remove
public void remove()
Empty implementation as no objects should be removed from the list like this.
Specified by:
remove
in interface Iterator
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
331
Package com.jcortex.hopfield
Package com.jcortex.hopfield
Class Summary
Page
DefaultHopfieldTeacher
Default Teacher implementation for the Hopfield
neural network model.
332
HopfieldNeuralNetwork
The Hopfield Neural Network Model default
implementation.
337
Class DefaultHopfieldTeacher
com.jcortex.hopfield
java.lang.Object
com.jcortex.Teacher
com.jcortex.hopfield.DefaultHopfieldTeacher
public class DefaultHopfieldTeacher
extends Teacher
Default Teacher implementation for the Hopfield neural network model.
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Fields inherited from class com.jcortex.Teacher
VALIDATION_JUMP
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
332
Class DefaultHopfieldTeacher
Constructor Summary
Page
DefaultHopfieldTeacher()
333
The default creator for a brand new teacher.
DefaultHopfieldTeacher(org.w3c.dom.Node teacherNode)
Creates a DefaultMultilayerPerceptronTeacher instance from an XML
node with its configuration.
334
Method Summary
Page
Statistics
createStatsSchema()
Creates an empty stats shema as there is no progress to
follow.
Statistics
educateNetwork(NeuralNetwork nn, Object[] exampleIObjects,
Object[] exampleDObjects)
Educates a Hopfield network using a numerical matrix
approach.
ProgressAnalyzer
334
getAnalyzer()
As there are no statistics to follow, this teacher does not
have a traning analyzer.
protected void
335
specificTeacher2xml(org.w3c.dom.Element
org.w3c.dom.Document document)
336
teacherRoot,
335
This teacher has no arguments that need to be stored.
void
stopTraining()
This teacher does not perform the training using iterations,
so there is no point on having to stop.
String
335
toHTMLString()
Produces a String representation of this teacher's
parameters and settings, including HTML tags to enhance it with
styled text.
336
Methods inherited from class com.jcortex.Teacher
createStatsSchema, educateNetwork, getAnalyzer, getStats,
teacher2xml, toHTMLString, translateAndClassifyExamples
stopTraining,
Constructor Detail
DefaultHopfieldTeacher
public DefaultHopfieldTeacher()
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
333
Class DefaultHopfieldTeacher
The default creator for a brand new teacher.
The Hopfield teacher has no training parameters.
DefaultHopfieldTeacher
public DefaultHopfieldTeacher(org.w3c.dom.Node teacherNode)
Creates a DefaultMultilayerPerceptronTeacher instance from an XML node
with its configuration.
Method Detail
educateNetwork
public Statistics educateNetwork(NeuralNetwork nn,
Object[] exampleIObjects,
Object[] exampleDObjects)
throws IllegalArgumentException
Educates a Hopfield network using a numerical matrix approach.
Overrides:
educateNetwork
in class Teacher
Parameters:
nn
- The neural network to be trained.
exampleIObjects
- The example input objects.
exampleDObjects
- The example output objects.
Returns:
The statistics for this training.
Throws:
- Exception thrown when an error occured
due to problems with the training's parameters.
IllegalArgumentException
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
334
Class DefaultHopfieldTeacher
createStatsSchema
public Statistics createStatsSchema()
Creates an empty stats shema as there is no progress to follow.
Overrides:
createStatsSchema
in class Teacher
Returns:
An empty Statistics instance.
specificTeacher2xml
protected void specificTeacher2xml(org.w3c.dom.Element teacherRoot,
org.w3c.dom.Document document)
This teacher has no arguments that need to be stored.
Overrides:
specificTeacher2xml
in class Teacher
Parameters:
- The XML node in which this teacher's configuration
must be dumped.
teacherRoot
- The Document instance that will be the ultimate root for
this XML structure. It is used in these methods to create the XML
Elements and Nodes with its Factory Methods.
document
stopTraining
public void stopTraining()
This teacher does not perform the training using iterations, so there is no point
on having to stop. This training is close to immediate!
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
335
Class DefaultHopfieldTeacher
Overrides:
stopTraining
in class Teacher
toHTMLString
public String toHTMLString()
Produces a String representation of this teacher's parameters and settings,
including HTML tags to enhance it with styled text.
Overrides:
toHTMLString
in class Teacher
Returns:
This teacher's String representation.
getAnalyzer
public ProgressAnalyzer getAnalyzer()
As there are no statistics to follow, this teacher does not have a traning
analyzer.
Overrides:
getAnalyzer
in class Teacher
Returns:
null
as there is no progress analyzer.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
336
Class HopfieldNeuralNetwork
Class HopfieldNeuralNetwork
com.jcortex.hopfield
java.lang.Object
com.jcortex.NeuralNetwork
com.jcortex.hopfield.HopfieldNeuralNetwork
public class HopfieldNeuralNetwork
extends NeuralNetwork
The Hopfield Neural Network Model default implementation.
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Fields inherited from class com.jcortex.NeuralNetwork
inputTranslator, neurons, outputTranslator, sensors, teacher
Constructor Summary
HopfieldNeuralNetwork(int inputsNum,
OutputTranslator outputTranslator)
Page
InputTranslator
inputTranslator,
339
Creates brand-new instance of HopfieldNeuralNetwork.
HopfieldNeuralNetwork(org.w3c.dom.Node nnRoot)
Creates a
configuration.
HopfieldNeuralNetwork
instance
from
XML
sotored
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
339
337
Class HopfieldNeuralNetwork
Method Summary
int
Page
getAttributeCount()
Obtains the number of input values (or attribues) this neural
network can deal with.
float[]
getBias()
340
Obtains this network's bias vector.
float[][]
getWeights()
Obtains the weights matrix used by this neural network to store
its information.
static
float
339
hopfieldEnergy(float[]
bias)
pattern,
float[][]
weights,
340
float[]
343
Static method for calculating Hopfield's Energy for a pattern.
static
float[]
hopfieldSignFunction(float[]
functionsInput)
iterationsInput,
float[]
342
Static method for calculating Hopfield's Sign Function.
float[]
pureThink(float[] inputData)
341
Makes the real numerical thinking.
void
setBias(float[] bias)
340
Sets this network's bias vector.
void
setWeights(float[][] weights)
340
Sets this network's weight's matrix.
protected
void
specificNeuralNetwork2xml(org.w3c.dom.Element
org.w3c.dom.Document document)
nnRoot,
Puts into this neural network's XML configuration node the
aditional information it has as being a HopfieldNeuralNetwork instance.
String
toHTMLString()
Produces a String representation of this neural network enhanced
with HTML tags to include styled text.
String
341
342
toString()
Produces a String representation of this neural network.
342
Methods inherited from class com.jcortex.NeuralNetwork
addEndNeuron, addFirstNeuron, addNeuron, addNeurons, createNeuralNetwork,
export2XMLDocument, getAttributeCount, getConnectedNeurons, getEndNeurons,
getInputTranslator,
getNeuron,
getNeuronCount,
getNeurons,
getOutputTranslator, getSensor, getSensorCount, getSensors, getTeacher,
neuralNetwork2xml,
pureThink,
setEndNeurons,
setFirtsNeurons,
setInputTranslator, setOutputTranslator, setTeacher, think, toHTMLString,
toString
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
338
Class HopfieldNeuralNetwork
Constructor Detail
HopfieldNeuralNetwork
public HopfieldNeuralNetwork(int inputsNum,
InputTranslator inputTranslator,
OutputTranslator outputTranslator)
Creates brand-new instance of HopfieldNeuralNetwork.
HopfieldNeuralNetwork
public HopfieldNeuralNetwork(org.w3c.dom.Node nnRoot)
throws ReadingException
Creates a HopfieldNeuralNetwork instance from XML sotored configuration.
This method's main task is loading the square numerical matrix with this
neural network's weights, and the bias vector.
Throws:
ReadingException
Method Detail
getAttributeCount
public int getAttributeCount()
Obtains the number of input values (or attribues) this neural network can deal
with.
Overrides:
getAttributeCount
in class NeuralNetwork
Returns:
The number of input values.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
339
Class HopfieldNeuralNetwork
getBias
public float[] getBias()
Obtains this network's bias vector.
Returns:
The bias vector.
setBias
public void setBias(float[] bias)
Sets this network's bias vector.
Parameters:
bias
- The new bias vector.
getWeights
public float[][] getWeights()
Obtains the weights matrix used by this neural network to store its
information.
Returns:
The weights matrix.
setWeights
public void setWeights(float[][] weights)
Sets this network's weight's matrix.
Parameters:
weights
- The new weights matrix.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
340
Class HopfieldNeuralNetwork
pureThink
public float[] pureThink(float[] inputData)
throws IllegalArgumentException
Makes the real numerical thinking.
This is a matrix-based method, so its propagation strategy is completely
different to other neural networks.
Overrides:
pureThink
in class NeuralNetwork
Parameters:
inputData
- The numerical input data.
Returns:
The numerical result of passing the input through the network.
Throws:
IllegalArgumentException
specificNeuralNetwork2xml
protected void specificNeuralNetwork2xml(org.w3c.dom.Element nnRoot,
org.w3c.dom.Document document)
Puts into this neural network's XML configuration node the aditional
information it has as being a HopfieldNeuralNetwork instance. The most
relevant information stored at this level is matrix with this neural network's
weights.
Overrides:
specificNeuralNetwork2xml
in class NeuralNetwork
Parameters:
nnRoot
- This neural network's XML configuration node.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
341
Class HopfieldNeuralNetwork
document
- The XML Document needed to create new elements.
toString
public String toString()
Produces a String representation of this neural network.
Overrides:
toString
in class NeuralNetwork
Returns:
A String representation of this neural network.
toHTMLString
public String toHTMLString()
Produces a String representation of this neural network enhanced with HTML
tags to include styled text.
Overrides:
toHTMLString
in class NeuralNetwork
Returns:
A String representation of this neural network.
hopfieldSignFunction
public static float[] hopfieldSignFunction(float[] iterationsInput,
float[] functionsInput)
Static method for calculating Hopfield's Sign Function.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
342
Class HopfieldNeuralNetwork
Parameters:
- The previous value vector is needed because if
functionsInput[i]==0 the input value, stored as iterationsInput[i] is
the result for index i.
iterationsInput
functionsInput
- The input with which the function calculates.
Returns:
A vector with the resulting binary values.
hopfieldEnergy
public static float hopfieldEnergy(float[] pattern,
float[][] weights,
float[] bias)
Static method for calculating Hopfield's Energy for a pattern.
Parameters:
pattern
- The pattern.
weights
- The weights matrix.
bias
- The bias vector.
Returns:
The Hopfield's Energy calculated for this pattern.
Package com.jcortex.kohonen
Class Summary
Page
CylinderHexKMap
Models a cylinder-organized Kohonen Map with
hexagonal-shaped neurons.
344
CylinderSquareKMap
Models a cylinder-organized Kohonen Map with
square-shaped neurons.
347
CylinderStarKMap
Models a cylinder-organized Kohonen Map with
star-shaped neurons.
350
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
343
Package com.jcortex.kohonen
Default2DKMap
Intermediate implementation of the KohonenMap
abstract class, that covers the functionality common
to all maps organized in a 2D enviroment (this is,
that can be stored in a 2D matrix).
353
DefaultKohonenTeacher
Default Teacher implementation for the Kohonen
neural networkn model.
358
KohonenMap
Abstract class obliged to all Kohonen Maps used
within the JCortex framework.
368
KohonenNeuralNetwork
The Kohonen Neural Network Model default
implementation.
376
KohonenNeuron
Class that models the functionalities of a Kohonen
neuron.
384
SheetHexKMap
Models a sheet-organized Kohonen Map with
hexagonal-shaped neurons.
395
SheetSquareKMap
Models a sheet-organized Kohonen Map with
square-shaped neurons.
398
SheetStarKMap
Models a sheet-organized Kohonen Map with starshaped neurons.
401
ToroidHexKMap
Models a toroid-organized Kohonen Map with
hexagonal-shaped neurons.
404
ToroidSquareKMap
Models a toroid-organized Kohonen Map with
square-shaped neurons.
407
ToroidStarKMap
Models a toroid-organized Kohonen Map with starshaped neurons.
410
Class CylinderHexKMap
com.jcortex.kohonen
java.lang.Object
com.jcortex.kohonen.KohonenMap
com.jcortex.kohonen.Default2DKMap
com.jcortex.kohonen.CylinderHexKMap
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
344
Class CylinderHexKMap
public class CylinderHexKMap
extends Default2DKMap
Models a cylinder-organized Kohonen Map with hexagonal-shaped neurons.
This map is an extension of Default2DKMap. A cylinder map is a plain 2D map that has
been wrapped vertically (to allow more versatility in the shape of neurons).
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Fields inherited from class com.jcortex.kohonen.Default2DKMap
cols, neurons, rows
Fields inherited from class com.jcortex.kohonen.KohonenMap
bestNeuron, neighbourhoods, neuronCount, sensors
Constructor Summary
CylinderHexKMap(int entriesCount, int rows, int cols, DistanceFunction
dFunction)
Page
346
The basic constructor for this kind of Kohonen Map.
CylinderHexKMap(org.w3c.dom.Node mapNode, KohonenNeuralNetwork knn)
Creates a CylinderHexKMap from its configuration stored in an XML node.
Method Summary
boolean[][]
346
Page
createConnectionMatrix(int neuronCount)
Creates the Connection-Matrix for a cylinder-organized map
with hexagonal-shaped neurons.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
346
345
Class CylinderHexKMap
Methods inherited from class com.jcortex.kohonen.Default2DKMap
getColumnCount, getDimensions, getNeuron, getNeurons, getRowCount, iterator,
map2xml
Methods inherited from class com.jcortex.kohonen.KohonenMap
createConnectionMatrix,
getBestNeuron,
getDimensions,
getNeighbours,
getNeighbours,
getNeuron,
getNeuronCount,
getNeurons,
integrateWithNeuralNetwork,
iterator,
map2xml,
prepareNeighbourhoods,
setBestNeuron
Constructor Detail
CylinderHexKMap
public CylinderHexKMap(int entriesCount,
int rows,
int cols,
DistanceFunction dFunction)
The basic constructor for this kind of Kohonen Map.
This class is completely based on the Default2DKMap so this constructor does
nothing else than invoking its super-constructor.
CylinderHexKMap
public CylinderHexKMap(org.w3c.dom.Node mapNode,
KohonenNeuralNetwork knn)
Creates a CylinderHexKMap from its configuration stored in an XML node.
This class is completely based on the Default2DKMap so this constructor does
nothing else than invoking its super-constructor.
Method Detail
createConnectionMatrix
public boolean[][] createConnectionMatrix(int neuronCount)
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
346
Class CylinderHexKMap
Creates the Connection-Matrix for a cylinder-organized map with hexagonalshaped neurons.
A Connection-Matrix is a boolean[][] array that has a line and row for each
neuron in the map. The value of position [i][j] will be true when the neuron
with id number i and the neuron with id number j are direct neighbours (with
no other neurons between them). The value of position [i][j] will be false
otherwise.
Overrides:
createConnectionMatrix
in class KohonenMap
Parameters:
neuronCount
- The number of neurons that
Returns:
The Connection-Matrix.
Class CylinderSquareKMap
com.jcortex.kohonen
java.lang.Object
com.jcortex.kohonen.KohonenMap
com.jcortex.kohonen.Default2DKMap
com.jcortex.kohonen.CylinderSquareKMap
public class CylinderSquareKMap
extends Default2DKMap
Models a cylinder-organized Kohonen Map with square-shaped neurons.
This map is an extension of Default2DKMap. A cylinder map is a plain 2D map that has
been wrapped vertically (to allow more versatility in the shape of neurons).
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
347
Class CylinderSquareKMap
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Fields inherited from class com.jcortex.kohonen.Default2DKMap
cols, neurons, rows
Fields inherited from class com.jcortex.kohonen.KohonenMap
bestNeuron, neighbourhoods, neuronCount, sensors
Constructor Summary
Page
CylinderSquareKMap(int
entriesCount,
DistanceFunction dFunction)
int
rows,
int
cols,
349
The basic constructor for this kind of Kohonen Map.
CylinderSquareKMap(org.w3c.dom.Node mapNode, KohonenNeuralNetwork knn)
Creates a
CylinderSquareKMap
from its configuration stored in an XML
349
node.
Method Summary
boolean[][]
Page
createConnectionMatrix(int neuronCount)
Creates the Connection-Matrix for a cylinder-organized map
with square-shaped neurons.
349
Methods inherited from class com.jcortex.kohonen.Default2DKMap
getColumnCount, getDimensions, getNeuron, getNeurons, getRowCount, iterator,
map2xml
Methods inherited from class com.jcortex.kohonen.KohonenMap
createConnectionMatrix,
getBestNeuron,
getDimensions,
getNeighbours,
getNeighbours,
getNeuron,
getNeuronCount,
getNeurons,
integrateWithNeuralNetwork,
iterator,
map2xml,
prepareNeighbourhoods,
setBestNeuron
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
348
Class CylinderSquareKMap
Constructor Detail
CylinderSquareKMap
public CylinderSquareKMap(int entriesCount,
int rows,
int cols,
DistanceFunction dFunction)
The basic constructor for this kind of Kohonen Map.
This class is completely based on the Default2DKMap so this constructor does
nothing else than invoking its super-constructor.
CylinderSquareKMap
public CylinderSquareKMap(org.w3c.dom.Node mapNode,
KohonenNeuralNetwork knn)
Creates a CylinderSquareKMap from its configuration stored in an XML node.
This class is completely based on the Default2DKMap so this constructor does
nothing else than invoking its super-constructor.
Method Detail
createConnectionMatrix
public boolean[][] createConnectionMatrix(int neuronCount)
Creates the Connection-Matrix for a cylinder-organized map with squareshaped neurons.
A Connection-Matrix is a boolean[][] array that has a line and row for each
neuron in the map. The value of position [i][j] will be true when the neuron
with id number i and the neuron with id number j are direct neighbours (with
no other neurons between them). The value of position [i][j] will be false
otherwise.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
349
Class CylinderSquareKMap
Overrides:
createConnectionMatrix
in class KohonenMap
Parameters:
neuronCount
- The number of neurons that
Returns:
The Connection-Matrix.
Class CylinderStarKMap
com.jcortex.kohonen
java.lang.Object
com.jcortex.kohonen.KohonenMap
com.jcortex.kohonen.Default2DKMap
com.jcortex.kohonen.CylinderStarKMap
public class CylinderStarKMap
extends Default2DKMap
Models a cylinder-organized Kohonen Map with star-shaped neurons.
This map is an extension of Default2DKMap. A cylinder map is a plain 2D map that has
been wrapped vertically (to allow more versatility in the shape of neurons).
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
350
Class CylinderStarKMap
Fields inherited from class com.jcortex.kohonen.Default2DKMap
cols, neurons, rows
Fields inherited from class com.jcortex.kohonen.KohonenMap
bestNeuron, neighbourhoods, neuronCount, sensors
Constructor Summary
Page
CylinderStarKMap(int entriesCount, int rows, int cols, DistanceFunction
dFunction)
351
The basic constructor for this kind of Kohonen Map.
CylinderStarKMap(org.w3c.dom.Node mapNode, KohonenNeuralNetwork knn)
Creates a
CylinderStarKMap
from its configuration stored in an XML
352
node.
Method Summary
boolean[][]
Page
createConnectionMatrix(int neuronCount)
Creates the Connection-Matrix for a cylinder-organized map
with star-shaped neurons.
352
Methods inherited from class com.jcortex.kohonen.Default2DKMap
getColumnCount, getDimensions, getNeuron, getNeurons, getRowCount, iterator,
map2xml
Methods inherited from class com.jcortex.kohonen.KohonenMap
createConnectionMatrix,
getBestNeuron,
getDimensions,
getNeighbours,
getNeighbours,
getNeuron,
getNeuronCount,
getNeurons,
integrateWithNeuralNetwork,
iterator,
map2xml,
prepareNeighbourhoods,
setBestNeuron
Constructor Detail
CylinderStarKMap
public CylinderStarKMap(int entriesCount,
int rows,
int cols,
DistanceFunction dFunction)
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
351
Class CylinderStarKMap
The basic constructor for this kind of Kohonen Map.
This class is completely based on the Default2DKMap so this constructor does
nothing else than invoking its super-constructor.
CylinderStarKMap
public CylinderStarKMap(org.w3c.dom.Node mapNode,
KohonenNeuralNetwork knn)
Creates a CylinderStarKMap from its configuration stored in an XML node.
This class is completely based on the Default2DKMap so this constructor does
nothing else than invoking its super-constructor.
Method Detail
createConnectionMatrix
public boolean[][] createConnectionMatrix(int neuronCount)
Creates the Connection-Matrix for a cylinder-organized map with star-shaped
neurons.
A Connection-Matrix is a boolean[][] array that has a line and row for each
neuron in the map. The value of position [i][j] will be true when the neuron
with id number i and the neuron with id number j are direct neighbours (with
no other neurons between them). The value of position [i][j] will be false
otherwise.
Overrides:
createConnectionMatrix
in class KohonenMap
Parameters:
neuronCount
- The number of neurons that
Returns:
The Connection-Matrix.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
352
Class CylinderStarKMap
Class Default2DKMap
com.jcortex.kohonen
java.lang.Object
com.jcortex.kohonen.KohonenMap
com.jcortex.kohonen.Default2DKMap
Direct Known Subclasses:
CylinderHexKMap,
CylinderSquareKMap,
CylinderStarKMap,
SheetHexKMap, SheetSquareKMap, SheetStarKMap, ToroidHexKMap,
ToroidSquareKMap, ToroidStarKMap
abstract public class Default2DKMap
extends KohonenMap
Intermediate implementation of the KohonenMap abstract class, that covers the
functionality common to all maps organized in a 2D enviroment (this is, that can be
stored in a 2D matrix).
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Field Summary
protected
int
cols
This map's column size Its visibility is protected to allow a
quicker use from its subclasses.
protected
List
Page
355
neurons
The list of neurons in this map.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
355
353
Class Default2DKMap
protected
int
rows
355
This map's row size.
Fields inherited from class com.jcortex.kohonen.KohonenMap
bestNeuron, neighbourhoods, neuronCount, sensors
Constructor Summary
Default2DKMap(int entriesCount, int
dFunction)
Page
rows,
int cols, DistanceFunction
355
The basic constructor for a brand-new 2D Kohonen Map.
Default2DKMap(org.w3c.dom.Node mapNode, KohonenNeuralNetwork knn)
Creates a Default2DKMap from its configuration stored in an XML node.
Method Summary
int
Page
getColumnCount()
Gets the number of columns in this map.
int[]
357
iterator()
Obtains an Iterator instance that guides through the
neurons in the map.
org.w3c.dom.Node
356
getRowCount()
Gets the number of rows in this map.
Iterator
356
getNeurons()
Gets the list of neurons from this map.
int
357
getNeuron(int neuronId)
Gets a neuron given its id number.
List
357
getDimensions()
Obtains this map's dimension in the shape of a int[] array.
KohonenNeuron
356
357
map2xml(org.w3c.dom.Document document)
Obtains this Kohonen Map's XML representation.
358
Methods inherited from class com.jcortex.kohonen.KohonenMap
createConnectionMatrix,
getBestNeuron,
getDimensions,
getNeighbours,
getNeighbours,
getNeuron,
getNeuronCount,
getNeurons,
integrateWithNeuralNetwork,
iterator,
map2xml,
prepareNeighbourhoods,
setBestNeuron
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
354
Class Default2DKMap
Field Detail
neurons
protected List neurons
The list of neurons in this map. Its visibility is protected to allow a quicker use
from its subclasses.
rows
protected int rows
This map's row size. Its visibility is protected to allow a quicker use from its
subclasses.
cols
protected int cols
This map's column size Its visibility is protected to allow a quicker use from
its subclasses.
Constructor Detail
Default2DKMap
public Default2DKMap(int entriesCount,
int rows,
int cols,
DistanceFunction dFunction)
The basic constructor for a brand-new 2D Kohonen Map.
This constructor initializes this class' attributes and creates all the neurons the
map will hold. These neurons are stored inside its internal list.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
355
Class Default2DKMap
Default2DKMap
public Default2DKMap(org.w3c.dom.Node mapNode,
KohonenNeuralNetwork knn)
Creates a Default2DKMap from its configuration stored in an XML node.
This constructor gets from the XML node its attributes and its list of neurons
from the Kohonen Neural Network.
Method Detail
getNeuron
public KohonenNeuron getNeuron(int neuronId)
Gets a neuron given its id number.
Overrides:
getNeuron
in class KohonenMap
Parameters:
neuronId
- The identification number of the requested neuron.
Returns:
The requested neuron.
getNeurons
public List getNeurons()
Gets the list of neurons from this map.
Overrides:
getNeurons
in class KohonenMap
Returns:
The list of neurons held by this map.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
356
Class Default2DKMap
getColumnCount
public int getColumnCount()
Gets the number of columns in this map.
Returns:
The number of columns.
getRowCount
public int getRowCount()
Gets the number of rows in this map.
Returns:
The number of rows.
getDimensions
public int[] getDimensions()
Obtains this map's dimension in the shape of a int[] array. Schema: {rows,
columns}.
Overrides:
getDimensions
in class KohonenMap
Returns:
This map's dimension.
iterator
public Iterator iterator()
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
357
Class Default2DKMap
Obtains an Iterator instance that guides through the neurons in the map.
Overrides:
iterator
in class KohonenMap
Returns:
The Iterator instance.
map2xml
public org.w3c.dom.Node map2xml(org.w3c.dom.Document document)
Obtains this Kohonen Map's XML representation. Creates the XML node and
stores this map's configuration. The specific KohonenMap subclass is stored as
an attribute in the node.
Overrides:
map2xml
in class KohonenMap
Parameters:
- The Document instance that will be the ultimate root for
this XML structure. It is used in these methods to create the XML
Elements and Nodes with its Factory Methods.
document
Returns:
An XML node with this map's configuration.
Class DefaultKohonenTeacher
com.jcortex.kohonen
java.lang.Object
com.jcortex.Teacher
com.jcortex.kohonen.DefaultKohonenTeacher
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
358
Class DefaultKohonenTeacher
public class DefaultKohonenTeacher
extends Teacher
Default Teacher implementation for the Kohonen neural networkn model.
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Field Summary
boolean
static
String
Page
continueTraining
361
MISPLACED_EXAMPLES
Textual identifier for the Misplaced Examples statistic
dimension.
Measure 361
Fields inherited from class com.jcortex.Teacher
VALIDATION_JUMP
Constructor Summary
Page
DefaultKohonenTeacher()
The default creator for a brand new teacher.
361
DefaultKohonenTeacher(org.w3c.dom.Node teacherNode)
Creates a
configuration.
DefaultKohonenTeacher
instance from an XML node with its
Method Summary
Statistics
361
Page
createStatsSchema()
Creates the Statistics instance with the specific progress
measures needed by thos particular Teacher.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
366
359
Class DefaultKohonenTeacher
Statistics
educateNetwork(NeuralNetwork nn, Object[] exampleIObjects,
Object[] exampleDObjects)
Educates a Kohonen Neural Network using the given
example set.
int
getAnalysisWindow()
365
Obtains the Analysis Window training parameter.
ProgressAnalyzer
getAnalyzer()
366
Obtains this teacher's associated training analyzer.
float
getConstantVariation()
364
Obtains the Constant Variation training parameter.
float
getLearningRate()
362
Obtains the Learning Rate training parameter.
long
getMaxIterations()
Obtains
parameter.
float
int
the
Maximum
Iteration
Number
training
363
Obtains the Maximum Average Distance Accepted training
parameter.
364
getMaxMisplacedPercent()
getNeighbourhoodRadius()
Obtains the Neigbourhood Radius training parameter.
void
365
setConstantVariation(float constantVariation)
365
Sets the Constant Variation training parameter.
void
setLearningRate(float learningRate)
363
Sets the Learning Rate training parameter.
void
setMaxIterations(long maxIterations)
Sets the Maximum Iteration Number training parameter.
void
364
setNeighbourhoodRadius(int neighbourhoodRadius)
363
Sets the Neigbourhood Radius training parameter.
void
364
setMaxMisplacedPercent(float maxAverageDistanceAccepted)
Sets the Maximum Average Distance Accepted training
parameter.
void
363
setAnalysisWindow(int constantWindow)
Obtains the Analysis Window training parameter.
void
362
specificTeacher2xml(org.w3c.dom.Element
org.w3c.dom.Document document)
teacherRoot,
Dumps into the teacher's XML node this specific
instance's configuration.
Teacher
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
366
360
Class DefaultKohonenTeacher
void
stopTraining()
Stops the training's progress by interrupting its next
iteration.
String
367
toHTMLString()
Produces a String representation of this teacher's
parameters and settings, including HTML tags to enhance it with
styled text.
367
Methods inherited from class com.jcortex.Teacher
createStatsSchema, educateNetwork, getAnalyzer, getStats,
teacher2xml, toHTMLString, translateAndClassifyExamples
stopTraining,
Field Detail
MISPLACED_EXAMPLES
public static String MISPLACED_EXAMPLES
Textual identifier for the Misplaced Examples statistic Measure dimension.
continueTraining
public boolean continueTraining
Constructor Detail
DefaultKohonenTeacher
public DefaultKohonenTeacher()
The default creator for a brand new teacher.
All learning parameters are initialized with their default values.
DefaultKohonenTeacher
public DefaultKohonenTeacher(org.w3c.dom.Node teacherNode)
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
361
Class DefaultKohonenTeacher
Creates a DefaultKohonenTeacher instance from an XML node with its
configuration.
Method Detail
educateNetwork
public Statistics educateNetwork(NeuralNetwork nn,
Object[] exampleIObjects,
Object[] exampleDObjects)
throws IllegalArgumentException
Educates a Kohonen Neural Network using the given example set.
Overrides:
educateNetwork
in class Teacher
Parameters:
nn
- The neural network to be trained.
exampleIObjects
- The example input objects.
exampleDObjects
- The example output objects.
Returns:
The statistics for this training.
Throws:
- Exception thrown when an error occured
due to problems with the training's parameters.
IllegalArgumentException
getLearningRate
public float getLearningRate()
Obtains the Learning Rate training parameter.
Returns:
The requested parameter's value.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
362
Class DefaultKohonenTeacher
setLearningRate
public void setLearningRate(float learningRate)
Sets the Learning Rate training parameter.
Parameters:
learningRate
- The new value.
getNeighbourhoodRadius
public int getNeighbourhoodRadius()
Obtains the Neigbourhood Radius training parameter.
Returns:
The requested parameter's value.
setNeighbourhoodRadius
public void setNeighbourhoodRadius(int neighbourhoodRadius)
Sets the Neigbourhood Radius training parameter.
Parameters:
neighbourhoodRadius
- The new value.
getMaxIterations
public long getMaxIterations()
Obtains the Maximum Iteration Number training parameter.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
363
Class DefaultKohonenTeacher
Returns:
The requested parameter's value.
setMaxIterations
public void setMaxIterations(long maxIterations)
Sets the Maximum Iteration Number training parameter.
Parameters:
maxIterations
- The new value.
getMaxMisplacedPercent
public float getMaxMisplacedPercent()
Obtains the Maximum Average Distance Accepted training parameter.
Returns:
The requested parameter's value.
setMaxMisplacedPercent
public void setMaxMisplacedPercent(float maxAverageDistanceAccepted)
Sets the Maximum Average Distance Accepted training parameter.
Parameters:
maxAverageDistanceAccepted
- The new value.
getConstantVariation
public float getConstantVariation()
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
364
Class DefaultKohonenTeacher
Obtains the Constant Variation training parameter.
Returns:
The requested parameter's value.
setConstantVariation
public void setConstantVariation(float constantVariation)
Sets the Constant Variation training parameter.
Parameters:
constantVariation
- The new value.
getAnalysisWindow
public int getAnalysisWindow()
Obtains the Analysis Window training parameter.
Returns:
The requested parameter's value.
setAnalysisWindow
public void setAnalysisWindow(int constantWindow)
Obtains the Analysis Window training parameter.
Parameters:
constantWindow
- The new value.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
365
Class DefaultKohonenTeacher
getAnalyzer
public ProgressAnalyzer getAnalyzer()
Obtains this teacher's associated training analyzer.
Overrides:
getAnalyzer
in class Teacher
Returns:
The training statistics analyzer
createStatsSchema
public Statistics createStatsSchema()
Creates the Statistics instance with the specific progress measures needed by
thos particular Teacher. This method works as a a Template Method (GoF) for
the getStats() method implemented in the Teacher abstract class. The
measures used in the training will be: MISPLACED_EXAMPLES, WEIGHT_VARIATION,
all of them defined as static Strings in this class.
Overrides:
createStatsSchema
in class Teacher
Returns:
The new Statistics instance.
specificTeacher2xml
public void specificTeacher2xml(org.w3c.dom.Element teacherRoot,
org.w3c.dom.Document document)
Dumps into the teacher's XML node this specific Teacher instance's
configuration. This is a Template Method (GoF) for the Teacher abstract class.
This teacher's training parameters are stored as attributes in the XML
configuration node.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
366
Class DefaultKohonenTeacher
Overrides:
specificTeacher2xml
in class Teacher
Parameters:
- The XML node in which this teacher's configuration
must be dumped.
teacherRoot
- The Document instance that will be the ultimate root for
this XML structure. It is used in these methods to create the XML
Elements and Nodes with its Factory Methods.
document
stopTraining
public void stopTraining()
Stops the training's progress by interrupting its next iteration.
For this, it uses a boolan flag - this class' attribute continueTraining and turns
it false so the next time the iteration reaches the condition state, it will surely
jump out of the training loop.
Overrides:
stopTraining
in class Teacher
toHTMLString
public String toHTMLString()
Produces a String representation of this teacher's parameters and settings,
including HTML tags to enhance it with styled text.
Overrides:
toHTMLString
in class Teacher
Returns:
This teacher's String representation.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
367
Class DefaultKohonenTeacher
Class KohonenMap
com.jcortex.kohonen
java.lang.Object
com.jcortex.kohonen.KohonenMap
Direct Known Subclasses:
Default2DKMap
abstract public class KohonenMap
extends Object
Abstract class obliged to all Kohonen Maps used within the JCortex framework.
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Field Summary
protected
KohonenNeuron
Page
bestNeuron
The best neuron found out during the last propagation
process.
protected
List
neighbourhoods
The list of neighbourhoods.
protected int
370
neuronCount
The number of neurons held by this map.
protected
Sensor[]
370
370
sensors
The array of sensors used by this map.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
370
368
Class KohonenMap
Constructor Summary
public
KohonenMap(int entriesCount, int neuronCount)
Creates a brand Kohonen Map.
protected
Page
371
KohonenMap(org.w3c.dom.Node mapRoot, KohonenNeuralNetwork knn)
Constructor for creating a Kohonen Map from its XML node
representation.
Method Summary
abstract
boolean[][]
Page
createConnectionMatrix(int neuronCount)
Creates the specific Connection Matrix.
KohonenNeuron
373
getDimensions()
Obtains this map's dimensions.
Collection
372
getBestNeuron()
Obtains the best neuron for the last propagation.
abstract int[]
371
375
getNeighbours(KohonenNeuron neuron)
Obtains the list of neurons in neighbourhood of a given
373
one.
Collection
getNeighbours(int neuronId)
Obtains the list of neurons in neighbourhood of a given
373
one.
abstract
KohonenNeuron
getNeuron(int neuronId)
Gets a neuron from the map given given its id.
int
getNeuronCount()
Obtains the number of neurons in the Map.
abstract List
374
integrateWithNeuralNetwork(KohonenNeuralNetwork knn)
Integrates this map with its Kohonen neural network.
abstract
Iterator
374
getNeurons()
Obtains the Vector of Neurons organized by their id.
void
374
371
iterator()
Gets the Iterator that can explore all the neurons in this
375
map.
abstract
org.w3c.dom.Node
map2xml(org.w3c.dom.Document document)
Obtains the XML representation of this Kohonen map.
void
375
prepareNeighbourhoods(int neighbourhoodRadius)
Default neighbourhood preparation, uses a matrixcalculation approach for the creation of neighbourhoods.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
371
369
Class KohonenMap
void
setBestNeuron(KohonenNeuron kNeuron)
Sets the best neuron for the last propagation.
373
Field Detail
neuronCount
protected int neuronCount
The number of neurons held by this map.
neighbourhoods
protected List neighbourhoods
The list of neighbourhoods. Each neighbourhood will be represented by a
collection of neurons. This list's ix indexed entry must match the
neighbourhood of the neuron whose id number is exactly ix.
bestNeuron
protected KohonenNeuron bestNeuron
The best neuron found out during the last propagation process.
sensors
protected Sensor[] sensors
The array of sensors used by this map.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
370
Class KohonenMap
Constructor Detail
KohonenMap
public KohonenMap(int entriesCount,
int neuronCount)
Creates a brand Kohonen Map.
From this abstraction level, the Kohonen map must create the sensors array
and the neighbourhood structure, creating the collection for each
neighbourhood.
KohonenMap
protected KohonenMap(org.w3c.dom.Node mapRoot,
KohonenNeuralNetwork knn)
Constructor for creating a Kohonen Map from its XML node representation.
Method Detail
integrateWithNeuralNetwork
public void integrateWithNeuralNetwork(KohonenNeuralNetwork knn)
Integrates this map with its Kohonen neural network.
This process includes adding all this map's neurons to the neural network's
repository and copying the network's sensors into the
Parameters:
knn
- The Kohonen neural network that holds this map.
prepareNeighbourhoods
public void prepareNeighbourhoods(int neighbourhoodRadius)
throws IllegalArgumentException
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
371
Class KohonenMap
Default neighbourhood preparation, uses a matrix-calculation approach for the
creation of neighbourhoods.
It needs each specific kind of Map to produce its own Connection-Matrix. This
matrix is calculated by this specific map using the Template Method (GoF)
createConnectionMatrix().
A Connection-Matrix is a boolean[][] array that has a line and row for each
neuron in the map. The value of position [i][j] will be true when the neuron
with id number i and the neuron with id number j are direct neighbours (with
no other neurons between them). The value of position [i][j] will be false
otherwise.
The initial matrix produced with the Template Method is the one that would
meet the requirements of a 1 neighbourhood radius, showing only the direct
connections of each neuron. Making recursive operations with this matrix, the
neighbourhood for any radius value can be obtained. The [i][j] neurons will be
in each other's neighbourhood.
The matrix representation obtained is afterwords translated into each neuron's
neighbourhood list.
Parameters:
neighbourhoodRadius
- The neighbourhood's radius.
Throws:
- Exception thrown when an error occured
due to problems with the network's parameters.
IllegalArgumentException
createConnectionMatrix
public abstract boolean[][] createConnectionMatrix(int neuronCount)
Creates the specific Connection Matrix. This is a boolean matrix that
indicates the radius = 1 connection between Neighbourhoods. This is part of
the implementation of the Template Method Design Pattern.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
372
Class KohonenMap
getBestNeuron
public KohonenNeuron getBestNeuron()
Obtains the best neuron for the last propagation.
Returns:
The neuron with the lowest distance to the latest input
setBestNeuron
public void setBestNeuron(KohonenNeuron kNeuron)
Sets the best neuron for the last propagation.
Parameters:
kNeuron
- The best neuron.
getNeighbours
public Collection getNeighbours(KohonenNeuron neuron)
Obtains the list of neurons in neighbourhood of a given one.
Parameters:
neuron
- The neuron to be taken as the center of the neighbourhood.
Returns:
The list of kohonen neurons in the neighbourhood.
getNeighbours
public Collection getNeighbours(int neuronId)
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
373
Class KohonenMap
Obtains the list of neurons in neighbourhood of a given one. This method
bases its functionality on getNeuron(int) and getNeighbours(KohonenNeuron,
int, short) methods.
Parameters:
- The id of the neuron to be taken as the center of the
neighbourhood.
neuronId
Returns:
The list of kohonen neurons in the neighbourhood.
getNeuron
public abstract KohonenNeuron getNeuron(int neuronId)
Gets a neuron from the map given given its id.
Parameters:
neuronId
- The id of the neuron to be returned.
Returns:
The neuron with that id. null if no neuron has that id.
getNeurons
public abstract List getNeurons()
Obtains the Vector of Neurons organized by their id.
Returns:
The neurons from the Map.
getNeuronCount
public int getNeuronCount()
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
374
Class KohonenMap
Obtains the number of neurons in the Map.
Returns:
The number od neurons in the Map.
iterator
public abstract Iterator iterator()
Gets the Iterator that can explore all the neurons in this map.
Returns:
The Iterator instance for this map.
getDimensions
public abstract int[] getDimensions()
Obtains this map's dimensions. This means the number of neurons for each
dimension.
Returns:
A int array with the number of neurons in the index+1 dimension. (In
the array[0] the first dimension will be stored...).
map2xml
public abstract org.w3c.dom.Node map2xml(org.w3c.dom.Document document)
Obtains the XML representation of this Kohonen map. It generates a XML
node with this map's configuration.
Parameters:
document
- The XML document required for the creating new elements.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
375
Class KohonenMap
Returns:
The XML neuron with this Kohonen map's configuration.
Class KohonenNeuralNetwork
com.jcortex.kohonen
java.lang.Object
com.jcortex.NeuralNetwork
com.jcortex.kohonen.KohonenNeuralNetwork
public class KohonenNeuralNetwork
extends NeuralNetwork
The Kohonen Neural Network Model default implementation.
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Field Summary
static
final
short
HEX_NEIGHBOURHOOD
static
final
short
LATTICE_1D
static
final
short
LATTICE_2D
static
final
short
LATTICE_CYLINDER
Page
378
Hexagonal hexagonal grid neighbourhood.
379
One dimensional lattice.
379
Two dimensional lattice.
Two dimensional lattice (as in
(vertical only) wrapping.
LATTICE_2D)
with a cylindrical
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
379
376
Class KohonenNeuralNetwork
static
final
short
LATTICE_TOROID
static
final
short
SQUARE_NEIGHBOURHOOD
static
final
short
STAR_NEIGHBOURHOOD
Two dimensional lattice (as in
horizontal & vertical only) wrapping.
LATTICE_2D)
with a toroid (both
379
378
Square grid neighbourhood.
379
Square grid neighbourhood.
Fields inherited from class com.jcortex.NeuralNetwork
inputTranslator, neurons, outputTranslator, sensors, teacher
Constructor Summary
Page
KohonenNeuralNetwork(int
neuronNum,
int
inputsNum, InputTranslator
inputTranslator, OutputTranslator outputTranslator, KohonenMap map,
short neighbourhoodShape)
380
Creates brand-new instance of KohonenNeuralNetwork.
KohonenNeuralNetwork(org.w3c.dom.Node nnRoot)
Creates a
configuration.
KohonenNeuralNetwork
instance
from
XML
sotored
Method Summary
Collection
382
getNeighbourhoodShape()
Obtains this neural netwrok's neighbourhood shape - or
neuron shape.
void
382
getMap()
Obtains the KohonenMap instance that holds this Kohonen
neural network's structure.
short
381
getBestNeuron()
Obtains the neuron that obtained the best result in the last
propagation.
KohonenMap
Page
getBestNeighbourhood()
Obtains the best neuron's neighbourhood.
KohonenNeuron
380
382
prepareNeighbourhoods(int neighbourhoodRadius)
Prepares the neighbourhoods for this neural network's
training, calculating the list of neurons present in each
neighbourhood.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
383
377
Class KohonenNeuralNetwork
float[]
pureThink(float[] input)
Makes the specific numerical thinking for the Kohonen
Neural Network.
protected
void
specificNeuralNetwork2xml(org.w3c.dom.Element
org.w3c.dom.Document document)
nnRoot,
Puts into this neural network's XML configuration node the
aditional information it has as being a KohonenNeuralNetwork
instance.
Object
380
toHTMLString()
Produces a String representation of this neural network
enhanced with HTML tags to include styled text.
String
383
think(Object inputData)
Calculates the result obtained from the input data.
String
381
384
toString()
Produces a String representation of this neural network.
384
Methods inherited from class com.jcortex.NeuralNetwork
addEndNeuron, addFirstNeuron, addNeuron, addNeurons, createNeuralNetwork,
export2XMLDocument, getAttributeCount, getConnectedNeurons, getEndNeurons,
getInputTranslator,
getNeuron,
getNeuronCount,
getNeurons,
getOutputTranslator, getSensor, getSensorCount, getSensors, getTeacher,
neuralNetwork2xml,
pureThink,
setEndNeurons,
setFirtsNeurons,
setInputTranslator, setOutputTranslator, setTeacher, think, toHTMLString,
toString
Field Detail
HEX_NEIGHBOURHOOD
public static final short HEX_NEIGHBOURHOOD
Hexagonal hexagonal grid neighbourhood.
SQUARE_NEIGHBOURHOOD
public static final short SQUARE_NEIGHBOURHOOD
Square grid neighbourhood.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
378
Class KohonenNeuralNetwork
STAR_NEIGHBOURHOOD
public static final short STAR_NEIGHBOURHOOD
Square grid neighbourhood.
LATTICE_1D
public static final short LATTICE_1D
One dimensional lattice. The neurons can be stored in a single dimension
array.
LATTICE_2D
public static final short LATTICE_2D
Two dimensional lattice. The neurons can be stored in a two dimension array.
LATTICE_CYLINDER
public static final short LATTICE_CYLINDER
Two dimensional lattice (as in
wrapping.
LATTICE_2D)
with a cylindrical (vertical only)
LATTICE_TOROID
public static final short LATTICE_TOROID
Two dimensional lattice (as in
vertical only) wrapping.
LATTICE_2D)
with a toroid (both horizontal &
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
379
Class KohonenNeuralNetwork
Constructor Detail
KohonenNeuralNetwork
public KohonenNeuralNetwork(int neuronNum,
int inputsNum,
InputTranslator inputTranslator,
OutputTranslator outputTranslator,
KohonenMap map,
short neighbourhoodShape)
Creates brand-new instance of KohonenNeuralNetwork.
KohonenNeuralNetwork
public KohonenNeuralNetwork(org.w3c.dom.Node nnRoot)
throws ReadingException
Creates a KohonenNeuralNetwork instance from XML sotored configuration.
This method's main task is invoking the creation of the
that organizes the neurons of this network.
KohonenMap
instance
Throws:
ReadingException
Method Detail
think
public Object think(Object inputData)
throws IllegalArgumentException
Calculates the result obtained from the input data.
This method overrides the think() method defined in the abstract class
NeuralNetwork as this network's output is not obtained through its ending
neuron's values, but by the Dominant Class of the best neuron.
Overrides:
think
in class NeuralNetwork
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
380
Class KohonenNeuralNetwork
Parameters:
inputData
- The object that serves as input data for the neural network.
Returns:
An object containing the answer given by the neral network.
Throws:
IllegalArgumentException
pureThink
public float[] pureThink(float[] input)
throws IllegalArgumentException
Makes the specific numerical thinking for the Kohonen Neural Network. This
process is based on the pureThink() method implemented in this network's
Kohonen Map instance.
It behaves as the Template Method (GoF) for the think() method.
Overrides:
pureThink
in class NeuralNetwork
Parameters:
input
- The numerical input data.
Returns:
The numerical result of passing the input through the network.
Throws:
IllegalArgumentException
getBestNeighbourhood
public Collection getBestNeighbourhood()
Obtains the best neuron's neighbourhood.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
381
Class KohonenNeuralNetwork
Returns:
A collection with the neurons from the best neuron's neighbourhood.
getBestNeuron
public KohonenNeuron getBestNeuron()
Obtains the neuron that obtained the best result in the last propagation.
Returns:
The best neuron from the last propagation.
getMap
public KohonenMap getMap()
Obtains the
structure.
KohonenMap
instance that holds this Kohonen neural network's
Returns:
This network's associated KohonenMap instance.
getNeighbourhoodShape
public short getNeighbourhoodShape()
Obtains this neural netwrok's neighbourhood shape - or neuron shape.
Returns:
This neural networ's neighbourhood shape - or neuron shape
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
382
Class KohonenNeuralNetwork
prepareNeighbourhoods
public void prepareNeighbourhoods(int neighbourhoodRadius)
throws IllegalArgumentException
Prepares the neighbourhoods for this neural network's training, calculating the
list of neurons present in each neighbourhood.
This method is based on the prepareNeighbourhoods() method from this
network's associated KohonenMap instance.
Parameters:
neighbourhoodRadius
- The neighbourhood radius that will be used in
the training.
Throws:
- Exception thrown if any problem is found
with the value of the network's or training parameters.
IllegalArgumentException
specificNeuralNetwork2xml
protected void specificNeuralNetwork2xml(org.w3c.dom.Element nnRoot,
org.w3c.dom.Document document)
Puts into this neural network's XML configuration node the aditional
information it has as being a KohonenNeuralNetwork instance. The most
relevant information stored at this level is the Kohonen Map that holds this
network's structure.
Overrides:
specificNeuralNetwork2xml
in class NeuralNetwork
Parameters:
nnRoot
- This neural network's XML configuration node.
document
- The XML Document needed to create new elements.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
383
Class KohonenNeuralNetwork
toString
public String toString()
Produces a String representation of this neural network.
Overrides:
toString
in class NeuralNetwork
Returns:
A String representation of this neural network.
toHTMLString
public String toHTMLString()
Produces a String representation of this neural network enhanced with HTML
tags to include styled text.
Overrides:
toHTMLString
in class NeuralNetwork
Returns:
A String representation of this neural network.
Class KohonenNeuron
com.jcortex.kohonen
java.lang.Object
com.jcortex.Neuron
com.jcortex.kohonen.KohonenNeuron
All Implemented Interfaces:
AxonReceiver, AxonSource
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
384
Class KohonenNeuron
public class KohonenNeuron
extends Neuron
Class that models the functionalities of a Kohonen neuron.
A Kohonen neuron network can be associated to various Distance Functions. It
stores has references to its entries, this neural network's sensors, and keeps record of
the classes of the examples used for its training.
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Fields inherited from class com.jcortex.Neuron
RANDOM_CLOSE_TO_ZERO_VALUE, RANDOM_INITIAL_VALUE, ZERO_INITIAL_VALUE
Constructor Summary
Page
KohonenNeuron(int
id,
int
entriesCount,
distanceFunction, AxonSource[] sensors)
DistanceFunction
387
Creates a brand-new KohonenNeuron instance.
KohonenNeuron(org.w3c.dom.Node neuronNode, NeuralNetwork nn)
Creates a
configuration.
KohonenNeuron
instance from an XML node with its
Method Summary
void
390
addEntry(AxonSource entry)
This should not be used.
void
Page
addConnectedNeuron(AxonReceiver child, boolean back_connection)
Ignored for Kohonen neurons as these can not have childs.
void
387
391
addEntry(AxonSource entry, float weight)
This should not be used.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
391
385
Class KohonenNeuron
void
clearExamplesInClasses()
Cleans the dominant class and the classes map.
float
getAxonValue()
Obtains the last Axon Value produced by the method
produceAxonValue().
int
394
setEntryWeight(AxonSource parent, float value)
Sets the weight for the requested entry.
void
388
registerLastExampleClass(Object lastExampleClass)
Records the last example's class.
void
392
produceAxonValue()
Produces this neuron's Axon Value that is none other than the
distance between the input values and the ones stored as its weights.
void
392
getWeigths()
Obtains this neuron's weight's array.
float
388
getWeight(int ix)
Obtains the value from this neuron's weight vector, referenced
by the given index.
float[]
388
getEntryWeight(AxonSource parent)
Obtains the weight associate to a given entry.
float
391
getEntries()
Obtains the entries for this neuron which are none others but the
neural network's sensors.
float
389
getDominantClass()
Obtains this neuron's dominant class: the one that has obtained
most of the examples.
Collection
392
getConnectedNeurons()
No neurons can be connected to a Kohonen neuron.
Object
392
getClusterSuccesses()
Obtains the number of clustering successes.This is the number
of classes registered from the examples that have fallen into this
neuron that match the dominant class.
Collection
389
getClusterErrors()
Obtains the number of clustering errors.This is the number of
classes registered from the examples that have fallen into this neuron
that do not match the dominant class.
int
394
393
setEntryWeight(int ix, float value)
Sets the weight for the entry on the position ix.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
393
386
Class KohonenNeuron
protected
void
specificNeuron2xml(org.w3c.dom.Element
org.w3c.dom.Document document)
neuronRoot,
Adds the specific information known to the Kohonen Neuron at
this level.
String
390
toString()
Obtains a String representation of this neuron.
394
Methods inherited from class com.jcortex.Neuron
equals, getConnectedNeurons, getId, neuron2xml, toString
Methods inherited from interface com.jcortex.AxonSource
addConnectedNeuron, getAxonValue, getId, produceAxonValue
Methods inherited from interface com.jcortex.AxonReceiver
addEntry, addEntry, getEntries, getEntryWeight, getId, setEntryWeight
Constructor Detail
KohonenNeuron
public KohonenNeuron(int id,
int entriesCount,
DistanceFunction distanceFunction,
AxonSource[] sensors)
Creates a brand-new KohonenNeuron instance.
KohonenNeuron
public KohonenNeuron(org.w3c.dom.Node neuronNode,
NeuralNetwork nn)
throws ReadingException
Creates a KohonenNeuron instance from an XML node with its configuration.
Throws:
ReadingException
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
387
Class KohonenNeuron
Method Detail
getEntries
public Collection getEntries()
Obtains the entries for this neuron which are none others but the neural
network's sensors.
Specified by:
getEntries
in interface AxonReceiver
Returns:
A collection with this neuron's entries: the sensors.
getEntryWeight
public float getEntryWeight(AxonSource parent)
Obtains the weight associate to a given entry.
Specified by:
getEntryWeight
in interface AxonReceiver
Parameters:
parent
- The entry whose weight is requested.
Returns:
The weight requested.
produceAxonValue
public float produceAxonValue()
throws IllegalArgumentException
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
388
Class KohonenNeuron
Produces this neuron's Axon Value that is none other than the distance
between the input values and the ones stored as its weights. The Axon Value is
both returned and stored as a
Specified by:
produceAxonValue
in interface AxonSource
Returns:
The Axon Value calculated.
Throws:
IllegalArgumentException
- This exception can be thrown by the
distance function.
getAxonValue
public float getAxonValue()
Obtains the last Axon Value produced by the method produceAxonValue().
Specified by:
getAxonValue
in interface AxonSource
Returns:
The last Axon Value produced.
getConnectedNeurons
public Collection getConnectedNeurons()
No neurons can be connected to a Kohonen neuron.
Overrides:
getConnectedNeurons
in class Neuron
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
389
Class KohonenNeuron
Returns:
null
as no neurons can be connected.
specificNeuron2xml
protected void specificNeuron2xml(org.w3c.dom.Element neuronRoot,
org.w3c.dom.Document document)
Adds the specific information known to the Kohonen Neuron at this level.
This method puts the intance attributes known at this level as attributes of the
XML node. Puts as well the entries-weights structure and the examples'
classes records.
Overrides:
specificNeuron2xml
in class Neuron
Parameters:
neuronRoot
document
- The neuron's XML configuration node.
- The XML Document used to create new elements.
addConnectedNeuron
public void addConnectedNeuron(AxonReceiver child,
boolean back_connection)
Ignored for Kohonen neurons as these can not have childs.
Specified by:
addConnectedNeuron
in interface AxonSource
Parameters:
child
- The child element connected to this AxonSource instance.
back_connection
- Indicates if this neuron has to create the entry in its
child.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
390
Class KohonenNeuron
addEntry
public void addEntry(AxonSource entry)
This should not be used. Better create a new network.
Specified by:
addEntry
in interface AxonReceiver
Parameters:
entry
- The new axon data source on to which stablish a connection.
addEntry
public void addEntry(AxonSource entry,
float weight)
This should not be used. Better create a new network.
Specified by:
addEntry
in interface AxonReceiver
Parameters:
entry
- The new AxonSource element to be connected as its father.
weight
- The entry's weight
getDominantClass
public Object getDominantClass()
Obtains this neuron's dominant class: the one that has obtained most of the
examples.
Returns:
The dominant class.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
391
Class KohonenNeuron
getClusterSuccesses
public int getClusterSuccesses()
Obtains the number of clustering successes.This is the number of classes
registered from the examples that have fallen into this neuron that match the
dominant class.
Returns:
The number of cluster successes.
getClusterErrors
public int getClusterErrors()
Obtains the number of clustering errors.This is the number of classes
registered from the examples that have fallen into this neuron that do not
match the dominant class.
Returns:
The number of cluster errors.
getWeigths
public float[] getWeigths()
Obtains this neuron's weight's array.
Returns:
The weights array.
getWeight
public float getWeight(int ix)
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
392
Class KohonenNeuron
Obtains the value from this neuron's weight vector, referenced by the given
index.
Parameters:
ix
- The weight's index.
Returns:
The weight value requested
setEntryWeight
public void setEntryWeight(int ix,
float value)
Sets the weight for the entry on the position ix.
Parameters:
ix
- The position of the weight to set.
value
- The new value.
setEntryWeight
public void setEntryWeight(AxonSource parent,
float value)
Sets the weight for the requested entry.
Specified by:
setEntryWeight
in interface AxonReceiver
Parameters:
parent
value
- The Sensor instance that is an entry for this neuron.
- The new value.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
393
Class KohonenNeuron
registerLastExampleClass
public void registerLastExampleClass(Object lastExampleClass)
Records the last example's class. The "class" is not a Java "class", but a float
number.
This method looks if this class has already been recorded in this neuron, an
accumulates this hit. If it has never been seen, it creates a new entry in the map
for it.
Parameters:
lastExampleClass
- The last example's class.
clearExamplesInClasses
public void clearExamplesInClasses()
Cleans the dominant class and the classes map. Pretty much like a reset.
toString
public String toString()
Obtains a String representation of this neuron.
Overrides:
toString
in class Neuron
Returns:
This neuron's string representation.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
394
Class SheetHexKMap
Class SheetHexKMap
com.jcortex.kohonen
java.lang.Object
com.jcortex.kohonen.KohonenMap
com.jcortex.kohonen.Default2DKMap
com.jcortex.kohonen.SheetHexKMap
public class SheetHexKMap
extends Default2DKMap
Models a sheet-organized Kohonen Map with hexagonal-shaped neurons.
This map is an extension of Default2DKMap. A cylinder map is a plain 2D map that has
been wrapped vertically (to allow more versatility in the shape of neurons).
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Fields inherited from class com.jcortex.kohonen.Default2DKMap
cols, neurons, rows
Fields inherited from class com.jcortex.kohonen.KohonenMap
bestNeuron, neighbourhoods, neuronCount, sensors
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
395
Class SheetHexKMap
Constructor Summary
SheetHexKMap(int
dFunction)
entriesCount,
Page
int
rows,
int
cols,
DistanceFunction
396
The basic constructor for this kind of Kohonen Map.
SheetHexKMap(org.w3c.dom.Node mapNode, KohonenNeuralNetwork knn)
Creates a SheetHexKMap from its configuration stored in an XML node.
Method Summary
boolean[][]
397
Page
createConnectionMatrix(int neuronCount)
Creates the Connection-Matrix for a sheet-organized map with
hexagonal-shaped neurons.
397
Methods inherited from class com.jcortex.kohonen.Default2DKMap
getColumnCount, getDimensions, getNeuron, getNeurons, getRowCount, iterator,
map2xml
Methods inherited from class com.jcortex.kohonen.KohonenMap
createConnectionMatrix,
getBestNeuron,
getDimensions,
getNeighbours,
getNeighbours,
getNeuron,
getNeuronCount,
getNeurons,
integrateWithNeuralNetwork,
iterator,
map2xml,
prepareNeighbourhoods,
setBestNeuron
Constructor Detail
SheetHexKMap
public SheetHexKMap(int entriesCount,
int rows,
int cols,
DistanceFunction dFunction)
The basic constructor for this kind of Kohonen Map.
This class is completely based on the Default2DKMap so this constructor does
nothing else than invoking its super-constructor.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
396
Class SheetHexKMap
SheetHexKMap
public SheetHexKMap(org.w3c.dom.Node mapNode,
KohonenNeuralNetwork knn)
Creates a SheetHexKMap from its configuration stored in an XML node.
This class is completely based on the Default2DKMap so this constructor does
nothing else than invoking its super-constructor.
Method Detail
createConnectionMatrix
public boolean[][] createConnectionMatrix(int neuronCount)
Creates the Connection-Matrix for a sheet-organized map with hexagonalshaped neurons.
A Connection-Matrix is a boolean[][] array that has a line and row for each
neuron in the map. The value of position [i][j] will be true when the neuron
with id number i and the neuron with id number j are direct neighbours (with
no other neurons between them). The value of position [i][j] will be false
otherwise.
Overrides:
createConnectionMatrix
in class KohonenMap
Parameters:
neuronCount
- The number of neurons that
Returns:
The Connection-Matrix.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
397
Class SheetSquareKMap
Class SheetSquareKMap
com.jcortex.kohonen
java.lang.Object
com.jcortex.kohonen.KohonenMap
com.jcortex.kohonen.Default2DKMap
com.jcortex.kohonen.SheetSquareKMap
public class SheetSquareKMap
extends Default2DKMap
Models a sheet-organized Kohonen Map with square-shaped neurons.
This map is an extension of Default2DKMap. A cylinder map is a plain 2D map that has
been wrapped vertically (to allow more versatility in the shape of neurons).
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Fields inherited from class com.jcortex.kohonen.Default2DKMap
cols, neurons, rows
Fields inherited from class com.jcortex.kohonen.KohonenMap
bestNeuron, neighbourhoods, neuronCount, sensors
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
398
Class SheetSquareKMap
Constructor Summary
SheetSquareKMap(int entriesCount, int rows, int cols, DistanceFunction
dFunction)
Page
399
The basic constructor for this kind of Kohonen Map.
SheetSquareKMap(org.w3c.dom.Node mapNode, KohonenNeuralNetwork knn)
Creates a SheetSquareKMap from its configuration stored in an XML node.
Method Summary
boolean[][]
400
Page
createConnectionMatrix(int neuronCount)
Creates the Connection-Matrix for a sheet-organized map with
square-shaped neurons.
400
Methods inherited from class com.jcortex.kohonen.Default2DKMap
getColumnCount, getDimensions, getNeuron, getNeurons, getRowCount, iterator,
map2xml
Methods inherited from class com.jcortex.kohonen.KohonenMap
createConnectionMatrix,
getBestNeuron,
getDimensions,
getNeighbours,
getNeighbours,
getNeuron,
getNeuronCount,
getNeurons,
integrateWithNeuralNetwork,
iterator,
map2xml,
prepareNeighbourhoods,
setBestNeuron
Constructor Detail
SheetSquareKMap
public SheetSquareKMap(int entriesCount,
int rows,
int cols,
DistanceFunction dFunction)
The basic constructor for this kind of Kohonen Map.
This class is completely based on the Default2DKMap so this constructor does
nothing else than invoking its super-constructor.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
399
Class SheetSquareKMap
SheetSquareKMap
public SheetSquareKMap(org.w3c.dom.Node mapNode,
KohonenNeuralNetwork knn)
Creates a SheetSquareKMap from its configuration stored in an XML node.
This class is completely based on the Default2DKMap so this constructor does
nothing else than invoking its super-constructor.
Method Detail
createConnectionMatrix
public boolean[][] createConnectionMatrix(int neuronCount)
Creates the Connection-Matrix for a sheet-organized map with square-shaped
neurons.
A Connection-Matrix is a boolean[][] array that has a line and row for each
neuron in the map. The value of position [i][j] will be true when the neuron
with id number i and the neuron with id number j are direct neighbours (with
no other neurons between them). The value of position [i][j] will be false
otherwise.
Overrides:
createConnectionMatrix
in class KohonenMap
Parameters:
neuronCount
- The number of neurons that
Returns:
The Connection-Matrix.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
400
Class SheetStarKMap
Class SheetStarKMap
com.jcortex.kohonen
java.lang.Object
com.jcortex.kohonen.KohonenMap
com.jcortex.kohonen.Default2DKMap
com.jcortex.kohonen.SheetStarKMap
public class SheetStarKMap
extends Default2DKMap
Models a sheet-organized Kohonen Map with star-shaped neurons.
This map is an extension of Default2DKMap. A cylinder map is a plain 2D map that has
been wrapped vertically (to allow more versatility in the shape of neurons).
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Fields inherited from class com.jcortex.kohonen.Default2DKMap
cols, neurons, rows
Fields inherited from class com.jcortex.kohonen.KohonenMap
bestNeuron, neighbourhoods, neuronCount, sensors
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
401
Class SheetStarKMap
Constructor Summary
SheetStarKMap(int entriesCount, int
dFunction)
Page
rows,
int cols, DistanceFunction
402
The basic constructor for this kind of Kohonen Map.
SheetStarKMap(org.w3c.dom.Node mapNode, KohonenNeuralNetwork knn)
Creates a SheetStarKMap from its configuration stored in an XML node.
Method Summary
boolean[][]
403
Page
createConnectionMatrix(int neuronCount)
Creates the Connection-Matrix for a sheet-organized map with
star-shaped neurons.
403
Methods inherited from class com.jcortex.kohonen.Default2DKMap
getColumnCount, getDimensions, getNeuron, getNeurons, getRowCount, iterator,
map2xml
Methods inherited from class com.jcortex.kohonen.KohonenMap
createConnectionMatrix,
getBestNeuron,
getDimensions,
getNeighbours,
getNeighbours,
getNeuron,
getNeuronCount,
getNeurons,
integrateWithNeuralNetwork,
iterator,
map2xml,
prepareNeighbourhoods,
setBestNeuron
Constructor Detail
SheetStarKMap
public SheetStarKMap(int entriesCount,
int rows,
int cols,
DistanceFunction dFunction)
The basic constructor for this kind of Kohonen Map.
This class is completely based on the Default2DKMap so this constructor does
nothing else than invoking its super-constructor.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
402
Class SheetStarKMap
SheetStarKMap
public SheetStarKMap(org.w3c.dom.Node mapNode,
KohonenNeuralNetwork knn)
Creates a SheetStarKMap from its configuration stored in an XML node.
This class is completely based on the Default2DKMap so this constructor does
nothing else than invoking its super-constructor.
Method Detail
createConnectionMatrix
public boolean[][] createConnectionMatrix(int neuronCount)
Creates the Connection-Matrix for a sheet-organized map with star-shaped
neurons.
A Connection-Matrix is a boolean[][] array that has a line and row for each
neuron in the map. The value of position [i][j] will be true when the neuron
with id number i and the neuron with id number j are direct neighbours (with
no other neurons between them). The value of position [i][j] will be false
otherwise.
Overrides:
createConnectionMatrix
in class KohonenMap
Parameters:
neuronCount
- The number of neurons that
Returns:
The Connection-Matrix.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
403
Class ToroidHexKMap
Class ToroidHexKMap
com.jcortex.kohonen
java.lang.Object
com.jcortex.kohonen.KohonenMap
com.jcortex.kohonen.Default2DKMap
com.jcortex.kohonen.ToroidHexKMap
public class ToroidHexKMap
extends Default2DKMap
Models a toroid-organized Kohonen Map with hexagonal-shaped neurons.
This map is an extension of Default2DKMap. A cylinder map is a plain 2D map that has
been wrapped vertically (to allow more versatility in the shape of neurons).
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Fields inherited from class com.jcortex.kohonen.Default2DKMap
cols, neurons, rows
Fields inherited from class com.jcortex.kohonen.KohonenMap
bestNeuron, neighbourhoods, neuronCount, sensors
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
404
Class ToroidHexKMap
Constructor Summary
ToroidHexKMap(int entriesCount, int
dFunction)
Page
rows,
int cols, DistanceFunction
405
The basic constructor for this kind of Kohonen Map.
ToroidHexKMap(org.w3c.dom.Node mapNode, KohonenNeuralNetwork knn)
Creates a ToroidHexKMap from its configuration stored in an XML node.
Method Summary
boolean[][]
406
Page
createConnectionMatrix(int neuronCount)
Creates the Connection-Matrix for a toroid-organized map
with hexagonal-shaped neurons.
406
Methods inherited from class com.jcortex.kohonen.Default2DKMap
getColumnCount, getDimensions, getNeuron, getNeurons, getRowCount, iterator,
map2xml
Methods inherited from class com.jcortex.kohonen.KohonenMap
createConnectionMatrix,
getBestNeuron,
getDimensions,
getNeighbours,
getNeighbours,
getNeuron,
getNeuronCount,
getNeurons,
integrateWithNeuralNetwork,
iterator,
map2xml,
prepareNeighbourhoods,
setBestNeuron
Constructor Detail
ToroidHexKMap
public ToroidHexKMap(int entriesCount,
int rows,
int cols,
DistanceFunction dFunction)
throws IllegalArgumentException
The basic constructor for this kind of Kohonen Map.
This class is completely based on the Default2DKMap so this constructor does
nothing else than invoking its super-constructor.
The number of columns must be even so both sides of hexagonal neurons
can fit for the wrapping.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
405
Class ToroidHexKMap
Throws:
IllegalArgumentException
ToroidHexKMap
public ToroidHexKMap(org.w3c.dom.Node mapNode,
KohonenNeuralNetwork knn)
throws IllegalArgumentException
Creates a ToroidHexKMap from its configuration stored in an XML node.
This class is completely based on the Default2DKMap so this constructor does
nothing else than invoking its super-constructor.
Throws:
IllegalArgumentException
Method Detail
createConnectionMatrix
public boolean[][] createConnectionMatrix(int neuronCount)
Creates the Connection-Matrix for a toroid-organized map with hexagonalshaped neurons.
A Connection-Matrix is a boolean[][] array that has a line and row for each
neuron in the map. The value of position [i][j] will be true when the neuron
with id number i and the neuron with id number j are direct neighbours (with
no other neurons between them). The value of position [i][j] will be false
otherwise.
Overrides:
createConnectionMatrix
in class KohonenMap
Parameters:
neuronCount
- The number of neurons that
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
406
Class ToroidHexKMap
Returns:
The Connection-Matrix.
Class ToroidSquareKMap
com.jcortex.kohonen
java.lang.Object
com.jcortex.kohonen.KohonenMap
com.jcortex.kohonen.Default2DKMap
com.jcortex.kohonen.ToroidSquareKMap
public class ToroidSquareKMap
extends Default2DKMap
Models a toroid-organized Kohonen Map with square-shaped neurons.
This map is an extension of Default2DKMap. A cylinder map is a plain 2D map that has
been wrapped vertically (to allow more versatility in the shape of neurons).
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Fields inherited from class com.jcortex.kohonen.Default2DKMap
cols, neurons, rows
Fields inherited from class com.jcortex.kohonen.KohonenMap
bestNeuron, neighbourhoods, neuronCount, sensors
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
407
Class ToroidSquareKMap
Constructor Summary
Page
ToroidSquareKMap(int entriesCount, int rows, int cols, DistanceFunction
dFunction)
408
The basic constructor for this kind of Kohonen Map.
ToroidSquareKMap(org.w3c.dom.Node mapNode, KohonenNeuralNetwork knn)
Creates a
ToroidSquareKMap
from its configuration stored in an XML
409
node.
Method Summary
boolean[][]
Page
createConnectionMatrix(int neuronCount)
Creates the Connection-Matrix for a toroid-organized map
with square-shaped neurons.
409
Methods inherited from class com.jcortex.kohonen.Default2DKMap
getColumnCount, getDimensions, getNeuron, getNeurons, getRowCount, iterator,
map2xml
Methods inherited from class com.jcortex.kohonen.KohonenMap
createConnectionMatrix,
getBestNeuron,
getDimensions,
getNeighbours,
getNeighbours,
getNeuron,
getNeuronCount,
getNeurons,
integrateWithNeuralNetwork,
iterator,
map2xml,
prepareNeighbourhoods,
setBestNeuron
Constructor Detail
ToroidSquareKMap
public ToroidSquareKMap(int entriesCount,
int rows,
int cols,
DistanceFunction dFunction)
The basic constructor for this kind of Kohonen Map.
This class is completely based on the Default2DKMap so this constructor does
nothing else than invoking its super-constructor.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
408
Class ToroidSquareKMap
ToroidSquareKMap
public ToroidSquareKMap(org.w3c.dom.Node mapNode,
KohonenNeuralNetwork knn)
Creates a ToroidSquareKMap from its configuration stored in an XML node.
This class is completely based on the Default2DKMap so this constructor does
nothing else than invoking its super-constructor.
Method Detail
createConnectionMatrix
public boolean[][] createConnectionMatrix(int neuronCount)
Creates the Connection-Matrix for a toroid-organized map with squareshaped neurons.
A Connection-Matrix is a boolean[][] array that has a line and row for each
neuron in the map. The value of position [i][j] will be true when the neuron
with id number i and the neuron with id number j are direct neighbours (with
no other neurons between them). The value of position [i][j] will be false
otherwise.
Overrides:
createConnectionMatrix
in class KohonenMap
Parameters:
neuronCount
- The number of neurons that
Returns:
The Connection-Matrix.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
409
Class ToroidStarKMap
Class ToroidStarKMap
com.jcortex.kohonen
java.lang.Object
com.jcortex.kohonen.KohonenMap
com.jcortex.kohonen.Default2DKMap
com.jcortex.kohonen.ToroidStarKMap
public class ToroidStarKMap
extends Default2DKMap
Models a toroid-organized Kohonen Map with star-shaped neurons.
This map is an extension of Default2DKMap. A cylinder map is a plain 2D map that has
been wrapped vertically (to allow more versatility in the shape of neurons).
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Fields inherited from class com.jcortex.kohonen.Default2DKMap
cols, neurons, rows
Fields inherited from class com.jcortex.kohonen.KohonenMap
bestNeuron, neighbourhoods, neuronCount, sensors
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
410
Class ToroidStarKMap
Constructor Summary
ToroidStarKMap(int entriesCount, int rows, int cols, DistanceFunction
dFunction)
Page
411
The basic constructor for this kind of Kohonen Map.
ToroidStarKMap(org.w3c.dom.Node mapNode, KohonenNeuralNetwork knn)
Creates a ToroidStarKMap from its configuration stored in an XML node.
Method Summary
boolean[][]
412
Page
createConnectionMatrix(int neuronCount)
Creates the Connection-Matrix for a toroid-organized map
with star-shaped neurons.
412
Methods inherited from class com.jcortex.kohonen.Default2DKMap
getColumnCount, getDimensions, getNeuron, getNeurons, getRowCount, iterator,
map2xml
Methods inherited from class com.jcortex.kohonen.KohonenMap
createConnectionMatrix,
getBestNeuron,
getDimensions,
getNeighbours,
getNeighbours,
getNeuron,
getNeuronCount,
getNeurons,
integrateWithNeuralNetwork,
iterator,
map2xml,
prepareNeighbourhoods,
setBestNeuron
Constructor Detail
ToroidStarKMap
public ToroidStarKMap(int entriesCount,
int rows,
int cols,
DistanceFunction dFunction)
The basic constructor for this kind of Kohonen Map.
This class is completely based on the Default2DKMap so this constructor does
nothing else than invoking its super-constructor.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
411
Class ToroidStarKMap
ToroidStarKMap
public ToroidStarKMap(org.w3c.dom.Node mapNode,
KohonenNeuralNetwork knn)
Creates a ToroidStarKMap from its configuration stored in an XML node.
This class is completely based on the Default2DKMap so this constructor does
nothing else than invoking its super-constructor.
Method Detail
createConnectionMatrix
public boolean[][] createConnectionMatrix(int neuronCount)
Creates the Connection-Matrix for a toroid-organized map with star-shaped
neurons.
A Connection-Matrix is a boolean[][] array that has a line and row for each
neuron in the map. The value of position [i][j] will be true when the neuron
with id number i and the neuron with id number j are direct neighbours (with
no other neurons between them). The value of position [i][j] will be false
otherwise.
Overrides:
createConnectionMatrix
in class KohonenMap
Parameters:
neuronCount
- The number of neurons that
Returns:
The Connection-Matrix.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
412
Package com.jcortex.networkFunctions
Package com.jcortex.networkFunctions
Class Summary
Page
LinearBasisFunction
The NetworkFunction implementation of the Linear
Basis Function.
413
RadialBasisFunction
The NetworkFunction implementation of the Linear
Basis Function.
415
Class LinearBasisFunction
com.jcortex.networkFunctions
java.lang.Object
com.jcortex.networkFunctions.LinearBasisFunction
All Implemented Interfaces:
NetworkFunction
public class LinearBasisFunction
extends Object
implements NetworkFunction
The NetworkFunction implementation of the Linear Basis Function. As this class
does not store any specific attributes or parameters it has been buit to work
complaying with the Singleton pattern (GoF).
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
413
Class LinearBasisFunction
Method Summary
static
LinearBasisFunction
Page
getInstance()
Obtains the Singleton (GoF) instance for this class.
float
414
getSolution(Collection axonSourceEntries)
Implementation of the Linear Basis Function.
414
Methods inherited from interface com.jcortex.NetworkFunction
getSolution
Method Detail
getInstance
public static LinearBasisFunction getInstance()
Obtains the Singleton (GoF) instance for this class.
Returns:
This class' Singleton (GoF) instance.
getSolution
public float getSolution(Collection axonSourceEntries)
Implementation of the Linear Basis Function.
Specified by:
getSolution
in interface NetworkFunction
Parameters:
- The collection of AxonSourceEntry instances from
which float values will be obtained to use in the function.
axonSourceEntries
Returns:
The composed value of all the entries' values.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
414
Class RadialBasisFunction
Class RadialBasisFunction
com.jcortex.networkFunctions
java.lang.Object
com.jcortex.networkFunctions.RadialBasisFunction
All Implemented Interfaces:
NetworkFunction
public class RadialBasisFunction
extends Object
implements NetworkFunction
The NetworkFunction implementation of the Linear Basis Function. As this class
does not store any specific attributes or parameters it has been buit to work
complaying with the Singleton pattern (GoF).
Author:
Miguel Lara Encabo - [email protected]
Version:
0.1
Method Summary
static
RadialBasisFunction
Page
getInstance()
Obtains the Singleton (GoF) instance for this class.
float
416
getSolution(Collection axonSourceEntries)
Implementation of the Radial Basis Function.
416
Methods inherited from interface com.jcortex.NetworkFunction
getSolution
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
415
Class RadialBasisFunction
Method Detail
getInstance
public static RadialBasisFunction getInstance()
Obtains the Singleton (GoF) instance for this class.
Returns:
This class' Singleton (GoF) instance.
getSolution
public float getSolution(Collection axonSourceEntries)
Implementation of the Radial Basis Function.
Specified by:
getSolution
in interface NetworkFunction
Parameters:
- The collection of AxonSourceEntry instances from
which float values will be obtained to use in the function.
axonSourceEntries
Returns:
The composed value of all the entries' values.
Package com.jcortex.translators
Class Summary
Page
SingleBooleanOutputTranslator
417
TransparentInputTranslator
419
TransparentOutputTranslator
421
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
416
Class SingleBooleanOutputTranslator
Class SingleBooleanOutputTranslator
com.jcortex.translators
java.lang.Object
com.jcortex.translators.SingleBooleanOutputTranslator
All Implemented Interfaces:
OutputTranslator
public class SingleBooleanOutputTranslator
extends Object
implements OutputTranslator
Constructor Summary
Page
SingleBooleanOutputTranslator()
417
Method Summary
Page
float[]
getOutputBackTranslation(Object desired_output)
Translates a desired result into the numerical value it should have
produced.
Object
418
getOutputTranslation(float[] input_value)
Translates the numerical value given out by neurons as an object
that can be taken as the qualitative result given by the network.
418
Methods inherited from interface com.jcortex.OutputTranslator
getOutputBackTranslation, getOutputTranslation
Constructor Detail
SingleBooleanOutputTranslator
public SingleBooleanOutputTranslator()
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
417
Class SingleBooleanOutputTranslator
Method Detail
getOutputTranslation
public Object getOutputTranslation(float[] input_value)
Description copied from interface: OutputTranslator
Translates the numerical value given out by neurons as an object that can be
taken as the qualitative result given by the network.
Specified by:
getOutputTranslation
in interface OutputTranslator
Parameters:
input_value
- The float array that is the result of the neural network's
process.
Returns:
The Object returned as a qualitative response from the neural network.
getOutputBackTranslation
public float[] getOutputBackTranslation(Object desired_output)
Description copied from interface: OutputTranslator
Translates a desired result into the numerical value it should have produced.
Specified by:
getOutputBackTranslation
in interface OutputTranslator
Parameters:
desired_output
- The object that is the desired output for an example.
Returns:
The Object returned as a qualitative response from the neural network.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
418
Class TransparentInputTranslator
Class TransparentInputTranslator
com.jcortex.translators
java.lang.Object
com.jcortex.translators.TransparentInputTranslator
All Implemented Interfaces:
InputTranslator
public class TransparentInputTranslator
extends Object
implements InputTranslator
Constructor Summary
Page
TransparentInputTranslator()
419
Method Summary
Page
float[]
getInputTranslation(Object input_value)
Translates the input value given as an object into the numerical
values that can be fed onto the neurons.
420
Methods inherited from interface com.jcortex.InputTranslator
getInputTranslation
Constructor Detail
TransparentInputTranslator
public TransparentInputTranslator()
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
419
Class TransparentInputTranslator
Method Detail
getInputTranslation
public float[] getInputTranslation(Object input_value)
Description copied from interface: InputTranslator
Translates the input value given as an object into the numerical values that can
be fed onto the neurons.
Specified by:
getInputTranslation
in interface InputTranslator
Parameters:
input_value
- The qualitative Object used in each particular problem.
Returns:
The float array that contains the input for each Neuron.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
420
Class TransparentInputTranslator
Class TransparentOutputTranslator
com.jcortex.translators
java.lang.Object
com.jcortex.translators.TransparentOutputTranslator
All Implemented Interfaces:
OutputTranslator
public class TransparentOutputTranslator
extends Object
implements OutputTranslator
Constructor Summary
Page
TransparentOutputTranslator()
421
Method Summary
Page
float[]
getOutputBackTranslation(Object desired_output)
Translates a desired result into the numerical value it should have
produced.
Object
422
getOutputTranslation(float[] input_value)
Translates the numerical value given out by neurons as an object
that can be taken as the qualitative result given by the network.
422
Methods inherited from interface com.jcortex.OutputTranslator
getOutputBackTranslation, getOutputTranslation
Constructor Detail
TransparentOutputTranslator
public TransparentOutputTranslator()
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
421
Class TransparentInputTranslator
Method Detail
getOutputTranslation
public Object getOutputTranslation(float[] input_value)
Description copied from interface: OutputTranslator
Translates the numerical value given out by neurons as an object that can be
taken as the qualitative result given by the network.
Specified by:
getOutputTranslation
in interface OutputTranslator
Parameters:
input_value
- The float array that is the result of the neural network's
process.
Returns:
The Object returned as a qualitative response from the neural network.
getOutputBackTranslation
public float[] getOutputBackTranslation(Object desired_output)
Description copied from interface: OutputTranslator
Translates a desired result into the numerical value it should have produced.
Specified by:
getOutputBackTranslation
in interface OutputTranslator
Parameters:
desired_output
- The object that is the desired output for an example.
Returns:
The Object returned as a qualitative response from the neural network.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – 06/2006
422
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
Anexo B: Ejemplos de uso
Modelo de Redes de Hopfield
Configuración de la Red y del Maestro:
La Red de Hopfield
es el modelo más
simple de configurar.
Se indica que los
ejemplos del
conjunto de
entrenamiento tienen
24 atributos.
Causas de parada del entrenamiento:
El entrenamiento de una red de Hopfield no se detiene dependiendo de su evolución,
sino que finaliza cuando se ha completado el cálculo de la matriz de pesos.
Resultados de los estadísticos:
No se proporcionan resultados estadísticos, al no haber iteraciones.
Archivo de ejemplos:
aNumbers.txt (ver…)
Nodo de configuración XML generado:
<neuralNetwork attributeCount="24" class="com.jcortex.hopfield.HopfieldNeuralNetwork"
inputTranslator="com.jcortex.translators.TransparentInputTranslator" neuronCount="0"
outputTranslator="com.jcortex.translators.TransparentOutputTranslator"
sensorCount="0">
<weights>
<weight col="0" row="0" value="0.0"/>
<weight col="1" row="0" value="-0.083333336"/>
<weight col="2" row="0" value="-0.25"/>
<weight col="3" row="0" value="0.41666666"/>
<weight col="4" row="0" value="-0.16666667"/>
<weight col="5" row="0" value="0.083333336"/>
<weight col="6" row="0" value="0.083333336"/>
<weight col="7" row="0" value="-0.083333336"/>
<weight col="8" row="0" value="0.0"/>
<weight col="9" row="0" value="0.16666667"/>
<weight col="10" row="0" value="-0.083333336"/>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
423
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
col="11" row="0" value="0.083333336"/>
col="12" row="0" value="-0.083333336"/>
col="13" row="0" value="0.083333336"/>
col="14" row="0" value="-0.083333336"/>
col="15" row="0" value="-0.083333336"/>
col="16" row="0" value="0.0"/>
col="17" row="0" value="0.16666667"/>
col="18" row="0" value="0.083333336"/>
col="19" row="0" value="-0.083333336"/>
col="20" row="0" value="0.16666667"/>
col="21" row="0" value="-0.16666667"/>
col="22" row="0" value="-0.25"/>
col="23" row="0" value="0.083333336"/>
col="0" row="1" value="-0.083333336"/>
col="1" row="1" value="0.0"/>
col="2" row="1" value="0.25"/>
col="3" row="1" value="-0.083333336"/>
col="4" row="1" value="0.33333334"/>
col="5" row="1" value="-0.41666666"/>
col="6" row="1" value="-0.41666666"/>
col="7" row="1" value="0.25"/>
col="8" row="1" value="0.0"/>
col="9" row="1" value="0.0"/>
col="10" row="1" value="-0.083333336"/>
col="11" row="1" value="0.083333336"/>
col="12" row="1" value="-0.083333336"/>
col="13" row="1" value="-0.25"/>
col="14" row="1" value="-0.083333336"/>
col="15" row="1" value="0.083333336"/>
col="16" row="1" value="0.16666667"/>
col="17" row="1" value="-0.16666667"/>
col="18" row="1" value="-0.25"/>
col="19" row="1" value="0.25"/>
col="20" row="1" value="-0.16666667"/>
col="21" row="1" value="0.16666667"/>
col="22" row="1" value="0.25"/>
col="23" row="1" value="-0.25"/>
col="0" row="2" value="-0.25"/>
col="1" row="2" value="0.25"/>
col="2" row="2" value="0.0"/>
col="3" row="2" value="-0.25"/>
col="4" row="2" value="0.16666667"/>
col="5" row="2" value="-0.25"/>
col="6" row="2" value="-0.25"/>
col="7" row="2" value="0.083333336"/>
col="8" row="2" value="0.0"/>
col="9" row="2" value="-0.16666667"/>
col="10" row="2" value="0.083333336"/>
col="11" row="2" value="-0.083333336"/>
col="12" row="2" value="-0.083333336"/>
col="13" row="2" value="-0.25"/>
col="14" row="2" value="0.083333336"/>
col="15" row="2" value="0.083333336"/>
col="16" row="2" value="0.0"/>
col="17" row="2" value="-0.33333334"/>
col="18" row="2" value="-0.083333336"/>
col="19" row="2" value="0.083333336"/>
col="20" row="2" value="-0.33333334"/>
col="21" row="2" value="0.16666667"/>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
424
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
col="22" row="2" value="0.41666666"/>
col="23" row="2" value="-0.25"/>
col="0" row="3" value="0.41666666"/>
col="1" row="3" value="-0.083333336"/>
col="2" row="3" value="-0.25"/>
col="3" row="3" value="0.0"/>
col="4" row="3" value="-0.16666667"/>
col="5" row="3" value="0.083333336"/>
col="6" row="3" value="0.083333336"/>
col="7" row="3" value="-0.083333336"/>
col="8" row="3" value="0.0"/>
col="9" row="3" value="0.16666667"/>
col="10" row="3" value="-0.083333336"/>
col="11" row="3" value="0.083333336"/>
col="12" row="3" value="-0.083333336"/>
col="13" row="3" value="0.083333336"/>
col="14" row="3" value="-0.083333336"/>
col="15" row="3" value="-0.083333336"/>
col="16" row="3" value="0.0"/>
col="17" row="3" value="0.16666667"/>
col="18" row="3" value="0.083333336"/>
col="19" row="3" value="-0.083333336"/>
col="20" row="3" value="0.16666667"/>
col="21" row="3" value="-0.16666667"/>
col="22" row="3" value="-0.25"/>
col="23" row="3" value="0.083333336"/>
col="0" row="4" value="-0.16666667"/>
col="1" row="4" value="0.33333334"/>
col="2" row="4" value="0.16666667"/>
col="3" row="4" value="-0.16666667"/>
col="4" row="4" value="0.0"/>
col="5" row="4" value="-0.33333334"/>
col="6" row="4" value="-0.33333334"/>
col="7" row="4" value="0.16666667"/>
col="8" row="4" value="0.083333336"/>
col="9" row="4" value="0.083333336"/>
col="10" row="4" value="0.0"/>
col="11" row="4" value="0.0"/>
col="12" row="4" value="0.0"/>
col="13" row="4" value="-0.16666667"/>
col="14" row="4" value="-0.16666667"/>
col="15" row="4" value="0.16666667"/>
col="16" row="4" value="0.25"/>
col="17" row="4" value="-0.083333336"/>
col="18" row="4" value="-0.33333334"/>
col="19" row="4" value="0.33333334"/>
col="20" row="4" value="-0.083333336"/>
col="21" row="4" value="0.25"/>
col="22" row="4" value="0.16666667"/>
col="23" row="4" value="-0.16666667"/>
col="0" row="5" value="0.083333336"/>
col="1" row="5" value="-0.41666666"/>
col="2" row="5" value="-0.25"/>
col="3" row="5" value="0.083333336"/>
col="4" row="5" value="-0.33333334"/>
col="5" row="5" value="0.0"/>
col="6" row="5" value="0.41666666"/>
col="7" row="5" value="-0.25"/>
col="8" row="5" value="0.0"/>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
425
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
col="9" row="5" value="0.0"/>
col="10" row="5" value="0.083333336"/>
col="11" row="5" value="-0.083333336"/>
col="12" row="5" value="0.083333336"/>
col="13" row="5" value="0.25"/>
col="14" row="5" value="0.083333336"/>
col="15" row="5" value="-0.083333336"/>
col="16" row="5" value="-0.16666667"/>
col="17" row="5" value="0.16666667"/>
col="18" row="5" value="0.25"/>
col="19" row="5" value="-0.25"/>
col="20" row="5" value="0.16666667"/>
col="21" row="5" value="-0.16666667"/>
col="22" row="5" value="-0.25"/>
col="23" row="5" value="0.25"/>
col="0" row="6" value="0.083333336"/>
col="1" row="6" value="-0.41666666"/>
col="2" row="6" value="-0.25"/>
col="3" row="6" value="0.083333336"/>
col="4" row="6" value="-0.33333334"/>
col="5" row="6" value="0.41666666"/>
col="6" row="6" value="0.0"/>
col="7" row="6" value="-0.25"/>
col="8" row="6" value="0.0"/>
col="9" row="6" value="0.0"/>
col="10" row="6" value="0.083333336"/>
col="11" row="6" value="-0.083333336"/>
col="12" row="6" value="0.083333336"/>
col="13" row="6" value="0.25"/>
col="14" row="6" value="0.083333336"/>
col="15" row="6" value="-0.083333336"/>
col="16" row="6" value="-0.16666667"/>
col="17" row="6" value="0.16666667"/>
col="18" row="6" value="0.25"/>
col="19" row="6" value="-0.25"/>
col="20" row="6" value="0.16666667"/>
col="21" row="6" value="-0.16666667"/>
col="22" row="6" value="-0.25"/>
col="23" row="6" value="0.25"/>
col="0" row="7" value="-0.083333336"/>
col="1" row="7" value="0.25"/>
col="2" row="7" value="0.083333336"/>
col="3" row="7" value="-0.083333336"/>
col="4" row="7" value="0.16666667"/>
col="5" row="7" value="-0.25"/>
col="6" row="7" value="-0.25"/>
col="7" row="7" value="0.0"/>
col="8" row="7" value="-0.16666667"/>
col="9" row="7" value="-0.16666667"/>
col="10" row="7" value="-0.25"/>
col="11" row="7" value="0.25"/>
col="12" row="7" value="-0.083333336"/>
col="13" row="7" value="-0.083333336"/>
col="14" row="7" value="0.083333336"/>
col="15" row="7" value="-0.083333336"/>
col="16" row="7" value="0.0"/>
col="17" row="7" value="0.0"/>
col="18" row="7" value="-0.083333336"/>
col="19" row="7" value="0.083333336"/>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
426
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
col="20" row="7" value="0.0"/>
col="21" row="7" value="0.0"/>
col="22" row="7" value="0.083333336"/>
col="23" row="7" value="-0.083333336"/>
col="0" row="8" value="0.0"/>
col="1" row="8" value="0.0"/>
col="2" row="8" value="0.0"/>
col="3" row="8" value="0.0"/>
col="4" row="8" value="0.083333336"/>
col="5" row="8" value="0.0"/>
col="6" row="8" value="0.0"/>
col="7" row="8" value="-0.16666667"/>
col="8" row="8" value="0.0"/>
col="9" row="8" value="0.083333336"/>
col="10" row="8" value="0.0"/>
col="11" row="8" value="0.0"/>
col="12" row="8" value="0.16666667"/>
col="13" row="8" value="0.16666667"/>
col="14" row="8" value="-0.16666667"/>
col="15" row="8" value="0.33333334"/>
col="16" row="8" value="0.083333336"/>
col="17" row="8" value="-0.083333336"/>
col="18" row="8" value="-0.16666667"/>
col="19" row="8" value="0.16666667"/>
col="20" row="8" value="-0.083333336"/>
col="21" row="8" value="-0.083333336"/>
col="22" row="8" value="0.0"/>
col="23" row="8" value="-0.16666667"/>
col="0" row="9" value="0.16666667"/>
col="1" row="9" value="0.0"/>
col="2" row="9" value="-0.16666667"/>
col="3" row="9" value="0.16666667"/>
col="4" row="9" value="0.083333336"/>
col="5" row="9" value="0.0"/>
col="6" row="9" value="0.0"/>
col="7" row="9" value="-0.16666667"/>
col="8" row="9" value="0.083333336"/>
col="9" row="9" value="0.0"/>
col="10" row="9" value="0.16666667"/>
col="11" row="9" value="-0.16666667"/>
col="12" row="9" value="0.16666667"/>
col="13" row="9" value="0.0"/>
col="14" row="9" value="-0.33333334"/>
col="15" row="9" value="0.16666667"/>
col="16" row="9" value="0.25"/>
col="17" row="9" value="0.083333336"/>
col="18" row="9" value="-0.16666667"/>
col="19" row="9" value="0.16666667"/>
col="20" row="9" value="0.083333336"/>
col="21" row="9" value="0.083333336"/>
col="22" row="9" value="-0.16666667"/>
col="23" row="9" value="0.0"/>
col="0" row="10" value="-0.083333336"/>
col="1" row="10" value="-0.083333336"/>
col="2" row="10" value="0.083333336"/>
col="3" row="10" value="-0.083333336"/>
col="4" row="10" value="0.0"/>
col="5" row="10" value="0.083333336"/>
col="6" row="10" value="0.083333336"/>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
427
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
col="7" row="10" value="-0.25"/>
col="8" row="10" value="0.0"/>
col="9" row="10" value="0.16666667"/>
col="10" row="10" value="0.0"/>
col="11" row="10" value="-0.41666666"/>
col="12" row="10" value="0.083333336"/>
col="13" row="10" value="-0.083333336"/>
col="14" row="10" value="-0.083333336"/>
col="15" row="10" value="0.083333336"/>
col="16" row="10" value="0.16666667"/>
col="17" row="10" value="-0.16666667"/>
col="18" row="10" value="0.083333336"/>
col="19" row="10" value="0.083333336"/>
col="20" row="10" value="-0.16666667"/>
col="21" row="10" value="0.16666667"/>
col="22" row="10" value="0.083333336"/>
col="23" row="10" value="-0.083333336"/>
col="0" row="11" value="0.083333336"/>
col="1" row="11" value="0.083333336"/>
col="2" row="11" value="-0.083333336"/>
col="3" row="11" value="0.083333336"/>
col="4" row="11" value="0.0"/>
col="5" row="11" value="-0.083333336"/>
col="6" row="11" value="-0.083333336"/>
col="7" row="11" value="0.25"/>
col="8" row="11" value="0.0"/>
col="9" row="11" value="-0.16666667"/>
col="10" row="11" value="-0.41666666"/>
col="11" row="11" value="0.0"/>
col="12" row="11" value="-0.083333336"/>
col="13" row="11" value="0.083333336"/>
col="14" row="11" value="0.083333336"/>
col="15" row="11" value="-0.083333336"/>
col="16" row="11" value="-0.16666667"/>
col="17" row="11" value="0.16666667"/>
col="18" row="11" value="-0.083333336"/>
col="19" row="11" value="-0.083333336"/>
col="20" row="11" value="0.16666667"/>
col="21" row="11" value="-0.16666667"/>
col="22" row="11" value="-0.083333336"/>
col="23" row="11" value="0.083333336"/>
col="0" row="12" value="-0.083333336"/>
col="1" row="12" value="-0.083333336"/>
col="2" row="12" value="-0.083333336"/>
col="3" row="12" value="-0.083333336"/>
col="4" row="12" value="0.0"/>
col="5" row="12" value="0.083333336"/>
col="6" row="12" value="0.083333336"/>
col="7" row="12" value="-0.083333336"/>
col="8" row="12" value="0.16666667"/>
col="9" row="12" value="0.16666667"/>
col="10" row="12" value="0.083333336"/>
col="11" row="12" value="-0.083333336"/>
col="12" row="12" value="0.0"/>
col="13" row="12" value="0.083333336"/>
col="14" row="12" value="-0.25"/>
col="15" row="12" value="0.25"/>
col="16" row="12" value="0.16666667"/>
col="17" row="12" value="0.0"/>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
428
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
col="18" row="12" value="-0.083333336"/>
col="19" row="12" value="0.083333336"/>
col="20" row="12" value="0.0"/>
col="21" row="12" value="0.0"/>
col="22" row="12" value="-0.083333336"/>
col="23" row="12" value="-0.083333336"/>
col="0" row="13" value="0.083333336"/>
col="1" row="13" value="-0.25"/>
col="2" row="13" value="-0.25"/>
col="3" row="13" value="0.083333336"/>
col="4" row="13" value="-0.16666667"/>
col="5" row="13" value="0.25"/>
col="6" row="13" value="0.25"/>
col="7" row="13" value="-0.083333336"/>
col="8" row="13" value="0.16666667"/>
col="9" row="13" value="0.0"/>
col="10" row="13" value="-0.083333336"/>
col="11" row="13" value="0.083333336"/>
col="12" row="13" value="0.083333336"/>
col="13" row="13" value="0.0"/>
col="14" row="13" value="0.083333336"/>
col="15" row="13" value="0.083333336"/>
col="16" row="13" value="-0.16666667"/>
col="17" row="13" value="0.16666667"/>
col="18" row="13" value="0.083333336"/>
col="19" row="13" value="-0.083333336"/>
col="20" row="13" value="0.16666667"/>
col="21" row="13" value="-0.33333334"/>
col="22" row="13" value="-0.25"/>
col="23" row="13" value="0.083333336"/>
col="0" row="14" value="-0.083333336"/>
col="1" row="14" value="-0.083333336"/>
col="2" row="14" value="0.083333336"/>
col="3" row="14" value="-0.083333336"/>
col="4" row="14" value="-0.16666667"/>
col="5" row="14" value="0.083333336"/>
col="6" row="14" value="0.083333336"/>
col="7" row="14" value="0.083333336"/>
col="8" row="14" value="-0.16666667"/>
col="9" row="14" value="-0.33333334"/>
col="10" row="14" value="-0.083333336"/>
col="11" row="14" value="0.083333336"/>
col="12" row="14" value="-0.25"/>
col="13" row="14" value="0.083333336"/>
col="14" row="14" value="0.0"/>
col="15" row="14" value="-0.25"/>
col="16" row="14" value="-0.33333334"/>
col="17" row="14" value="0.0"/>
col="18" row="14" value="0.25"/>
col="19" row="14" value="-0.25"/>
col="20" row="14" value="0.0"/>
col="21" row="14" value="-0.16666667"/>
col="22" row="14" value="0.083333336"/>
col="23" row="14" value="0.083333336"/>
col="0" row="15" value="-0.083333336"/>
col="1" row="15" value="0.083333336"/>
col="2" row="15" value="0.083333336"/>
col="3" row="15" value="-0.083333336"/>
col="4" row="15" value="0.16666667"/>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
429
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
col="5" row="15" value="-0.083333336"/>
col="6" row="15" value="-0.083333336"/>
col="7" row="15" value="-0.083333336"/>
col="8" row="15" value="0.33333334"/>
col="9" row="15" value="0.16666667"/>
col="10" row="15" value="0.083333336"/>
col="11" row="15" value="-0.083333336"/>
col="12" row="15" value="0.25"/>
col="13" row="15" value="0.083333336"/>
col="14" row="15" value="-0.25"/>
col="15" row="15" value="0.0"/>
col="16" row="15" value="0.16666667"/>
col="17" row="15" value="-0.16666667"/>
col="18" row="15" value="-0.25"/>
col="19" row="15" value="0.25"/>
col="20" row="15" value="-0.16666667"/>
col="21" row="15" value="0.0"/>
col="22" row="15" value="0.083333336"/>
col="23" row="15" value="-0.25"/>
col="0" row="16" value="0.0"/>
col="1" row="16" value="0.16666667"/>
col="2" row="16" value="0.0"/>
col="3" row="16" value="0.0"/>
col="4" row="16" value="0.25"/>
col="5" row="16" value="-0.16666667"/>
col="6" row="16" value="-0.16666667"/>
col="7" row="16" value="0.0"/>
col="8" row="16" value="0.083333336"/>
col="9" row="16" value="0.25"/>
col="10" row="16" value="0.16666667"/>
col="11" row="16" value="-0.16666667"/>
col="12" row="16" value="0.16666667"/>
col="13" row="16" value="-0.16666667"/>
col="14" row="16" value="-0.33333334"/>
col="15" row="16" value="0.16666667"/>
col="16" row="16" value="0.0"/>
col="17" row="16" value="-0.083333336"/>
col="18" row="16" value="-0.16666667"/>
col="19" row="16" value="0.33333334"/>
col="20" row="16" value="-0.083333336"/>
col="21" row="16" value="0.25"/>
col="22" row="16" value="0.0"/>
col="23" row="16" value="-0.16666667"/>
col="0" row="17" value="0.16666667"/>
col="1" row="17" value="-0.16666667"/>
col="2" row="17" value="-0.33333334"/>
col="3" row="17" value="0.16666667"/>
col="4" row="17" value="-0.083333336"/>
col="5" row="17" value="0.16666667"/>
col="6" row="17" value="0.16666667"/>
col="7" row="17" value="0.0"/>
col="8" row="17" value="-0.083333336"/>
col="9" row="17" value="0.083333336"/>
col="10" row="17" value="-0.16666667"/>
col="11" row="17" value="0.16666667"/>
col="12" row="17" value="0.0"/>
col="13" row="17" value="0.16666667"/>
col="14" row="17" value="0.0"/>
col="15" row="17" value="-0.16666667"/>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
430
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
col="16" row="17" value="-0.083333336"/>
col="17" row="17" value="0.0"/>
col="18" row="17" value="0.0"/>
col="19" row="17" value="-0.16666667"/>
col="20" row="17" value="0.41666666"/>
col="21" row="17" value="-0.083333336"/>
col="22" row="17" value="-0.33333334"/>
col="23" row="17" value="0.33333334"/>
col="0" row="18" value="0.083333336"/>
col="1" row="18" value="-0.25"/>
col="2" row="18" value="-0.083333336"/>
col="3" row="18" value="0.083333336"/>
col="4" row="18" value="-0.33333334"/>
col="5" row="18" value="0.25"/>
col="6" row="18" value="0.25"/>
col="7" row="18" value="-0.083333336"/>
col="8" row="18" value="-0.16666667"/>
col="9" row="18" value="-0.16666667"/>
col="10" row="18" value="0.083333336"/>
col="11" row="18" value="-0.083333336"/>
col="12" row="18" value="-0.083333336"/>
col="13" row="18" value="0.083333336"/>
col="14" row="18" value="0.25"/>
col="15" row="18" value="-0.25"/>
col="16" row="18" value="-0.16666667"/>
col="17" row="18" value="0.0"/>
col="18" row="18" value="0.0"/>
col="19" row="18" value="-0.25"/>
col="20" row="18" value="0.0"/>
col="21" row="18" value="-0.16666667"/>
col="22" row="18" value="-0.083333336"/>
col="23" row="18" value="0.083333336"/>
col="0" row="19" value="-0.083333336"/>
col="1" row="19" value="0.25"/>
col="2" row="19" value="0.083333336"/>
col="3" row="19" value="-0.083333336"/>
col="4" row="19" value="0.33333334"/>
col="5" row="19" value="-0.25"/>
col="6" row="19" value="-0.25"/>
col="7" row="19" value="0.083333336"/>
col="8" row="19" value="0.16666667"/>
col="9" row="19" value="0.16666667"/>
col="10" row="19" value="0.083333336"/>
col="11" row="19" value="-0.083333336"/>
col="12" row="19" value="0.083333336"/>
col="13" row="19" value="-0.083333336"/>
col="14" row="19" value="-0.25"/>
col="15" row="19" value="0.25"/>
col="16" row="19" value="0.33333334"/>
col="17" row="19" value="-0.16666667"/>
col="18" row="19" value="-0.25"/>
col="19" row="19" value="0.0"/>
col="20" row="19" value="-0.16666667"/>
col="21" row="19" value="0.16666667"/>
col="22" row="19" value="0.083333336"/>
col="23" row="19" value="-0.25"/>
col="0" row="20" value="0.16666667"/>
col="1" row="20" value="-0.16666667"/>
col="2" row="20" value="-0.33333334"/>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
431
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
col="3" row="20" value="0.16666667"/>
col="4" row="20" value="-0.083333336"/>
col="5" row="20" value="0.16666667"/>
col="6" row="20" value="0.16666667"/>
col="7" row="20" value="0.0"/>
col="8" row="20" value="-0.083333336"/>
col="9" row="20" value="0.083333336"/>
col="10" row="20" value="-0.16666667"/>
col="11" row="20" value="0.16666667"/>
col="12" row="20" value="0.0"/>
col="13" row="20" value="0.16666667"/>
col="14" row="20" value="0.0"/>
col="15" row="20" value="-0.16666667"/>
col="16" row="20" value="-0.083333336"/>
col="17" row="20" value="0.41666666"/>
col="18" row="20" value="0.0"/>
col="19" row="20" value="-0.16666667"/>
col="20" row="20" value="0.0"/>
col="21" row="20" value="-0.083333336"/>
col="22" row="20" value="-0.33333334"/>
col="23" row="20" value="0.33333334"/>
col="0" row="21" value="-0.16666667"/>
col="1" row="21" value="0.16666667"/>
col="2" row="21" value="0.16666667"/>
col="3" row="21" value="-0.16666667"/>
col="4" row="21" value="0.25"/>
col="5" row="21" value="-0.16666667"/>
col="6" row="21" value="-0.16666667"/>
col="7" row="21" value="0.0"/>
col="8" row="21" value="-0.083333336"/>
col="9" row="21" value="0.083333336"/>
col="10" row="21" value="0.16666667"/>
col="11" row="21" value="-0.16666667"/>
col="12" row="21" value="0.0"/>
col="13" row="21" value="-0.33333334"/>
col="14" row="21" value="-0.16666667"/>
col="15" row="21" value="0.0"/>
col="16" row="21" value="0.25"/>
col="17" row="21" value="-0.083333336"/>
col="18" row="21" value="-0.16666667"/>
col="19" row="21" value="0.16666667"/>
col="20" row="21" value="-0.083333336"/>
col="21" row="21" value="0.0"/>
col="22" row="21" value="0.16666667"/>
col="23" row="21" value="0.0"/>
col="0" row="22" value="-0.25"/>
col="1" row="22" value="0.25"/>
col="2" row="22" value="0.41666666"/>
col="3" row="22" value="-0.25"/>
col="4" row="22" value="0.16666667"/>
col="5" row="22" value="-0.25"/>
col="6" row="22" value="-0.25"/>
col="7" row="22" value="0.083333336"/>
col="8" row="22" value="0.0"/>
col="9" row="22" value="-0.16666667"/>
col="10" row="22" value="0.083333336"/>
col="11" row="22" value="-0.083333336"/>
col="12" row="22" value="-0.083333336"/>
col="13" row="22" value="-0.25"/>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
432
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
<weight col="14" row="22" value="0.083333336"/>
<weight col="15" row="22" value="0.083333336"/>
<weight col="16" row="22" value="0.0"/>
<weight col="17" row="22" value="-0.33333334"/>
<weight col="18" row="22" value="-0.083333336"/>
<weight col="19" row="22" value="0.083333336"/>
<weight col="20" row="22" value="-0.33333334"/>
<weight col="21" row="22" value="0.16666667"/>
<weight col="22" row="22" value="0.0"/>
<weight col="23" row="22" value="-0.25"/>
<weight col="0" row="23" value="0.083333336"/>
<weight col="1" row="23" value="-0.25"/>
<weight col="2" row="23" value="-0.25"/>
<weight col="3" row="23" value="0.083333336"/>
<weight col="4" row="23" value="-0.16666667"/>
<weight col="5" row="23" value="0.25"/>
<weight col="6" row="23" value="0.25"/>
<weight col="7" row="23" value="-0.083333336"/>
<weight col="8" row="23" value="-0.16666667"/>
<weight col="9" row="23" value="0.0"/>
<weight col="10" row="23" value="-0.083333336"/>
<weight col="11" row="23" value="0.083333336"/>
<weight col="12" row="23" value="-0.083333336"/>
<weight col="13" row="23" value="0.083333336"/>
<weight col="14" row="23" value="0.083333336"/>
<weight col="15" row="23" value="-0.25"/>
<weight col="16" row="23" value="-0.16666667"/>
<weight col="17" row="23" value="0.33333334"/>
<weight col="18" row="23" value="0.083333336"/>
<weight col="19" row="23" value="-0.25"/>
<weight col="20" row="23" value="0.33333334"/>
<weight col="21" row="23" value="0.0"/>
<weight col="22" row="23" value="-0.25"/>
<weight col="23" row="23" value="0.0"/>
</weights>
<biasVector>
<bias ix="0" value="0.0"/>
<bias ix="1" value="0.0"/>
<bias ix="2" value="0.0"/>
<bias ix="3" value="0.0"/>
<bias ix="4" value="0.0"/>
<bias ix="5" value="0.0"/>
<bias ix="6" value="0.0"/>
<bias ix="7" value="0.0"/>
<bias ix="8" value="0.0"/>
<bias ix="9" value="0.0"/>
<bias ix="10" value="0.0"/>
<bias ix="11" value="0.0"/>
<bias ix="12" value="0.0"/>
<bias ix="13" value="0.0"/>
<bias ix="14" value="0.0"/>
<bias ix="15" value="0.0"/>
<bias ix="16" value="0.0"/>
<bias ix="17" value="0.0"/>
<bias ix="18" value="0.0"/>
<bias ix="19" value="0.0"/>
<bias ix="20" value="0.0"/>
<bias ix="21" value="0.0"/>
<bias ix="22" value="0.0"/>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
433
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
<bias ix="23" value="0.0"/>
</biasVector>
<teacher class="com.jcortex.hopfield.DefaultHopfieldTeacher"/>
</neuralNetwork>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
434
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
Modelo de Mapas de Kohonen
Configuración de la Red y del Maestro:
Mapa de Kohonen,
con neuronas
hexagonales y
recogidas en un
plano. De 6 x 8
neuronas. La
función utilizada
para medir la
distancia entre los
ejemplos es la
Distancia Euclídea.
Esquema de la red entrenada:
Causas de parada del entrenamiento:
Razones de parada de los analizadores aglutinados:
{
....Detenido porque Ejemplos mal agrupados no decrecía suficientemente bien.
a[o] = 0.23584905; a[m] = 0.18867925; a[n] = 0.24528302
....Variación de Pesos (Media Abs.) no ha encontrado razones hasta ahora para detener
el entrenamiento.
}
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
435
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
Resultados de los estadísticos:
Se puede apreciar como el conjunto de datos no logra ser analizado de forma
satisfactoria mediante un Mapa de Kohonen. Se aprecia en la gráfica de ejemplos mal
agrupados como alrededor del 23% de los ejemplos del conjunto no logran ser
correctamente agrupados en una neurona pura, con otros ejemplos de su misma clase.
Este hecho se debe, en parte, a que cada ejemplo cuenta con un gran número de
atributos, de los cuales no se ha podido llegar a descartar ninguno por lo dispersa que
se encontraba la significancia. Además parece que la selección de la clase no es
connatural a la diferencia entre los valores: la “distancia natural” tomada entre los
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
436
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
elementos.
Un mayor número de neuronas se ha descartado ya que se produciría gran cantidad de
clusters sin elementos.
Archivo de ejemplos:
aPromoters.txt (ver…)
Nodo de configuración XML generado:
<neuralNetwork class="com.jcortex.kohonen.KohonenNeuralNetwork"
inputTranslator="com.jcortex.translators.TransparentInputTranslator"
neighbourhoodShape="1" neuronCount="48"
outputTranslator="com.jcortex.translators.TransparentOutputTranslator"
sensorCount="57">
<kmap class="com.jcortex.kohonen.SheetHexKMap" columns="8" rows="6"/>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="0"
neuronClass="0.0">
<entries>
<entry entry="-1" weight="0.49221614"/> <entry entry="-2"
weight="0.42555952"/> <entry entry="-3" weight="0.5604756"/> <entry entry="4" weight="0.42844892"/> <entry entry="-5" weight="0.646903"/> <entry
entry="-6" weight="0.37402648"/> <entry entry="-7" weight="0.30356243"/>
<entry entry="-8" weight="0.83151835"/> <entry entry="-9"
weight="0.38037467"/> <entry entry="-10" weight="0.36698085"/> <entry
entry="-11" weight="0.20062664"/> <entry entry="-12" weight="0.65873593"/>
<entry entry="-13" weight="0.57604414"/> <entry entry="-14"
weight="0.56447977"/> <entry entry="-15" weight="0.41138303"/> <entry
entry="-16" weight="0.47764182"/> <entry entry="-17" weight="0.57738936"/>
<entry entry="-18" weight="0.4037699"/> <entry entry="-19"
weight="0.5801815"/> <entry entry="-20" weight="0.18617734"/> <entry entry="21" weight="0.12312682"/> <entry entry="-22" weight="0.1790131"/> <entry
entry="-23" weight="0.256644"/> <entry entry="-24" weight="0.70168644"/>
<entry entry="-25" weight="0.6187581"/> <entry entry="-26"
weight="0.58854914"/> <entry entry="-27" weight="0.6541532"/> <entry entry="28" weight="0.35783687"/> <entry entry="-29" weight="0.9738312"/> <entry
entry="-30" weight="0.630539"/> <entry entry="-31" weight="0.49092004"/>
<entry entry="-32" weight="0.093761064"/> <entry entry="-33"
weight="0.6926569"/> <entry entry="-34" weight="0.71236134"/> <entry entry="35" weight="0.5313366"/> <entry entry="-36" weight="0.6958836"/> <entry
entry="-37" weight="0.87861866"/> <entry entry="-38" weight="0.8226808"/>
<entry entry="-39" weight="0.71353203"/> <entry entry="-40"
weight="0.7764238"/> <entry entry="-41" weight="0.84159046"/> <entry entry="42" weight="0.75658697"/> <entry entry="-43" weight="0.6502058"/> <entry
entry="-44" weight="0.29240748"/> <entry entry="-45" weight="0.800418"/>
<entry entry="-46" weight="0.540604"/> <entry entry="-47"
weight="0.29367352"/> <entry entry="-48" weight="0.296251"/> <entry entry="49" weight="0.30206388"/> <entry entry="-50" weight="0.5566186"/> <entry
entry="-51" weight="0.5103126"/> <entry entry="-52" weight="0.14604226"/>
<entry entry="-53" weight="0.53064483"/> <entry entry="-54"
weight="0.7987473"/> <entry entry="-55" weight="0.021274399"/> <entry
entry="-56" weight="0.3763117"/> <entry entry="-57" weight="0.47270948"/>
</entries>
<examplesInClasses>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
437
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
<examplesClassCount class="1.0" count="3"/> <examplesClassCount class="0.0"
count="4"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="1"
neuronClass="null">
<entries>
<entry entry="-1" weight="0.35465908"/> <entry entry="-2"
weight="0.45872912"/> <entry entry="-3" weight="0.4789079"/> <entry entry="4" weight="0.37331223"/> <entry entry="-5" weight="0.7180119"/> <entry
entry="-6" weight="0.43618664"/> <entry entry="-7" weight="0.32211617"/>
<entry entry="-8" weight="0.7534155"/> <entry entry="-9"
weight="0.47369656"/> <entry entry="-10" weight="0.44270146"/> <entry
entry="-11" weight="0.198977"/> <entry entry="-12" weight="0.6529839"/>
<entry entry="-13" weight="0.67099005"/> <entry entry="-14"
weight="0.59094185"/> <entry entry="-15" weight="0.34194726"/> <entry
entry="-16" weight="0.5239393"/> <entry entry="-17" weight="0.6689506"/>
<entry entry="-18" weight="0.45672053"/> <entry entry="-19"
weight="0.44730908"/> <entry entry="-20" weight="0.18386665"/> <entry
entry="-21" weight="0.22167242"/> <entry entry="-22" weight="0.14615107"/>
<entry entry="-23" weight="0.30389583"/> <entry entry="-24"
weight="0.72787124"/> <entry entry="-25" weight="0.6487001"/> <entry entry="26" weight="0.5696288"/> <entry entry="-27" weight="0.68683285"/> <entry
entry="-28" weight="0.28516817"/> <entry entry="-29" weight="0.8954435"/>
<entry entry="-30" weight="0.5624428"/> <entry entry="-31"
weight="0.45689937"/> <entry entry="-32" weight="0.15768439"/> <entry
entry="-33" weight="0.7361756"/> <entry entry="-34" weight="0.65673715"/>
<entry entry="-35" weight="0.5345044"/> <entry entry="-36"
weight="0.60786706"/> <entry entry="-37" weight="0.9054916"/> <entry entry="38" weight="0.7365634"/> <entry entry="-39" weight="0.6486838"/> <entry
entry="-40" weight="0.87646"/> <entry entry="-41" weight="0.7322775"/> <entry
entry="-42" weight="0.63953745"/> <entry entry="-43" weight="0.74549985"/>
<entry entry="-44" weight="0.31188217"/> <entry entry="-45"
weight="0.72438186"/> <entry entry="-46" weight="0.5623425"/> <entry entry="47" weight="0.23093364"/> <entry entry="-48" weight="0.22405972"/> <entry
entry="-49" weight="0.34166786"/> <entry entry="-50" weight="0.67516565"/>
<entry entry="-51" weight="0.556191"/> <entry entry="-52"
weight="0.19625047"/> <entry entry="-53" weight="0.44313887"/> <entry
entry="-54" weight="0.7845372"/> <entry entry="-55" weight="0.04043218"/>
<entry entry="-56" weight="0.31414008"/> <entry entry="-57"
weight="0.35504606"/>
</entries>
<examplesInClasses/>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="2"
neuronClass="0.0">
<entries>
<entry entry="-1" weight="0.39951828"/> <entry entry="-2"
weight="0.45626068"/> <entry entry="-3" weight="0.47267503"/> <entry entry="4" weight="0.36665905"/> <entry entry="-5" weight="0.6811618"/> <entry
entry="-6" weight="0.49153075"/> <entry entry="-7" weight="0.36066425"/>
<entry entry="-8" weight="0.7478222"/> <entry entry="-9" weight="0.4696888"/>
<entry entry="-10" weight="0.4706001"/> <entry entry="-11"
weight="0.2142697"/> <entry entry="-12" weight="0.6332015"/> <entry entry="13" weight="0.7382133"/> <entry entry="-14" weight="0.54939884"/> <entry
entry="-15" weight="0.332459"/> <entry entry="-16" weight="0.5469177"/>
<entry entry="-17" weight="0.7030398"/> <entry entry="-18"
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
438
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
weight="0.44244906"/> <entry entry="-19" weight="0.4293024"/> <entry entry="20" weight="0.15679953"/> <entry entry="-21" weight="0.27165252"/> <entry
entry="-22" weight="0.18024749"/> <entry entry="-23" weight="0.3234964"/>
<entry entry="-24" weight="0.7131204"/> <entry entry="-25"
weight="0.6704207"/> <entry entry="-26" weight="0.5284261"/> <entry entry="27" weight="0.68445647"/> <entry entry="-28" weight="0.25568488"/> <entry
entry="-29" weight="0.8744471"/> <entry entry="-30" weight="0.5905634"/>
<entry entry="-31" weight="0.42207992"/> <entry entry="-32"
weight="0.115661435"/> <entry entry="-33" weight="0.7926881"/> <entry
entry="-34" weight="0.6071801"/> <entry entry="-35" weight="0.48130053"/>
<entry entry="-36" weight="0.6302914"/> <entry entry="-37"
weight="0.874953"/> <entry entry="-38" weight="0.7165415"/> <entry entry="39" weight="0.6992448"/> <entry entry="-40" weight="0.9368913"/> <entry
entry="-41" weight="0.7493421"/> <entry entry="-42" weight="0.6644"/> <entry
entry="-43" weight="0.811373"/> <entry entry="-44" weight="0.30019608"/>
<entry entry="-45" weight="0.80231875"/> <entry entry="-46"
weight="0.52497554"/> <entry entry="-47" weight="0.18966426"/> <entry
entry="-48" weight="0.23669672"/> <entry entry="-49" weight="0.4080788"/>
<entry entry="-50" weight="0.70361197"/> <entry entry="-51"
weight="0.58877623"/> <entry entry="-52" weight="0.1782003"/> <entry entry="53" weight="0.5133717"/> <entry entry="-54" weight="0.8263915"/> <entry
entry="-55" weight="0.06980166"/> <entry entry="-56" weight="0.30643508"/>
<entry entry="-57" weight="0.39334062"/>
</entries>
<examplesInClasses>
<examplesClassCount class="1.0" count="1"/> <examplesClassCount class="0.0"
count="2"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="3"
neuronClass="0.0">
<entries>
<entry entry="-1" weight="0.31982797"/> <entry entry="-2"
weight="0.1455884"/> <entry entry="-3" weight="0.5547928"/> <entry entry="-4"
weight="0.2005755"/> <entry entry="-5" weight="0.52805436"/> <entry entry="6" weight="0.5175274"/> <entry entry="-7" weight="0.30419517"/> <entry
entry="-8" weight="0.55049926"/> <entry entry="-9" weight="0.57384205"/>
<entry entry="-10" weight="0.7184476"/> <entry entry="-11"
weight="0.3646818"/> <entry entry="-12" weight="0.41691163"/> <entry entry="13" weight="0.64328474"/> <entry entry="-14" weight="0.54678196"/> <entry
entry="-15" weight="0.36197942"/> <entry entry="-16" weight="0.68159413"/>
<entry entry="-17" weight="0.48394963"/> <entry entry="-18"
weight="0.54044783"/> <entry entry="-19" weight="0.1050296"/> <entry entry="20" weight="0.35427013"/> <entry entry="-21" weight="0.3845269"/> <entry
entry="-22" weight="0.28060004"/> <entry entry="-23" weight="0.28099665"/>
<entry entry="-24" weight="0.71931595"/> <entry entry="-25"
weight="0.64965796"/> <entry entry="-26" weight="0.55019313"/> <entry
entry="-27" weight="0.48257187"/> <entry entry="-28" weight="0.27877343"/>
<entry entry="-29" weight="0.79459286"/> <entry entry="-30"
weight="0.2895898"/> <entry entry="-31" weight="0.31969368"/> <entry entry="32" weight="0.2652351"/> <entry entry="-33" weight="0.76404494"/> <entry
entry="-34" weight="0.65840316"/> <entry entry="-35" weight="0.41055852"/>
<entry entry="-36" weight="0.62033427"/> <entry entry="-37"
weight="0.86557937"/> <entry entry="-38" weight="0.5619223"/> <entry entry="39" weight="0.41614917"/> <entry entry="-40" weight="0.77181554"/> <entry
entry="-41" weight="0.5491008"/> <entry entry="-42" weight="0.4143539"/>
<entry entry="-43" weight="0.75053716"/> <entry entry="-44"
weight="0.2883105"/> <entry entry="-45" weight="0.525621"/> <entry entry="-
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
439
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
46" weight="0.5100949"/> <entry entry="-47" weight="0.40827358"/> <entry
entry="-48" weight="0.40905145"/> <entry entry="-49" weight="0.5403618"/>
<entry entry="-50" weight="0.70895654"/> <entry entry="-51"
weight="0.45602313"/> <entry entry="-52" weight="0.37377882"/> <entry
entry="-53" weight="0.2847839"/> <entry entry="-54" weight="0.8514939"/>
<entry entry="-55" weight="0.07789549"/> <entry entry="-56"
weight="0.49509108"/> <entry entry="-57" weight="0.35409176"/>
</entries>
<examplesInClasses>
<examplesClassCount class="1.0" count="1"/> <examplesClassCount class="0.0"
count="2"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="4"
neuronClass="1.0">
<entries>
<entry entry="-1" weight="0.47857177"/> <entry entry="-2"
weight="0.1324099"/> <entry entry="-3" weight="0.693247"/> <entry entry="-4"
weight="0.48441485"/> <entry entry="-5" weight="0.25301957"/> <entry entry="6" weight="0.49631277"/> <entry entry="-7" weight="0.4548292"/> <entry
entry="-8" weight="0.42352638"/> <entry entry="-9" weight="0.2994064"/>
<entry entry="-10" weight="0.29651666"/> <entry entry="-11"
weight="0.38458186"/> <entry entry="-12" weight="0.70486313"/> <entry
entry="-13" weight="0.38948232"/> <entry entry="-14" weight="0.70050305"/>
<entry entry="-15" weight="0.6424996"/> <entry entry="-16"
weight="0.42240393"/> <entry entry="-17" weight="0.33290714"/> <entry
entry="-18" weight="0.26374725"/> <entry entry="-19" weight="0.49456283"/>
<entry entry="-20" weight="0.33435246"/> <entry entry="-21"
weight="0.38158536"/> <entry entry="-22" weight="0.5458811"/> <entry entry="23" weight="0.17974861"/> <entry entry="-24" weight="0.47287747"/> <entry
entry="-25" weight="0.3686818"/> <entry entry="-26" weight="0.5712999"/>
<entry entry="-27" weight="0.45038664"/> <entry entry="-28"
weight="0.6914266"/> <entry entry="-29" weight="0.7837686"/> <entry entry="30" weight="0.6821626"/> <entry entry="-31" weight="0.6131736"/> <entry
entry="-32" weight="0.25411022"/> <entry entry="-33" weight="0.4971209"/>
<entry entry="-34" weight="0.79530764"/> <entry entry="-35"
weight="0.429061"/> <entry entry="-36" weight="0.58835006"/> <entry entry="37" weight="0.74052596"/> <entry entry="-38" weight="0.44913143"/> <entry
entry="-39" weight="0.6861573"/> <entry entry="-40" weight="0.36820036"/>
<entry entry="-41" weight="0.5567043"/> <entry entry="-42"
weight="0.560668"/> <entry entry="-43" weight="0.37069115"/> <entry entry="44" weight="0.43041736"/> <entry entry="-45" weight="0.661705"/> <entry
entry="-46" weight="0.76276785"/> <entry entry="-47" weight="0.6868418"/>
<entry entry="-48" weight="0.4173379"/> <entry entry="-49"
weight="0.17301789"/> <entry entry="-50" weight="0.44644266"/> <entry
entry="-51" weight="0.47257137"/> <entry entry="-52" weight="0.24198036"/>
<entry entry="-53" weight="0.5437949"/> <entry entry="-54"
weight="0.8516322"/> <entry entry="-55" weight="0.09668637"/> <entry entry="56" weight="0.7728646"/> <entry entry="-57" weight="0.50004625"/>
</entries>
<examplesInClasses>
<examplesClassCount class="1.0" count="2"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="5"
neuronClass="0.0">
<entries>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
440
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
<entry entry="-1" weight="0.5352625"/> <entry entry="-2"
weight="0.31110328"/> <entry entry="-3" weight="0.7394371"/> <entry entry="4" weight="0.51975846"/> <entry entry="-5" weight="0.36864203"/> <entry
entry="-6" weight="0.30601662"/> <entry entry="-7" weight="0.2762812"/>
<entry entry="-8" weight="0.44860804"/> <entry entry="-9"
weight="0.34535462"/> <entry entry="-10" weight="0.24894463"/> <entry
entry="-11" weight="0.38972506"/> <entry entry="-12" weight="0.63902265"/>
<entry entry="-13" weight="0.26085728"/> <entry entry="-14"
weight="0.6487766"/> <entry entry="-15" weight="0.7447883"/> <entry entry="16" weight="0.43070015"/> <entry entry="-17" weight="0.18817489"/> <entry
entry="-18" weight="0.31242275"/> <entry entry="-19" weight="0.596017"/>
<entry entry="-20" weight="0.5081291"/> <entry entry="-21"
weight="0.234093"/> <entry entry="-22" weight="0.52966857"/> <entry entry="23" weight="0.2859169"/> <entry entry="-24" weight="0.38394648"/> <entry
entry="-25" weight="0.27154502"/> <entry entry="-26" weight="0.8012119"/>
<entry entry="-27" weight="0.2943329"/> <entry entry="-28"
weight="0.72936493"/> <entry entry="-29" weight="0.6979279"/> <entry entry="30" weight="0.7419088"/> <entry entry="-31" weight="0.61652845"/> <entry
entry="-32" weight="0.46838608"/> <entry entry="-33" weight="0.24337071"/>
<entry entry="-34" weight="0.82044464"/> <entry entry="-35"
weight="0.5796553"/> <entry entry="-36" weight="0.71357226"/> <entry entry="37" weight="0.83310366"/> <entry entry="-38" weight="0.5125545"/> <entry
entry="-39" weight="0.51485777"/> <entry entry="-40" weight="0.12168399"/>
<entry entry="-41" weight="0.7037415"/> <entry entry="-42"
weight="0.6213326"/> <entry entry="-43" weight="0.11669605"/> <entry entry="44" weight="0.4780789"/> <entry entry="-45" weight="0.6758096"/> <entry
entry="-46" weight="0.7383983"/> <entry entry="-47" weight="0.87860477"/>
<entry entry="-48" weight="0.4606642"/> <entry entry="-49"
weight="0.2317192"/> <entry entry="-50" weight="0.3508876"/> <entry entry="51" weight="0.3492964"/> <entry entry="-52" weight="0.48519427"/> <entry
entry="-53" weight="0.5530391"/> <entry entry="-54" weight="0.69291055"/>
<entry entry="-55" weight="0.19439563"/> <entry entry="-56"
weight="0.8202158"/> <entry entry="-57" weight="0.5223155"/>
</entries>
<examplesInClasses>
<examplesClassCount class="0.0" count="2"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="6"
neuronClass="0.0">
<entries>
<entry entry="-1" weight="0.3730325"/> <entry entry="-2"
weight="0.45000178"/> <entry entry="-3" weight="0.4837341"/> <entry entry="4" weight="0.37699425"/> <entry entry="-5" weight="0.72189486"/> <entry
entry="-6" weight="0.4327911"/> <entry entry="-7" weight="0.3313594"/> <entry
entry="-8" weight="0.7740556"/> <entry entry="-9" weight="0.45294777"/>
<entry entry="-10" weight="0.44473386"/> <entry entry="-11"
weight="0.19159336"/> <entry entry="-12" weight="0.6630855"/> <entry entry="13" weight="0.6683285"/> <entry entry="-14" weight="0.61947495"/> <entry
entry="-15" weight="0.3487469"/> <entry entry="-16" weight="0.50736564"/>
<entry entry="-17" weight="0.64639175"/> <entry entry="-18"
weight="0.4534204"/> <entry entry="-19" weight="0.45016584"/> <entry entry="20" weight="0.18582162"/> <entry entry="-21" weight="0.2180871"/> <entry
entry="-22" weight="0.13574447"/> <entry entry="-23" weight="0.3194044"/>
<entry entry="-24" weight="0.7415368"/> <entry entry="-25"
weight="0.6597027"/> <entry entry="-26" weight="0.55547315"/> <entry entry="27" weight="0.6958301"/> <entry entry="-28" weight="0.28925902"/> <entry
entry="-29" weight="0.8895189"/> <entry entry="-30" weight="0.5418955"/>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
441
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
<entry entry="-31" weight="0.4619118"/> <entry entry="-32"
weight="0.14856559"/> <entry entry="-33" weight="0.7353481"/> <entry entry="34" weight="0.66844845"/> <entry entry="-35" weight="0.5367346"/> <entry
entry="-36" weight="0.5918486"/> <entry entry="-37" weight="0.8931445"/>
<entry entry="-38" weight="0.74005544"/> <entry entry="-39"
weight="0.660032"/> <entry entry="-40" weight="0.8772229"/> <entry entry="41" weight="0.75198865"/> <entry entry="-42" weight="0.6417098"/> <entry
entry="-43" weight="0.75158507"/> <entry entry="-44" weight="0.3025652"/>
<entry entry="-45" weight="0.72219396"/> <entry entry="-46"
weight="0.5454778"/> <entry entry="-47" weight="0.24441306"/> <entry entry="48" weight="0.2174714"/> <entry entry="-49" weight="0.34096122"/> <entry
entry="-50" weight="0.66303355"/> <entry entry="-51" weight="0.57192"/>
<entry entry="-52" weight="0.18432593"/> <entry entry="-53"
weight="0.42845815"/> <entry entry="-54" weight="0.7797404"/> <entry entry="55" weight="0.031199513"/> <entry entry="-56" weight="0.31531996"/> <entry
entry="-57" weight="0.37525418"/>
</entries>
<examplesInClasses>
<examplesClassCount class="0.0" count="1"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="7"
neuronClass="1.0">
<entries>
<entry entry="-1" weight="0.65045345"/> <entry entry="-2"
weight="0.27044204"/> <entry entry="-3" weight="0.28687435"/> <entry entry="4" weight="0.35217994"/> <entry entry="-5" weight="0.4135851"/> <entry
entry="-6" weight="0.70238686"/> <entry entry="-7" weight="0.614542"/> <entry
entry="-8" weight="0.46586916"/> <entry entry="-9" weight="0.2719544"/>
<entry entry="-10" weight="0.68685865"/> <entry entry="-11"
weight="0.12618443"/> <entry entry="-12" weight="0.38096023"/> <entry
entry="-13" weight="0.4408111"/> <entry entry="-14" weight="0.74658155"/>
<entry entry="-15" weight="0.20724155"/> <entry entry="-16"
weight="0.31759012"/> <entry entry="-17" weight="0.6727879"/> <entry entry="18" weight="0.5247361"/> <entry entry="-19" weight="0.25795817"/> <entry
entry="-20" weight="0.36578363"/> <entry entry="-21" weight="0.42448613"/>
<entry entry="-22" weight="0.23257619"/> <entry entry="-23"
weight="0.599388"/> <entry entry="-24" weight="0.56854916"/> <entry entry="25" weight="0.81203425"/> <entry entry="-26" weight="0.3039204"/> <entry
entry="-27" weight="0.42221314"/> <entry entry="-28" weight="0.5567306"/>
<entry entry="-29" weight="0.77919966"/> <entry entry="-30"
weight="0.6053847"/> <entry entry="-31" weight="0.38481086"/> <entry entry="32" weight="0.070147194"/> <entry entry="-33" weight="0.6086406"/> <entry
entry="-34" weight="0.77233595"/> <entry entry="-35" weight="0.4255682"/>
<entry entry="-36" weight="0.3739069"/> <entry entry="-37"
weight="0.91370064"/> <entry entry="-38" weight="0.8243662"/> <entry entry="39" weight="0.42566913"/> <entry entry="-40" weight="0.83131784"/> <entry
entry="-41" weight="0.59197557"/> <entry entry="-42" weight="0.53231496"/>
<entry entry="-43" weight="0.48070806"/> <entry entry="-44"
weight="0.17645651"/> <entry entry="-45" weight="0.8798241"/> <entry entry="46" weight="0.4390755"/> <entry entry="-47" weight="0.123005144"/> <entry
entry="-48" weight="0.13414617"/> <entry entry="-49" weight="0.6379539"/>
<entry entry="-50" weight="0.5474654"/> <entry entry="-51"
weight="0.3578719"/> <entry entry="-52" weight="0.096595176"/> <entry
entry="-53" weight="0.5593533"/> <entry entry="-54" weight="0.4990533"/>
<entry entry="-55" weight="0.03167846"/> <entry entry="-56"
weight="0.32392734"/> <entry entry="-57" weight="0.6474187"/>
</entries>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
442
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
<examplesInClasses>
<examplesClassCount class="1.0" count="2"/> <examplesClassCount class="0.0"
count="1"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="8"
neuronClass="1.0">
<entries>
<entry entry="-1" weight="0.6711149"/> <entry entry="-2"
weight="0.13217193"/> <entry entry="-3" weight="0.30311817"/> <entry entry="4" weight="0.3333754"/> <entry entry="-5" weight="0.23788919"/> <entry
entry="-6" weight="0.7543818"/> <entry entry="-7" weight="0.63576895"/>
<entry entry="-8" weight="0.30693978"/> <entry entry="-9"
weight="0.32485148"/> <entry entry="-10" weight="0.9243849"/> <entry entry="11" weight="0.30618286"/> <entry entry="-12" weight="0.27855894"/> <entry
entry="-13" weight="0.38526273"/> <entry entry="-14" weight="0.7589376"/>
<entry entry="-15" weight="0.30710626"/> <entry entry="-16"
weight="0.4409641"/> <entry entry="-17" weight="0.6170359"/> <entry entry="18" weight="0.6503862"/> <entry entry="-19" weight="0.11858011"/> <entry
entry="-20" weight="0.39484543"/> <entry entry="-21" weight="0.5845042"/>
<entry entry="-22" weight="0.38193423"/> <entry entry="-23"
weight="0.690436"/> <entry entry="-24" weight="0.6323353"/> <entry entry="25" weight="0.7843242"/> <entry entry="-26" weight="0.27339703"/> <entry
entry="-27" weight="0.2032395"/> <entry entry="-28" weight="0.6310811"/>
<entry entry="-29" weight="0.7283938"/> <entry entry="-30"
weight="0.42748463"/> <entry entry="-31" weight="0.3195737"/> <entry entry="32" weight="0.16022937"/> <entry entry="-33" weight="0.6866232"/> <entry
entry="-34" weight="0.75932795"/> <entry entry="-35" weight="0.4382176"/>
<entry entry="-36" weight="0.45154515"/> <entry entry="-37"
weight="0.92685395"/> <entry entry="-38" weight="0.82641697"/> <entry
entry="-39" weight="0.30500257"/> <entry entry="-40" weight="0.72955614"/>
<entry entry="-41" weight="0.53204095"/> <entry entry="-42"
weight="0.40421957"/> <entry entry="-43" weight="0.41884917"/> <entry
entry="-44" weight="0.09270316"/> <entry entry="-45" weight="0.84957105"/>
<entry entry="-46" weight="0.38365522"/> <entry entry="-47"
weight="0.29609126"/> <entry entry="-48" weight="0.36190665"/> <entry
entry="-49" weight="0.7407195"/> <entry entry="-50" weight="0.46289125"/>
<entry entry="-51" weight="0.37220383"/> <entry entry="-52"
weight="0.18120539"/> <entry entry="-53" weight="0.53118026"/> <entry
entry="-54" weight="0.48194352"/> <entry entry="-55" weight="0.18904115"/>
<entry entry="-56" weight="0.4916676"/> <entry entry="-57"
weight="0.77231544"/>
</entries>
<examplesInClasses>
<examplesClassCount class="1.0" count="2"/> <examplesClassCount class="0.0"
count="2"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="9"
neuronClass="null">
<entries>
<entry entry="-1" weight="0.7476748"/> <entry entry="-2"
weight="0.08694561"/> <entry entry="-3" weight="0.39226612"/> <entry entry="4" weight="0.35732165"/> <entry entry="-5" weight="0.21395877"/> <entry
entry="-6" weight="0.665963"/> <entry entry="-7" weight="0.57241184"/> <entry
entry="-8" weight="0.3678345"/> <entry entry="-9" weight="0.25413722"/>
<entry entry="-10" weight="0.7945488"/> <entry entry="-11" weight="0.26474"/>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
443
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
<entry entry="-12" weight="0.2758323"/> <entry entry="-13"
weight="0.2727085"/> <entry entry="-14" weight="0.75738215"/> <entry entry="15" weight="0.36115098"/> <entry entry="-16" weight="0.40663382"/> <entry
entry="-17" weight="0.5012547"/> <entry entry="-18" weight="0.56292355"/>
<entry entry="-19" weight="0.22525533"/> <entry entry="-20"
weight="0.43468705"/> <entry entry="-21" weight="0.4345541"/> <entry entry="22" weight="0.37396774"/> <entry entry="-23" weight="0.6007023"/> <entry
entry="-24" weight="0.5794548"/> <entry entry="-25" weight="0.76759934"/>
<entry entry="-26" weight="0.34626696"/> <entry entry="-27"
weight="0.19613935"/> <entry entry="-28" weight="0.6948836"/> <entry entry="29" weight="0.7842662"/> <entry entry="-30" weight="0.49515182"/> <entry
entry="-31" weight="0.35965112"/> <entry entry="-32" weight="0.11093835"/>
<entry entry="-33" weight="0.5806552"/> <entry entry="-34"
weight="0.84399444"/> <entry entry="-35" weight="0.40945184"/> <entry
entry="-36" weight="0.5091549"/> <entry entry="-37" weight="0.9211757"/>
<entry entry="-38" weight="0.86094147"/> <entry entry="-39"
weight="0.3397054"/> <entry entry="-40" weight="0.6115648"/> <entry entry="41" weight="0.60425425"/> <entry entry="-42" weight="0.4973562"/> <entry
entry="-43" weight="0.32040992"/> <entry entry="-44" weight="0.11020539"/>
<entry entry="-45" weight="0.84522057"/> <entry entry="-46"
weight="0.38927975"/> <entry entry="-47" weight="0.37298876"/> <entry
entry="-48" weight="0.37529272"/> <entry entry="-49" weight="0.6733208"/>
<entry entry="-50" weight="0.38337147"/> <entry entry="-51"
weight="0.28949946"/> <entry entry="-52" weight="0.15879497"/> <entry
entry="-53" weight="0.5750031"/> <entry entry="-54" weight="0.5087272"/>
<entry entry="-55" weight="0.10956643"/> <entry entry="-56"
weight="0.5230465"/> <entry entry="-57" weight="0.8130924"/>
</entries>
<examplesInClasses/>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="10"
neuronClass="0.0">
<entries>
<entry entry="-1" weight="0.6740594"/> <entry entry="-2"
weight="0.33413345"/> <entry entry="-3" weight="0.64834"/> <entry entry="-4"
weight="0.5832648"/> <entry entry="-5" weight="0.19975841"/> <entry entry="6" weight="0.46694452"/> <entry entry="-7" weight="0.43366092"/> <entry
entry="-8" weight="0.40657198"/> <entry entry="-9" weight="0.36270273"/>
<entry entry="-10" weight="0.47393367"/> <entry entry="-11"
weight="0.5183089"/> <entry entry="-12" weight="0.67099553"/> <entry entry="13" weight="0.26572526"/> <entry entry="-14" weight="0.67864686"/> <entry
entry="-15" weight="0.9333759"/> <entry entry="-16" weight="0.41794798"/>
<entry entry="-17" weight="0.38872972"/> <entry entry="-18"
weight="0.38909706"/> <entry entry="-19" weight="0.66779006"/> <entry
entry="-20" weight="0.39638028"/> <entry entry="-21" weight="0.3770911"/>
<entry entry="-22" weight="0.57597995"/> <entry entry="-23"
weight="0.43612617"/> <entry entry="-24" weight="0.5312053"/> <entry entry="25" weight="0.40341836"/> <entry entry="-26" weight="0.67113435"/> <entry
entry="-27" weight="0.17602906"/> <entry entry="-28" weight="0.9179091"/>
<entry entry="-29" weight="0.78087974"/> <entry entry="-30"
weight="0.64348525"/> <entry entry="-31" weight="0.54114836"/> <entry
entry="-32" weight="0.40268844"/> <entry entry="-33" weight="0.53660953"/>
<entry entry="-34" weight="0.84231377"/> <entry entry="-35"
weight="0.6007485"/> <entry entry="-36" weight="0.7918919"/> <entry entry="37" weight="0.7822946"/> <entry entry="-38" weight="0.56887376"/> <entry
entry="-39" weight="0.7257467"/> <entry entry="-40" weight="0.30158746"/>
<entry entry="-41" weight="0.78902555"/> <entry entry="-42"
weight="0.57648194"/> <entry entry="-43" weight="0.17291743"/> <entry
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
444
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
entry="-44" weight="0.26169783"/> <entry entry="-45" weight="0.89602727"/>
<entry entry="-46" weight="0.5729004"/> <entry entry="-47"
weight="0.9092334"/> <entry entry="-48" weight="0.69845"/> <entry entry="-49"
weight="0.145417"/> <entry entry="-50" weight="0.26171288"/> <entry entry="51" weight="0.5364832"/> <entry entry="-52" weight="0.21995302"/> <entry
entry="-53" weight="0.7351616"/> <entry entry="-54" weight="0.6034008"/>
<entry entry="-55" weight="0.40093482"/> <entry entry="-56"
weight="0.9158098"/> <entry entry="-57" weight="0.7533376"/>
</entries>
<examplesInClasses>
<examplesClassCount class="0.0" count="1"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="11"
neuronClass="0.0">
<entries>
<entry entry="-1" weight="0.74924624"/> <entry entry="-2"
weight="0.24855395"/> <entry entry="-3" weight="0.71437794"/> <entry entry="4" weight="0.44009966"/> <entry entry="-5" weight="0.25319147"/> <entry
entry="-6" weight="0.3118436"/> <entry entry="-7" weight="0.40269005"/>
<entry entry="-8" weight="0.6011416"/> <entry entry="-9"
weight="0.36686146"/> <entry entry="-10" weight="0.34617004"/> <entry
entry="-11" weight="0.41823596"/> <entry entry="-12" weight="0.591143"/>
<entry entry="-13" weight="0.30724508"/> <entry entry="-14"
weight="0.56254417"/> <entry entry="-15" weight="0.8546159"/> <entry entry="16" weight="0.29093018"/> <entry entry="-17" weight="0.20195657"/> <entry
entry="-18" weight="0.2754004"/> <entry entry="-19" weight="0.6188535"/>
<entry entry="-20" weight="0.5689237"/> <entry entry="-21"
weight="0.21009426"/> <entry entry="-22" weight="0.41164476"/> <entry
entry="-23" weight="0.35204282"/> <entry entry="-24" weight="0.4330601"/>
<entry entry="-25" weight="0.36288387"/> <entry entry="-26"
weight="0.8128796"/> <entry entry="-27" weight="0.22021556"/> <entry entry="28" weight="0.8801797"/> <entry entry="-29" weight="0.87043333"/> <entry
entry="-30" weight="0.6582846"/> <entry entry="-31" weight="0.55078685"/>
<entry entry="-32" weight="0.3788155"/> <entry entry="-33"
weight="0.37657967"/> <entry entry="-34" weight="0.91393787"/> <entry
entry="-35" weight="0.54940325"/> <entry entry="-36" weight="0.5823771"/>
<entry entry="-37" weight="0.7184359"/> <entry entry="-38"
weight="0.50512934"/> <entry entry="-39" weight="0.70920366"/> <entry
entry="-40" weight="0.30152538"/> <entry entry="-41" weight="0.85229164"/>
<entry entry="-42" weight="0.56056935"/> <entry entry="-43"
weight="0.28698438"/> <entry entry="-44" weight="0.34246024"/> <entry
entry="-45" weight="0.82025313"/> <entry entry="-46" weight="0.50913393"/>
<entry entry="-47" weight="0.83070487"/> <entry entry="-48"
weight="0.651222"/> <entry entry="-49" weight="0.25638908"/> <entry entry="50" weight="0.4005928"/> <entry entry="-51" weight="0.38203007"/> <entry
entry="-52" weight="0.25170362"/> <entry entry="-53" weight="0.60336876"/>
<entry entry="-54" weight="0.5550172"/> <entry entry="-55"
weight="0.2445909"/> <entry entry="-56" weight="0.8542425"/> <entry entry="57" weight="0.6350972"/>
</entries>
<examplesInClasses>
<examplesClassCount class="0.0" count="1"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="12"
neuronClass="0.0">
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
445
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
<entries>
<entry entry="-1" weight="0.5915879"/> <entry entry="-2"
weight="0.48731646"/> <entry entry="-3" weight="0.55646706"/> <entry entry="4" weight="0.40673047"/> <entry entry="-5" weight="0.68459094"/> <entry
entry="-6" weight="0.36252457"/> <entry entry="-7" weight="0.27360612"/>
<entry entry="-8" weight="0.87504584"/> <entry entry="-9"
weight="0.4520819"/> <entry entry="-10" weight="0.4062805"/> <entry entry="11" weight="0.20052007"/> <entry entry="-12" weight="0.6074952"/> <entry
entry="-13" weight="0.53885484"/> <entry entry="-14" weight="0.51992446"/>
<entry entry="-15" weight="0.4970743"/> <entry entry="-16"
weight="0.45360544"/> <entry entry="-17" weight="0.5459"/> <entry entry="-18"
weight="0.38589752"/> <entry entry="-19" weight="0.6213362"/> <entry entry="20" weight="0.27916926"/> <entry entry="-21" weight="0.060963456"/> <entry
entry="-22" weight="0.10896244"/> <entry entry="-23" weight="0.32699788"/>
<entry entry="-24" weight="0.6716241"/> <entry entry="-25"
weight="0.64815205"/> <entry entry="-26" weight="0.6629099"/> <entry entry="27" weight="0.57874554"/> <entry entry="-28" weight="0.42051372"/> <entry
entry="-29" weight="0.9585512"/> <entry entry="-30" weight="0.62314475"/>
<entry entry="-31" weight="0.42891693"/> <entry entry="-32"
weight="0.15671559"/> <entry entry="-33" weight="0.63794196"/> <entry
entry="-34" weight="0.75570375"/> <entry entry="-35" weight="0.54741424"/>
<entry entry="-36" weight="0.71495646"/> <entry entry="-37"
weight="0.8871094"/> <entry entry="-38" weight="0.7789102"/> <entry entry="39" weight="0.7113825"/> <entry entry="-40" weight="0.7718964"/> <entry
entry="-41" weight="0.9398449"/> <entry entry="-42" weight="0.76864475"/>
<entry entry="-43" weight="0.604589"/> <entry entry="-44"
weight="0.24322847"/> <entry entry="-45" weight="0.8587304"/> <entry entry="46" weight="0.4581921"/> <entry entry="-47" weight="0.37508062"/> <entry
entry="-48" weight="0.3530795"/> <entry entry="-49" weight="0.32257974"/>
<entry entry="-50" weight="0.55443776"/> <entry entry="-51"
weight="0.48917922"/> <entry entry="-52" weight="0.13857025"/> <entry
entry="-53" weight="0.57867664"/> <entry entry="-54" weight="0.7271591"/>
<entry entry="-55" weight="0.08389531"/> <entry entry="-56"
weight="0.40878257"/> <entry entry="-57" weight="0.52047825"/>
</entries>
<examplesInClasses>
<examplesClassCount class="0.0" count="4"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="13"
neuronClass="0.0">
<entries>
<entry entry="-1" weight="0.6270153"/> <entry entry="-2"
weight="0.26507032"/> <entry entry="-3" weight="0.2931093"/> <entry entry="4" weight="0.36461502"/> <entry entry="-5" weight="0.43498105"/> <entry
entry="-6" weight="0.66168314"/> <entry entry="-7" weight="0.5980439"/>
<entry entry="-8" weight="0.46915862"/> <entry entry="-9"
weight="0.2821927"/> <entry entry="-10" weight="0.6661231"/> <entry entry="11" weight="0.11460001"/> <entry entry="-12" weight="0.40073246"/> <entry
entry="-13" weight="0.39605245"/> <entry entry="-14" weight="0.76377976"/>
<entry entry="-15" weight="0.20480503"/> <entry entry="-16"
weight="0.31012827"/> <entry entry="-17" weight="0.65399927"/> <entry
entry="-18" weight="0.5309178"/> <entry entry="-19" weight="0.27617496"/>
<entry entry="-20" weight="0.3750461"/> <entry entry="-21"
weight="0.39033228"/> <entry entry="-22" weight="0.20761037"/> <entry
entry="-23" weight="0.58931506"/> <entry entry="-24" weight="0.58061117"/>
<entry entry="-25" weight="0.79267573"/> <entry entry="-26"
weight="0.33012408"/> <entry entry="-27" weight="0.4120209"/> <entry entry="-
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
446
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
28" weight="0.5767143"/> <entry entry="-29" weight="0.80095136"/> <entry
entry="-30" weight="0.5902237"/> <entry entry="-31" weight="0.4132612"/>
<entry entry="-32" weight="0.090849355"/> <entry entry="-33"
weight="0.5694683"/> <entry entry="-34" weight="0.8031853"/> <entry entry="35" weight="0.4470556"/> <entry entry="-36" weight="0.35288107"/> <entry
entry="-37" weight="0.9392649"/> <entry entry="-38" weight="0.84563124"/>
<entry entry="-39" weight="0.3942761"/> <entry entry="-40"
weight="0.7928095"/> <entry entry="-41" weight="0.57485723"/> <entry entry="42" weight="0.5182501"/> <entry entry="-43" weight="0.4460796"/> <entry
entry="-44" weight="0.18021925"/> <entry entry="-45" weight="0.83654934"/>
<entry entry="-46" weight="0.46728644"/> <entry entry="-47"
weight="0.14572081"/> <entry entry="-48" weight="0.13145754"/> <entry
entry="-49" weight="0.60746634"/> <entry entry="-50" weight="0.52660596"/>
<entry entry="-51" weight="0.34281462"/> <entry entry="-52"
weight="0.10704801"/> <entry entry="-53" weight="0.5216965"/> <entry entry="54" weight="0.47415197"/> <entry entry="-55" weight="0.026426835"/> <entry
entry="-56" weight="0.31998903"/> <entry entry="-57" weight="0.6292875"/>
</entries>
<examplesInClasses>
<examplesClassCount class="0.0" count="1"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="14"
neuronClass="0.0">
<entries>
<entry entry="-1" weight="0.65117264"/> <entry entry="-2"
weight="0.1739111"/> <entry entry="-3" weight="0.26756114"/> <entry entry="4" weight="0.34317106"/> <entry entry="-5" weight="0.26214805"/> <entry
entry="-6" weight="0.7715422"/> <entry entry="-7" weight="0.60673934"/>
<entry entry="-8" weight="0.3767063"/> <entry entry="-9"
weight="0.29738566"/> <entry entry="-10" weight="0.95514977"/> <entry
entry="-11" weight="0.33054566"/> <entry entry="-12" weight="0.2547214"/>
<entry entry="-13" weight="0.3139644"/> <entry entry="-14"
weight="0.79982597"/> <entry entry="-15" weight="0.33035588"/> <entry
entry="-16" weight="0.4496824"/> <entry entry="-17" weight="0.5602297"/>
<entry entry="-18" weight="0.67100316"/> <entry entry="-19"
weight="0.19591595"/> <entry entry="-20" weight="0.373969"/> <entry entry="21" weight="0.59592575"/> <entry entry="-22" weight="0.39301372"/> <entry
entry="-23" weight="0.66624343"/> <entry entry="-24" weight="0.64926547"/>
<entry entry="-25" weight="0.75119764"/> <entry entry="-26"
weight="0.32457113"/> <entry entry="-27" weight="0.22007848"/> <entry
entry="-28" weight="0.65295583"/> <entry entry="-29" weight="0.6746766"/>
<entry entry="-30" weight="0.39943597"/> <entry entry="-31"
weight="0.36918488"/> <entry entry="-32" weight="0.13438658"/> <entry
entry="-33" weight="0.6472377"/> <entry entry="-34" weight="0.7811284"/>
<entry entry="-35" weight="0.4655084"/> <entry entry="-36"
weight="0.50981796"/> <entry entry="-37" weight="0.9185603"/> <entry entry="38" weight="0.8642246"/> <entry entry="-39" weight="0.31333488"/> <entry
entry="-40" weight="0.75006175"/> <entry entry="-41" weight="0.5142043"/>
<entry entry="-42" weight="0.4047152"/> <entry entry="-43"
weight="0.34666944"/> <entry entry="-44" weight="0.0584912"/> <entry entry="45" weight="0.87648875"/> <entry entry="-46" weight="0.31431344"/> <entry
entry="-47" weight="0.3593282"/> <entry entry="-48" weight="0.38604432"/>
<entry entry="-49" weight="0.7228821"/> <entry entry="-50"
weight="0.47663543"/> <entry entry="-51" weight="0.37063026"/> <entry
entry="-52" weight="0.21249613"/> <entry entry="-53" weight="0.49055177"/>
<entry entry="-54" weight="0.49497473"/> <entry entry="-55"
weight="0.22170414"/> <entry entry="-56" weight="0.49680415"/> <entry
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
447
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
entry="-57" weight="0.74673307"/>
</entries>
<examplesInClasses>
<examplesClassCount class="0.0" count="3"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="15"
neuronClass="null">
<entries>
<entry entry="-1" weight="0.6321354"/> <entry entry="-2"
weight="0.18796097"/> <entry entry="-3" weight="0.25961918"/> <entry entry="4" weight="0.3541326"/> <entry entry="-5" weight="0.25253385"/> <entry
entry="-6" weight="0.7658506"/> <entry entry="-7" weight="0.60347056"/>
<entry entry="-8" weight="0.35214207"/> <entry entry="-9"
weight="0.30096054"/> <entry entry="-10" weight="0.9409632"/> <entry entry="11" weight="0.34944636"/> <entry entry="-12" weight="0.25908476"/> <entry
entry="-13" weight="0.31188118"/> <entry entry="-14" weight="0.7993383"/>
<entry entry="-15" weight="0.32678223"/> <entry entry="-16"
weight="0.46761817"/> <entry entry="-17" weight="0.5754912"/> <entry entry="18" weight="0.6645785"/> <entry entry="-19" weight="0.2080196"/> <entry
entry="-20" weight="0.37772337"/> <entry entry="-21" weight="0.60130894"/>
<entry entry="-22" weight="0.4129067"/> <entry entry="-23"
weight="0.6632006"/> <entry entry="-24" weight="0.63677615"/> <entry entry="25" weight="0.7438775"/> <entry entry="-26" weight="0.34854484"/> <entry
entry="-27" weight="0.20495656"/> <entry entry="-28" weight="0.6653706"/>
<entry entry="-29" weight="0.66318524"/> <entry entry="-30"
weight="0.4052921"/> <entry entry="-31" weight="0.3838808"/> <entry entry="32" weight="0.13077304"/> <entry entry="-33" weight="0.63411367"/> <entry
entry="-34" weight="0.78032786"/> <entry entry="-35" weight="0.45755973"/>
<entry entry="-36" weight="0.5168342"/> <entry entry="-37"
weight="0.9320531"/> <entry entry="-38" weight="0.8789207"/> <entry entry="39" weight="0.30639184"/> <entry entry="-40" weight="0.7388955"/> <entry
entry="-41" weight="0.5030858"/> <entry entry="-42" weight="0.40862742"/>
<entry entry="-43" weight="0.34183523"/> <entry entry="-44"
weight="0.06327829"/> <entry entry="-45" weight="0.87211573"/> <entry
entry="-46" weight="0.3122721"/> <entry entry="-47" weight="0.3662952"/>
<entry entry="-48" weight="0.40530482"/> <entry entry="-49"
weight="0.72129136"/> <entry entry="-50" weight="0.48041898"/> <entry
entry="-51" weight="0.36641473"/> <entry entry="-52" weight="0.2376835"/>
<entry entry="-53" weight="0.49272364"/> <entry entry="-54"
weight="0.4882468"/> <entry entry="-55" weight="0.24117684"/> <entry entry="56" weight="0.48783758"/> <entry entry="-57" weight="0.73991686"/>
</entries>
<examplesInClasses/>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="16"
neuronClass="1.0">
<entries>
<entry entry="-1" weight="0.7895915"/> <entry entry="-2"
weight="0.21779402"/> <entry entry="-3" weight="0.35888863"/> <entry entry="4" weight="0.48142526"/> <entry entry="-5" weight="0.1158136"/> <entry
entry="-6" weight="0.71479255"/> <entry entry="-7" weight="0.66490626"/>
<entry entry="-8" weight="0.28303838"/> <entry entry="-9"
weight="0.20128351"/> <entry entry="-10" weight="0.7142018"/> <entry entry="11" weight="0.3350197"/> <entry entry="-12" weight="0.38958496"/> <entry
entry="-13" weight="0.137167"/> <entry entry="-14" weight="0.81856763"/>
<entry entry="-15" weight="0.5535859"/> <entry entry="-16"
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
448
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
weight="0.2538088"/> <entry entry="-17" weight="0.48667568"/> <entry entry="18" weight="0.5058593"/> <entry entry="-19" weight="0.44130242"/> <entry
entry="-20" weight="0.4705842"/> <entry entry="-21" weight="0.52139515"/>
<entry entry="-22" weight="0.49586934"/> <entry entry="-23"
weight="0.63519835"/> <entry entry="-24" weight="0.45645988"/> <entry
entry="-25" weight="0.61733764"/> <entry entry="-26" weight="0.40898445"/>
<entry entry="-27" weight="0.13356915"/> <entry entry="-28"
weight="0.953416"/> <entry entry="-29" weight="0.71362954"/> <entry entry="30" weight="0.63649553"/> <entry entry="-31" weight="0.4795492"/> <entry
entry="-32" weight="0.20467418"/> <entry entry="-33" weight="0.45194793"/>
<entry entry="-34" weight="0.9078784"/> <entry entry="-35"
weight="0.49463102"/> <entry entry="-36" weight="0.50234795"/> <entry
entry="-37" weight="0.85875916"/> <entry entry="-38" weight="0.75958973"/>
<entry entry="-39" weight="0.4510037"/> <entry entry="-40"
weight="0.47921908"/> <entry entry="-41" weight="0.5856287"/> <entry entry="42" weight="0.48025677"/> <entry entry="-43" weight="0.08689697"/> <entry
entry="-44" weight="0.12766409"/> <entry entry="-45" weight="0.96213734"/>
<entry entry="-46" weight="0.43660605"/> <entry entry="-47"
weight="0.557979"/> <entry entry="-48" weight="0.44010407"/> <entry entry="49" weight="0.47725517"/> <entry entry="-50" weight="0.31189463"/> <entry
entry="-51" weight="0.32697636"/> <entry entry="-52" weight="0.13437709"/>
<entry entry="-53" weight="0.68849987"/> <entry entry="-54"
weight="0.38695806"/> <entry entry="-55" weight="0.2590415"/> <entry entry="56" weight="0.68208176"/> <entry entry="-57" weight="0.83484745"/>
</entries>
<examplesInClasses>
<examplesClassCount class="1.0" count="3"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="17"
neuronClass="1.0">
<entries>
<entry entry="-1" weight="0.70685625"/> <entry entry="-2"
weight="0.32563818"/> <entry entry="-3" weight="0.6480838"/> <entry entry="4" weight="0.5923317"/> <entry entry="-5" weight="0.17180696"/> <entry
entry="-6" weight="0.42399096"/> <entry entry="-7" weight="0.4614563"/>
<entry entry="-8" weight="0.4521889"/> <entry entry="-9"
weight="0.32414946"/> <entry entry="-10" weight="0.4729375"/> <entry entry="11" weight="0.527681"/> <entry entry="-12" weight="0.7050661"/> <entry
entry="-13" weight="0.25747964"/> <entry entry="-14" weight="0.69811714"/>
<entry entry="-15" weight="0.9222995"/> <entry entry="-16"
weight="0.37635568"/> <entry entry="-17" weight="0.35084188"/> <entry
entry="-18" weight="0.3882195"/> <entry entry="-19" weight="0.7011436"/>
<entry entry="-20" weight="0.39745405"/> <entry entry="-21"
weight="0.38037154"/> <entry entry="-22" weight="0.5793441"/> <entry entry="23" weight="0.4357812"/> <entry entry="-24" weight="0.5458028"/> <entry
entry="-25" weight="0.36591125"/> <entry entry="-26" weight="0.6664717"/>
<entry entry="-27" weight="0.17553121"/> <entry entry="-28"
weight="0.9381658"/> <entry entry="-29" weight="0.8141633"/> <entry entry="30" weight="0.62041926"/> <entry entry="-31" weight="0.59011114"/> <entry
entry="-32" weight="0.37576842"/> <entry entry="-33" weight="0.50873077"/>
<entry entry="-34" weight="0.86040443"/> <entry entry="-35"
weight="0.62894243"/> <entry entry="-36" weight="0.7355695"/> <entry entry="37" weight="0.75992304"/> <entry entry="-38" weight="0.64420676"/> <entry
entry="-39" weight="0.72355694"/> <entry entry="-40" weight="0.2661214"/>
<entry entry="-41" weight="0.8108183"/> <entry entry="-42"
weight="0.5892099"/> <entry entry="-43" weight="0.1726237"/> <entry entry="44" weight="0.24807651"/> <entry entry="-45" weight="0.89388883"/> <entry
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
449
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
entry="-46" weight="0.55536485"/> <entry entry="-47" weight="0.9092447"/>
<entry entry="-48" weight="0.7460817"/> <entry entry="-49"
weight="0.14214116"/> <entry entry="-50" weight="0.23120944"/> <entry
entry="-51" weight="0.54401135"/> <entry entry="-52" weight="0.22401933"/>
<entry entry="-53" weight="0.6772083"/> <entry entry="-54"
weight="0.5538057"/> <entry entry="-55" weight="0.4107085"/> <entry entry="56" weight="0.9176152"/> <entry entry="-57" weight="0.7862929"/>
</entries>
<examplesInClasses>
<examplesClassCount class="1.0" count="1"/> <examplesClassCount class="0.0"
count="1"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="18"
neuronClass="1.0">
<entries>
<entry entry="-1" weight="0.81545955"/> <entry entry="-2"
weight="0.14641272"/> <entry entry="-3" weight="0.45612007"/> <entry entry="4" weight="0.35555184"/> <entry entry="-5" weight="0.4200892"/> <entry
entry="-6" weight="0.56002814"/> <entry entry="-7" weight="0.60374486"/>
<entry entry="-8" weight="0.524994"/> <entry entry="-9" weight="0.4306695"/>
<entry entry="-10" weight="0.91655993"/> <entry entry="-11"
weight="0.15775782"/> <entry entry="-12" weight="0.18306981"/> <entry
entry="-13" weight="0.2546466"/> <entry entry="-14" weight="0.76144123"/>
<entry entry="-15" weight="0.26842684"/> <entry entry="-16"
weight="0.343875"/> <entry entry="-17" weight="0.45455438"/> <entry entry="18" weight="0.6289231"/> <entry entry="-19" weight="0.23059632"/> <entry
entry="-20" weight="0.55130947"/> <entry entry="-21" weight="0.4664023"/>
<entry entry="-22" weight="0.2983616"/> <entry entry="-23"
weight="0.7215892"/> <entry entry="-24" weight="0.6644464"/> <entry entry="25" weight="0.7966376"/> <entry entry="-26" weight="0.3034512"/> <entry
entry="-27" weight="0.26523823"/> <entry entry="-28" weight="0.5479013"/>
<entry entry="-29" weight="0.6487944"/> <entry entry="-30"
weight="0.3497134"/> <entry entry="-31" weight="0.38889286"/> <entry entry="32" weight="0.26377943"/> <entry entry="-33" weight="0.56278723"/> <entry
entry="-34" weight="0.8704299"/> <entry entry="-35" weight="0.3764738"/>
<entry entry="-36" weight="0.3054753"/> <entry entry="-37"
weight="0.9464936"/> <entry entry="-38" weight="0.7575083"/> <entry entry="39" weight="0.22439475"/> <entry entry="-40" weight="0.6259353"/> <entry
entry="-41" weight="0.6362978"/> <entry entry="-42" weight="0.4977483"/>
<entry entry="-43" weight="0.45519382"/> <entry entry="-44"
weight="0.19858582"/> <entry entry="-45" weight="0.81662226"/> <entry
entry="-46" weight="0.29815438"/> <entry entry="-47" weight="0.28761086"/>
<entry entry="-48" weight="0.18334031"/> <entry entry="-49"
weight="0.7772087"/> <entry entry="-50" weight="0.41625527"/> <entry entry="51" weight="0.33535215"/> <entry entry="-52" weight="0.22437742"/> <entry
entry="-53" weight="0.3988043"/> <entry entry="-54" weight="0.46920693"/>
<entry entry="-55" weight="0.13686883"/> <entry entry="-56"
weight="0.423251"/> <entry entry="-57" weight="0.65931374"/>
</entries>
<examplesInClasses>
<examplesClassCount class="1.0" count="2"/> <examplesClassCount class="0.0"
count="2"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="19"
neuronClass="1.0">
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
450
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
<entries>
<entry entry="-1" weight="0.6856811"/> <entry entry="-2"
weight="0.19820605"/> <entry entry="-3" weight="0.44565114"/> <entry entry="4" weight="0.37710518"/> <entry entry="-5" weight="0.17895544"/> <entry
entry="-6" weight="0.5688694"/> <entry entry="-7" weight="0.7790667"/> <entry
entry="-8" weight="0.40937948"/> <entry entry="-9" weight="0.37425518"/>
<entry entry="-10" weight="0.8218027"/> <entry entry="-11"
weight="0.2578573"/> <entry entry="-12" weight="0.37550947"/> <entry entry="13" weight="0.23311423"/> <entry entry="-14" weight="0.88786495"/> <entry
entry="-15" weight="0.21534106"/> <entry entry="-16" weight="0.26359382"/>
<entry entry="-17" weight="0.44310534"/> <entry entry="-18"
weight="0.5953935"/> <entry entry="-19" weight="0.31179637"/> <entry entry="20" weight="0.52154005"/> <entry entry="-21" weight="0.6179602"/> <entry
entry="-22" weight="0.54147106"/> <entry entry="-23" weight="0.6897883"/>
<entry entry="-24" weight="0.70498884"/> <entry entry="-25"
weight="0.87402886"/> <entry entry="-26" weight="0.34543493"/> <entry
entry="-27" weight="0.11759868"/> <entry entry="-28" weight="0.7056126"/>
<entry entry="-29" weight="0.64200103"/> <entry entry="-30"
weight="0.48466182"/> <entry entry="-31" weight="0.4478909"/> <entry entry="32" weight="0.35347044"/> <entry entry="-33" weight="0.69393694"/> <entry
entry="-34" weight="0.88887155"/> <entry entry="-35" weight="0.5437747"/>
<entry entry="-36" weight="0.52148914"/> <entry entry="-37"
weight="0.9690064"/> <entry entry="-38" weight="0.8345505"/> <entry entry="39" weight="0.26770127"/> <entry entry="-40" weight="0.762319"/> <entry
entry="-41" weight="0.56750727"/> <entry entry="-42" weight="0.3301739"/>
<entry entry="-43" weight="0.22894831"/> <entry entry="-44"
weight="0.057890225"/> <entry entry="-45" weight="0.8673049"/> <entry
entry="-46" weight="0.37047774"/> <entry entry="-47" weight="0.21092083"/>
<entry entry="-48" weight="0.3658479"/> <entry entry="-49"
weight="0.76525605"/> <entry entry="-50" weight="0.29891905"/> <entry
entry="-51" weight="0.24267241"/> <entry entry="-52" weight="0.20738754"/>
<entry entry="-53" weight="0.6395329"/> <entry entry="-54"
weight="0.2803785"/> <entry entry="-55" weight="0.39768526"/> <entry entry="56" weight="0.331558"/> <entry entry="-57" weight="0.85326463"/>
</entries>
<examplesInClasses>
<examplesClassCount class="1.0" count="2"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="20"
neuronClass="1.0">
<entries>
<entry entry="-1" weight="0.64641726"/> <entry entry="-2"
weight="0.20587195"/> <entry entry="-3" weight="0.3995594"/> <entry entry="4" weight="0.34585947"/> <entry entry="-5" weight="0.1717206"/> <entry
entry="-6" weight="0.6193502"/> <entry entry="-7" weight="0.74460137"/>
<entry entry="-8" weight="0.38249114"/> <entry entry="-9"
weight="0.33727658"/> <entry entry="-10" weight="0.8058316"/> <entry entry="11" weight="0.26964527"/> <entry entry="-12" weight="0.37794006"/> <entry
entry="-13" weight="0.24479985"/> <entry entry="-14" weight="0.89809346"/>
<entry entry="-15" weight="0.21853708"/> <entry entry="-16"
weight="0.27668047"/> <entry entry="-17" weight="0.42156002"/> <entry
entry="-18" weight="0.5807172"/> <entry entry="-19" weight="0.29768205"/>
<entry entry="-20" weight="0.51065284"/> <entry entry="-21"
weight="0.6109182"/> <entry entry="-22" weight="0.524349"/> <entry entry="23" weight="0.64788157"/> <entry entry="-24" weight="0.6727401"/> <entry
entry="-25" weight="0.8742862"/> <entry entry="-26" weight="0.36915773"/>
<entry entry="-27" weight="0.120353855"/> <entry entry="-28"
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
451
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
weight="0.7281496"/> <entry entry="-29" weight="0.6369024"/> <entry entry="30" weight="0.4960792"/> <entry entry="-31" weight="0.42931694"/> <entry
entry="-32" weight="0.32622218"/> <entry entry="-33" weight="0.6647226"/>
<entry entry="-34" weight="0.8727139"/> <entry entry="-35"
weight="0.56729335"/> <entry entry="-36" weight="0.5675615"/> <entry entry="37" weight="0.93458784"/> <entry entry="-38" weight="0.8387899"/> <entry
entry="-39" weight="0.27192086"/> <entry entry="-40" weight="0.7928757"/>
<entry entry="-41" weight="0.53565425"/> <entry entry="-42"
weight="0.29313794"/> <entry entry="-43" weight="0.1902219"/> <entry entry="44" weight="0.045516018"/> <entry entry="-45" weight="0.8594844"/> <entry
entry="-46" weight="0.37142223"/> <entry entry="-47" weight="0.24479191"/>
<entry entry="-48" weight="0.3900708"/> <entry entry="-49"
weight="0.7542457"/> <entry entry="-50" weight="0.31867468"/> <entry entry="51" weight="0.22740485"/> <entry entry="-52" weight="0.22859842"/> <entry
entry="-53" weight="0.65264314"/> <entry entry="-54" weight="0.28243977"/>
<entry entry="-55" weight="0.3883467"/> <entry entry="-56"
weight="0.3379589"/> <entry entry="-57" weight="0.8666674"/>
</entries>
<examplesInClasses>
<examplesClassCount class="1.0" count="1"/> <examplesClassCount class="0.0"
count="1"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="21"
neuronClass="0.0">
<entries>
<entry entry="-1" weight="0.648359"/> <entry entry="-2" weight="0.2928867"/>
<entry entry="-3" weight="0.35242575"/> <entry entry="-4"
weight="0.40930924"/> <entry entry="-5" weight="0.09910603"/> <entry entry="6" weight="0.6487055"/> <entry entry="-7" weight="0.8485182"/> <entry
entry="-8" weight="0.2820611"/> <entry entry="-9" weight="0.34690487"/>
<entry entry="-10" weight="0.79351294"/> <entry entry="-11"
weight="0.3428054"/> <entry entry="-12" weight="0.4690803"/> <entry entry="13" weight="0.23009805"/> <entry entry="-14" weight="0.90832186"/> <entry
entry="-15" weight="0.30901808"/> <entry entry="-16" weight="0.17660326"/>
<entry entry="-17" weight="0.48834282"/> <entry entry="-18"
weight="0.5726885"/> <entry entry="-19" weight="0.3692161"/> <entry entry="20" weight="0.53831404"/> <entry entry="-21" weight="0.7046171"/> <entry
entry="-22" weight="0.59050375"/> <entry entry="-23" weight="0.7227464"/>
<entry entry="-24" weight="0.6145885"/> <entry entry="-25"
weight="0.788109"/> <entry entry="-26" weight="0.39341107"/> <entry entry="27" weight="0.05276105"/> <entry entry="-28" weight="0.878516"/> <entry
entry="-29" weight="0.62342364"/> <entry entry="-30" weight="0.550976"/>
<entry entry="-31" weight="0.48243508"/> <entry entry="-32"
weight="0.41291794"/> <entry entry="-33" weight="0.6318327"/> <entry entry="34" weight="0.89794403"/> <entry entry="-35" weight="0.6342179"/> <entry
entry="-36" weight="0.49565235"/> <entry entry="-37" weight="0.9242828"/>
<entry entry="-38" weight="0.7718485"/> <entry entry="-39"
weight="0.31330383"/> <entry entry="-40" weight="0.7407652"/> <entry entry="41" weight="0.513481"/> <entry entry="-42" weight="0.24454893"/> <entry
entry="-43" weight="0.12068685"/> <entry entry="-44" weight="0.04298827"/>
<entry entry="-45" weight="0.90930873"/> <entry entry="-46"
weight="0.40314704"/> <entry entry="-47" weight="0.31234002"/> <entry
entry="-48" weight="0.45239896"/> <entry entry="-49" weight="0.66024536"/>
<entry entry="-50" weight="0.3104124"/> <entry entry="-51"
weight="0.2729528"/> <entry entry="-52" weight="0.21276952"/> <entry entry="53" weight="0.7054085"/> <entry entry="-54" weight="0.15355077"/> <entry
entry="-55" weight="0.5154307"/> <entry entry="-56" weight="0.428338"/>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
452
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
<entry entry="-57" weight="0.86321986"/>
</entries>
<examplesInClasses>
<examplesClassCount class="1.0" count="1"/> <examplesClassCount class="0.0"
count="2"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="22"
neuronClass="1.0">
<entries>
<entry entry="-1" weight="0.83245665"/> <entry entry="-2"
weight="0.24336478"/> <entry entry="-3" weight="0.33044547"/> <entry entry="4" weight="0.4905573"/> <entry entry="-5" weight="0.09715753"/> <entry
entry="-6" weight="0.73737466"/> <entry entry="-7" weight="0.7107936"/>
<entry entry="-8" weight="0.30460048"/> <entry entry="-9"
weight="0.1878059"/> <entry entry="-10" weight="0.7108799"/> <entry entry="11" weight="0.3662346"/> <entry entry="-12" weight="0.37738755"/> <entry
entry="-13" weight="0.14070934"/> <entry entry="-14" weight="0.8076145"/>
<entry entry="-15" weight="0.5397152"/> <entry entry="-16"
weight="0.23803098"/> <entry entry="-17" weight="0.50922316"/> <entry
entry="-18" weight="0.48166043"/> <entry entry="-19" weight="0.469806"/>
<entry entry="-20" weight="0.46856797"/> <entry entry="-21"
weight="0.52432656"/> <entry entry="-22" weight="0.5093828"/> <entry entry="23" weight="0.65555286"/> <entry entry="-24" weight="0.4658894"/> <entry
entry="-25" weight="0.6271335"/> <entry entry="-26" weight="0.38676476"/>
<entry entry="-27" weight="0.16153508"/> <entry entry="-28"
weight="0.9728554"/> <entry entry="-29" weight="0.7253048"/> <entry entry="30" weight="0.64337784"/> <entry entry="-31" weight="0.50607413"/> <entry
entry="-32" weight="0.18187466"/> <entry entry="-33" weight="0.44280422"/>
<entry entry="-34" weight="0.91866803"/> <entry entry="-35"
weight="0.5049885"/> <entry entry="-36" weight="0.50357413"/> <entry entry="37" weight="0.85237706"/> <entry entry="-38" weight="0.7840935"/> <entry
entry="-39" weight="0.45550665"/> <entry entry="-40" weight="0.47156054"/>
<entry entry="-41" weight="0.61548203"/> <entry entry="-42"
weight="0.50416213"/> <entry entry="-43" weight="0.09986136"/> <entry
entry="-44" weight="0.12517187"/> <entry entry="-45" weight="0.9808408"/>
<entry entry="-46" weight="0.4244056"/> <entry entry="-47"
weight="0.55180585"/> <entry entry="-48" weight="0.48558307"/> <entry
entry="-49" weight="0.5060296"/> <entry entry="-50" weight="0.32181686"/>
<entry entry="-51" weight="0.35382664"/> <entry entry="-52"
weight="0.14310774"/> <entry entry="-53" weight="0.6842123"/> <entry entry="54" weight="0.3851021"/> <entry entry="-55" weight="0.27701318"/> <entry
entry="-56" weight="0.6589355"/> <entry entry="-57" weight="0.84348464"/>
</entries>
<examplesInClasses>
<examplesClassCount class="1.0" count="1"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="23"
neuronClass="0.0">
<entries>
<entry entry="-1" weight="0.7962454"/> <entry entry="-2" weight="0.3879124"/>
<entry entry="-3" weight="0.57823825"/> <entry entry="-4"
weight="0.5889453"/> <entry entry="-5" weight="0.14323553"/> <entry entry="6" weight="0.51580495"/> <entry entry="-7" weight="0.5532037"/> <entry
entry="-8" weight="0.47189963"/> <entry entry="-9" weight="0.3235078"/>
<entry entry="-10" weight="0.48258367"/> <entry entry="-11"
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
453
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
weight="0.6029472"/> <entry entry="-12" weight="0.6442096"/> <entry entry="13" weight="0.27998212"/> <entry entry="-14" weight="0.6460753"/> <entry
entry="-15" weight="0.9133547"/> <entry entry="-16" weight="0.37536532"/>
<entry entry="-17" weight="0.4475564"/> <entry entry="-18"
weight="0.31911808"/> <entry entry="-19" weight="0.7370639"/> <entry entry="20" weight="0.40363485"/> <entry entry="-21" weight="0.37738726"/> <entry
entry="-22" weight="0.6074079"/> <entry entry="-23" weight="0.4975898"/>
<entry entry="-24" weight="0.5732262"/> <entry entry="-25"
weight="0.43241483"/> <entry entry="-26" weight="0.61375564"/> <entry
entry="-27" weight="0.2442259"/> <entry entry="-28" weight="0.98011005"/>
<entry entry="-29" weight="0.8084537"/> <entry entry="-30"
weight="0.67268574"/> <entry entry="-31" weight="0.62338066"/> <entry
entry="-32" weight="0.3500199"/> <entry entry="-33" weight="0.5100279"/>
<entry entry="-34" weight="0.8789812"/> <entry entry="-35"
weight="0.6222449"/> <entry entry="-36" weight="0.79696614"/> <entry entry="37" weight="0.7635978"/> <entry entry="-38" weight="0.6403474"/> <entry
entry="-39" weight="0.7464708"/> <entry entry="-40" weight="0.26195526"/>
<entry entry="-41" weight="0.85669756"/> <entry entry="-42"
weight="0.6420258"/> <entry entry="-43" weight="0.20149523"/> <entry entry="44" weight="0.23729153"/> <entry entry="-45" weight="0.94999534"/> <entry
entry="-46" weight="0.55792487"/> <entry entry="-47" weight="0.88076425"/>
<entry entry="-48" weight="0.83243436"/> <entry entry="-49"
weight="0.23038547"/> <entry entry="-50" weight="0.2785071"/> <entry entry="51" weight="0.6118857"/> <entry entry="-52" weight="0.23035933"/> <entry
entry="-53" weight="0.7085845"/> <entry entry="-54" weight="0.5915338"/>
<entry entry="-55" weight="0.44515735"/> <entry entry="-56"
weight="0.85722876"/> <entry entry="-57" weight="0.79578066"/>
</entries>
<examplesInClasses>
<examplesClassCount class="0.0" count="1"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="24"
neuronClass="1.0">
<entries>
<entry entry="-1" weight="0.979723"/> <entry entry="-2" weight="0.37441826"/>
<entry entry="-3" weight="0.7217533"/> <entry entry="-4" weight="0.5287546"/>
<entry entry="-5" weight="0.30484504"/> <entry entry="-6"
weight="0.4541388"/> <entry entry="-7" weight="0.5653154"/> <entry entry="-8"
weight="0.7267707"/> <entry entry="-9" weight="0.5014846"/> <entry entry="10" weight="0.492617"/> <entry entry="-11" weight="0.45872667"/> <entry
entry="-12" weight="0.4932121"/> <entry entry="-13" weight="0.2623518"/>
<entry entry="-14" weight="0.494287"/> <entry entry="-15"
weight="0.8260258"/> <entry entry="-16" weight="0.2562272"/> <entry entry="17" weight="0.3637733"/> <entry entry="-18" weight="0.20081478"/> <entry
entry="-19" weight="0.776883"/> <entry entry="-20" weight="0.6147596"/>
<entry entry="-21" weight="0.26390934"/> <entry entry="-22"
weight="0.4676029"/> <entry entry="-23" weight="0.4522318"/> <entry entry="24" weight="0.54338205"/> <entry entry="-25" weight="0.523893"/> <entry
entry="-26" weight="0.6023549"/> <entry entry="-27" weight="0.35444614"/>
<entry entry="-28" weight="0.8542247"/> <entry entry="-29"
weight="0.75405777"/> <entry entry="-30" weight="0.5987118"/> <entry entry="31" weight="0.59575707"/> <entry entry="-32" weight="0.39453313"/> <entry
entry="-33" weight="0.45958155"/> <entry entry="-34" weight="0.97705704"/>
<entry entry="-35" weight="0.4230451"/> <entry entry="-36"
weight="0.6263315"/> <entry entry="-37" weight="0.7219764"/> <entry entry="38" weight="0.41193682"/> <entry entry="-39" weight="0.7374467"/> <entry
entry="-40" weight="0.36012274"/> <entry entry="-41" weight="0.9334968"/>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
454
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
<entry entry="-42" weight="0.75792813"/> <entry entry="-43"
weight="0.36962813"/> <entry entry="-44" weight="0.3391709"/> <entry entry="45" weight="0.9415693"/> <entry entry="-46" weight="0.4302547"/> <entry
entry="-47" weight="0.7526485"/> <entry entry="-48" weight="0.63327414"/>
<entry entry="-49" weight="0.28500742"/> <entry entry="-50"
weight="0.39566928"/> <entry entry="-51" weight="0.5283861"/> <entry entry="52" weight="0.16932563"/> <entry entry="-53" weight="0.6220075"/> <entry
entry="-54" weight="0.643656"/> <entry entry="-55" weight="0.35492992"/>
<entry entry="-56" weight="0.78192204"/> <entry entry="-57"
weight="0.5960896"/>
</entries>
<examplesInClasses>
<examplesClassCount class="1.0" count="1"/> <examplesClassCount class="0.0"
count="1"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="25"
neuronClass="1.0">
<entries>
<entry entry="-1" weight="0.72801244"/> <entry entry="-2"
weight="0.27747148"/> <entry entry="-3" weight="0.47750345"/> <entry entry="4" weight="0.47556522"/> <entry entry="-5" weight="0.2228829"/> <entry
entry="-6" weight="0.5717865"/> <entry entry="-7" weight="0.8613948"/> <entry
entry="-8" weight="0.48705804"/> <entry entry="-9" weight="0.39570644"/>
<entry entry="-10" weight="0.79445034"/> <entry entry="-11"
weight="0.2429328"/> <entry entry="-12" weight="0.416767"/> <entry entry="13" weight="0.14767703"/> <entry entry="-14" weight="0.9364952"/> <entry
entry="-15" weight="0.18120888"/> <entry entry="-16" weight="0.15232454"/>
<entry entry="-17" weight="0.3907286"/> <entry entry="-18"
weight="0.5195492"/> <entry entry="-19" weight="0.48942125"/> <entry entry="20" weight="0.6024615"/> <entry entry="-21" weight="0.69705987"/> <entry
entry="-22" weight="0.61056"/> <entry entry="-23" weight="0.6819058"/> <entry
entry="-24" weight="0.66382736"/> <entry entry="-25" weight="0.7907727"/>
<entry entry="-26" weight="0.3151461"/> <entry entry="-27"
weight="0.20493935"/> <entry entry="-28" weight="0.74055505"/> <entry
entry="-29" weight="0.48034352"/> <entry entry="-30" weight="0.48228174"/>
<entry entry="-31" weight="0.6155314"/> <entry entry="-32"
weight="0.40908802"/> <entry entry="-33" weight="0.5636561"/> <entry entry="34" weight="0.955076"/> <entry entry="-35" weight="0.47510558"/> <entry
entry="-36" weight="0.38319352"/> <entry entry="-37" weight="0.90706825"/>
<entry entry="-38" weight="0.7322002"/> <entry entry="-39"
weight="0.28435135"/> <entry entry="-40" weight="0.71086156"/> <entry
entry="-41" weight="0.5015967"/> <entry entry="-42" weight="0.37782815"/>
<entry entry="-43" weight="0.17984454"/> <entry entry="-44"
weight="0.14847493"/> <entry entry="-45" weight="0.8946935"/> <entry entry="46" weight="0.36036974"/> <entry entry="-47" weight="0.23623858"/> <entry
entry="-48" weight="0.25577998"/> <entry entry="-49" weight="0.69366837"/>
<entry entry="-50" weight="0.29398102"/> <entry entry="-51"
weight="0.28572726"/> <entry entry="-52" weight="0.25454712"/> <entry
entry="-53" weight="0.54329693"/> <entry entry="-54" weight="0.2775549"/>
<entry entry="-55" weight="0.46731448"/> <entry entry="-56"
weight="0.3231492"/> <entry entry="-57" weight="0.74507385"/>
</entries>
<examplesInClasses>
<examplesClassCount class="1.0" count="3"/> <examplesClassCount class="0.0"
count="1"/>
</examplesInClasses>
</neuron>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
455
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="26"
neuronClass="1.0">
<entries>
<entry entry="-1" weight="0.6776711"/> <entry entry="-2" weight="0.3008679"/>
<entry entry="-3" weight="0.42056343"/> <entry entry="-4"
weight="0.51069796"/> <entry entry="-5" weight="0.13376707"/> <entry entry="6" weight="0.6098981"/> <entry entry="-7" weight="0.8690349"/> <entry
entry="-8" weight="0.35596532"/> <entry entry="-9" weight="0.3582592"/>
<entry entry="-10" weight="0.81596965"/> <entry entry="-11"
weight="0.3184706"/> <entry entry="-12" weight="0.4849788"/> <entry entry="13" weight="0.15869617"/> <entry entry="-14" weight="0.9635642"/> <entry
entry="-15" weight="0.25466657"/> <entry entry="-16" weight="0.18853408"/>
<entry entry="-17" weight="0.48869458"/> <entry entry="-18"
weight="0.5900889"/> <entry entry="-19" weight="0.45305124"/> <entry entry="20" weight="0.5303769"/> <entry entry="-21" weight="0.7343004"/> <entry
entry="-22" weight="0.658035"/> <entry entry="-23" weight="0.7340176"/>
<entry entry="-24" weight="0.6832236"/> <entry entry="-25"
weight="0.7854242"/> <entry entry="-26" weight="0.30112725"/> <entry entry="27" weight="0.12976071"/> <entry entry="-28" weight="0.81425995"/> <entry
entry="-29" weight="0.5514507"/> <entry entry="-30" weight="0.5047028"/>
<entry entry="-31" weight="0.57436377"/> <entry entry="-32"
weight="0.43136072"/> <entry entry="-33" weight="0.633669"/> <entry entry="34" weight="0.92287785"/> <entry entry="-35" weight="0.57729954"/> <entry
entry="-36" weight="0.47095844"/> <entry entry="-37" weight="0.9344516"/>
<entry entry="-38" weight="0.80134493"/> <entry entry="-39"
weight="0.29858494"/> <entry entry="-40" weight="0.6859464"/> <entry entry="41" weight="0.5058414"/> <entry entry="-42" weight="0.32410347"/> <entry
entry="-43" weight="0.10162784"/> <entry entry="-44" weight="0.092387676"/>
<entry entry="-45" weight="0.9084744"/> <entry entry="-46"
weight="0.43018407"/> <entry entry="-47" weight="0.28343335"/> <entry
entry="-48" weight="0.3629976"/> <entry entry="-49" weight="0.62816024"/>
<entry entry="-50" weight="0.231691"/> <entry entry="-51"
weight="0.31339186"/> <entry entry="-52" weight="0.2285988"/> <entry entry="53" weight="0.6224544"/> <entry entry="-54" weight="0.21427488"/> <entry
entry="-55" weight="0.52391577"/> <entry entry="-56" weight="0.38696513"/>
<entry entry="-57" weight="0.8396728"/>
</entries>
<examplesInClasses>
<examplesClassCount class="1.0" count="2"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="27"
neuronClass="0.0">
<entries>
<entry entry="-1" weight="0.57029796"/> <entry entry="-2"
weight="0.32523394"/> <entry entry="-3" weight="0.35915685"/> <entry entry="4" weight="0.44383872"/> <entry entry="-5" weight="0.06065868"/> <entry
entry="-6" weight="0.70103335"/> <entry entry="-7" weight="0.85310334"/>
<entry entry="-8" weight="0.32115644"/> <entry entry="-9"
weight="0.27648115"/> <entry entry="-10" weight="0.71921855"/> <entry
entry="-11" weight="0.2988317"/> <entry entry="-12" weight="0.4637889"/>
<entry entry="-13" weight="0.20789208"/> <entry entry="-14"
weight="0.9849377"/> <entry entry="-15" weight="0.22645311"/> <entry entry="16" weight="0.24221842"/> <entry entry="-17" weight="0.5342216"/> <entry
entry="-18" weight="0.5621196"/> <entry entry="-19" weight="0.42705905"/>
<entry entry="-20" weight="0.5417601"/> <entry entry="-21"
weight="0.6810891"/> <entry entry="-22" weight="0.6528734"/> <entry entry="-
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
456
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
23" weight="0.6600247"/> <entry entry="-24" weight="0.61472714"/> <entry
entry="-25" weight="0.7502464"/> <entry entry="-26" weight="0.29553467"/>
<entry entry="-27" weight="0.17752045"/> <entry entry="-28"
weight="0.8286956"/> <entry entry="-29" weight="0.5532056"/> <entry entry="30" weight="0.5645825"/> <entry entry="-31" weight="0.5660215"/> <entry
entry="-32" weight="0.41034442"/> <entry entry="-33" weight="0.5818306"/>
<entry entry="-34" weight="0.9064228"/> <entry entry="-35"
weight="0.68054897"/> <entry entry="-36" weight="0.5560749"/> <entry entry="37" weight="0.8705281"/> <entry entry="-38" weight="0.87046653"/> <entry
entry="-39" weight="0.32738715"/> <entry entry="-40" weight="0.6578324"/>
<entry entry="-41" weight="0.45273116"/> <entry entry="-42"
weight="0.3071906"/> <entry entry="-43" weight="0.101924755"/> <entry
entry="-44" weight="0.13974911"/> <entry entry="-45" weight="0.8748197"/>
<entry entry="-46" weight="0.4036441"/> <entry entry="-47"
weight="0.31389213"/> <entry entry="-48" weight="0.46808037"/> <entry
entry="-49" weight="0.58914655"/> <entry entry="-50" weight="0.24698251"/>
<entry entry="-51" weight="0.2827888"/> <entry entry="-52"
weight="0.25353652"/> <entry entry="-53" weight="0.6366536"/> <entry entry="54" weight="0.17351109"/> <entry entry="-55" weight="0.49414667"/> <entry
entry="-56" weight="0.33221063"/> <entry entry="-57" weight="0.87135553"/>
</entries>
<examplesInClasses>
<examplesClassCount class="0.0" count="4"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="28"
neuronClass="1.0">
<entries>
<entry entry="-1" weight="0.61600804"/> <entry entry="-2"
weight="0.32006374"/> <entry entry="-3" weight="0.3720814"/> <entry entry="4" weight="0.41826105"/> <entry entry="-5" weight="0.059526555"/> <entry
entry="-6" weight="0.6796674"/> <entry entry="-7" weight="0.87415624"/>
<entry entry="-8" weight="0.33226728"/> <entry entry="-9"
weight="0.29274863"/> <entry entry="-10" weight="0.723819"/> <entry entry="11" weight="0.30745757"/> <entry entry="-12" weight="0.45835277"/> <entry
entry="-13" weight="0.24059437"/> <entry entry="-14" weight="0.93363917"/>
<entry entry="-15" weight="0.26617187"/> <entry entry="-16"
weight="0.21921283"/> <entry entry="-17" weight="0.5569169"/> <entry entry="18" weight="0.55857277"/> <entry entry="-19" weight="0.39095145"/> <entry
entry="-20" weight="0.58314604"/> <entry entry="-21" weight="0.6338564"/>
<entry entry="-22" weight="0.61819214"/> <entry entry="-23"
weight="0.7184525"/> <entry entry="-24" weight="0.639066"/> <entry entry="25" weight="0.77694905"/> <entry entry="-26" weight="0.31189248"/> <entry
entry="-27" weight="0.13696519"/> <entry entry="-28" weight="0.8432896"/>
<entry entry="-29" weight="0.5924717"/> <entry entry="-30"
weight="0.5811357"/> <entry entry="-31" weight="0.54381377"/> <entry entry="32" weight="0.4453077"/> <entry entry="-33" weight="0.59506226"/> <entry
entry="-34" weight="0.9304504"/> <entry entry="-35" weight="0.69448864"/>
<entry entry="-36" weight="0.54293346"/> <entry entry="-37"
weight="0.90070343"/> <entry entry="-38" weight="0.838452"/> <entry entry="39" weight="0.33263302"/> <entry entry="-40" weight="0.6470656"/> <entry
entry="-41" weight="0.50354683"/> <entry entry="-42" weight="0.31870675"/>
<entry entry="-43" weight="0.11891217"/> <entry entry="-44"
weight="0.11644391"/> <entry entry="-45" weight="0.875152"/> <entry entry="46" weight="0.40680778"/> <entry entry="-47" weight="0.3039239"/> <entry
entry="-48" weight="0.49809265"/> <entry entry="-49" weight="0.62092716"/>
<entry entry="-50" weight="0.27373055"/> <entry entry="-51"
weight="0.28028303"/> <entry entry="-52" weight="0.21271865"/> <entry
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
457
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
entry="-53" weight="0.6512835"/> <entry entry="-54" weight="0.13419807"/>
<entry entry="-55" weight="0.49267554"/> <entry entry="-56"
weight="0.36138716"/> <entry entry="-57" weight="0.87548184"/>
</entries>
<examplesInClasses>
<examplesClassCount class="1.0" count="2"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction"
id="29" neuronClass="null">
<entries>
<entry entry="-1" weight="0.3804492"/> <entry entry="-2" weight="0.6698118"/>
<entry entry="-3" weight="0.3666246"/> <entry entry="-4"
weight="0.57466924"/> <entry entry="-5" weight="0.16422111"/> <entry entry="6" weight="0.77593106"/> <entry entry="-7" weight="0.6497349"/> <entry
entry="-8" weight="0.48345783"/> <entry entry="-9" weight="0.372392"/> <entry
entry="-10" weight="0.6806629"/> <entry entry="-11" weight="0.6338525"/>
<entry entry="-12" weight="0.60633016"/> <entry entry="-13"
weight="0.44792518"/> <entry entry="-14" weight="0.8155137"/> <entry entry="15" weight="0.7392467"/> <entry entry="-16" weight="0.6101677"/> <entry
entry="-17" weight="0.81325126"/> <entry entry="-18" weight="0.5970614"/>
<entry entry="-19" weight="0.6469066"/> <entry entry="-20"
weight="0.4468521"/> <entry entry="-21" weight="0.5871618"/> <entry entry="22" weight="0.68374205"/> <entry entry="-23" weight="0.6652399"/> <entry
entry="-24" weight="0.7427405"/> <entry entry="-25" weight="0.3804385"/>
<entry entry="-26" weight="0.42659956"/> <entry entry="-27"
weight="0.3814577"/> <entry entry="-28" weight="0.79196715"/> <entry entry="29" weight="0.47215706"/> <entry entry="-30" weight="0.44135875"/> <entry
entry="-31" weight="0.70542115"/> <entry entry="-32" weight="0.5713888"/>
<entry entry="-33" weight="0.6187372"/> <entry entry="-34"
weight="0.80772924"/> <entry entry="-35" weight="0.8961601"/> <entry entry="36" weight="0.84139943"/> <entry entry="-37" weight="0.7245549"/> <entry
entry="-38" weight="0.77842087"/> <entry entry="-39" weight="0.7044751"/>
<entry entry="-40" weight="0.39666384"/> <entry entry="-41"
weight="0.5924439"/> <entry entry="-42" weight="0.5172558"/> <entry entry="43" weight="0.3294707"/> <entry entry="-44" weight="0.3231422"/> <entry
entry="-45" weight="0.8801754"/> <entry entry="-46" weight="0.32420412"/>
<entry entry="-47" weight="0.8447402"/> <entry entry="-48"
weight="0.94276077"/> <entry entry="-49" weight="0.17405955"/> <entry
entry="-50" weight="0.39305526"/> <entry entry="-51" weight="0.77849865"/>
<entry entry="-52" weight="0.37028605"/> <entry entry="-53"
weight="0.4077565"/> <entry entry="-54" weight="0.37355912"/> <entry entry="55" weight="0.70100343"/> <entry entry="-56" weight="0.6364194"/> <entry
entry="-57" weight="0.6551463"/>
</entries>
<examplesInClasses/>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="30"
neuronClass="0.0">
<entries>
<entry entry="-1" weight="0.5497866"/> <entry entry="-2"
weight="0.51017326"/> <entry entry="-3" weight="0.6652093"/> <entry entry="4" weight="0.65005535"/> <entry entry="-5" weight="0.21378882"/> <entry
entry="-6" weight="0.25197464"/> <entry entry="-7" weight="0.8550203"/>
<entry entry="-8" weight="0.46235755"/> <entry entry="-9"
weight="0.5418829"/> <entry entry="-10" weight="0.6260581"/> <entry entry="11" weight="0.21216783"/> <entry entry="-12" weight="0.866245"/> <entry
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
458
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
entry="-13" weight="0.47272307"/> <entry entry="-14" weight="0.47880456"/>
<entry entry="-15" weight="0.413934"/> <entry entry="-16"
weight="0.13779631"/> <entry entry="-17" weight="0.5543422"/> <entry entry="18" weight="0.47477794"/> <entry entry="-19" weight="0.5939042"/> <entry
entry="-20" weight="0.51545113"/> <entry entry="-21" weight="0.7751178"/>
<entry entry="-22" weight="0.7018045"/> <entry entry="-23"
weight="0.33425307"/> <entry entry="-24" weight="0.81474966"/> <entry
entry="-25" weight="0.82718945"/> <entry entry="-26" weight="0.52286965"/>
<entry entry="-27" weight="0.30139667"/> <entry entry="-28"
weight="0.7169807"/> <entry entry="-29" weight="0.6585155"/> <entry entry="30" weight="0.3354477"/> <entry entry="-31" weight="0.5867507"/> <entry
entry="-32" weight="0.7354624"/> <entry entry="-33" weight="0.8053365"/>
<entry entry="-34" weight="0.9752619"/> <entry entry="-35"
weight="0.30260283"/> <entry entry="-36" weight="0.47738037"/> <entry
entry="-37" weight="0.9008166"/> <entry entry="-38" weight="0.5721144"/>
<entry entry="-39" weight="0.5291626"/> <entry entry="-40"
weight="0.40104225"/> <entry entry="-41" weight="0.8232177"/> <entry entry="42" weight="0.6877458"/> <entry entry="-43" weight="0.48131937"/> <entry
entry="-44" weight="0.5838696"/> <entry entry="-45" weight="0.590658"/>
<entry entry="-46" weight="0.2963248"/> <entry entry="-47"
weight="0.32481074"/> <entry entry="-48" weight="0.35837123"/> <entry
entry="-49" weight="0.32149172"/> <entry entry="-50" weight="0.0982018"/>
<entry entry="-51" weight="0.5498457"/> <entry entry="-52"
weight="0.4885724"/> <entry entry="-53" weight="0.43802217"/> <entry entry="54" weight="0.63805336"/> <entry entry="-55" weight="0.86822605"/> <entry
entry="-56" weight="0.33160266"/> <entry entry="-57" weight="0.5502513"/>
</entries>
<examplesInClasses>
<examplesClassCount class="0.0" count="1"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction"
id="31" neuronClass="1.0">
<entries>
<entry entry="-1" weight="0.61916006"/> <entry entry="-2"
weight="0.3382686"/> <entry entry="-3" weight="0.30272907"/> <entry entry="4" weight="0.49398577"/> <entry entry="-5" weight="0.13574117"/> <entry
entry="-6" weight="0.6005313"/> <entry entry="-7" weight="0.9485615"/> <entry
entry="-8" weight="0.2698043"/> <entry entry="-9" weight="0.35043746"/>
<entry entry="-10" weight="0.71867895"/> <entry entry="-11"
weight="0.1342834"/> <entry entry="-12" weight="0.53149796"/> <entry entry="13" weight="0.256085"/> <entry entry="-14" weight="0.67631274"/> <entry
entry="-15" weight="0.22209705"/> <entry entry="-16" weight="0.057286445"/>
<entry entry="-17" weight="0.6128353"/> <entry entry="-18"
weight="0.5300689"/> <entry entry="-19" weight="0.29432884"/> <entry entry="20" weight="0.55574787"/> <entry entry="-21" weight="0.69976175"/> <entry
entry="-22" weight="0.5761349"/> <entry entry="-23" weight="0.57355124"/>
<entry entry="-24" weight="0.5377871"/> <entry entry="-25"
weight="0.84032065"/> <entry entry="-26" weight="0.3701409"/> <entry entry="27" weight="0.15695369"/> <entry entry="-28" weight="0.88526756"/> <entry
entry="-29" weight="0.6799295"/> <entry entry="-30" weight="0.45692176"/>
<entry entry="-31" weight="0.47660315"/> <entry entry="-32"
weight="0.42061922"/> <entry entry="-33" weight="0.6136538"/> <entry entry="34" weight="0.98536026"/> <entry entry="-35" weight="0.3101017"/> <entry
entry="-36" weight="0.33597046"/> <entry entry="-37" weight="0.87617314"/>
<entry entry="-38" weight="0.7393187"/> <entry entry="-39"
weight="0.33700603"/> <entry entry="-40" weight="0.57448274"/> <entry
entry="-41" weight="0.5712104"/> <entry entry="-42" weight="0.54706377"/>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
459
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
<entry entry="-43" weight="0.25225803"/> <entry entry="-44"
weight="0.38462025"/> <entry entry="-45" weight="0.75007653"/> <entry
entry="-46" weight="0.2845614"/> <entry entry="-47" weight="0.1590155"/>
<entry entry="-48" weight="0.2944684"/> <entry entry="-49"
weight="0.59818184"/> <entry entry="-50" weight="0.2504217"/> <entry entry="51" weight="0.25781924"/> <entry entry="-52" weight="0.32241452"/> <entry
entry="-53" weight="0.58992845"/> <entry entry="-54" weight="0.34086427"/>
<entry entry="-55" weight="0.5543686"/> <entry entry="-56"
weight="0.33498657"/> <entry entry="-57" weight="0.654921"/>
</entries>
<examplesInClasses>
<examplesClassCount class="1.0" count="2"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="32"
neuronClass="1.0">
<entries>
<entry entry="-1" weight="0.5550679"/> <entry entry="-2"
weight="0.30064535"/> <entry entry="-3" weight="0.350149"/> <entry entry="-4"
weight="0.43676752"/> <entry entry="-5" weight="0.15910059"/> <entry entry="6" weight="0.66071755"/> <entry entry="-7" weight="0.8962509"/> <entry
entry="-8" weight="0.35844487"/> <entry entry="-9" weight="0.36515757"/>
<entry entry="-10" weight="0.6198789"/> <entry entry="-11"
weight="0.25350708"/> <entry entry="-12" weight="0.51485753"/> <entry
entry="-13" weight="0.23081768"/> <entry entry="-14" weight="0.8944181"/>
<entry entry="-15" weight="0.12575881"/> <entry entry="-16"
weight="0.1442217"/> <entry entry="-17" weight="0.5013409"/> <entry entry="18" weight="0.5010468"/> <entry entry="-19" weight="0.27421367"/> <entry
entry="-20" weight="0.59789556"/> <entry entry="-21" weight="0.5710261"/>
<entry entry="-22" weight="0.60818875"/> <entry entry="-23"
weight="0.7473167"/> <entry entry="-24" weight="0.5433496"/> <entry entry="25" weight="0.7539845"/> <entry entry="-26" weight="0.3295044"/> <entry
entry="-27" weight="0.06390699"/> <entry entry="-28" weight="0.8591409"/>
<entry entry="-29" weight="0.6034475"/> <entry entry="-30"
weight="0.49393135"/> <entry entry="-31" weight="0.56335247"/> <entry
entry="-32" weight="0.44436514"/> <entry entry="-33" weight="0.5776615"/>
<entry entry="-34" weight="0.90742457"/> <entry entry="-35"
weight="0.5262253"/> <entry entry="-36" weight="0.47024855"/> <entry entry="37" weight="0.7658118"/> <entry entry="-38" weight="0.7642909"/> <entry
entry="-39" weight="0.342183"/> <entry entry="-40" weight="0.7553618"/>
<entry entry="-41" weight="0.4630877"/> <entry entry="-42"
weight="0.3859327"/> <entry entry="-43" weight="0.09794644"/> <entry entry="44" weight="0.25394022"/> <entry entry="-45" weight="0.7974598"/> <entry
entry="-46" weight="0.39761296"/> <entry entry="-47" weight="0.13129476"/>
<entry entry="-48" weight="0.48710793"/> <entry entry="-49"
weight="0.7052608"/> <entry entry="-50" weight="0.28353885"/> <entry entry="51" weight="0.19314149"/> <entry entry="-52" weight="0.2924592"/> <entry
entry="-53" weight="0.76866794"/> <entry entry="-54" weight="0.08755084"/>
<entry entry="-55" weight="0.5642251"/> <entry entry="-56"
weight="0.3889171"/> <entry entry="-57" weight="0.78411835"/>
</entries>
<examplesInClasses>
<examplesClassCount class="1.0" count="3"/> <examplesClassCount class="0.0"
count="1"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction"
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
460
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
id="33" neuronClass="1.0">
<entries>
<entry entry="-1" weight="0.645871"/> <entry entry="-2" weight="0.4213917"/>
<entry entry="-3" weight="0.20176657"/> <entry entry="-4"
weight="0.5478845"/> <entry entry="-5" weight="0.33645758"/> <entry entry="6" weight="0.6472796"/> <entry entry="-7" weight="0.93553036"/> <entry
entry="-8" weight="0.29320508"/> <entry entry="-9" weight="0.21377787"/>
<entry entry="-10" weight="0.5271768"/> <entry entry="-11"
weight="0.23530708"/> <entry entry="-12" weight="0.30717796"/> <entry
entry="-13" weight="0.13980992"/> <entry entry="-14" weight="0.8503622"/>
<entry entry="-15" weight="0.0766845"/> <entry entry="-16"
weight="0.32923064"/> <entry entry="-17" weight="0.6457639"/> <entry entry="18" weight="0.40468735"/> <entry entry="-19" weight="0.15996379"/> <entry
entry="-20" weight="0.539448"/> <entry entry="-21" weight="0.5225402"/>
<entry entry="-22" weight="0.57053035"/> <entry entry="-23"
weight="0.60309577"/> <entry entry="-24" weight="0.4543767"/> <entry entry="25" weight="0.61199933"/> <entry entry="-26" weight="0.36048347"/> <entry
entry="-27" weight="0.04089351"/> <entry entry="-28" weight="0.9208307"/>
<entry entry="-29" weight="0.71252733"/> <entry entry="-30"
weight="0.48727688"/> <entry entry="-31" weight="0.38942575"/> <entry
entry="-32" weight="0.26154464"/> <entry entry="-33" weight="0.6311238"/>
<entry entry="-34" weight="0.7799008"/> <entry entry="-35"
weight="0.618937"/> <entry entry="-36" weight="0.3701908"/> <entry entry="37" weight="0.77309746"/> <entry entry="-38" weight="0.8616898"/> <entry
entry="-39" weight="0.36275935"/> <entry entry="-40" weight="0.718952"/>
<entry entry="-41" weight="0.32335198"/> <entry entry="-42"
weight="0.5195858"/> <entry entry="-43" weight="0.2087346"/> <entry entry="44" weight="0.30901214"/> <entry entry="-45" weight="0.6347734"/> <entry
entry="-46" weight="0.37398726"/> <entry entry="-47" weight="0.24148472"/>
<entry entry="-48" weight="0.54062593"/> <entry entry="-49"
weight="0.82667065"/> <entry entry="-50" weight="0.30944395"/> <entry
entry="-51" weight="0.11312976"/> <entry entry="-52" weight="0.18048033"/>
<entry entry="-53" weight="0.64995146"/> <entry entry="-54"
weight="0.053611893"/> <entry entry="-55" weight="0.57694066"/> <entry
entry="-56" weight="0.5281312"/> <entry entry="-57" weight="0.78929293"/>
</entries>
<examplesInClasses>
<examplesClassCount class="1.0" count="2"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction"
id="34" neuronClass="null">
<entries>
<entry entry="-1" weight="0.47271794"/> <entry entry="-2"
weight="0.68912923"/> <entry entry="-3" weight="0.40577853"/> <entry entry="4" weight="0.6615682"/> <entry entry="-5" weight="0.49985456"/> <entry
entry="-6" weight="0.43179467"/> <entry entry="-7" weight="0.82055587"/>
<entry entry="-8" weight="0.45866144"/> <entry entry="-9"
weight="0.25923353"/> <entry entry="-10" weight="0.3143031"/> <entry entry="11" weight="0.43421212"/> <entry entry="-12" weight="0.45489183"/> <entry
entry="-13" weight="0.27188337"/> <entry entry="-14" weight="0.81342155"/>
<entry entry="-15" weight="0.2250878"/> <entry entry="-16"
weight="0.6326172"/> <entry entry="-17" weight="0.6413959"/> <entry entry="18" weight="0.33274737"/> <entry entry="-19" weight="0.32537138"/> <entry
entry="-20" weight="0.4369872"/> <entry entry="-21" weight="0.50882524"/>
<entry entry="-22" weight="0.7040434"/> <entry entry="-23"
weight="0.36637092"/> <entry entry="-24" weight="0.6449618"/> <entry entry="25" weight="0.4351295"/> <entry entry="-26" weight="0.56466544"/> <entry
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
461
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
entry="-27" weight="0.08902261"/> <entry entry="-28" weight="0.84203446"/>
<entry entry="-29" weight="0.731174"/> <entry entry="-30"
weight="0.42507264"/> <entry entry="-31" weight="0.42714897"/> <entry
entry="-32" weight="0.42678237"/> <entry entry="-33" weight="0.8918242"/>
<entry entry="-34" weight="0.5768895"/> <entry entry="-35"
weight="0.9230958"/> <entry entry="-36" weight="0.6092769"/> <entry entry="37" weight="0.7063888"/> <entry entry="-38" weight="0.8102529"/> <entry
entry="-39" weight="0.6243952"/> <entry entry="-40" weight="0.69690055"/>
<entry entry="-41" weight="0.37241107"/> <entry entry="-42"
weight="0.5621257"/> <entry entry="-43" weight="0.33346352"/> <entry entry="44" weight="0.4264422"/> <entry entry="-45" weight="0.39535654"/> <entry
entry="-46" weight="0.39473113"/> <entry entry="-47" weight="0.49243248"/>
<entry entry="-48" weight="0.9025186"/> <entry entry="-49"
weight="0.6503519"/> <entry entry="-50" weight="0.24783637"/> <entry entry="51" weight="0.305431"/> <entry entry="-52" weight="0.26538414"/> <entry
entry="-53" weight="0.59406435"/> <entry entry="-54" weight="0.12819856"/>
<entry entry="-55" weight="0.9384205"/> <entry entry="-56"
weight="0.68699276"/> <entry entry="-57" weight="0.7526452"/>
</entries>
<examplesInClasses/>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="35"
neuronClass="1.0">
<entries>
<entry entry="-1" weight="0.6226771"/> <entry entry="-2" weight="0.769322"/>
<entry entry="-3" weight="0.3175314"/> <entry entry="-4"
weight="0.59271955"/> <entry entry="-5" weight="0.5635487"/> <entry entry="6" weight="0.64567983"/> <entry entry="-7" weight="0.8198336"/> <entry
entry="-8" weight="0.58694303"/> <entry entry="-9" weight="0.24586773"/>
<entry entry="-10" weight="0.25926352"/> <entry entry="-11"
weight="0.34906518"/> <entry entry="-12" weight="0.19623542"/> <entry
entry="-13" weight="0.32939005"/> <entry entry="-14" weight="0.5815435"/>
<entry entry="-15" weight="0.3526262"/> <entry entry="-16"
weight="0.7771092"/> <entry entry="-17" weight="0.92418325"/> <entry entry="18" weight="0.14552769"/> <entry entry="-19" weight="0.2994281"/> <entry
entry="-20" weight="0.61028063"/> <entry entry="-21" weight="0.21392712"/>
<entry entry="-22" weight="0.4930079"/> <entry entry="-23"
weight="0.35368103"/> <entry entry="-24" weight="0.49647394"/> <entry
entry="-25" weight="0.34200943"/> <entry entry="-26" weight="0.46055532"/>
<entry entry="-27" weight="0.43414858"/> <entry entry="-28"
weight="0.806582"/> <entry entry="-29" weight="0.6434057"/> <entry entry="30" weight="0.45341298"/> <entry entry="-31" weight="0.41201124"/> <entry
entry="-32" weight="0.4056309"/> <entry entry="-33" weight="0.60268235"/>
<entry entry="-34" weight="0.66690695"/> <entry entry="-35"
weight="0.91879576"/> <entry entry="-36" weight="0.5561767"/> <entry entry="37" weight="0.5609104"/> <entry entry="-38" weight="0.7470572"/> <entry
entry="-39" weight="0.7271975"/> <entry entry="-40" weight="0.43882418"/>
<entry entry="-41" weight="0.4125568"/> <entry entry="-42"
weight="0.78502214"/> <entry entry="-43" weight="0.62093663"/> <entry
entry="-44" weight="0.6683423"/> <entry entry="-45" weight="0.3822497"/>
<entry entry="-46" weight="0.27857408"/> <entry entry="-47"
weight="0.66059625"/> <entry entry="-48" weight="0.98050314"/> <entry
entry="-49" weight="0.6188675"/> <entry entry="-50" weight="0.462206"/>
<entry entry="-51" weight="0.39165008"/> <entry entry="-52"
weight="0.21240072"/> <entry entry="-53" weight="0.33941177"/> <entry
entry="-54" weight="0.25946498"/> <entry entry="-55" weight="0.6926752"/>
<entry entry="-56" weight="0.5651705"/> <entry entry="-57"
weight="0.5199944"/>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
462
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
</entries>
<examplesInClasses>
<examplesClassCount class="1.0" count="4"/> <examplesClassCount class="0.0"
count="1"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="36"
neuronClass="1.0">
<entries>
<entry entry="-1" weight="0.5051719"/> <entry entry="-2"
weight="0.73273194"/> <entry entry="-3" weight="0.3445073"/> <entry entry="4" weight="0.6510578"/> <entry entry="-5" weight="0.34966147"/> <entry
entry="-6" weight="0.47263262"/> <entry entry="-7" weight="0.893939"/> <entry
entry="-8" weight="0.38211754"/> <entry entry="-9" weight="0.31925917"/>
<entry entry="-10" weight="0.44375235"/> <entry entry="-11"
weight="0.19209422"/> <entry entry="-12" weight="0.52886003"/> <entry
entry="-13" weight="0.4439469"/> <entry entry="-14" weight="0.37262356"/>
<entry entry="-15" weight="0.46308017"/> <entry entry="-16"
weight="0.44266048"/> <entry entry="-17" weight="0.93657064"/> <entry
entry="-18" weight="0.37902308"/> <entry entry="-19" weight="0.35845482"/>
<entry entry="-20" weight="0.51336247"/> <entry entry="-21"
weight="0.57379794"/> <entry entry="-22" weight="0.5882125"/> <entry entry="23" weight="0.21230847"/> <entry entry="-24" weight="0.58669645"/> <entry
entry="-25" weight="0.5891893"/> <entry entry="-26" weight="0.5452958"/>
<entry entry="-27" weight="0.35904804"/> <entry entry="-28"
weight="0.84887135"/> <entry entry="-29" weight="0.7703278"/> <entry entry="30" weight="0.37507287"/> <entry entry="-31" weight="0.39346486"/> <entry
entry="-32" weight="0.50311"/> <entry entry="-33" weight="0.8007201"/> <entry
entry="-34" weight="0.8236731"/> <entry entry="-35" weight="0.48847967"/>
<entry entry="-36" weight="0.43534452"/> <entry entry="-37"
weight="0.767222"/> <entry entry="-38" weight="0.6986876"/> <entry entry="39" weight="0.68984246"/> <entry entry="-40" weight="0.28408548"/> <entry
entry="-41" weight="0.63956255"/> <entry entry="-42" weight="0.90940994"/>
<entry entry="-43" weight="0.65629923"/> <entry entry="-44"
weight="0.78691864"/> <entry entry="-45" weight="0.40754557"/> <entry
entry="-46" weight="0.14302126"/> <entry entry="-47" weight="0.5020496"/>
<entry entry="-48" weight="0.6594658"/> <entry entry="-49"
weight="0.3482146"/> <entry entry="-50" weight="0.26798132"/> <entry entry="51" weight="0.5032027"/> <entry entry="-52" weight="0.3718285"/> <entry
entry="-53" weight="0.30563593"/> <entry entry="-54" weight="0.5407718"/>
<entry entry="-55" weight="0.8287838"/> <entry entry="-56"
weight="0.4948436"/> <entry entry="-57" weight="0.44277543"/>
</entries>
<examplesInClasses>
<examplesClassCount class="1.0" count="1"/> <examplesClassCount class="0.0"
count="1"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction" id="37"
neuronClass="null">
<entries>
<entry entry="-1" weight="0.41154906"/> <entry entry="-2"
weight="0.5442487"/> <entry entry="-3" weight="0.52465844"/> <entry entry="4" weight="0.6388369"/> <entry entry="-5" weight="0.21931674"/> <entry
entry="-6" weight="0.2828248"/> <entry entry="-7" weight="0.9007026"/> <entry
entry="-8" weight="0.4082709"/> <entry entry="-9" weight="0.60778165"/>
<entry entry="-10" weight="0.49653298"/> <entry entry="-11"
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
463
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
weight="0.2018622"/> <entry entry="-12" weight="0.9097403"/> <entry entry="13" weight="0.47492835"/> <entry entry="-14" weight="0.3900826"/> <entry
entry="-15" weight="0.34520423"/> <entry entry="-16" weight="0.10092909"/>
<entry entry="-17" weight="0.6219027"/> <entry entry="-18"
weight="0.41342413"/> <entry entry="-19" weight="0.4866255"/> <entry entry="20" weight="0.49227464"/> <entry entry="-21" weight="0.70709515"/> <entry
entry="-22" weight="0.70985633"/> <entry entry="-23" weight="0.30719888"/>
<entry entry="-24" weight="0.6855194"/> <entry entry="-25"
weight="0.7281815"/> <entry entry="-26" weight="0.59644103"/> <entry entry="27" weight="0.22388315"/> <entry entry="-28" weight="0.79391855"/> <entry
entry="-29" weight="0.74222624"/> <entry entry="-30" weight="0.31875637"/>
<entry entry="-31" weight="0.5507308"/> <entry entry="-32"
weight="0.74601376"/> <entry entry="-33" weight="0.782318"/> <entry entry="34" weight="0.9744477"/> <entry entry="-35" weight="0.2494914"/> <entry
entry="-36" weight="0.55538565"/> <entry entry="-37" weight="0.8044559"/>
<entry entry="-38" weight="0.5571419"/> <entry entry="-39"
weight="0.5430303"/> <entry entry="-40" weight="0.48100716"/> <entry entry="41" weight="0.7517346"/> <entry entry="-42" weight="0.71933514"/> <entry
entry="-43" weight="0.47350878"/> <entry entry="-44" weight="0.6743231"/>
<entry entry="-45" weight="0.54960144"/> <entry entry="-46"
weight="0.30789137"/> <entry entry="-47" weight="0.2042294"/> <entry entry="48" weight="0.4865533"/> <entry entry="-49" weight="0.36429322"/> <entry
entry="-50" weight="0.16693154"/> <entry entry="-51" weight="0.42018193"/>
<entry entry="-52" weight="0.5165991"/> <entry entry="-53"
weight="0.5816766"/> <entry entry="-54" weight="0.5300634"/> <entry entry="55" weight="0.9360256"/> <entry entry="-56" weight="0.33276638"/> <entry
entry="-57" weight="0.46635738"/>
</entries>
<examplesInClasses/>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction"
id="38" neuronClass="null">
<entries>
<entry entry="-1" weight="0.28966445"/> <entry entry="-2"
weight="0.5530942"/> <entry entry="-3" weight="0.5094442"/> <entry entry="-4"
weight="0.51532316"/> <entry entry="-5" weight="0.2006435"/> <entry entry="6" weight="0.405358"/> <entry entry="-7" weight="0.87476593"/> <entry
entry="-8" weight="0.4277806"/> <entry entry="-9" weight="0.4896566"/> <entry
entry="-10" weight="0.4317306"/> <entry entry="-11" weight="0.19499946"/>
<entry entry="-12" weight="0.8578581"/> <entry entry="-13"
weight="0.51834124"/> <entry entry="-14" weight="0.48541704"/> <entry
entry="-15" weight="0.3263374"/> <entry entry="-16" weight="0.14560561"/>
<entry entry="-17" weight="0.5912787"/> <entry entry="-18"
weight="0.46227562"/> <entry entry="-19" weight="0.38840872"/> <entry
entry="-20" weight="0.5179972"/> <entry entry="-21" weight="0.6608622"/>
<entry entry="-22" weight="0.6907402"/> <entry entry="-23"
weight="0.3206717"/> <entry entry="-24" weight="0.64643353"/> <entry entry="25" weight="0.78084266"/> <entry entry="-26" weight="0.5962004"/> <entry
entry="-27" weight="0.24059296"/> <entry entry="-28" weight="0.8169786"/>
<entry entry="-29" weight="0.7042095"/> <entry entry="-30"
weight="0.3614744"/> <entry entry="-31" weight="0.58666295"/> <entry entry="32" weight="0.68928695"/> <entry entry="-33" weight="0.8055154"/> <entry
entry="-34" weight="0.89637774"/> <entry entry="-35" weight="0.35157937"/>
<entry entry="-36" weight="0.55197054"/> <entry entry="-37"
weight="0.7076509"/> <entry entry="-38" weight="0.58896613"/> <entry entry="39" weight="0.6236091"/> <entry entry="-40" weight="0.51415265"/> <entry
entry="-41" weight="0.7222489"/> <entry entry="-42" weight="0.68011093"/>
<entry entry="-43" weight="0.39835867"/> <entry entry="-44"
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
464
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
weight="0.72867143"/> <entry entry="-45" weight="0.47800124"/> <entry
entry="-46" weight="0.2114915"/> <entry entry="-47" weight="0.20520505"/>
<entry entry="-48" weight="0.5960392"/> <entry entry="-49"
weight="0.34151354"/> <entry entry="-50" weight="0.18947625"/> <entry
entry="-51" weight="0.44011205"/> <entry entry="-52" weight="0.58823955"/>
<entry entry="-53" weight="0.6242529"/> <entry entry="-54"
weight="0.50001395"/> <entry entry="-55" weight="0.9382123"/> <entry entry="56" weight="0.3518415"/> <entry entry="-57" weight="0.46744984"/>
</entries>
<examplesInClasses/>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction"
id="39" neuronClass="1.0">
<entries>
<entry entry="-1" weight="0.4029321"/> <entry entry="-2" weight="0.6892429"/>
<entry entry="-3" weight="0.357571"/> <entry entry="-4" weight="0.638586"/>
<entry entry="-5" weight="0.6015097"/> <entry entry="-6"
weight="0.43217203"/> <entry entry="-7" weight="0.8620798"/> <entry entry="8" weight="0.5515534"/> <entry entry="-9" weight="0.3435554"/> <entry
entry="-10" weight="0.15540247"/> <entry entry="-11" weight="0.33596414"/>
<entry entry="-12" weight="0.45850152"/> <entry entry="-13"
weight="0.25832742"/> <entry entry="-14" weight="0.7386346"/> <entry entry="15" weight="0.05860064"/> <entry entry="-16" weight="0.5539477"/> <entry
entry="-17" weight="0.588501"/> <entry entry="-18" weight="0.19488458"/>
<entry entry="-19" weight="0.2467924"/> <entry entry="-20"
weight="0.5005346"/> <entry entry="-21" weight="0.38884073"/> <entry entry="22" weight="0.681135"/> <entry entry="-23" weight="0.2970165"/> <entry
entry="-24" weight="0.49573824"/> <entry entry="-25" weight="0.37306258"/>
<entry entry="-26" weight="0.61350316"/> <entry entry="-27"
weight="0.1119991"/> <entry entry="-28" weight="0.825759"/> <entry entry="29" weight="0.71925354"/> <entry entry="-30" weight="0.36827388"/> <entry
entry="-31" weight="0.44472352"/> <entry entry="-32" weight="0.40681598"/>
<entry entry="-33" weight="0.7860757"/> <entry entry="-34"
weight="0.6163522"/> <entry entry="-35" weight="0.77358246"/> <entry entry="36" weight="0.5723055"/> <entry entry="-37" weight="0.5522317"/> <entry
entry="-38" weight="0.734137"/> <entry entry="-39" weight="0.61935997"/>
<entry entry="-40" weight="0.7904732"/> <entry entry="-41"
weight="0.29760545"/> <entry entry="-42" weight="0.66533023"/> <entry
entry="-43" weight="0.38032687"/> <entry entry="-44" weight="0.59056896"/>
<entry entry="-45" weight="0.33338207"/> <entry entry="-46"
weight="0.344482"/> <entry entry="-47" weight="0.34843618"/> <entry entry="48" weight="0.88076097"/> <entry entry="-49" weight="0.7462249"/> <entry
entry="-50" weight="0.33780125"/> <entry entry="-51" weight="0.16231516"/>
<entry entry="-52" weight="0.3389485"/> <entry entry="-53"
weight="0.639755"/> <entry entry="-54" weight="0.103424706"/> <entry entry="55" weight="0.94055855"/> <entry entry="-56" weight="0.6304933"/> <entry
entry="-57" weight="0.6007773"/>
</entries>
<examplesInClasses>
<examplesClassCount class="1.0" count="1"/> <examplesClassCount class="0.0"
count="1"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction"
id="40" neuronClass="0.0">
<entries>
<entry entry="-1" weight="0.40877306"/> <entry entry="-2"
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
465
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
weight="0.6886667"/> <entry entry="-3" weight="0.36097282"/> <entry entry="4" weight="0.6287234"/> <entry entry="-5" weight="0.6059488"/> <entry
entry="-6" weight="0.44118583"/> <entry entry="-7" weight="0.8696511"/>
<entry entry="-8" weight="0.55887586"/> <entry entry="-9"
weight="0.3384382"/> <entry entry="-10" weight="0.1583643"/> <entry entry="11" weight="0.33793297"/> <entry entry="-12" weight="0.454022"/> <entry
entry="-13" weight="0.2546571"/> <entry entry="-14" weight="0.7338038"/>
<entry entry="-15" weight="0.070402846"/> <entry entry="-16"
weight="0.5575661"/> <entry entry="-17" weight="0.5902662"/> <entry entry="18" weight="0.19560127"/> <entry entry="-19" weight="0.23778015"/> <entry
entry="-20" weight="0.50502145"/> <entry entry="-21" weight="0.3766383"/>
<entry entry="-22" weight="0.6706749"/> <entry entry="-23"
weight="0.31079367"/> <entry entry="-24" weight="0.50834763"/> <entry
entry="-25" weight="0.38251618"/> <entry entry="-26" weight="0.6033898"/>
<entry entry="-27" weight="0.11584527"/> <entry entry="-28"
weight="0.83300686"/> <entry entry="-29" weight="0.7131045"/> <entry entry="30" weight="0.37670875"/> <entry entry="-31" weight="0.45041487"/> <entry
entry="-32" weight="0.41338554"/> <entry entry="-33" weight="0.78361714"/>
<entry entry="-34" weight="0.6132528"/> <entry entry="-35"
weight="0.7839715"/> <entry entry="-36" weight="0.5723536"/> <entry entry="37" weight="0.5568043"/> <entry entry="-38" weight="0.73238397"/> <entry
entry="-39" weight="0.6229792"/> <entry entry="-40" weight="0.78018934"/>
<entry entry="-41" weight="0.3044488"/> <entry entry="-42"
weight="0.66419876"/> <entry entry="-43" weight="0.37153018"/> <entry
entry="-44" weight="0.58758134"/> <entry entry="-45" weight="0.33190554"/>
<entry entry="-46" weight="0.35338578"/> <entry entry="-47"
weight="0.34822208"/> <entry entry="-48" weight="0.8913719"/> <entry entry="49" weight="0.7521174"/> <entry entry="-50" weight="0.3375739"/> <entry
entry="-51" weight="0.17079638"/> <entry entry="-52" weight="0.33733234"/>
<entry entry="-53" weight="0.6372009"/> <entry entry="-54"
weight="0.10600536"/> <entry entry="-55" weight="0.937383"/> <entry entry="56" weight="0.6235602"/> <entry entry="-57" weight="0.5997557"/>
</entries>
<examplesInClasses>
<examplesClassCount class="0.0" count="2"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction"
id="41" neuronClass="null">
<entries>
<entry entry="-1" weight="0.5255994"/> <entry entry="-2" weight="0.6974773"/>
<entry entry="-3" weight="0.4111729"/> <entry entry="-4" weight="0.5729753"/>
<entry entry="-5" weight="0.72114515"/> <entry entry="-6"
weight="0.7136898"/> <entry entry="-7" weight="0.68581796"/> <entry entry="8" weight="0.58767635"/> <entry entry="-9" weight="0.12370596"/> <entry
entry="-10" weight="0.17003079"/> <entry entry="-11" weight="0.34128666"/>
<entry entry="-12" weight="0.20131765"/> <entry entry="-13"
weight="0.37972352"/> <entry entry="-14" weight="0.6953396"/> <entry entry="15" weight="0.2139277"/> <entry entry="-16" weight="0.8350423"/> <entry
entry="-17" weight="0.74667996"/> <entry entry="-18" weight="0.30751455"/>
<entry entry="-19" weight="0.14476362"/> <entry entry="-20"
weight="0.48906544"/> <entry entry="-21" weight="0.32153094"/> <entry
entry="-22" weight="0.4354459"/> <entry entry="-23" weight="0.44947892"/>
<entry entry="-24" weight="0.50154924"/> <entry entry="-25"
weight="0.4714693"/> <entry entry="-26" weight="0.45759177"/> <entry entry="27" weight="0.34041733"/> <entry entry="-28" weight="0.7711767"/> <entry
entry="-29" weight="0.62476903"/> <entry entry="-30" weight="0.3702611"/>
<entry entry="-31" weight="0.50869685"/> <entry entry="-32"
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
466
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
weight="0.25869328"/> <entry entry="-33" weight="0.65742147"/> <entry
entry="-34" weight="0.38953573"/> <entry entry="-35" weight="0.81668663"/>
<entry entry="-36" weight="0.38799638"/> <entry entry="-37"
weight="0.38539082"/> <entry entry="-38" weight="0.7421551"/> <entry entry="39" weight="0.778838"/> <entry entry="-40" weight="0.55465376"/> <entry
entry="-41" weight="0.31639338"/> <entry entry="-42" weight="0.77459526"/>
<entry entry="-43" weight="0.48490646"/> <entry entry="-44"
weight="0.83395034"/> <entry entry="-45" weight="0.13998006"/> <entry
entry="-46" weight="0.2139687"/> <entry entry="-47" weight="0.44356006"/>
<entry entry="-48" weight="0.930434"/> <entry entry="-49"
weight="0.7133509"/> <entry entry="-50" weight="0.41104624"/> <entry entry="51" weight="0.47450587"/> <entry entry="-52" weight="0.45632672"/> <entry
entry="-53" weight="0.5330336"/> <entry entry="-54" weight="0.2569347"/>
<entry entry="-55" weight="0.82319033"/> <entry entry="-56"
weight="0.7461829"/> <entry entry="-57" weight="0.53999996"/>
</entries>
<examplesInClasses/>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction"
id="42" neuronClass="0.0">
<entries>
<entry entry="-1" weight="0.41558588"/> <entry entry="-2"
weight="0.6343569"/> <entry entry="-3" weight="0.32397225"/> <entry entry="4" weight="0.7292081"/> <entry entry="-5" weight="0.3484071"/> <entry
entry="-6" weight="0.32136986"/> <entry entry="-7" weight="0.8355115"/>
<entry entry="-8" weight="0.3182866"/> <entry entry="-9"
weight="0.59593433"/> <entry entry="-10" weight="0.52024376"/> <entry
entry="-11" weight="0.18249524"/> <entry entry="-12" weight="0.80300486"/>
<entry entry="-13" weight="0.5243186"/> <entry entry="-14"
weight="0.26913083"/> <entry entry="-15" weight="0.46948445"/> <entry
entry="-16" weight="0.16322732"/> <entry entry="-17" weight="0.81158507"/>
<entry entry="-18" weight="0.38546324"/> <entry entry="-19" weight="0.4091"/>
<entry entry="-20" weight="0.4433497"/> <entry entry="-21"
weight="0.7356043"/> <entry entry="-22" weight="0.62865746"/> <entry entry="23" weight="0.41538924"/> <entry entry="-24" weight="0.5786637"/> <entry
entry="-25" weight="0.5523783"/> <entry entry="-26" weight="0.6102914"/>
<entry entry="-27" weight="0.2928409"/> <entry entry="-28"
weight="0.73679185"/> <entry entry="-29" weight="0.6914959"/> <entry entry="30" weight="0.15360473"/> <entry entry="-31" weight="0.5395323"/> <entry
entry="-32" weight="0.6443835"/> <entry entry="-33" weight="0.6490706"/>
<entry entry="-34" weight="0.9758582"/> <entry entry="-35"
weight="0.045082193"/> <entry entry="-36" weight="0.47085938"/> <entry
entry="-37" weight="0.6645075"/> <entry entry="-38" weight="0.47859162"/>
<entry entry="-39" weight="0.58985674"/> <entry entry="-40"
weight="0.32832664"/> <entry entry="-41" weight="0.76390797"/> <entry
entry="-42" weight="0.95101684"/> <entry entry="-43" weight="0.6944449"/>
<entry entry="-44" weight="0.85909903"/> <entry entry="-45"
weight="0.49074847"/> <entry entry="-46" weight="0.19564109"/> <entry
entry="-47" weight="0.22332504"/> <entry entry="-48" weight="0.44340837"/>
<entry entry="-49" weight="0.38384762"/> <entry entry="-50"
weight="0.32788497"/> <entry entry="-51" weight="0.4892669"/> <entry entry="52" weight="0.5067467"/> <entry entry="-53" weight="0.4957213"/> <entry
entry="-54" weight="0.56702745"/> <entry entry="-55" weight="0.8365951"/>
<entry entry="-56" weight="0.47100526"/> <entry entry="-57"
weight="0.2572744"/>
</entries>
<examplesInClasses>
<examplesClassCount class="1.0" count="1"/> <examplesClassCount class="0.0"
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
467
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
count="2"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction"
id="43" neuronClass="0.0">
<entries>
<entry entry="-1" weight="0.34301138"/> <entry entry="-2"
weight="0.54405487"/> <entry entry="-3" weight="0.5230446"/> <entry
entry="-4" weight="0.54724324"/> <entry entry="-5" weight="0.24152188"/>
<entry entry="-6" weight="0.35345367"/> <entry entry="-7"
weight="0.8810695"/> <entry entry="-8" weight="0.3973383"/> <entry entry="9" weight="0.5275016"/> <entry entry="-10" weight="0.45858842"/> <entry
entry="-11" weight="0.20558059"/> <entry entry="-12" weight="0.8659147"/>
<entry entry="-13" weight="0.5163107"/> <entry entry="-14"
weight="0.43728969"/> <entry entry="-15" weight="0.35350138"/> <entry
entry="-16" weight="0.116749555"/> <entry entry="-17" weight="0.5957086"/>
<entry entry="-18" weight="0.47128493"/> <entry entry="-19"
weight="0.3691346"/> <entry entry="-20" weight="0.4874617"/> <entry
entry="-21" weight="0.7095426"/> <entry entry="-22" weight="0.6778865"/>
<entry entry="-23" weight="0.35387388"/> <entry entry="-24"
weight="0.65704167"/> <entry entry="-25" weight="0.8027575"/> <entry
entry="-26" weight="0.6259255"/> <entry entry="-27" weight="0.21064693"/>
<entry entry="-28" weight="0.80870515"/> <entry entry="-29"
weight="0.7436787"/> <entry entry="-30" weight="0.3243318"/> <entry
entry="-31" weight="0.5559448"/> <entry entry="-32" weight="0.68928885"/>
<entry entry="-33" weight="0.8130546"/> <entry entry="-34"
weight="0.8851049"/> <entry entry="-35" weight="0.30753362"/> <entry
entry="-36" weight="0.5162866"/> <entry entry="-37" weight="0.71495616"/>
<entry entry="-38" weight="0.55384725"/> <entry entry="-39"
weight="0.59382033"/> <entry entry="-40" weight="0.50927126"/> <entry
entry="-41" weight="0.74617994"/> <entry entry="-42" weight="0.692585"/>
<entry entry="-43" weight="0.43000436"/> <entry entry="-44"
weight="0.7243985"/> <entry entry="-45" weight="0.449433"/> <entry entry="46" weight="0.22950271"/> <entry entry="-47" weight="0.15790059"/> <entry
entry="-48" weight="0.5500142"/> <entry entry="-49" weight="0.38500577"/>
<entry entry="-50" weight="0.20092928"/> <entry entry="-51"
weight="0.43069473"/> <entry entry="-52" weight="0.58240813"/> <entry
entry="-53" weight="0.6612136"/> <entry entry="-54" weight="0.48583996"/>
<entry entry="-55" weight="0.9500002"/> <entry entry="-56"
weight="0.3920443"/> <entry entry="-57" weight="0.45205396"/>
</entries>
<examplesInClasses>
<examplesClassCount class="0.0" count="1"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction"
id="44" neuronClass="1.0">
<entries>
<entry entry="-1" weight="0.38946038"/> <entry entry="-2"
weight="0.6715472"/> <entry entry="-3" weight="0.36345193"/> <entry entry="4" weight="0.6558391"/> <entry entry="-5" weight="0.36764544"/> <entry
entry="-6" weight="0.37736243"/> <entry entry="-7" weight="0.9231527"/>
<entry entry="-8" weight="0.32092488"/> <entry entry="-9"
weight="0.34438437"/> <entry entry="-10" weight="0.34806085"/> <entry
entry="-11" weight="0.19120021"/> <entry entry="-12" weight="0.68313044"/>
<entry entry="-13" weight="0.43142086"/> <entry entry="-14"
weight="0.42225608"/> <entry entry="-15" weight="0.302018"/> <entry entry="-
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
468
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
16" weight="0.33101797"/> <entry entry="-17" weight="0.77265465"/> <entry
entry="-18" weight="0.3764537"/> <entry entry="-19" weight="0.26485255"/>
<entry entry="-20" weight="0.43651816"/> <entry entry="-21"
weight="0.6279143"/> <entry entry="-22" weight="0.6682754"/> <entry entry="23" weight="0.19080055"/> <entry entry="-24" weight="0.56089234"/> <entry
entry="-25" weight="0.63463247"/> <entry entry="-26" weight="0.62662333"/>
<entry entry="-27" weight="0.19753923"/> <entry entry="-28"
weight="0.8884669"/> <entry entry="-29" weight="0.8480844"/> <entry entry="30" weight="0.34787717"/> <entry entry="-31" weight="0.3880155"/> <entry
entry="-32" weight="0.5174606"/> <entry entry="-33" weight="0.8667385"/>
<entry entry="-34" weight="0.7702405"/> <entry entry="-35"
weight="0.46233702"/> <entry entry="-36" weight="0.4735215"/> <entry entry="37" weight="0.72837865"/> <entry entry="-38" weight="0.70044065"/> <entry
entry="-39" weight="0.63561064"/> <entry entry="-40" weight="0.45576495"/>
<entry entry="-41" weight="0.58415407"/> <entry entry="-42"
weight="0.81565285"/> <entry entry="-43" weight="0.5110678"/> <entry entry="44" weight="0.7691705"/> <entry entry="-45" weight="0.31094006"/> <entry
entry="-46" weight="0.21425723"/> <entry entry="-47" weight="0.3209833"/>
<entry entry="-48" weight="0.6573215"/> <entry entry="-49"
weight="0.4590911"/> <entry entry="-50" weight="0.19846968"/> <entry entry="51" weight="0.35637373"/> <entry entry="-52" weight="0.46152866"/> <entry
entry="-53" weight="0.53066504"/> <entry entry="-54" weight="0.4473855"/>
<entry entry="-55" weight="0.9626266"/> <entry entry="-56"
weight="0.51531744"/> <entry entry="-57" weight="0.49782953"/>
</entries>
<examplesInClasses>
<examplesClassCount class="1.0" count="2"/> <examplesClassCount class="0.0"
count="1"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction"
id="45" neuronClass="1.0">
<entries>
<entry entry="-1" weight="0.43721467"/> <entry entry="-2"
weight="0.67242014"/> <entry entry="-3" weight="0.39935666"/> <entry entry="4" weight="0.64406466"/> <entry entry="-5" weight="0.6108569"/> <entry
entry="-6" weight="0.42539835"/> <entry entry="-7" weight="0.87295055"/>
<entry entry="-8" weight="0.5420718"/> <entry entry="-9"
weight="0.34176004"/> <entry entry="-10" weight="0.14880207"/> <entry
entry="-11" weight="0.3265804"/> <entry entry="-12" weight="0.46871638"/>
<entry entry="-13" weight="0.26468176"/> <entry entry="-14"
weight="0.7031592"/> <entry entry="-15" weight="0.06959276"/> <entry entry="16" weight="0.56162155"/> <entry entry="-17" weight="0.619864"/> <entry
entry="-18" weight="0.19224696"/> <entry entry="-19" weight="0.20957673"/>
<entry entry="-20" weight="0.5017303"/> <entry entry="-21"
weight="0.37234312"/> <entry entry="-22" weight="0.6619732"/> <entry entry="23" weight="0.32852593"/> <entry entry="-24" weight="0.5011715"/> <entry
entry="-25" weight="0.3996432"/> <entry entry="-26" weight="0.592081"/>
<entry entry="-27" weight="0.1124104"/> <entry entry="-28"
weight="0.8221793"/> <entry entry="-29" weight="0.7330737"/> <entry entry="30" weight="0.3573472"/> <entry entry="-31" weight="0.42652702"/> <entry
entry="-32" weight="0.4280763"/> <entry entry="-33" weight="0.7825725"/>
<entry entry="-34" weight="0.6011021"/> <entry entry="-35"
weight="0.77868795"/> <entry entry="-36" weight="0.55167377"/> <entry
entry="-37" weight="0.5365429"/> <entry entry="-38" weight="0.7253597"/>
<entry entry="-39" weight="0.6223666"/> <entry entry="-40"
weight="0.7587089"/> <entry entry="-41" weight="0.31603193"/> <entry entry="42" weight="0.6774991"/> <entry entry="-43" weight="0.398548"/> <entry
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
469
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
entry="-44" weight="0.6160074"/> <entry entry="-45" weight="0.29137927"/>
<entry entry="-46" weight="0.35870138"/> <entry entry="-47"
weight="0.3188495"/> <entry entry="-48" weight="0.88599503"/> <entry entry="49" weight="0.763651"/> <entry entry="-50" weight="0.3162631"/> <entry
entry="-51" weight="0.16343157"/> <entry entry="-52" weight="0.33494693"/>
<entry entry="-53" weight="0.66912985"/> <entry entry="-54"
weight="0.09110618"/> <entry entry="-55" weight="0.94880986"/> <entry
entry="-56" weight="0.62705594"/> <entry entry="-57" weight="0.60559225"/>
</entries>
<examplesInClasses>
<examplesClassCount class="1.0" count="3"/> <examplesClassCount class="0.0"
count="2"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction"
id="46" neuronClass="1.0">
<entries>
<entry entry="-1" weight="0.4210028"/> <entry entry="-2"
weight="0.73683965"/> <entry entry="-3" weight="0.24668698"/> <entry entry="4" weight="0.66215664"/> <entry entry="-5" weight="0.7511178"/> <entry
entry="-6" weight="0.63942254"/> <entry entry="-7" weight="0.8113778"/>
<entry entry="-8" weight="0.5637071"/> <entry entry="-9" weight="0.3141629"/>
<entry entry="-10" weight="0.101924084"/> <entry entry="-11"
weight="0.3366951"/> <entry entry="-12" weight="0.36075348"/> <entry entry="13" weight="0.3070796"/> <entry entry="-14" weight="0.60199016"/> <entry
entry="-15" weight="0.1283476"/> <entry entry="-16" weight="0.6610238"/>
<entry entry="-17" weight="0.76642007"/> <entry entry="-18"
weight="0.18453214"/> <entry entry="-19" weight="0.08692372"/> <entry
entry="-20" weight="0.50455374"/> <entry entry="-21" weight="0.24567202"/>
<entry entry="-22" weight="0.5252993"/> <entry entry="-23"
weight="0.42813212"/> <entry entry="-24" weight="0.35379422"/> <entry
entry="-25" weight="0.28283352"/> <entry entry="-26" weight="0.53858"/>
<entry entry="-27" weight="0.20420098"/> <entry entry="-28"
weight="0.8627158"/> <entry entry="-29" weight="0.6932837"/> <entry entry="30" weight="0.2748738"/> <entry entry="-31" weight="0.4635614"/> <entry
entry="-32" weight="0.3135466"/> <entry entry="-33" weight="0.63366854"/>
<entry entry="-34" weight="0.5264165"/> <entry entry="-35"
weight="0.6500539"/> <entry entry="-36" weight="0.44398803"/> <entry entry="37" weight="0.33687037"/> <entry entry="-38" weight="0.6844778"/> <entry
entry="-39" weight="0.73130137"/> <entry entry="-40" weight="0.67838866"/>
<entry entry="-41" weight="0.2690524"/> <entry entry="-42"
weight="0.8647926"/> <entry entry="-43" weight="0.47574338"/> <entry entry="44" weight="0.8459545"/> <entry entry="-45" weight="0.24237463"/> <entry
entry="-46" weight="0.26038098"/> <entry entry="-47" weight="0.3717643"/>
<entry entry="-48" weight="0.9582332"/> <entry entry="-49"
weight="0.7464392"/> <entry entry="-50" weight="0.45778215"/> <entry entry="51" weight="0.284795"/> <entry entry="-52" weight="0.43219995"/> <entry
entry="-53" weight="0.6125516"/> <entry entry="-54" weight="0.1540944"/>
<entry entry="-55" weight="0.8938903"/> <entry entry="-56"
weight="0.76619434"/> <entry entry="-57" weight="0.42958945"/>
</entries>
<examplesInClasses>
<examplesClassCount class="1.0" count="2"/> <examplesClassCount class="0.0"
count="1"/>
</examplesInClasses>
</neuron>
<neuron class="com.jcortex.kohonen.KohonenNeuron"
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction"
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
470
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
id="47" neuronClass="1.0">
<entries>
<entry entry="-1" weight="0.52408934"/> <entry entry="-2"
weight="0.6971202"/> <entry entry="-3" weight="0.4098035"/> <entry entry="-4"
weight="0.5725161"/> <entry entry="-5" weight="0.7152734"/> <entry entry="-6"
weight="0.7092463"/> <entry entry="-7" weight="0.68527174"/> <entry entry="8" weight="0.58476853"/> <entry entry="-9" weight="0.117359385"/> <entry
entry="-10" weight="0.1739245"/> <entry entry="-11" weight="0.33544305"/>
<entry entry="-12" weight="0.2001091"/> <entry entry="-13"
weight="0.3741799"/> <entry entry="-14" weight="0.697037"/> <entry entry="15" weight="0.2164286"/> <entry entry="-16" weight="0.8415456"/> <entry
entry="-17" weight="0.7466216"/> <entry entry="-18" weight="0.30453232"/>
<entry entry="-19" weight="0.14367566"/> <entry entry="-20"
weight="0.4870588"/> <entry entry="-21" weight="0.3225785"/> <entry entry="22" weight="0.4378786"/> <entry entry="-23" weight="0.45607194"/> <entry
entry="-24" weight="0.5093627"/> <entry entry="-25" weight="0.4701772"/>
<entry entry="-26" weight="0.45666432"/> <entry entry="-27"
weight="0.34322512"/> <entry entry="-28" weight="0.7695832"/> <entry entry="29" weight="0.6216408"/> <entry entry="-30" weight="0.37506688"/> <entry
entry="-31" weight="0.5070194"/> <entry entry="-32" weight="0.2618038"/>
<entry entry="-33" weight="0.65508974"/> <entry entry="-34"
weight="0.38900152"/> <entry entry="-35" weight="0.82006353"/> <entry
entry="-36" weight="0.3859446"/> <entry entry="-37" weight="0.38652593"/>
<entry entry="-38" weight="0.7467995"/> <entry entry="-39"
weight="0.7794996"/> <entry entry="-40" weight="0.5540877"/> <entry entry="41" weight="0.31743288"/> <entry entry="-42" weight="0.7722806"/> <entry
entry="-43" weight="0.48622003"/> <entry entry="-44" weight="0.83085114"/>
<entry entry="-45" weight="0.14015049"/> <entry entry="-46"
weight="0.22134873"/> <entry entry="-47" weight="0.44380814"/> <entry
entry="-48" weight="0.9283865"/> <entry entry="-49" weight="0.71271205"/>
<entry entry="-50" weight="0.4052436"/> <entry entry="-51"
weight="0.46858916"/> <entry entry="-52" weight="0.45324844"/> <entry
entry="-53" weight="0.5307816"/> <entry entry="-54" weight="0.2643035"/>
<entry entry="-55" weight="0.8209216"/> <entry entry="-56"
weight="0.74950635"/> <entry entry="-57" weight="0.5443636"/>
</entries>
<examplesInClasses>
<examplesClassCount class="1.0" count="2"/> <examplesClassCount class="0.0"
count="2"/>
</examplesInClasses>
</neuron>
<teacher analysisWindow="10" avgDistanceAccepted="0.05"
class="com.jcortex.kohonen.DefaultKohonenTeacher" constantVariation="1.0E-4"
learningRate="0.4" maxIterations="500" neighbourhoodRadius="1"/>
</neuralNetwork>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
471
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
Modelo de Red Perceptrón
Configuración de la Red y del Maestro:
Red Perceptón
simple con dos
entradas, Linear
Basis Function como
función de red y una
función umbral.
Esquema de la red entrenada:
Causas de parada del entrenamiento:
Razones de parada de los analizadores aglutinados:
{
....Error de Entrenamiento (Cuadrático Medio) no ha encontrado razones hasta ahora
para detener el entrenamiento.
....Detenido porque Error de Validación (Cuadrático Medio) no decrecía suficientemente
bien.
a[o] = 0.19980265; a[m] = 0.19980265; a[n] = 0.19980265
....Variación de Pesos (Media Abs.) no ha encontrado razones hasta ahora para detener
el entrenamiento.
}
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
472
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
Resultados de los estadísticos:
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
473
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
El entrenamiento se detuvo a causa de la tendencia constante del error de validación.
Esta parada tiene lugar en la iteración 10, ya que en los parámetros del maestro por
defecto, se ha indicado que el tamaño de la ventana de estudio es de 10. (Para más
información
ver
5.6.4.
Modelo
Perceptrón
>
d.
Maestro
DefaultPerceptronTeacher)
Archivo de ejemplos:
aFuncion2Variables.txt (ver…)
Nodo de configuración XML generado:
<neuralNetwork class="com.jcortex.feedForward.PerceptronNeuralNetwork"
inputTranslator="com.jcortex.translators.TransparentInputTranslator" neuronCount="1"
outputTranslator="com.jcortex.translators.TransparentOutputTranslator"
sensorCount="2">
<neuron activationFunction="com.jcortex.activationFunctions.StepFunction"
activationParamsCount="1" class="com.jcortex.feedForward.FeedForwardNeuron"
id="0" networkFunction="com.jcortex.networkFunctions.LinearBasisFunction">
<parameters count="1">
<parameter ix="0" value="0.5"/>
</parameters>
<entries>
<entry id="-1" weight="-28.797607"/>
<entry id="-2" weight="20.38462"/>
</entries>
</neuron>
<firstNeurons size="1">
<neuronRef id="0"/>
</firstNeurons>
<endNeurons size="1">
<neuronRef id="0"/>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
474
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
</endNeurons>
<teacher acceptableError="0.05" analysisWindow="10"
class="com.jcortex.feedForward.DefaultPerceptronTeacher"
constantVariation="1.0E-4" learningRate="0.5" maxIterations="500"
validationPercent="0.2"/>
</neuralNetwork>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
475
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
Modelo de Redes Perceptrón Multicapa
Configuración de la Red y del Maestro:
Red Perceptrón
Multicapa
formada por dos
capas de 2 y 1
neuronas. Todas
las capas usan la
Linear Basis
Function como
función de red, y
una sigmoidal
como función de
activación.
En la configuración del maestro hubo que bajar el error aceptable a una cifra muy baja
ya que el entrenamiento terminaba enseguida por haber alcanzado este umbral.
Esquema de la red entrenada:
Causas de parada del entrenamiento:
Razones de parada de los analizadores aglutinados:
{
....Error de Entrenamiento (Cuadrático Medio) no ha encontrado razones hasta ahora
para detener el entrenamiento.
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
476
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
....Detenido porque Error de Validación (Cuadrático Medio) no decrecía suficientemente
bien.
a[o] = 0.5487105; a[m] = 0.5487105; a[n] = 0.6852519
....Variación de Pesos (Media Abs.) no ha encontrado razones hasta ahora para detener
el entrenamiento.
}
Resultados de los estadísticos:
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
477
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
Está claro porqué la causa de parada del entrenamiento propuesto como ejemplo de un
Perceptrón Multicapa es el sobreaprendizaje. Se puede apreciar como la gráfica del
error de validación comienza a crecer desde el primer momento, lo que indica que la
red no está siendo capaz de generalizar correctamente el conocimiento aprendido.
Archivo de ejemplos:
aFuncion2Variables.txt (ver…)
Nodo de configuración XML generado:
<neuralNetwork class="com.jcortex.backPropagation.MultilayerPerceptronNeuralNetwork"
inputTranslator="com.jcortex.translators.TransparentInputTranslator" neuronCount="3"
outputTranslator="com.jcortex.translators.TransparentOutputTranslator"
sensorCount="2">
<layers count="2">
<layer ix="0" size="2"/>
<layer ix="1" size="1"/>
</layers>
<neuron activationFunction="com.jcortex.activationFunctions.SigmoidalFunction"
activationParamsCount="1"
class="com.jcortex.backPropagation.BackPropagationNeuron" id="0"
networkFunction="com.jcortex.networkFunctions.LinearBasisFunction">
<parameters count="1">
<parameter ix="0" value="1.0"/>
</parameters>
<entries>
<entry id="-1" weight="-3.11482"/>
<entry id="-2" weight="2.8287375"/>
</entries>
</neuron>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
478
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
<neuron activationFunction="com.jcortex.activationFunctions.SigmoidalFunction"
activationParamsCount="1"
class="com.jcortex.backPropagation.BackPropagationNeuron" id="1"
networkFunction="com.jcortex.networkFunctions.LinearBasisFunction">
<parameters count="1">
<parameter ix="0" value="1.0"/>
</parameters>
<entries>
<entry id="-1" weight="7.708614"/>
<entry id="-2" weight="-7.584787"/>
</entries>
</neuron>
<neuron activationFunction="com.jcortex.activationFunctions.SigmoidalFunction"
activationParamsCount="1"
class="com.jcortex.backPropagation.BackPropagationNeuron" id="2"
networkFunction="com.jcortex.networkFunctions.LinearBasisFunction">
<parameters count="1">
<parameter ix="0" value="1.0"/>
</parameters>
<entries>
<entry id="1" weight="-8.249389"/>
<entry id="0" weight="7.265858"/>
</entries>
</neuron>
<firstNeurons size="2">
<neuronRef id="0"/>
<neuronRef id="1"/>
</firstNeurons>
<endNeurons size="1">
<neuronRef id="2"/>
</endNeurons>
<teacher acceptableError="5.0E-4" analysisWindow="10"
class="com.jcortex.backPropagation.DefaultMultilayerPerceptronTeacher"
constantVariation="1.0E-4" learningRate="0.3" maxIterations="500"
validationPercent="0.3"/>
</neuralNetwork>
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
479
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
Archivo de ejemplos aFuncion2variables.txt
# Funcion de 2 variables para las pruebas con JCortex
@structure
float[]
@input X
@input Y
float
float
@output F(X,Y) float
@data
0.0556,
0.1312,
0.4812,
0.0823,
0.6290,
0.4420,
0.1844,
0.9158,
0.8084,
0.5660,
0.1441,
0.6787,
0.0545,
0.8848,
0.6918,
0.7764,
0.1382,
0.7322,
0.1312,
0.7525,
0.4966,
0.2214,
0.3665,
0.6788,
0.0815,
0.0416,
0.8055,
0.7239,
0.3891,
0.7579,
0.7604,
0.0858,
0.6515,
0.7204,
0.1126,
0.9194,
0.6770,
0.0579,
0.3928,
0.0133,
0.7970,
0.3492,
0.6032,
0.8413,
0.2673,
0.7760,
0.4325,
0.2461,
0.3030,
0.0093,
0.2719,
0.7860,
0.9740,
0.9945,
0.0329,
0.3245,
0.0628,
0.9562,
0.2049,
0.1341,
0.9937,
0.7424,
0.4112,
0.7231,
0.2401,
0.6585,
0.9494,
0.7732,
0.7280,
0.3666,
0.8400,
0.3917,
0.2743,
0.7793,
0.2166,
0.4703,
0.2167,
0.9149,
0.4153,
0.2401,
0.3494,
0.8844,
0.1808,
0.9959,
0.9981
0.9827
-0.1283
0.9935
-0.2687
-0.1086
0.9990
-0.0085
-0.2180
0.9692
0.9715
0.9095
-0.0018
-0.2832
-0.0434
0.9613
0.9998
-0.0980
0.9745
-0.5300
-0.2028
0.9754
-0.0879
-0.4323
0.9900
0.9981
-0.5534
-0.2623
0.9391
-0.2925
-0.2071
0.9929
-0.1407
-0.3323
0.9997
-0.7454
-0.2775
0.9998
-0.1368
0.9997
-0.1436
0.8997
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
480
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
0.1874,
0.8461,
0.6856,
0.1973,
0.6394,
0.1956,
0.6954,
0.0443,
0.1326,
0.2344,
0.2651,
0.3510,
0.3796,
0.5894,
0.8827,
0.3007,
0.1004,
0.5354,
0.0604,
0.2770,
0.1163,
0.9658,
0.0814,
0.1377,
0.9377,
0.5980,
0.4171,
0.8560,
0.9288,
0.1668,
0.8096,
0.4424,
0.3050,
0.8490,
0.7959,
0.7523,
0.4710,
0.5425,
0.1478,
0.4828,
0.4227,
0.3427,
0.6875,
0.3497,
0.6308,
0.0004,
0.5609,
0.7706,
0.3954,
0.7799,
0.6537,
0.7913,
0.4198,
0.6419,
0.0048,
0.6143,
0.7403,
0.0968,
0.4294,
0.9973,
0.5198,
0.5313,
0.1039,
0.5529,
0.3643,
0.2704,
0.0024,
0.7584,
0.6890,
0.0094,
0.7793,
0.9979,
0.9639,
0.0494,
0.4775,
0.1076,
0.0200,
0.4976,
0.7571,
0.1294,
0.9735,
0.4143,
0.7924,
0.4761,
0.4874,
0.6727,
0.5217,
0.2875,
0.2349,
0.2657,
0.1498,
0.2733,
0.1634,
0.5407,
0.2273,
0.2964,
0.9673,
0.2398,
0.2633,
0.1645,
0.8381,
0.3346,
0.8742,
0.8953,
0.9514,
0.5914,
0.0913,
0.4133,
0.5613,
0.4070,
0.9761,
0.6781,
0.5294,
0.5872,
0.8110,
0.5255,
0.2656,
0.9436,
0.9543
-0.4257
-0.3562
-0.0205
-0.3462
0.9978
-0.1869
-0.0001
0.9863
0.9774
-0.0025
0.9551
0.8918
0.9042
-0.0436
0.9944
1.0000
-0.0107
0.9986
0.9648
1.0000
0.9999
0.9985
0.9838
-0.4318
-0.2874
0.9774
-0.4319
-0.2639
0.9997
-0.2135
-0.0662
-0.0832
-0.1383
-0.4172
-0.1701
-0.1392
0.8956
0.9996
-0.1268
-0.0695
0.9429
-0.2280
0.9335
0.9448
1.0000
0.9994
-0.0703
0.9999
-0.4239
-0.2630
0.9575
0.9766
-0.3333
1.0000
0.9710
-0.3793
0.9995
0.9041
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
481
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
0.7000,
0.7033,
0.5180,
0.3717,
0.4887,
0.3037,
0.9000,
0.4388,
0.9542,
0.2405,
0.1151,
0.6243,
0.7817,
0.8805,
0.0003,
0.8407,
0.6118,
0.0443,
0.9256,
0.2726,
0.2549,
0.5510,
0.8587,
0.1738,
0.5505,
0.8637,
0.5417,
0.8489,
0.9753,
0.5276,
0.8818,
0.5574,
0.4229,
0.7090,
0.0658,
0.0039,
0.0254,
0.8833,
0.9418,
0.8390,
0.5057,
0.1643,
0.8661,
0.7649,
0.9689,
0.0070,
0.1463,
0.9634,
0.5888,
0.3306,
0.0627,
0.0312,
0.9529,
0.7348,
0.2863,
0.7409,
0.5178,
0.2790,
0.4560,
0.0593,
0.5987,
0.9972,
0.6725,
0.2400,
0.8008,
0.6060,
0.5082,
0.5847,
0.9432,
0.5779,
0.2717,
0.6603,
0.5242,
0.1637,
0.4078,
0.8584,
0.6927,
0.0995,
0.3837,
0.0201,
0.2357,
0.0809,
0.9200,
0.0097,
0.4785,
0.0463,
0.1500,
0.1471,
0.2155,
0.5606,
0.4395,
0.2379,
0.4170,
0.8552,
0.6630,
0.5877,
0.3409,
0.1933,
0.3001,
0.9581,
0.5524,
0.0308,
0.1667,
0.9232,
0.0346,
0.1137,
0.4475,
0.7149,
0.7007,
0.8029,
0.7655,
0.8115,
0.1228,
0.9005,
0.8102,
0.1806,
0.0844,
0.8643,
-0.0415
-0.4087
0.8793
0.9751
-0.1170
0.9548
-0.5188
0.9981
-0.5294
0.9434
0.9943
-0.1688
-0.4935
-0.4453
1.0000
-0.3362
0.9548
0.9984
-0.0919
0.9982
-0.0051
-0.1295
-0.0694
0.9665
-0.0053
-0.4016
-0.0251
-0.1270
-0.1430
-0.1135
-0.4745
-0.2425
-0.1004
-0.2914
0.9946
1.0000
0.9996
-0.2966
-0.1811
-0.2492
0.8971
0.9919
-0.0266
-0.1272
-0.7799
1.0000
-0.0166
-0.4178
0.9890
0.9702
0.9957
0.9990
-0.6985
-0.0901
0.9388
0.9947
-0.0934
-0.0236
0.9315
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
482
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
0.4904,
0.8287,
0.9494,
0.5043,
0.9508,
0.1269,
0.4842,
0.7497,
0.7206,
0.1875,
0.3071,
0.4039,
0.8824,
0.2292,
0.4755,
0.8135,
0.8245,
0.9833,
0.6669,
0.5167,
0.3119,
0.8552,
0.9638,
0.8805,
0.9559,
0.1191,
0.2860,
0.0884,
0.7959,
0.9748,
0.7702,
0.2484,
0.9281,
0.2083,
0.2533,
0.5040,
0.5853,
0.5312,
0.3455,
0.2147,
0.5617,
0.4839,
0.5651,
0.4518,
0.7056,
0.4205,
0.2811,
0.6671,
0.6964,
0.3680,
0.5307,
0.7107,
0.0996,
0.8925,
0.4097,
0.2494,
0.0874,
0.7759,
0.5895,
0.3447,
0.1643,
0.5279,
0.8998,
0.0031,
0.9239,
0.3199,
0.1393,
0.1384,
0.4479,
0.7003,
0.0035,
0.2765,
0.6471,
0.4238,
0.9955,
0.3395,
0.5154,
0.3941,
0.5771,
0.8529,
0.1764,
0.4613,
0.1992,
0.5760,
0.6006,
0.4690,
0.8132,
0.9856,
0.3779,
0.6879,
0.4003,
0.5146,
0.4360,
0.4625,
0.1183,
0.9693,
0.0840,
0.4159,
0.5647,
0.6123,
0.3700,
0.2278,
0.1282,
0.6790,
0.1085,
0.9973,
0.6814,
0.5768,
0.2278,
0.8303,
0.4301,
0.5350,
0.9396,
0.4044,
0.9986,
0.2986,
0.0415,
0.1507,
-0.1683
-0.1357
-0.4805
0.9215
-0.0029
0.9796
-0.1543
-0.1042
-0.0995
0.9952
0.9710
-0.0014
-0.2416
0.9817
-0.2001
0.9565
-0.2763
-0.4854
-0.2598
0.9981
0.9436
-0.1503
-0.4301
-0.1745
-0.5233
0.9934
0.9945
0.9918
0.9548
-0.3601
-0.5054
0.9972
-0.4596
0.9955
0.9944
-0.0596
0.9007
-0.0446
0.9988
0.9887
0.9984
-0.1781
-0.1284
-0.0579
-0.4610
-0.0456
0.9200
0.9998
-0.3910
-0.0837
0.9499
-0.3010
0.9962
0.9965
-0.1649
0.9310
0.9993
-0.0322
-0.0887
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
483
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
0.3771,
0.5694,
0.2341,
0.0776,
0.1908,
0.6570,
0.0529,
0.3610,
0.4251,
0.8197,
0.3809,
0.9702,
0.6123,
0.1551,
0.4317,
0.9544,
0.0811,
0.4869,
0.1511,
0.9882,
0.5846,
0.8344,
0.9321,
0.1534,
0.3801,
0.3024,
0.2583,
0.2440,
0.0148,
0.4455,
0.7432,
0.9348,
0.8942,
0.0570,
0.6241,
0.6550,
0.9271,
0.3649,
0.2453,
0.7562,
0.9981,
0.2569,
0.2764,
0.5287,
0.1183,
0.2201,
0.6206,
0.1067,
0.2818,
0.2772,
0.0822,
0.5442,
0.6835,
0.0237,
0.0780,
0.2960,
0.5547,
0.1442,
0.3150,
0.4414,
0.0959,
0.9099,
0.2014,
0.5587,
0.2698,
0.0677,
0.1092,
0.8033,
0.9882,
0.6728,
0.6768,
0.3980,
0.8551,
0.1257,
0.9610,
0.0421,
0.2637,
0.7393,
0.1149,
0.0284,
0.1651,
0.8362,
0.4106,
0.2193,
0.2149,
0.9966,
0.9277,
0.2726,
0.4042,
0.2021,
0.5243,
0.1198,
0.3561,
0.6081,
0.3511,
0.5289,
0.3541,
0.8148,
0.3912,
0.3881,
0.7305,
0.4271,
0.9445,
0.7165,
0.9599,
0.3011,
0.7139,
0.1607,
0.5079,
0.4601,
0.0676,
0.4822,
0.8979,
0.8016,
0.4586,
0.1699,
0.7485,
0.2045,
0.9988
-0.0546
0.9504
0.9998
0.9902
-0.1763
1.0000
-0.0394
0.9487
0.9621
0.9754
-0.6105
-0.2413
0.9765
-0.0542
0.9999
-0.0034
-0.1280
0.9843
-0.1133
-0.0166
-0.1373
-0.7029
0.9969
-0.0833
-0.0649
0.9281
0.9448
1.0000
-0.1791
-0.1496
-0.4707
-0.1069
0.9994
-0.3705
-0.2279
-0.4710
-0.1289
0.9612
-0.2915
-0.3778
0.9705
0.9965
0.9049
0.9900
0.9475
-0.1858
0.9916
-0.0453
0.9918
0.9981
-0.0368
-0.3237
0.9991
0.9936
0.9954
-0.0941
0.9849
-0.0644
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
484
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
0.3145,
0.5817,
0.5684,
0.1317,
0.9653,
0.6643,
0.9853,
0.8087,
0.7695,
0.4184,
0.5137,
0.2775,
0.8133,
0.8062,
0.0115,
0.5815,
0.5698,
0.8035,
0.0337,
0.7666,
0.7017,
0.1253,
0.2310,
0.7299,
0.5312,
0.9808,
0.9574,
0.0522,
0.7055,
0.8256,
0.0827,
0.5229,
0.3546,
0.1544,
0.7993,
0.9257,
0.8904,
0.1682,
0.1793,
0.9728,
0.7913,
0.5167,
0.7006,
0.9296,
0.4063,
0.8972,
0.4100,
0.3123,
0.0629,
0.6267,
0.8751,
0.0593,
0.1109,
0.6450,
0.1820,
0.3267,
0.9231,
0.3638,
0.8449,
0.1688,
0.4152,
0.6947,
0.7447,
0.1972,
0.6100,
0.9887,
0.7570,
0.0718,
0.1568,
0.3124,
0.3388,
0.3458,
0.7107,
0.4468,
0.7176,
0.8438,
0.4672,
0.7589,
0.9624,
0.8403,
0.6083,
0.9267,
0.9522,
0.0428,
0.7096,
0.6089,
0.3548,
0.6503,
0.9021,
0.5112,
0.4013,
0.4069,
0.3661,
0.7245,
0.3866,
0.9572,
0.8392,
0.0449,
0.4181,
0.8093,
0.8163,
0.0174,
0.9526,
0.5666,
0.0719,
0.2059,
0.9752,
0.2787,
0.0368,
0.5168,
0.7437,
0.9796,
0.5118,
0.9513,
0.0961,
0.0872,
0.6686,
0.4469,
-0.0531
-0.2392
0.9897
0.9870
-0.1892
-0.3942
1.0000
-0.5747
-0.0552
-0.0655
-0.1598
0.9994
-0.2775
-0.5422
0.9999
0.9875
0.9516
-0.3666
0.9988
0.9553
0.9812
0.9927
0.9488
0.9478
-0.0228
-0.6412
-0.5505
0.9995
-0.4429
0.9920
0.9975
-0.2083
0.9993
0.9979
-0.5473
-0.3503
0.9929
0.9746
-0.0081
-0.3956
0.9996
0.9525
-0.0122
0.9991
0.9915
-0.0645
-0.0843
0.9155
0.9996
-0.0231
-0.4369
0.9967
0.9815
-0.3241
0.9611
-0.0314
-0.0804
0.9755
-0.3686
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
485
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
0.1612,
0.4929,
0.8525,
0.5564,
0.7229,
0.6709,
0.0115,
0.4005,
0.1485,
0.6381,
0.0654,
0.0667,
0.8449,
0.1593,
0.5892,
0.6121,
0.1267,
0.8267,
0.4503,
0.7626,
0.0396,
0.5120,
0.5613,
0.7533,
0.8430,
0.6585,
0.1321,
0.1267,
0.9141,
0.1477,
0.9654,
0.5920,
0.5078,
0.0323,
0.0042,
0.1457,
0.2573,
0.1451,
0.9206,
0.0472,
0.4841,
0.5249,
0.5311,
0.3223,
0.7896,
0.0382,
0.2181,
0.3108,
0.9407,
0.2789,
0.4211,
0.3746,
0.0785,
0.2300,
0.0509,
0.6159,
0.1619,
0.7006,
0.6846,
0.1420,
0.6617,
0.0323,
0.0015,
0.1006,
0.7014,
0.5859,
0.2804,
0.8994,
0.2578,
0.2050,
0.7846,
0.7882,
0.9014,
0.7503,
0.8469,
0.7189,
0.5780,
0.0381,
0.7777,
0.5805,
0.5605,
0.3785,
0.8924,
0.0146,
0.3608,
0.0084,
0.3200,
0.7937,
0.1079,
0.6627,
0.4384,
0.6418,
0.6970,
0.7667,
0.3634,
0.2241,
0.0394,
0.4999,
0.1158,
0.9172,
0.1111,
0.0362,
0.8602,
0.0173,
0.4355,
0.4669,
0.2083,
0.6189,
0.4971,
0.7569,
0.8883,
0.9926,
0.4083,
0.7613,
0.4162,
0.5476,
0.7401,
0.4848,
-0.0229
0.9862
-0.0275
-0.0008
-0.0726
0.9992
0.9999
-0.1121
0.9752
-0.1638
0.9998
0.9954
-0.6178
0.9722
0.9820
0.9590
0.9888
-0.4599
-0.0171
0.9997
0.9991
0.9988
-0.2109
0.9781
-0.0123
-0.2353
-0.0011
0.9988
-0.6635
-0.0159
-0.5970
-0.2567
0.9908
0.9991
1.0000
0.9980
-0.0576
-0.0057
-0.4441
1.0000
0.9133
-0.0583
-0.0192
0.9405
-0.0136
0.9995
0.9941
-0.0647
-0.5498
0.9926
0.9603
0.9268
0.9897
0.9966
0.9974
-0.2536
0.9922
0.9985
-0.3258
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
486
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
0.1690,
0.9128,
0.3085,
0.9131,
0.3805,
0.2862,
0.9896,
0.9495,
0.3488,
0.8826,
0.4592,
0.7560,
0.0424,
0.4995,
0.1947,
0.2894,
0.4885,
0.8378,
0.0852,
0.3592,
0.2767,
0.2210,
0.8255,
0.9362,
0.4020,
0.5367,
0.1419,
0.6746,
0.1263,
0.3397,
0.5783,
0.5576,
0.3958,
0.9253,
0.5615,
0.6986,
0.5739,
0.5600,
0.8708,
0.9179,
0.3557,
0.3180,
0.9360,
0.1199,
0.8188,
0.5273,
0.6784,
0.1162,
0.4714,
0.6419,
0.9296,
0.9106,
0.7530,
0.4705,
0.6485,
0.5287,
0.4633,
0.0317,
0.1361,
0.4219,
0.0715,
0.7872,
0.9717,
0.9529,
0.9166,
0.5366,
0.8393,
0.5895,
0.3901,
0.0911,
0.7371,
0.5831,
0.8011,
0.4691,
0.2817,
0.5368,
0.6843,
0.3808,
0.2094,
0.0445,
0.2269,
0.2074,
0.5019,
0.5314,
0.1634,
0.8364,
0.8607,
0.2294,
0.6004,
0.7669,
0.8670,
0.9454,
0.6549,
0.8197,
0.0573,
0.1292,
0.5411,
0.4910,
0.1688,
0.2673,
0.5524,
0.3649,
0.8581,
0.0551,
0.3756,
0.4197,
0.5877,
0.8160,
0.0036,
0.7752,
0.4306,
0.4107,
0.8678,
0.5377,
0.0283,
0.2231,
0.9376,
0.4664,
0.9963
-0.0653
0.9567
0.9943
0.9066
0.9356
-0.5064
-0.7152
0.9859
-0.3376
-0.0418
-0.5288
0.9990
0.9549
0.9943
-0.0814
0.9989
-0.5424
0.9987
-0.0752
-0.0123
1.0000
-0.1703
-0.4528
0.9946
-0.0876
0.9806
0.9686
0.9997
0.9844
0.9763
0.9411
0.9068
-0.5696
0.9582
-0.0400
-0.0741
-0.2984
-0.4147
-0.1543
-0.0949
0.9889
-0.3349
0.9844
-0.0451
-0.1968
-0.2809
0.9940
0.9477
-0.0023
-0.6599
-0.3822
-0.3043
0.9309
-0.3417
-0.0150
-0.1032
0.9984
0.9960
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
487
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
0.7138,
0.6412,
0.5610,
0.3629,
0.6469,
0.8696,
0.2483,
0.1316,
0.3551,
0.4599,
0.0968,
0.4318,
0.2634,
0.6717,
0.4499,
0.7962,
0.1176,
0.7068,
0.2724,
0.4480,
0.6095,
0.2024,
0.5881,
0.7085,
0.5133,
0.3844,
0.8918,
0.0811,
0.9782,
0.4573,
0.2206,
0.6191,
0.7719,
0.9473,
0.6152,
0.9520,
0.2688,
0.1365,
0.6847,
0.7017,
0.7688,
0.3576,
0.0457,
0.1681,
0.9959,
0.9787,
0.6167,
0.9754,
0.9524,
0.5074,
0.8136,
0.1969,
0.8090,
0.5923,
0.8696,
0.0667,
0.0702,
0.6576,
0.3236,
0.1236,
0.9435,
0.2701,
0.7459,
0.2159,
0.8951,
0.0752,
0.1516,
0.3905,
0.4161,
0.4484,
0.2700,
0.8289,
0.2829,
0.9840,
0.9204,
0.4153,
0.3697,
0.7747,
0.4132,
0.6265,
0.2833,
0.1283,
0.1821,
0.0791,
0.3655,
0.8229,
0.6752,
0.0466,
0.0155,
0.1548,
0.4847,
0.1503,
0.2001,
0.5826,
0.0909,
0.6959,
0.3485,
0.8999,
0.5455,
0.5226,
0.8553,
0.5393,
0.7499,
0.4692,
0.0511,
0.6664,
0.6973,
0.9674,
0.9559,
0.2814,
0.7953,
0.2408,
0.3454,
0.4656,
0.6173,
0.7753,
0.5439,
0.1286,
-0.0881
0.9258
-0.1509
0.9616
-0.1392
0.9990
-0.0187
1.0000
0.9997
-0.1902
0.9977
-0.1163
0.9560
-0.1889
0.8867
0.9805
0.9975
-0.2583
0.9628
-0.1840
0.9998
0.9995
-0.0754
-0.1287
-0.0406
-0.1400
-0.6697
0.9954
-0.0456
-0.0071
-0.0341
-0.2956
-0.1158
-0.1884
-0.3508
-0.0864
0.9737
0.9983
0.9569
-0.3735
-0.3910
0.9373
0.9990
0.9809
-0.4504
-0.0500
0.9981
-0.6290
0.9996
0.8982
-0.2270
0.9724
-0.1936
-0.2031
-0.3939
0.9973
0.9951
-0.3500
-0.0416
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
488
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
0.6021,
0.4013,
0.9640,
0.4845,
0.7102,
0.0489,
0.9200,
0.9862,
0.2934,
0.5691,
0.6307,
0.1741,
0.0040,
0.9573,
0.7412,
0.8641,
0.1558,
0.6669,
0.7484,
0.6254,
0.1705,
0.8779,
0.5101,
0.4680,
0.5282,
0.5035,
0.5519,
0.2359,
0.6189,
0.1848,
0.8424,
0.0040,
0.7968,
0.3360,
0.2026,
0.8880,
0.0401,
0.8720,
0.1585,
0.5963,
0.3667,
0.0795,
0.1252,
0.5747,
0.1077,
0.1397,
0.9883,
0.3371,
0.6652,
0.3120,
0.9743,
0.7704,
0.0486,
0.4305,
0.4741,
0.4463,
0.7586,
0.4761,
0.7433,
0.7112,
0.8142,
0.9122,
0.1815,
0.4623,
0.6492,
0.4007,
0.1496,
0.6222,
0.7439,
0.6275,
0.9049,
0.2218,
0.5508,
0.3075,
0.1143,
0.7160,
0.6425,
0.9972,
0.8136,
0.8178,
0.1144,
0.9651,
0.6402,
0.9497,
0.6747,
0.3282,
0.1595,
0.3856,
0.8893,
0.1372,
0.9764,
0.9434,
0.0059,
0.2964,
0.3710,
0.6490,
0.6201,
0.8393,
0.2564,
0.5627,
0.7619,
0.6148,
0.9424,
0.1729,
0.7264,
0.4693,
0.7244,
0.8898,
0.2074,
0.8500,
0.0675,
0.6785,
0.9221,
0.5163,
0.6473,
0.3273,
0.7491,
0.2100,
0.9914
0.9456
-0.7704
-0.0878
-0.3224
0.9983
-0.3604
-0.1470
0.9814
0.9803
-0.3855
0.9678
1.0000
-0.5032
-0.2259
-0.0986
0.9848
-0.4154
0.9315
0.9724
0.9757
-0.1003
0.8942
0.9870
0.9025
0.9852
-0.1802
-0.0376
-0.2364
0.9663
-0.1153
1.0000
0.9728
-0.0020
0.9993
-0.3235
0.9988
-0.5147
0.9768
-0.1523
0.9897
0.9941
0.9925
0.9120
0.9999
0.9866
-0.4474
0.9661
0.9557
-0.0647
-0.7366
-0.0519
0.9981
0.9117
0.9992
0.9839
-0.2458
0.9664
-0.1554
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
489
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
0.4064,
0.5348,
0.3929,
0.4207,
0.4944,
0.0841,
0.9658,
0.3075,
0.4276,
0.9684,
0.3007,
0.5039,
0.6586,
0.9197,
0.0647,
0.3496,
0.0017,
0.6279,
0.6578,
0.1344,
0.6727,
0.2470,
0.9627,
0.0664,
0.5438,
0.9074,
0.2507,
0.0171,
0.3732,
0.7345,
0.7321,
0.4511,
0.5573,
0.8488,
0.1956,
0.2006,
0.6545,
0.1098,
0.1171,
0.7794,
0.3988,
0.8681,
0.0671,
0.8848,
0.5382,
0.9543,
0.7462,
0.6759,
0.4777,
0.4749,
0.9414,
0.2366,
0.5348,
0.3967,
0.1329,
0.5801,
0.2293,
0.3760,
0.7931,
0.6239,
0.2979,
0.6204,
0.0319,
0.4081,
0.8749,
0.0313,
0.1366,
0.1660,
0.0110,
0.9556,
0.9358,
0.3179,
0.5955,
0.5961,
0.6152,
0.2926,
0.2990,
0.5215,
0.7235,
0.1789,
0.8333,
0.8900,
0.9907,
0.3954,
0.4577,
0.2271,
0.7192,
0.2395,
0.7742,
0.2582,
0.3103,
0.9314,
0.8038,
0.9963,
0.9781,
0.5809,
0.6059,
0.7290,
0.6765,
0.1495,
0.3635,
0.1594,
0.6607,
0.2318,
0.1731,
0.9046,
0.4343,
0.0774,
0.7106,
0.3756,
0.1129,
0.3822,
0.0572,
0.5089,
0.8993,
0.0612,
0.8831,
0.6939,
0.9844
-0.1587
0.9841
-0.0134
-0.2004
0.9912
-0.0303
-0.0420
-0.0709
-0.0107
0.9235
0.9068
-0.2078
-0.5207
0.9976
0.9828
1.0000
-0.1866
-0.3363
0.9875
-0.1200
0.9584
-0.7558
0.9925
-0.2133
-0.4035
-0.0569
0.9997
-0.0893
0.9983
-0.1879
-0.1395
0.9143
-0.6306
0.9513
0.9518
-0.3711
0.9941
0.9898
-0.5032
-0.0596
-0.3103
0.9999
-0.5518
-0.1244
-0.1644
0.9722
-0.2893
-0.0370
0.9750
-0.3463
-0.0267
-0.2029
-0.0227
0.9950
0.9322
-0.0140
0.9282
-0.5230
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
490
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
0.0933,
0.4377,
0.8780,
0.5792,
0.6731,
0.6586,
0.9095,
0.6548,
0.3261,
0.3596,
0.0582,
0.5863,
0.3648,
0.9059,
0.4810,
0.5304,
0.4900,
0.4622,
0.8227,
0.3827,
0.9069,
0.7108,
0.1285,
0.8795,
0.0519,
0.2969,
0.9220,
0.9795,
0.1283,
0.0464,
0.6549,
0.7651,
0.4406,
0.4498,
0.9505,
0.5737,
0.4269,
0.8970,
0.2185,
0.1517,
0.4560,
0.0404,
0.1674,
0.2922,
0.8217,
0.6691,
0.3139,
0.2542,
0.7797,
0.9765,
0.2078,
0.4223,
0.9967,
0.5410,
0.1117,
0.3212,
0.1598,
0.6218,
0.6338,
0.7950,
0.1977,
0.0744,
0.5794,
0.2577,
0.8612,
0.7115,
0.4955,
0.2259,
0.8655,
0.5628,
0.2135,
0.6511,
0.2493,
0.0923,
0.3281,
0.6793,
0.2666,
0.3826,
0.0905,
0.2774,
0.6827,
0.6748,
0.6071,
0.3688,
0.9425,
0.3066,
0.4813,
0.0766,
0.2808,
0.6839,
0.9072,
0.0142,
0.9760,
0.9555,
0.6800,
0.6679,
0.4300,
0.4344,
0.3303,
0.5418,
0.0900,
0.3195,
0.6586,
0.5164,
0.6582,
0.1978,
0.5654,
0.7107,
0.8259,
0.1042,
0.8558,
0.4112,
0.4071,
0.0343,
0.9761,
0.9453,
0.4527,
0.1021,
0.9914
-0.0864
-0.0653
1.0000
-0.1726
0.9646
-0.6029
-0.3188
-0.0736
0.9345
0.9983
-0.1248
0.9783
-0.2239
-0.0444
-0.1732
0.9828
-0.1229
-0.3096
-0.0346
-0.2489
-0.4665
0.9902
-0.5089
0.9995
0.9274
-0.2790
-0.4542
-0.0098
0.9998
0.9993
0.9764
-0.0062
0.8900
1.0000
0.9926
0.9789
-0.3762
0.9956
0.9985
0.9969
1.0000
0.9987
0.9772
-0.4117
-0.4263
-0.0620
0.9875
-0.5262
-0.7219
-0.0217
0.9337
-0.3985
-0.2184
-0.0038
0.9128
0.9687
-0.2778
-0.0647
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
491
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
0.1916,
0.8970,
0.8505,
0.2622,
0.7841,
0.7667,
0.1005,
0.5374,
0.3827,
0.0690,
0.2643,
0.5386,
0.0679,
0.3989,
0.4280,
0.5929,
0.0801,
0.0676,
0.7952,
0.3103,
0.3207,
0.5933,
0.4919,
0.3098,
0.4161,
0.4425,
0.4391,
0.9508,
0.0786,
0.2858,
0.2410,
0.9398,
0.2200,
0.3011,
0.2198,
0.0366,
0.0504,
0.1235,
0.8296,
0.8239,
0.1033,
0.3692,
0.9232,
0.7145,
0.2420,
0.1666,
0.0383,
0.2945,
0.8302,
0.3557,
0.9930,
0.7880,
0.8221,
0.2736,
0.7156,
0.0531,
0.8877,
0.9359,
0.9109,
0.4829,
0.6730,
0.3475,
0.5651,
0.7176,
0.4265,
0.2197,
0.3384,
0.6301,
0.7003,
0.9179,
0.9356,
0.7923,
0.6772,
0.0413,
0.6087,
0.0136,
0.6984,
0.2367,
0.2637,
0.1949,
0.3031,
0.4883,
0.2780,
0.8960,
0.3369,
0.3717,
0.7256,
0.8348,
0.8180,
0.7392,
0.5289,
0.3712,
0.0296,
0.8893,
0.3617,
0.8054,
0.9968,
0.9187,
0.0843,
0.0709,
0.3835,
0.5665,
0.0158,
0.5735,
0.7604,
0.0678,
0.3174,
0.6841,
0.1366,
0.5239,
0.3587,
0.2437,
0.7608,
0.1923,
0.0870,
0.4211,
0.0980,
0.5995,
0.9938
-0.5677
-0.2912
0.9874
-0.5334
-0.3212
0.9997
-0.1809
0.9821
0.9962
0.9409
0.9099
0.9952
0.9755
-0.0177
0.9998
-0.0011
0.9964
-0.1871
-0.0817
-0.0625
-0.1788
-0.2379
-0.0860
0.9213
-0.1485
-0.1625
-0.6365
0.9929
0.9541
0.9713
-0.4768
0.9978
-0.0089
0.9570
0.9997
0.9971
0.9768
0.9891
-0.0694
-0.0073
0.9999
-0.4995
-0.0113
0.9872
0.9805
1.0000
0.9999
-0.5379
-0.0486
-0.4971
-0.2789
-0.1990
0.9647
-0.1372
1.0000
-0.3651
-0.0916
-0.5193
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
492
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
0.7026,
0.0920,
0.0052,
0.6549,
0.4051,
0.5833,
0.3927,
0.0470,
0.3099,
0.3459,
0.2954,
0.9946,
0.9112,
0.2716,
0.4729,
0.3164,
0.6998,
0.2705,
0.8059,
0.5067,
0.0349,
0.2224,
0.1350,
0.9509,
0.5028,
0.4437,
0.3699,
0.2329,
0.8970,
0.9092,
0.1559,
0.4847,
0.5116,
0.0406,
0.1183,
0.3702,
0.7902,
0.4163,
0.0160,
0.4584,
0.5339,
0.3559,
0.6183,
0.7533,
0.6401,
0.0345,
0.3037,
0.9809,
0.1155,
0.5567,
0.9249,
0.3600,
0.9563,
0.4287,
0.5394,
0.2990,
0.5797,
0.4268,
0.7535,
0.0825,
0.4662,
0.6592,
0.0717,
0.2696,
0.3192,
0.6814,
0.0577,
0.2861,
0.0230,
0.9698,
0.5190,
0.9351,
0.2171,
0.0448,
0.1305,
0.0201,
0.8176,
0.0529,
0.5011,
0.7108,
0.5143,
0.6958,
0.6283,
0.5584,
0.9179,
0.0760,
0.9047,
0.8903,
0.0238,
0.5364,
0.3586,
0.8716,
0.8111,
0.4441,
0.5283,
0.8713,
0.6700,
0.7379,
0.4615,
0.9155,
0.5704,
0.7444,
0.2199,
0.0302,
0.6048,
0.1540,
0.2647,
0.1383,
0.8185,
0.3122,
0.6643,
0.8646,
0.3481,
0.2491,
0.3736,
0.1266,
0.1700,
0.9995,
-0.0580
0.9976
1.0000
-0.0469
-0.1090
-0.1851
0.9744
1.0000
-0.0885
-0.0080
0.9217
-0.4936
0.9991
-0.0589
-0.0212
-0.0413
-0.0141
0.9565
-0.0426
-0.2512
0.9989
0.9916
0.9886
-0.5625
0.9984
0.9128
-0.0281
0.9514
-0.7164
-0.0216
0.9930
-0.1730
0.9329
0.9980
0.9970
0.9932
0.9918
0.9778
0.9997
1.0000
0.9181
0.9884
0.9879
-0.1649
-0.0194
0.9992
-0.0467
-0.2567
1.0000
0.9578
-0.2848
0.9761
-0.7357
-0.1487
-0.1340
0.9990
-0.0733
-0.0725
0.9321
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
493
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
0.9519,
0.5169,
0.2833,
0.4862,
0.0874,
0.2813,
0.6169,
0.4922,
0.0651,
0.7438,
0.0179,
0.8235,
0.2928,
0.7907,
0.6660,
0.0177,
0.7563,
0.4223,
0.0749,
0.3753,
0.5473,
0.6362,
0.2678,
0.7592,
0.8469,
0.8160,
0.7047,
0.4858,
0.9847,
0.7190,
0.0270,
0.1514,
0.8211,
0.5186,
0.7033,
0.0530,
0.0496,
0.4303,
0.7340,
0.7098,
0.5575,
0.6937,
0.6076,
0.2909,
0.3387,
0.3215,
0.7447,
0.6646,
0.6225,
0.9227,
0.9888,
0.8476,
0.3609,
0.5282,
0.1681,
0.5727,
0.7598,
0.7885,
0.2540,
0.9726,
0.3519,
0.8995,
0.0199,
0.1145,
0.9773,
0.3535,
0.3556,
0.1286,
0.4208,
0.9920,
0.5223,
0.0613,
0.4007,
0.4514,
0.5216,
0.3072,
0.5556,
0.1216,
0.1427,
0.4802,
0.9272,
0.4418,
0.4937,
0.0166,
0.0530,
0.0358,
0.3658,
0.2229,
0.6980,
0.2758,
0.1884,
0.1786,
0.4542,
0.4275,
0.3481,
0.0782,
0.0033,
0.5268,
0.9882,
0.7932,
0.9867,
0.7549,
0.2986,
0.3642,
0.1627,
0.5120,
0.4307,
0.8603,
0.5676,
0.4979,
0.3165,
0.7826,
0.0106,
0.8100,
0.2852,
0.5346,
0.4002,
0.2099,
0.9992
-0.1809
0.9397
-0.0097
1.0000
0.9243
-0.2163
-0.1741
1.0000
-0.3079
0.9994
-0.4169
-0.0179
-0.3116
-0.2962
0.9998
-0.2303
0.9937
1.0000
-0.0535
-0.2598
0.9322
0.9957
-0.3661
-0.0141
-0.0432
-0.0252
-0.1768
-0.2177
-0.4811
0.9999
0.9999
-0.1462
-0.2334
-0.2962
0.9995
1.0000
-0.0014
-0.3771
0.9229
0.9657
0.9185
0.9840
1.0000
0.9999
-0.0523
-0.3721
-0.2824
0.9565
-0.5001
-0.4727
-0.2651
0.9540
-0.0056
0.9768
-0.1626
-0.3951
-0.3103
-0.0533
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
494
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
0.5304,
0.0506,
0.5210,
0.8044,
0.2288,
0.3685,
0.6508,
0.8532,
0.8103,
0.5931,
0.7378,
0.1797,
0.9820,
0.6625,
0.4127,
0.0993,
0.9807,
0.1656,
0.3651,
0.1269,
0.8801,
0.6876,
0.7738,
0.2109,
0.3691,
0.9957,
0.8463,
0.9487,
0.3303,
0.1955,
0.5798,
0.2975,
0.6629,
0.1604,
0.8322,
0.7402,
0.3561,
0.6058,
0.2693,
0.5123,
0.2033,
0.5035,
0.1888,
0.6441,
0.8200,
0.8072,
0.9093,
0.9114,
0.9387,
0.1675,
0.6192,
0.2982,
0.5941,
0.1339,
0.4931,
0.1459,
0.2087,
0.9620,
0.5485,
0.6626,
0.1486,
0.8235,
0.9847,
0.4395,
0.2989,
0.5061,
0.6931,
0.0294,
0.7858,
0.3858,
0.7218,
0.4198,
0.3823,
0.7427,
0.5167,
0.9343,
0.0310,
0.1367,
0.3636,
0.0250,
0.3427,
0.3692,
0.1642,
0.7088,
0.5965,
0.9435,
0.4234,
0.4983,
0.8910,
0.4349,
0.6084,
0.5739,
0.8520,
0.7308,
0.2830,
0.7831,
0.2720,
0.5831,
0.0742,
0.2327,
0.4243,
0.4544,
0.9464,
0.4427,
0.0529,
0.2840,
0.1574,
0.4531,
0.9882,
0.6300,
0.7683,
0.2379,
0.4069,
0.3247,
0.3205,
0.3126,
0.1511,
0.1913,
0.9902
1.0000
0.9507
0.9582
0.9954
-0.1099
-0.3234
-0.5575
-0.0238
0.9740
-0.2808
0.9811
-0.4006
-0.2506
0.9631
0.9966
-0.7934
-0.0051
-0.0499
0.9982
-0.0220
-0.2335
-0.2818
-0.0346
0.9687
-0.5597
0.9865
-0.3910
0.9938
0.9633
-0.2495
0.9829
-0.3713
0.9755
-0.5714
-0.2080
0.9541
-0.1640
0.9857
-0.0380
0.9999
-0.2120
0.9950
0.9251
-0.3551
-0.0427
-0.2554
-0.1429
-0.4126
0.9624
0.9999
0.9610
-0.1408
0.9973
-0.1594
0.9987
0.9991
-0.1448
-0.1048
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
495
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
0.8975,
0.8505,
0.0526,
0.1084,
0.1502,
0.2670,
0.8225,
0.2870,
0.0321,
0.6565,
0.5753,
0.4973,
0.7428,
0.2304,
0.4199,
0.9172,
0.7643,
0.0158,
0.4530,
0.1290,
0.0081,
0.0775,
0.2453,
0.5941,
0.8728,
0.4401,
0.7329,
0.9256,
0.9399,
0.4568,
0.6483,
0.9048,
0.6198,
0.5871,
0.6419,
0.3703,
0.7761,
0.2592,
0.9506,
0.7186,
0.0386,
0.2803,
0.7964,
0.7739,
0.4528,
0.7642,
0.4642,
0.4984,
0.3138,
0.6258,
0.8486,
0.5625,
0.3371,
0.2043,
0.3867,
0.4733,
0.4981,
0.6200,
0.0650,
0.0960,
0.6785,
0.3033,
0.1022,
0.6903,
0.7808,
0.0682,
0.6275,
0.1772,
0.4605,
0.7579,
0.0890,
0.0252,
0.9390,
0.5175,
0.4852,
0.3189,
0.3333,
0.1202,
0.1479,
0.5232,
0.0890,
0.9615,
0.9147,
0.4794,
0.8242,
0.6805,
0.2487,
0.0745,
0.4766,
0.6734,
0.2948,
0.2823,
0.2694,
0.4548,
0.6124,
0.9584,
0.9433,
0.6797,
0.4990,
0.2222,
0.7201,
0.9146,
0.8046,
0.7788,
0.6605,
0.1779,
0.6656,
0.4595,
0.1671,
0.4320,
0.5037,
0.7310,
0.6358,
0.6343,
0.5725,
0.1382,
0.6277,
0.1639,
-0.0861
-0.5456
0.9997
-0.0111
0.9869
0.9626
-0.0560
0.9810
1.0000
-0.2978
0.9780
-0.0442
-0.0187
0.9472
0.9966
-0.4305
-0.2413
0.9999
-0.0544
1.0000
1.0000
1.0000
0.9389
0.9283
-0.4063
0.9434
-0.4783
-0.2281
-0.0699
0.9998
0.9995
-0.2635
-0.1741
-0.1575
-0.2878
0.9840
0.9602
0.9378
-0.6021
-0.3510
0.9999
0.9698
0.9823
0.9989
0.9567
-0.4836
-0.0825
0.9861
0.9958
-0.1044
-0.3585
-0.2796
0.9649
0.9845
0.9817
0.9956
-0.0688
1.0000
0.9999
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
496
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
0.7234,
0.7481,
0.2169,
0.6759,
0.9965,
0.7576,
0.1973,
0.9203,
0.7023,
0.3538,
0.9740,
0.5465,
0.7876,
0.6176,
0.3125,
0.0800,
0.4042,
0.5200,
0.3079,
0.4382,
0.0435,
0.7052,
0.4427,
0.0248,
0.9488,
0.7157,
0.3340,
0.2059,
-0.2241
-0.0598
0.9967
-0.3443
-0.3020
-0.3259
-0.0086
-0.6044
-0.3059
-0.0088
-0.7981
0.9829
-0.2600
-0.1268
Archivo de ejemplos aNumbers.txt
# An example for a Hopfield Network for JCortex
# The structure can be:
#
-> "float[]" for a float array,
#
-> "Object[]" for an Object array.
@structure float[]
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
N11
N12
N13
N14
N15
N16
N17
N18
N19
N11
N11
N12
N13
N14
N15
N16
N17
N18
N19
N21
N21
N22
N23
N24
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
@output NUM
float
@data
-1,-1,1,-1,-1,1,1,-1,-1,-1,1,-1,-1,-1,1,-1,-1,-1,1,-1,-1,1,1,1,1
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
497
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
-1,1,1,-1,1,-1,-1,1,-1,-1,-1,1,-1,-1,1,-1,-1,1,-1,-1,1,1,1,1,2
-1,1,1,-1,1,-1,-1,1,-1,-1,1,-1,-1,-1,1,-1,1,-1,1,1,-1,1,1,-1,3
-1,-1,1,-1,-1,1,1,-1,1,-1,1,-1,1,1,1,1,-1,-1,1,-1,-1,-1,1,-1,4
1,1,1,1,1,-1,-1,-1,1,1,1,-1,-1,-1,-1,1,1,-1,-1,1,-1,1,1,-1,5
-1,1,1,-1,1,-1,-1,-1,1,1,1,-1,1,-1,-1,1,1,-1,-1,1,-1,1,1,-1,6
1,1,1,1,-1,-1,-1,1,-1,-1,-1,1,-1,-1,1,-1,-1,-1,1,-1,-1,-1,1,-1,7
-1,1,1,-1,1,-1,-1,1,-1,1,1,-1,1,-1,-1,1,1,-1,-1,1,-1,1,1,-1,8
-1,1,1,-1,1,-1,-1,1,1,-1,-1,1,-1,1,1,1,-1,-1,-1,1,-1,-1,1,-1,9
-1,1,1,-1,1,-1,-1,1,1,-1,-1,1,1,-1,-1,1,1,-1,-1,1,-1,1,1,-1,-1
Archivo de ejemplos aPromoters.txt
# Conjunto de ejemplos para JCortex
# Nombre Original: Promotor Gene Sequences
# http://www.ics.uci.edu/~mlearn/databases/molecular-biology/promoter-gene-sequences/
@structure
float[]
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
G1
G2
G3
G4
G5
G6
G7
G8
G9
G10
G11
G12
G13
G14
G15
G16
G17
G18
G19
G20
G21
G22
G23
G24
G25
G26
G27
G28
G29
G30
G31
G32
G33
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
498
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
@input
G34
G35
G36
G37
G38
G39
G40
G41
G42
G43
G44
G45
G46
G47
G48
G49
G50
G51
G52
G53
G54
G55
G56
G57
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
float
@output promoter
@data
1.00,
1.00,
1.00,
0.66,
1.00,
1.00,
1.00,
0.66,
0.33,
0.00,
0.66,
0.66,
1.00,
0.66,
0.66,
0.00,
1.00,
0.66,
0.00,
0.33,
1.00,
1.00,
0.00,
0.66,
0.66,
0.00,
1.00,
0.33,
0.00,
1.00,
0.00,
1.00,
0.00,
0.33,
1
0.66,
1.00,
0.66,
1.00,
1
1.00,
1.00,
1.00,
0.33,
1
0.00,
0.33,
0.66,
0.00,
1
0.33,
1.00,
0.00,
0.33,
1
0.66,
0.66,
0.66,
0.66,
1
float
0.33,
0.66,
0.00,
0.66,
1.00,
0.33,
0.66,
0.33,
0.00,
0.66,
1.00,
0.66,
0.66,
1.00,
0.00,
0.66,
0.33,
1.00,
1.00,
0.66,
0.00,
0.33,
0.66,
0.33,
0.00,
0.66,
1.00,
1.00,
1.00,
0.66,
0.00,
1.00,
0.00,
1.00,
1.00,
0.66,
0.33,
0.66,
0.00,
1.00,
0.66,
0.66,
0.00,
0.33,
0.33,
1.00,
1.00,
0.66,
0.33,
0.66,
1.00,
0.00,
1.00,
1.00,
0.66,
0.00,
0.00,
0.33,
1.00,
0.33,
1.00,
0.00,
0.33,
0.66,
0.33,
0.33,
0.66,
0.33,
0.33,
0.66,
1.00,
0.00,
1.00,
0.33,
1.00,
1.00,
0.66,
1.00,
0.00,
0.33,
0.00,
0.66,
0.33,
0.66,
0.33,
0.00,
0.00,
0.33,
0.00,
1.00,
0.00,
0.33,
0.66,
1.00,
1.00,
0.00,
0.00,
0.66,
1.00,
1.00,
0.33,
0.33,
1.00,
0.00,
1.00,
0.00,
1.00,
0.00,
0.00,
1.00,
1.00,
0.33,
0.66,
1.00,
0.66,
0.33,
0.00,
0.00,
1.00,
0.00,
0.66,
0.66,
1.00,
0.33,
0.00,
0.33,
0.00,
0.33,
0.00,
1.00,
1.00,
0.33,
0.33,
1.00,
0.33,
0.66,
1.00,
0.00,
0.00,
0.66,
0.00,
1.00,
1.00,
0.33,
1.00,
0.66,
0.00,
1.00,
1.00,
0.00,
0.66,
0.00,
0.66,
0.00,
1.00,
0.33,
1.00,
0.66,
0.00,
1.00,
0.66,
1.00,
0.66,
0.00,
0.00,
0.66,
0.00,
0.00,
1.00,
1.00,
1.00,
0.33,
0.66,
0.66,
0.66,
0.00,
1.00,
1.00,
1.00,
0.00,
0.66,
1.00,
1.00,
0.00,
1.00,
0.66,
0.00,
0.33,
0.00,
0.33,
0.66,
1.00,
0.66,
0.66,
0.00,
0.66,
0.00,
0.00,
0.00,
0.33,
1.00,
0.33,
0.33,
0.33,
0.00,
0.66,
0.33,
1.00,
0.00,
0.00,
0.00,
0.33,
1.00,
0.00,
0.33,
0.33,
1.00,
0.00,
1.00,
0.66,
0.00,
0.00,
0.00,
1.00,
0.00,
0.66,
0.66,
0.66,
0.33,
0.33,
0.00,
0.66,
1.00,
1.00,
0.00,
1.00,
0.00,
0.66,
1.00,
0.00,
0.66,
0.66,
1.00,
0.00,
0.66,
0.00,
0.00,
0.66,
0.66,
0.00,
1.00,
1.00,
0.33,
0.00,
0.00,
0.33,
0.00,
0.66,
0.00,
0.33,
0.00,
0.00,
0.00,
0.66,
0.66,
0.66,
0.66,
1.00,
0.66,
0.66,
0.00,
1.00,
0.00,
1.00,
0.00,
1.00,
0.66,
1.00,
0.00,
0.00,
0.66,
0.66,
0.33,
0.66,
0.00,
0.33,
1.00,
0.66,
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
499
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
0.33,
1.00,
1.00,
0.33,
1.00,
1.00,
1.00,
0.66,
1.00,
0.00,
0.33,
0.66,
0.66,
0.66,
1.00,
1.00,
1.00,
1.00,
0.66,
0.00,
0.66,
1.00,
0.66,
0.66,
0.66,
0.33,
1.00,
0.66,
0.00,
0.33,
0.66,
1.00,
0.66,
0.66,
0.00,
0.33,
1.00,
0.66,
0.66,
0.00,
1.00,
1.00,
1.00,
0.66,
0.00,
0.00,
1.00,
0.66,
0.66,
0.33,
0.00,
1.00,
0.33,
0.66,
0.00,
0.00,
1.00,
0.66,
0.00,
0.00,
1.00,
0.66,
0.00,
1
1.00,
1.00,
0.33,
0.66,
1
0.66,
0.33,
1.00,
0.33,
1
1.00,
1.00,
0.00,
0.33,
1
0.33,
1.00,
0.66,
0.33,
1
0.33,
1.00,
0.66,
0.33,
1
0.00,
1.00,
0.66,
0.33,
1
1.00,
1.00,
0.00,
0.33,
1
1.00,
1.00,
0.00,
0.33,
1
0.00,
1.00,
0.66,
0.33,
1
1.00,
1.00,
0.66,
0.33,
1
0.00,
0.00,
0.00,
0.66,
0.66,
1.00,
0.00,
0.66,
0.66,
0.00,
1.00,
0.33,
0.66,
0.00,
0.66,
0.33,
0.66,
0.66,
0.00,
0.33,
0.66,
0.33,
0.33,
0.00,
1.00,
0.33,
0.66,
1.00,
0.66,
0.00,
0.33,
0.33,
0.66,
1.00,
0.00,
0.00,
0.00,
0.33,
1.00,
1.00,
0.66,
1.00,
0.00,
0.66,
0.66,
0.33,
0.66,
0.00,
0.00,
0.33,
1.00,
0.00,
1.00,
0.66,
0.00,
0.33,
0.33,
0.00,
1.00,
1.00,
1.00,
1.00,
0.00,
1.00,
0.00,
0.00,
0.33,
0.33,
0.33,
0.33,
0.00,
0.00,
0.00,
1.00,
0.66,
0.00,
0.00,
0.66,
1.00,
0.33,
0.00,
1.00,
0.00,
0.00,
0.00,
0.00,
1.00,
0.66,
0.33,
1.00,
0.00,
0.00,
0.00,
0.66,
0.00,
0.00,
0.33,
0.00,
1.00,
0.33,
0.00,
0.66,
1.00,
0.00,
0.33,
0.00,
0.33,
0.00,
1.00,
0.33,
1.00,
1.00,
1.00,
0.00,
0.66,
0.66,
0.00,
0.66,
1.00,
0.00,
0.00,
0.66,
0.66,
0.00,
1.00,
0.00,
1.00,
0.00,
0.00,
0.33,
0.00,
1.00,
1.00,
0.66,
0.00,
0.66,
0.00,
1.00,
0.00,
0.66,
0.33,
0.33,
1.00,
1.00,
1.00,
0.33,
0.33,
1.00,
1.00,
0.66,
0.00,
0.66,
1.00,
1.00,
0.33,
0.33,
0.00,
0.33,
1.00,
0.33,
0.00,
0.00,
0.33,
0.00,
0.00,
0.66,
0.33,
0.33,
1.00,
0.66,
0.33,
0.33,
1.00,
0.33,
1.00,
0.00,
1.00,
0.33,
0.00,
0.33,
0.33,
0.66,
1.00,
1.00,
0.33,
0.66,
0.00,
0.66,
1.00,
0.00,
0.00,
0.00,
0.33,
0.00,
1.00,
0.33,
0.00,
0.66,
0.00,
0.00,
0.00,
0.00,
0.00,
0.33,
0.00,
0.33,
0.66,
0.00,
0.00,
1.00,
0.66,
0.33,
0.00,
0.33,
0.33,
0.33,
1.00,
1.00,
0.66,
0.33,
0.00,
0.66,
1.00,
0.33,
0.00,
1.00,
0.00,
0.66,
0.00,
0.00,
1.00,
0.33,
1.00,
0.66,
1.00,
0.66,
0.66,
0.33,
0.00,
0.33,
0.33,
0.66,
1.00,
0.33,
1.00,
0.66,
0.00,
0.66,
0.66,
0.00,
0.00,
0.33,
0.00,
0.33,
0.00,
0.33,
0.00,
1.00,
0.66,
0.00,
0.00,
0.33,
0.33,
0.33,
1.00,
1.00,
0.66,
0.33,
1.00,
0.66,
1.00,
1.00,
0.33,
0.00,
0.00,
0.33,
0.00,
0.00,
0.00,
0.66,
0.66,
0.00,
1.00,
0.33,
0.66,
0.66,
0.00,
0.66,
0.66,
0.00,
1.00,
0.00,
1.00,
0.66,
0.66,
0.66,
0.33,
1.00,
0.00,
0.33,
0.00,
0.66,
1.00,
0.33,
0.00,
0.33,
0.33,
1.00,
0.00,
0.00,
0.33,
0.33,
0.00,
0.00,
0.33,
0.33,
0.00,
0.00,
1.00,
0.66,
0.00,
0.00,
0.00,
1.00,
0.00,
0.00,
1.00,
1.00,
1.00,
0.00,
0.00,
0.66,
0.00,
1.00,
0.00,
0.00,
0.33,
1.00,
1.00,
0.66,
0.66,
0.66,
0.00,
0.66,
0.33,
0.33,
0.33,
0.33,
0.00,
0.66,
1.00,
0.33,
0.00,
0.66,
0.33,
1.00,
1.00,
0.33,
0.33,
0.33,
1.00,
0.33,
0.33,
0.33,
1.00,
1.00,
1.00,
0.00,
1.00,
0.66,
0.00,
1.00,
1.00,
0.33,
1.00,
0.33,
0.33,
0.66,
0.00,
0.66,
1.00,
0.66,
0.00,
0.00,
0.00,
0.00,
1.00,
0.33,
1.00,
0.66,
0.00,
0.66,
0.00,
1.00,
0.33,
0.33,
1.00,
0.33,
1.00,
0.33,
0.00,
0.00,
0.33,
0.00,
1.00,
0.66,
0.33,
0.33,
1.00,
0.66,
0.33,
0.33,
1.00,
0.33,
1.00,
0.00,
1.00,
0.33,
0.00,
0.33,
1.00,
0.66,
1.00,
1.00,
0.33,
0.66,
0.00,
0.66,
0.66,
0.00,
0.00,
0.00,
0.33,
0.00,
1.00,
0.33,
0.66,
0.66,
0.00,
0.00,
0.33,
0.00,
0.00,
0.33,
0.00,
0.33,
0.66,
0.00,
0.00,
1.00,
0.66,
0.33,
0.00,
0.33,
0.33,
0.33,
0.66,
1.00,
0.66,
0.66,
0.00,
0.66,
1.00,
0.33,
0.00,
1.00,
0.00,
0.33,
0.00,
0.00,
1.00,
0.66,
1.00,
0.66,
1.00,
0.33,
0.66,
0.33,
0.00,
0.66,
0.33,
0.66,
1.00,
0.33,
0.66,
0.66,
0.00,
0.66,
0.33,
1.00,
0.33,
0.33,
0.00,
0.33,
1.00,
0.33,
1.00,
1.00,
0.33,
1.00,
1.00,
1.00,
0.33,
0.33,
1.00,
0.33,
0.33,
0.33,
1.00,
0.33,
1.00,
0.00,
1.00,
1.00,
0.00,
1.00,
0.33,
0.66,
1.00,
0.33,
0.33,
0.00,
0.00,
0.66,
0.66,
0.66,
0.00,
0.00,
0.33,
0.33,
1.00,
0.33,
0.00,
0.66,
0.66,
0.33,
0.33,
0.00,
1.00,
0.33,
0.00,
0.33,
0.66,
1.00,
0.00,
0.00,
1.00,
0.33,
1.00,
0.00,
0.00,
0.66,
1.00,
0.00,
0.00,
1.00,
1.00,
0.00,
1.00,
0.66,
0.33,
0.00,
0.00,
1.00,
0.00,
0.33,
0.00,
0.33,
0.66,
1.00,
1.00,
1.00,
0.00,
0.33,
0.66,
1.00,
0.00,
1.00,
1.00,
0.66,
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
500
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
0.33,
1.00,
1.00,
1.00,
0.66,
0.66,
0.66,
1.00,
0.66,
1.00,
1.00,
0.66,
0.66,
0.66,
1.00,
0.66,
0.00,
1.00,
1.00,
1.00,
0.00,
1.00,
1.00,
1.00,
1.00,
0.00,
0.00,
0.66,
0.33,
1.00,
0.33,
0.00,
1.00,
1.00,
0.00,
0.66,
1.00,
1.00,
0.66,
1.00,
0.33,
0.33,
1.00,
0.33,
1.00,
1.00,
1.00,
1.00,
1.00,
1.00,
0.66,
0.00,
1.00,
0.33,
1.00,
0.66,
1.00,
1.00,
1.00,
1
0.33,
1.00,
0.33,
0.33,
1
0.33,
0.66,
1.00,
1.00,
1
0.00,
0.33,
0.33,
0.00,
1
0.00,
1.00,
1.00,
0.00,
1
0.33,
1.00,
0.33,
0.00,
1
0.33,
1.00,
0.66,
0.00,
1
0.00,
1.00,
0.00,
0.00,
1
1.00,
1.00,
0.00,
1.00,
1
0.00,
0.33,
0.66,
0.66,
1
0.33,
1.00,
0.00,
1.00,
1
0.33,
1.00,
0.00,
1.00,
1
0.66,
1.00,
1.00,
1.00,
1.00,
0.00,
0.66,
0.33,
0.00,
1.00,
0.33,
0.00,
0.33,
1.00,
0.33,
0.00,
0.00,
1.00,
0.33,
0.33,
0.66,
0.66,
0.33,
0.66,
0.33,
0.00,
0.66,
1.00,
0.66,
1.00,
0.33,
0.00,
0.66,
0.00,
1.00,
0.00,
0.33,
1.00,
1.00,
0.33,
0.66,
0.66,
0.33,
0.00,
0.33,
0.00,
0.33,
0.33,
0.66,
1.00,
0.33,
0.00,
0.66,
0.66,
1.00,
0.00,
0.00,
0.00,
1.00,
0.00,
0.33,
1.00,
0.66,
1.00,
1.00,
1.00,
1.00,
0.00,
1.00,
0.00,
1.00,
0.00,
1.00,
1.00,
0.00,
1.00,
1.00,
0.00,
0.33,
0.33,
0.33,
0.66,
0.66,
0.00,
1.00,
0.00,
0.33,
0.00,
0.66,
0.33,
0.66,
1.00,
0.33,
0.00,
1.00,
0.66,
0.33,
0.33,
1.00,
0.33,
0.66,
0.66,
0.66,
0.00,
0.33,
0.66,
0.33,
0.33,
0.00,
1.00,
0.66,
0.33,
0.00,
0.00,
0.33,
0.00,
0.00,
1.00,
0.33,
1.00,
0.00,
0.66,
0.33,
0.33,
0.33,
0.66,
0.66,
0.66,
0.33,
0.33,
0.66,
0.00,
1.00,
0.00,
0.00,
0.00,
1.00,
1.00,
0.00,
1.00,
1.00,
0.66,
0.66,
0.66,
0.33,
0.00,
0.00,
0.00,
0.66,
1.00,
1.00,
0.00,
0.33,
0.33,
0.00,
0.00,
0.00,
1.00,
0.00,
0.33,
1.00,
0.66,
0.33,
0.66,
1.00,
0.66,
0.33,
1.00,
0.00,
0.33,
0.00,
0.33,
0.66,
0.33,
1.00,
0.00,
0.00,
0.66,
1.00,
1.00,
0.00,
0.00,
0.00,
0.33,
0.00,
0.33,
0.00,
0.66,
0.66,
0.33,
1.00,
0.33,
0.66,
1.00,
1.00,
1.00,
0.66,
0.66,
0.66,
0.66,
0.00,
0.00,
1.00,
0.00,
0.33,
0.00,
0.00,
0.00,
0.00,
0.33,
0.33,
0.00,
0.00,
1.00,
0.66,
1.00,
1.00,
0.00,
0.33,
0.66,
1.00,
0.66,
0.00,
0.00,
0.00,
1.00,
0.00,
0.66,
0.00,
1.00,
0.66,
0.33,
1.00,
0.00,
1.00,
1.00,
0.33,
0.00,
1.00,
0.66,
0.00,
0.33,
0.33,
0.33,
0.66,
1.00,
0.00,
0.66,
0.00,
1.00,
0.00,
0.66,
0.33,
1.00,
0.66,
0.00,
0.00,
0.66,
0.66,
0.00,
1.00,
1.00,
0.33,
0.66,
1.00,
1.00,
0.66,
0.00,
1.00,
0.00,
0.00,
0.00,
1.00,
0.33,
0.33,
0.00,
0.00,
0.00,
0.66,
0.00,
0.00,
0.00,
0.33,
0.33,
0.33,
0.66,
0.33,
0.33,
0.00,
0.66,
0.66,
0.00,
0.66,
0.00,
1.00,
1.00,
0.00,
0.00,
0.00,
1.00,
0.33,
1.00,
1.00,
0.00,
1.00,
0.00,
0.00,
0.00,
1.00,
0.33,
0.66,
0.00,
0.00,
1.00,
0.66,
0.00,
0.66,
1.00,
0.33,
1.00,
0.66,
1.00,
0.00,
1.00,
1.00,
0.00,
1.00,
1.00,
0.33,
0.00,
0.00,
1.00,
0.00,
0.33,
0.66,
0.00,
0.33,
0.33,
0.33,
0.66,
0.66,
0.00,
0.00,
1.00,
1.00,
0.00,
0.33,
0.33,
0.00,
0.00,
0.00,
0.00,
0.00,
0.66,
0.00,
1.00,
0.00,
0.00,
0.66,
0.00,
0.33,
1.00,
1.00,
0.00,
0.33,
1.00,
0.33,
1.00,
0.00,
1.00,
1.00,
0.33,
0.00,
0.00,
0.00,
0.66,
0.00,
0.66,
0.33,
0.00,
1.00,
0.66,
0.00,
0.33,
1.00,
1.00,
0.33,
1.00,
0.66,
0.33,
0.66,
0.33,
0.00,
1.00,
0.33,
0.33,
0.33,
1.00,
0.66,
1.00,
0.66,
1.00,
0.00,
0.33,
0.00,
0.00,
0.33,
0.66,
0.33,
0.33,
0.00,
0.33,
0.66,
0.66,
0.00,
0.00,
0.66,
1.00,
1.00,
0.33,
1.00,
0.00,
1.00,
0.33,
1.00,
1.00,
1.00,
0.00,
1.00,
0.00,
1.00,
0.66,
0.00,
0.66,
1.00,
0.33,
0.66,
0.33,
0.00,
0.00,
0.66,
0.66,
0.33,
0.66,
0.33,
0.00,
0.00,
1.00,
0.00,
0.33,
1.00,
0.00,
1.00,
0.66,
0.00,
1.00,
0.00,
0.00,
0.33,
0.00,
0.00,
0.66,
0.33,
0.00,
1.00,
1.00,
1.00,
1.00,
1.00,
0.00,
0.66,
1.00,
0.00,
0.00,
0.33,
1.00,
0.00,
0.00,
0.33,
0.66,
0.66,
0.00,
0.33,
0.00,
0.33,
1.00,
0.00,
0.66,
0.33,
0.66,
0.66,
1.00,
1.00,
1.00,
0.00,
1.00,
0.66,
0.66,
0.00,
0.00,
1.00,
1.00,
0.00,
1.00,
0.66,
0.00,
0.00,
0.33,
0.66,
1.00,
0.33,
0.33,
0.00,
1.00,
0.00,
0.00,
1.00,
0.00,
0.33,
0.33,
0.00,
0.66,
0.66,
1.00,
0.00,
0.00,
0.00,
0.00,
0.33,
0.66,
0.66,
1.00, 0.66, 0.33, 0.00, 0.66, 1.00, 1.00, 1.00, 0.00, 1.00, 0.66, 0.66,
0.33, 0.33, 0.00, 0.00, 0.00, 0.00, 1.00, 0.33, 0.66, 0.33, 0.33, 1.00,
1.00, 0.66, 0.33, 1.00, 0.66, 1.00, 0.00, 1.00, 0.00, 1.00, 0.00, 0.33,
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
501
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
1.00,
1.00,
0.33,
1.00,
0.00,
1.00,
0.66,
0.00,
1.00,
0.00,
1.00,
1.00,
0.00,
0.66,
0.33,
1.00,
0.66,
1.00,
1.00,
0.33,
1.00,
1.00,
0.00,
1.00,
0.00,
1.00,
1.00,
0.33,
1.00,
0.33,
1.00,
0.33,
1.00,
1.00,
0.66,
1.00,
0.00,
0.33,
1.00,
0.00,
1.00,
1.00,
1.00,
1.00,
1.00,
1.00,
1.00,
1.00,
1.00,
0.66,
1.00,
0.00,
0.66,
1.00,
1.00,
0.00,
1.00,
0.00,
1.00,
0.33,
1
1.00,
1.00,
0.33,
0.33,
1
1.00,
1.00,
0.00,
1.00,
1
1.00,
1.00,
0.00,
0.66,
1
0.00,
1.00,
0.66,
0.00,
1
1.00,
1.00,
1.00,
0.66,
1
0.33,
1.00,
1.00,
0.66,
1
0.33,
1.00,
0.33,
1.00,
1
0.33,
0.00,
0.00,
0.66,
1
1.00,
1.00,
0.66,
0.00,
1
0.66,
1.00,
0.00,
0.33,
1
0.00,
0.00,
0.00,
1.00,
1
0.00,
1.00,
0.00, 0.33, 0.00, 0.66, 0.33, 0.00, 1.00, 0.00, 0.00, 0.33, 1.00, 0.66,
0.66,
0.66,
0.33,
0.33,
1.00,
0.00,
0.33,
0.33,
1.00,
0.66,
0.33,
0.00,
0.66,
1.00,
1.00,
0.66,
1.00,
1.00,
0.33,
0.33,
1.00,
0.66,
0.00,
1.00,
0.33,
1.00,
1.00,
1.00,
0.00,
0.66,
1.00,
0.00,
0.66,
1.00,
0.33,
1.00,
1.00,
0.00,
1.00,
0.00,
1.00,
1.00,
0.66,
0.33,
1.00,
0.00,
0.00,
0.66,
1.00,
1.00,
0.00,
0.00,
0.00,
0.33,
0.00,
0.66,
0.33,
1.00,
0.00,
1.00,
0.00,
0.66,
0.00,
0.33,
0.00,
0.00,
0.66,
0.66,
0.00,
0.00,
0.00,
0.33,
0.00,
0.33,
0.66,
0.66,
0.00,
1.00,
1.00,
1.00,
0.66,
0.66,
0.00,
0.00,
1.00,
0.00,
0.00,
0.66,
0.66,
0.00,
0.00,
0.66,
0.33,
0.33,
0.66,
0.66,
0.66,
0.66,
0.00,
0.33,
0.33,
0.00,
0.00,
0.66,
0.66,
0.33,
0.33,
0.33,
0.33,
0.00,
0.33,
0.66,
0.00,
0.00,
0.33,
0.33,
0.00,
0.66,
1.00,
0.33,
0.33,
0.66,
0.33,
0.66,
0.66,
0.66,
1.00,
0.00,
0.33,
0.33,
0.00,
0.00,
0.66,
0.66,
1.00,
0.66,
0.66,
0.33,
0.00,
0.33,
0.66,
0.66,
0.33,
1.00,
0.00,
0.66,
0.33,
0.33,
0.00,
1.00,
1.00,
0.66,
0.00,
0.33,
1.00,
0.33,
0.00,
0.00,
0.00,
0.33,
0.00,
0.66,
1.00,
0.66,
0.33,
0.33,
0.00,
1.00,
1.00,
0.33,
0.00,
1.00,
0.00,
1.00,
0.66,
0.00,
0.00,
0.66,
0.00,
1.00,
0.33,
1.00,
1.00,
0.00,
0.00,
0.33,
0.33,
0.33,
0.66,
0.33,
0.00,
0.66,
0.66,
0.66,
0.66,
0.33,
0.33,
0.33,
1.00,
0.66,
0.00,
0.00,
0.33,
0.33,
0.00,
1.00,
1.00,
0.66,
1.00,
0.66,
0.33,
0.33,
1.00,
0.00,
0.33,
1.00,
1.00,
0.00,
0.00,
0.00,
1.00,
0.33,
1.00,
0.33,
1.00,
1.00,
0.00,
1.00,
1.00,
0.33,
0.66,
1.00,
0.00,
0.66,
0.00,
0.66,
0.66,
0.33,
0.00,
0.00,
1.00,
0.66,
0.33,
0.33,
1.00,
0.00,
1.00,
0.66,
0.66,
0.33,
0.00,
0.33,
0.00,
0.66,
1.00,
0.33,
0.00,
0.33,
0.00,
0.33,
0.00,
1.00,
0.33,
0.33,
0.00,
0.66,
0.66,
0.66,
0.00,
0.33,
0.33,
0.33,
0.66,
0.00,
0.00,
0.00,
0.00,
0.00,
1.00,
0.00,
0.66,
0.66,
0.00,
0.33,
0.66,
0.66,
0.00,
0.66,
0.66,
0.66,
0.00,
0.33,
1.00,
0.00,
1.00,
0.66,
1.00,
0.33,
0.33,
0.66,
0.66,
0.00,
0.66,
0.33,
1.00,
0.33,
0.33,
0.66,
0.00,
0.33,
0.33,
1.00,
1.00,
1.00,
0.33,
0.33,
0.00,
1.00,
1.00,
0.33,
1.00,
1.00,
0.00,
1.00,
1.00,
1.00,
0.00,
0.33,
1.00,
0.33,
0.00,
0.00,
0.33,
0.66,
0.00,
1.00,
0.66,
0.33,
0.66,
0.33,
1.00,
0.33,
0.33,
0.33,
1.00,
0.33,
0.66,
0.66,
1.00,
0.00,
0.66,
0.33,
0.00,
1.00,
1.00,
0.66,
1.00,
0.00,
0.66,
0.33,
1.00,
1.00,
1.00,
0.33,
1.00,
0.33,
1.00,
0.33,
1.00,
0.33,
0.00,
1.00,
1.00,
1.00,
1.00,
0.33,
1.00,
1.00,
0.00,
0.66,
0.33,
0.66,
0.00,
0.00,
0.33,
0.66,
0.00,
0.66,
0.66,
0.33,
0.66,
0.33,
0.33,
0.00,
0.33,
0.33,
0.00,
0.00,
1.00,
0.00,
1.00,
0.00,
0.66,
0.66,
0.00,
0.66,
0.66,
0.33,
1.00,
1.00,
0.33,
0.33,
1.00,
1.00,
1.00,
0.00,
1.00,
0.66,
0.00,
0.00,
1.00,
0.66,
0.66,
1.00,
1.00,
0.66,
0.00,
0.33,
0.33,
1.00,
1.00,
1.00,
1.00,
1.00,
1.00,
1.00,
0.00,
0.00,
1.00,
1.00,
0.00,
0.33,
1.00,
0.00,
0.00,
0.66,
1.00,
0.33,
0.33,
1.00,
0.66,
0.33,
1.00,
0.66,
1.00,
0.33,
0.00,
0.66,
0.33,
0.33,
0.00,
0.66,
1.00,
0.33,
1.00,
0.33,
0.00,
0.00,
0.66,
0.66,
0.33,
0.33,
0.33,
0.66,
0.00,
0.66,
0.33,
1.00,
0.00,
1.00,
1.00,
1.00,
0.00,
0.33,
0.33,
0.00,
0.00,
0.33,
0.66,
0.33,
1.00,
0.33,
0.33,
1.00,
1.00,
0.00,
0.00,
1.00,
0.00,
0.66,
0.33,
0.00,
0.00,
0.33,
0.66,
1.00,
0.33,
0.33,
0.00,
1.00,
0.33,
0.00,
1.00,
1.00,
0.33,
1.00,
0.33,
0.66,
0.00,
1.00,
1.00,
0.00,
0.33,
0.33,
0.66,
0.66,
0.66,
1.00,
0.33, 0.66, 0.33, 0.00, 1.00, 0.00, 0.33, 0.66, 0.66, 1.00, 0.00, 1.00,
1.00, 0.00, 0.33, 0.33, 1.00, 1.00, 0.33, 0.33, 0.33, 0.00, 0.66, 1.00,
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
502
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
0.33,
1.00,
0.33,
1.00,
0.33,
0.33,
0.66,
0.66,
0.66,
0.66,
1.00,
0.33,
1.00,
0.33,
1.00,
0.33,
0.00,
1.00,
0.33,
0.00,
0.66,
0.33,
1.00,
0.00,
1.00,
0.66,
1.00,
1.00,
0.33,
1.00,
1.00,
0.00,
1.00,
0.66,
1.00,
0.00,
1.00,
1.00,
1.00,
1.00,
1.00,
1.00,
0.66,
0.33,
1.00,
0.00,
0.33,
1.00,
1.00,
0.33,
1.00,
0.66,
0.66,
1.00,
0.66,
1.00,
0.00,
1.00,
0.00,
0.00,
1.00,
1
1.00,
1.00,
0.66,
1.00,
1
0.33,
1.00,
0.00,
1.00,
1
0.00,
0.33,
0.66,
1.00,
1
0.00,
1.00,
0.33,
1.00,
1
1.00,
1.00,
0.00,
1.00,
1
0.00,
1.00,
0.66,
1.00,
1
0.66,
1.00,
0.00,
0.33,
1
0.00,
1.00,
1.00,
1.00,
1
0.33,
1.00,
0.00,
1.00,
1
0.66,
1.00,
0.00,
1.00,
1
0.33,
1.00,
1.00,
1.00,
1
1.00,
0.00, 0.66, 0.00, 0.00, 0.00, 0.00, 0.33, 1.00, 1.00, 0.00, 1.00, 0.33,
0.00, 1.00, 1.00, 0.33, 0.33, 0.33, 0.00, 0.33, 1.00, 1.00, 1.00, 1.00,
0.00,
0.66,
0.33,
1.00,
0.66,
0.00,
0.00,
1.00,
0.33,
0.33,
0.00,
0.33,
0.66,
0.66,
0.33,
1.00,
0.66,
0.33,
1.00,
0.33,
0.00,
1.00,
0.33,
0.33,
1.00,
1.00,
1.00,
0.00,
0.33,
1.00,
0.33,
1.00,
0.33,
1.00,
1.00,
0.00,
1.00,
1.00,
0.00,
0.33,
0.00,
0.00,
0.33,
0.33,
0.33,
1.00,
1.00,
0.33,
0.33,
0.66,
0.00,
1.00,
1.00,
1.00,
1.00,
0.66,
1.00,
1.00,
1.00,
1.00,
0.33,
1.00,
0.33,
0.00,
1.00,
1.00,
0.66,
0.00,
0.33,
1.00,
0.66,
0.00,
0.33,
1.00,
1.00,
0.33,
0.00,
0.66,
0.66,
0.33,
0.00,
1.00,
1.00,
1.00,
0.00,
1.00,
0.00,
0.00,
0.00,
0.66,
0.66,
0.00,
0.33,
1.00,
0.00,
0.00,
0.66,
0.66,
1.00,
1.00,
0.00,
0.00,
0.33,
0.33,
0.00,
0.00,
1.00,
1.00,
0.00,
0.33,
1.00,
0.00,
0.33,
0.00,
0.66,
0.00,
0.66,
1.00,
1.00,
0.33,
1.00,
0.33,
0.66,
0.00,
1.00,
0.66,
1.00,
1.00,
1.00,
0.00,
1.00,
0.00,
1.00,
1.00,
0.00,
0.33,
0.00,
0.33,
0.66,
0.66,
1.00,
1.00,
0.00,
0.66,
0.33,
0.66,
0.00,
0.00,
1.00,
1.00,
1.00,
1.00,
0.00,
0.33,
0.33,
0.66,
0.00,
0.00,
1.00,
0.66,
1.00,
0.33,
1.00,
1.00,
1.00,
0.00,
1.00,
1.00,
1.00,
0.33,
0.66,
0.00,
0.00,
1.00,
1.00,
1.00,
1.00,
1.00,
1.00,
1.00,
1.00,
1.00,
0.00,
1.00,
0.33,
1.00,
1.00,
0.33,
0.33,
0.33,
0.66,
0.00,
0.00,
0.66,
0.00,
0.00,
1.00,
0.33,
0.00,
0.00,
0.00,
1.00,
0.66,
0.00,
0.00,
1.00,
1.00,
0.00,
0.00,
1.00,
0.66,
0.66,
0.00,
0.33,
0.66,
0.00,
0.00,
1.00,
1.00,
0.33,
0.00,
0.00,
1.00,
0.00,
0.66,
0.00,
1.00,
1.00,
1.00,
0.33,
0.00,
0.33,
1.00,
0.66,
0.66,
0.00,
0.33,
1.00,
0.66,
0.66,
0.00,
0.66,
0.00,
0.00,
0.66,
0.33,
1.00,
0.66,
0.66,
0.33,
1.00,
1.00,
1.00,
1.00,
0.00,
0.33,
0.00,
1.00,
0.00,
0.66,
0.66,
0.66,
1.00,
0.33,
0.00,
1.00,
0.66,
0.00,
0.00,
0.33,
0.66,
1.00,
1.00,
0.66,
0.33,
0.33,
0.66,
0.66,
0.00,
0.66,
0.33,
0.33,
0.33,
0.66,
1.00,
0.33,
0.66,
0.00,
0.33,
0.66,
0.00,
1.00,
0.33,
1.00,
0.33,
1.00,
0.00,
0.00,
0.33,
1.00,
0.00,
0.33,
1.00,
0.00,
0.00,
1.00,
0.00,
0.66,
0.00,
0.00,
1.00,
0.66,
0.00,
1.00,
0.66,
0.33,
0.00,
1.00,
0.66,
0.00,
1.00,
1.00,
1.00,
1.00,
0.00,
0.00,
0.00,
1.00,
1.00,
0.33,
0.00,
0.33,
0.33,
0.00,
0.33,
0.33,
0.66,
1.00,
0.33,
0.66,
0.66,
0.00,
0.33,
1.00,
0.33,
0.33,
0.66,
0.66,
0.00,
0.00,
0.66,
1.00,
0.33,
0.33,
0.33,
0.66,
0.33,
1.00,
1.00,
0.66,
0.33,
1.00,
0.33,
0.00,
0.33,
1.00,
0.66,
0.00,
0.00,
0.00,
1.00,
1.00,
0.66,
1.00,
0.00,
1.00,
0.66,
0.66,
1.00,
0.66,
0.33,
0.33,
0.66,
1.00,
0.00,
0.33,
0.33,
1.00,
1.00,
1.00,
1.00,
0.66,
0.33,
0.33,
1.00,
1.00,
0.00,
0.00,
1.00,
0.00,
0.00,
0.00,
0.66,
0.00,
0.00,
0.33,
1.00,
0.33,
0.00,
0.00,
0.66,
0.66,
0.00,
1.00,
1.00,
0.33,
0.00,
0.00,
0.00,
1.00,
0.00,
0.00,
0.00,
0.00,
1.00,
0.00,
1.00,
0.33,
0.00,
0.00,
0.00,
0.00,
0.66,
0.66,
1.00,
0.00,
0.66,
0.00,
0.66,
0.33,
0.66,
1.00,
0.00,
1.00,
0.00,
0.33,
1.00,
0.33,
0.33,
0.33,
0.00,
1.00,
0.66,
0.66,
1.00,
1.00,
1.00,
0.33,
0.66,
1.00,
0.33,
0.00,
0.33,
0.00,
0.66,
0.33,
1.00,
0.66,
1.00,
0.66,
0.00,
0.33,
1.00,
1.00,
1.00,
0.66,
0.00,
1.00,
0.33,
0.00,
0.00,
0.66,
1.00,
1.00,
0.66,
0.00,
1.00,
1.00,
0.00,
1.00,
0.00,
0.66,
0.00,
0.66,
1.00,
1.00,
0.00,
0.00,
0.33,
1.00,
1.00,
0.00,
0.33,
0.66,
0.00,
0.33,
0.00,
0.66,
1.00,
1.00,
0.66,
0.33,
1.00,
0.66,
1.00,
0.00,
0.00,
1.00,
0.00,
1.00,
1.00,
1.00,
1.00,
0.00,
0.66,
1.00,
0.00,
0.00,
0.00, 1.00, 0.66, 0.00, 0.00, 0.33, 0.66, 1.00, 1.00, 0.66, 0.00, 0.66,
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
503
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
0.00,
0.00,
0.00,
0.00,
0.33,
0.00,
0.33,
0.00,
0.33,
0.33,
0.33,
1.00,
0.66,
0.66,
1.00,
0.33,
1.00,
1.00,
1.00,
0.33,
0.33,
0.66,
0.33,
0.66,
0.66,
0.00,
1.00,
0.33,
1.00,
1.00,
0.00,
0.00,
1.00,
0.00,
0.66,
1.00,
1.00,
1.00,
0.00,
0.33,
0.66,
0.00,
0.33,
0.33,
0.33,
0.33,
0.33,
1.00,
0.66,
0.33,
0.00,
0.66,
1.00,
0.66,
0.00,
1.00,
0.33,
1.00,
1.00,
0.33,
1.00,
0.33,
0
0.66,
0.66,
1.00,
0.00,
0
0.00,
0.66,
1.00,
0.00,
0
1.00,
0.00,
0.66,
0.33,
0
0.66,
0.33,
0.33,
1.00,
0
0.33,
0.00,
0.00,
1.00,
0
0.66,
0.33,
1.00,
0.66,
0
0.00,
0.00,
0.33,
1.00,
0
0.66,
0.33,
0.66,
0.33,
0
0.66,
1.00,
0.33,
1.00,
0
1.00,
1.00,
0.00,
0.66,
0
1.00,
1.00,
0.00,
0.66,
0
1.00, 0.66, 0.33, 0.33, 0.66, 0.33, 1.00, 0.66, 0.00, 0.66, 1.00, 1.00,
0.33, 0.00, 0.66, 0.33, 1.00, 0.66, 1.00, 0.66, 0.00, 0.00, 0.33, 0.66,
0.00, 1.00, 1.00, 0.33, 1.00, 0.66, 0.66, 0.33, 0.66, 1.00, 0.33, 1.00,
0.00,
0.00,
0.66,
0.33,
0.00,
0.33,
0.66,
0.00,
0.33,
0.33,
1.00,
1.00,
0.66,
0.66,
0.00,
1.00,
0.00,
0.33,
1.00,
0.00,
0.66,
1.00,
1.00,
1.00,
1.00,
1.00,
0.00,
1.00,
0.33,
1.00,
0.33,
0.33,
0.00,
0.66,
1.00,
0.66,
0.00,
0.00,
0.66,
1.00,
1.00,
0.33,
1.00,
0.33,
0.33,
1.00,
0.66,
1.00,
0.00,
0.66,
1.00,
0.66,
1.00,
0.66,
1.00,
0.66,
0.66,
1.00,
1.00,
0.00,
0.66,
0.33,
1.00,
0.00,
0.33,
1.00,
0.66,
0.33,
0.33,
1.00,
0.33,
1.00,
1.00,
0.66,
1.00,
0.00,
0.33,
0.00,
0.66,
1.00,
1.00,
0.66,
0.00,
0.00,
0.00,
0.66,
0.00,
1.00,
0.00,
0.66,
0.00,
0.66,
0.00,
0.66,
0.66,
0.33,
0.66,
0.66,
1.00,
0.33,
0.00,
0.33,
0.00,
0.66,
0.33,
0.00,
0.00,
0.66,
0.33,
1.00,
0.66,
1.00,
1.00,
1.00,
0.33,
1.00,
0.00,
1.00,
1.00,
0.66,
0.33,
1.00,
0.00,
0.00,
1.00,
0.66,
0.00,
0.33,
0.00,
0.66,
0.33,
1.00,
0.33,
0.33,
0.33,
0.33,
0.66,
0.66,
0.00,
0.00,
0.33,
0.66,
1.00,
0.00,
1.00,
1.00,
1.00,
0.00,
0.33,
0.33,
0.66,
0.00,
1.00,
0.33,
0.66,
0.33,
0.00,
0.66,
0.00,
0.66,
1.00,
0.66,
0.00,
0.33,
0.33,
1.00,
0.66,
0.00,
0.66,
0.00,
0.66,
0.66,
0.66,
1.00,
1.00,
0.00,
1.00,
0.33,
0.66,
1.00,
0.66,
0.00,
0.00,
0.66,
0.00,
0.00,
0.33,
0.33,
0.00,
0.33,
0.66,
0.00,
0.33,
0.33,
1.00,
0.66,
0.00,
1.00,
0.33,
0.00,
0.00,
1.00,
0.00,
0.33,
1.00,
0.66,
0.66,
0.00,
0.33,
0.00,
0.33,
1.00,
0.00,
0.00,
0.33,
0.33,
0.00,
0.66,
0.00,
0.33,
1.00,
0.66,
0.00,
1.00,
0.33,
0.66,
0.33,
1.00,
0.00,
1.00,
0.00,
0.33,
0.00,
0.66,
0.66,
0.66,
0.66,
0.66,
0.33,
1.00,
0.66,
0.00,
0.00,
0.00,
0.00,
1.00,
0.00,
1.00,
1.00,
1.00,
0.33,
0.66,
0.66,
0.66,
0.66,
1.00,
0.66,
0.00,
0.33,
1.00,
0.00,
0.66,
1.00,
1.00,
0.33,
0.66,
0.00,
0.00,
0.66,
0.00,
0.33,
0.33,
1.00,
0.00,
1.00,
1.00,
1.00,
0.66,
0.00,
0.33,
0.33,
0.66,
0.33,
0.33,
0.00,
0.33,
0.33,
0.00,
0.66,
1.00,
0.00,
0.66,
0.66,
0.66,
0.00,
0.00,
1.00,
0.00,
1.00,
0.33,
0.66,
0.33,
0.33,
1.00,
0.66,
0.33,
0.00,
0.33,
0.33,
0.66,
0.66,
1.00,
1.00,
0.00,
0.00,
0.66,
0.00,
0.00,
0.33,
0.66,
1.00,
0.33,
0.33,
1.00,
0.66,
0.66,
0.66,
0.00,
1.00,
0.00,
0.33,
1.00,
0.66,
0.66,
1.00,
1.00,
1.00,
1.00,
1.00,
0.00,
0.00,
1.00,
0.00,
0.66,
0.66,
1.00,
0.33,
0.00,
0.33,
0.33,
0.66,
0.66,
0.66,
1.00,
0.33,
0.66,
0.33,
1.00,
0.00,
0.00,
0.00,
0.00,
0.33,
0.33,
1.00,
0.33,
0.33,
0.66,
0.33,
1.00,
0.00,
0.00,
0.00,
0.66,
0.66,
0.33,
0.66,
1.00,
0.33,
0.66,
1.00,
0.66,
0.66,
0.00,
0.00,
0.33,
1.00,
0.66,
0.33,
0.66,
0.33,
0.00,
0.33,
1.00,
1.00,
0.66,
0.66,
0.33,
0.00,
0.66,
0.00,
0.33,
0.00,
0.66,
0.00,
1.00,
0.00,
0.66,
0.66,
0.33,
0.33,
1.00,
0.33,
0.00,
0.66,
1.00,
0.66,
0.00,
0.66,
1.00,
0.00,
1.00,
0.66,
1.00,
0.66,
0.66,
1.00,
1.00,
0.33,
0.66,
0.33,
1.00,
0.00,
0.00,
1.00,
0.66,
0.33,
1.00,
0.66,
1.00,
0.66,
0.66,
0.33,
0.33,
0.66,
0.33,
0.66,
1.00,
1.00,
1.00,
1.00,
0.00,
0.66,
0.66,
1.00,
0.33,
0.66,
0.66,
0.33,
1.00,
0.66,
0.00,
0.00,
0.66,
1.00,
1.00,
0.33,
0.00,
0.00,
0.66,
1.00,
0.33,
0.33,
0.66,
1.00,
1.00,
0.00,
0.00,
0.33,
0.33,
0.00,
0.66,
0.66,
1.00,
0.66,
0.00,
0.33,
0.00,
1.00,
0.33,
0.00,
0.00,
0.33,
0.33,
1.00,
0.66,
1.00,
1.00,
1.00,
0.33,
0.33,
0.00,
1.00,
1.00,
0.00,
0.33,
1.00,
0.00,
0.66,
1.00,
0.66,
0.00,
0.00,
0.00,
0.66,
0.33,
0.66,
0.33,
0.33,
0.33,
1.00,
0.66,
0.66,
0.00,
0.33,
0.33,
0.66,
1.00,
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
504
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
0.00,
0.00,
0.66,
0.33,
0.66,
1.00,
0.00,
0.33,
0.33,
1.00,
1.00,
1.00,
0.33,
0.66,
0.00,
0.00,
0.00,
0.66,
0.33,
0.66,
0.00,
0.00,
0.66,
1.00,
0.33,
0.66,
0.66,
0.33,
1.00,
1.00,
1.00,
0.00,
0.66,
1.00,
1.00,
1.00,
0.00,
0.33,
1.00,
0.33,
1.00,
0.00,
1.00,
1.00,
0.00,
0.33,
1.00,
1.00,
0.33,
0.33,
1.00,
1.00,
1.00,
0.00,
0.00,
0.33,
0.33,
0.66,
0.66,
0.00,
0.33,
0.00,
0.66,
0
1.00,
1.00,
1.00,
1.00,
0
0.00,
1.00,
0.00,
0.00,
0
0.00,
0.33,
0.66,
0.00,
0
0.00,
0.00,
0.00,
0.33,
0
0.00,
0.33,
0.33,
0.33,
0
1.00,
0.66,
0.33,
1.00,
0
0.00,
0.33,
0.33,
1.00,
0
0.66,
0.33,
0.00,
0.66,
0
0.00,
0.66,
1.00,
1.00,
0
1.00,
0.00,
0.66,
0.33,
0
0.00,
0.00,
0.33,
1.00,
0.33,
0.66,
0.66,
0.66,
1.00,
0.66,
0.33,
1.00,
0.33,
0.33,
0.33,
0.00,
0.00,
0.66,
1.00,
0.33,
0.00,
0.00,
1.00,
0.00,
0.66,
0.66,
0.66,
0.33,
0.66,
0.00,
1.00,
0.00,
0.33,
0.33,
0.33,
0.66,
1.00,
1.00,
0.33,
0.33,
0.66,
1.00,
1.00,
0.00,
0.00,
0.66,
1.00,
0.66,
1.00,
0.33,
0.66,
0.33,
0.00,
1.00,
0.00,
0.66,
0.33,
0.33,
0.33,
0.00,
1.00,
0.66,
0.66,
0.66,
0.66,
1.00,
0.00,
1.00,
1.00,
0.33,
1.00,
0.66,
0.66,
1.00,
0.66,
0.33,
0.00,
0.33,
0.00,
1.00,
0.00,
0.33,
0.66,
1.00,
0.33,
0.66,
0.00,
0.33,
0.00,
0.33,
1.00,
0.33,
1.00,
0.66,
0.66,
0.66,
1.00,
0.00,
0.33,
1.00,
1.00,
0.00,
0.00,
0.33,
1.00,
0.00,
1.00,
0.66,
0.33,
0.33,
0.33,
1.00,
1.00,
0.33,
1.00,
1.00,
0.33,
0.66,
0.33,
0.33,
0.00,
0.00,
0.66,
0.00,
0.00,
0.33,
1.00,
0.00,
0.33,
0.00,
0.66,
0.33,
0.00,
0.66,
0.66,
0.00,
0.00,
0.00,
0.00,
1.00,
0.66,
1.00,
1.00,
1.00,
0.00,
1.00,
0.66,
0.66,
0.33,
0.33,
1.00,
1.00,
0.66,
0.66,
0.00,
1.00,
0.00,
0.33,
1.00,
0.00,
0.66,
1.00,
1.00,
1.00,
1.00,
1.00,
0.00,
1.00,
0.33,
1.00,
0.33,
0.33,
0.00,
0.66,
1.00,
0.66,
0.00,
0.00,
0.66,
1.00,
1.00,
0.33,
1.00,
0.33,
0.33,
1.00,
0.66,
1.00,
0.00,
0.33,
0.00,
0.33,
0.66,
1.00,
0.00,
0.33,
0.66,
0.66,
0.33,
0.66,
1.00,
0.66,
0.33,
1.00,
0.66,
1.00,
0.66,
0.33,
0.33,
0.33,
0.00,
0.33,
1.00,
0.00,
0.00,
1.00,
1.00,
0.33,
0.66,
0.33,
0.00,
0.66,
0.33,
0.00,
0.66,
0.66,
0.66,
0.00,
0.33,
0.00,
0.00,
1.00,
1.00,
1.00,
0.66,
0.66,
1.00,
0.00,
0.33,
0.66,
0.33,
0.33,
0.33,
0.33,
0.00,
0.33,
1.00,
0.00,
0.66,
0.00,
1.00,
0.66,
0.00,
0.33,
0.00,
0.33,
0.33,
0.33,
0.66,
0.33,
0.33,
0.66,
0.00,
1.00,
0.00,
0.00,
0.66,
0.33,
0.33,
0.66,
0.00,
0.66,
0.66,
1.00,
0.66,
0.00,
0.33,
0.00,
0.33,
0.33,
0.33,
0.66,
0.00,
0.00,
1.00,
0.00,
1.00,
0.00,
0.33,
0.33,
0.66,
0.33,
0.00,
0.33,
0.00,
0.66,
0.66,
0.33,
1.00,
1.00,
0.00,
1.00,
0.00,
0.00,
0.66,
0.33,
0.00,
0.66,
0.00,
0.66,
0.00,
0.00,
0.66,
0.00,
1.00,
0.33,
0.33,
0.33,
0.66,
0.66,
0.00,
0.00,
0.33,
1.00,
1.00,
0.00,
1.00,
0.66,
0.66,
0.33,
1.00,
0.33,
1.00,
1.00,
1.00,
0.33,
0.33,
1.00,
0.33,
0.33,
1.00,
1.00,
1.00,
0.00,
1.00,
0.00,
0.66,
0.33,
0.33,
0.33,
0.00,
1.00,
0.66,
0.66,
0.66,
0.66,
1.00,
0.00,
1.00,
0.66,
0.33,
1.00,
0.66,
0.00,
1.00,
0.66,
0.33,
1.00,
0.33,
0.00,
1.00,
1.00,
0.33,
0.66,
1.00,
0.66,
0.66,
0.00,
0.33,
1.00,
0.33,
1.00,
0.33,
0.33,
0.66,
0.66,
0.66,
0.00,
0.33,
1.00,
0.33,
0.00,
1.00,
0.00,
0.66,
0.66,
0.66,
1.00,
0.00,
0.00,
0.00,
0.00,
1.00,
0.33,
0.00,
1.00,
0.00,
1.00,
0.00,
0.66,
1.00,
0.66,
0.66,
0.33,
0.66,
0.33,
0.66,
0.66,
0.00,
0.33,
0.00,
0.33,
0.00,
0.66,
0.66,
1.00,
0.33,
0.33,
0.66,
0.33,
0.66,
1.00,
0.00,
0.00,
1.00,
0.66,
1.00,
0.00,
0.66,
1.00,
0.66,
1.00,
0.33,
0.66,
0.00,
0.00,
0.66,
0.33,
0.00,
0.33,
0.00,
0.66,
0.33,
0.66,
0.66,
0.66,
1.00,
0.66,
0.33,
1.00,
0.33,
0.33,
0.33,
0.00,
0.00,
0.66,
1.00,
0.33,
0.00,
0.00,
1.00,
0.00,
0.66,
0.66,
0.66,
0.33,
0.66,
0.00,
1.00,
0.00,
0.33,
0.33,
0.33,
0.66,
0.33,
0.33,
0.00,
1.00,
0.66,
0.66,
0.66,
0.66,
1.00,
0.00,
1.00,
0.66,
0.33,
1.00,
0.66,
0.00,
1.00,
0.66,
0.33,
1.00,
0.33,
0.00,
1.00,
1.00,
0.33,
0.66,
1.00,
0.66,
0.66,
0.00,
0.33,
1.00,
0.33,
1.00,
0.33,
0.33,
0.66,
0.66,
0.66,
0.00,
0.00,
0.33,
1.00,
0.33,
0.33,
0.33,
1.00,
0.33,
1.00,
0.00,
1.00,
0.66,
0.66,
0.33,
1.00,
0.33,
1.00,
1.00,
1.00,
0.33,
0.33,
1.00,
0.33,
0.33,
0.00,
0.66,
1.00,
1.00,
0.66,
0.33,
1.00,
0.00,
0.33,
0.00,
0.66,
0.33,
0.33,
1.00,
1.00,
0.66,
1.00,
0.00,
0.00,
0.33,
0.33,
0.00,
0.66,
0.66,
0.66,
0.00,
0.00,
0.33,
0.00,
1.00,
0.33,
1.00,
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
505
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
1.00,
0.00,
0.00,
0.66,
0.33,
0.66,
1.00,
0.00,
1.00,
0.66,
0.00,
1.00,
1.00,
0.00,
0.33,
0.66,
0.33,
0.00,
0.66,
0.66,
0.00,
0.66,
0.33,
0.33,
1.00,
1.00,
0.00,
0.33,
0.00,
0.00,
0.00,
1.00,
0.66,
0.00,
0.00,
0.66,
1.00,
0.66,
0.00,
0.33,
0.33,
1.00,
0.00,
0.66,
0.00,
1.00,
1.00,
0.33,
1.00,
1.00,
0.66,
0.33,
1.00,
0.00,
1.00,
0.66,
1.00,
0.66,
0.66,
0
0.66,
0.00,
0.66,
0.00,
0
0.33,
0.33,
0.33,
1.00,
0
0.66,
0.33,
0.33,
0.33,
0
1.00,
0.33,
0.00,
1.00,
0
0.33,
0.33,
0.33,
0.33,
0
1.00,
1.00,
1.00,
0.66,
0
0.66,
0.00,
0.00,
0.33,
0
0.33,
1.00,
0.00,
1.00,
0
0.00,
0.66,
0.33,
0.33,
0
0.00,
0.00,
0.66,
0.33,
0
0.00,
1.00,
0.66,
0.66,
0
1.00,
0.33,
1.00,
0.66,
0.66,
0.00,
0.66,
0.00,
0.66,
0.66,
0.33,
0.66,
1.00,
0.00,
0.66,
0.66,
1.00,
0.66,
0.33,
0.00,
0.66,
0.00,
0.00,
0.00,
0.66,
1.00,
0.33,
0.33,
0.00,
0.66,
0.33,
1.00,
0.00,
0.33,
1.00,
0.00,
0.33,
0.33,
0.66,
0.33,
0.00,
0.00,
0.33,
0.66,
1.00,
0.66,
0.00,
0.33,
0.33,
0.33,
0.33,
1.00,
0.33,
1.00,
1.00,
0.33,
0.66,
0.33,
0.33,
0.00,
0.00,
0.66,
0.00,
0.00,
0.33,
1.00,
0.00,
0.33,
0.00,
0.66,
0.33,
0.00,
0.66,
0.66,
0.00,
0.00,
0.00,
0.00,
1.00,
0.66,
1.00,
1.00,
1.00,
0.00,
1.00,
0.66,
0.66,
1.00,
0.33,
0.66,
0.00,
1.00,
0.00,
0.00,
0.66,
0.00,
0.00,
0.33,
0.66,
0.00,
0.00,
0.66,
1.00,
0.00,
0.00,
0.00,
0.33,
0.66,
0.66,
0.33,
0.66,
1.00,
0.66,
0.33,
1.00,
0.66,
1.00,
0.66,
0.33,
0.33,
0.33,
0.00,
0.33,
1.00,
0.00,
0.00,
1.00,
1.00,
0.33,
0.66,
0.33,
0.00,
0.66,
0.33,
0.00,
0.66,
0.66,
0.66,
0.00,
0.33,
0.00,
0.00,
1.00,
1.00,
1.00,
0.66,
0.66,
0.00,
0.66,
0.66,
1.00,
1.00,
0.00,
0.00,
0.00,
0.00,
1.00,
0.33,
1.00,
1.00,
0.00,
1.00,
0.33,
0.66,
1.00,
0.66,
0.00,
0.33,
0.66,
0.33,
0.66,
0.66,
0.00,
0.33,
0.33,
0.33,
0.00,
0.66,
1.00,
1.00,
0.33,
0.33,
0.66,
0.33,
0.66,
1.00,
1.00,
0.00,
1.00,
0.66,
0.66,
1.00,
1.00,
0.00,
0.00,
0.66,
0.00,
1.00,
0.66,
0.66,
0.33,
0.33,
0.00,
0.33,
0.66,
0.00,
1.00,
0.00,
0.33,
0.66,
0.66,
0.66,
0.66,
0.66,
1.00,
0.33,
0.66,
0.00,
0.33,
0.00,
1.00,
1.00,
1.00,
0.33,
0.66,
1.00,
1.00,
0.66,
0.00,
0.33,
0.33,
1.00,
0.66,
0.00,
0.33,
1.00,
0.00,
1.00,
0.66,
1.00,
0.66,
0.66,
0.66,
0.33,
1.00,
0.33,
0.66,
0.33,
0.33,
1.00,
1.00,
0.33,
0.33,
0.00,
0.66,
1.00,
0.66,
0.33,
0.66,
0.00,
0.66,
0.66,
0.33,
0.00,
1.00,
1.00,
1.00,
1.00,
0.33,
1.00,
0.00,
0.66,
0.00,
0.00,
1.00,
1.00,
0.00,
0.00,
0.66,
0.33,
1.00,
0.33,
1.00,
1.00,
0.33,
0.33,
0.66,
0.00,
0.33,
0.66,
1.00,
0.66,
0.00,
0.33,
0.66,
0.33,
0.33,
0.66,
0.33,
0.66,
0.33,
0.33,
1.00,
1.00,
1.00,
1.00,
0.00,
0.33,
0.33,
0.66,
0.00,
1.00,
0.33,
0.66,
0.33,
0.00,
0.66,
0.00,
0.66,
1.00,
0.66,
0.00,
0.33,
0.33,
1.00,
0.66,
0.00,
0.66,
0.00,
0.66,
0.66,
0.66,
1.00,
1.00,
0.00,
1.00,
0.33,
0.66,
1.00,
1.00,
1.00,
0.66,
0.00,
0.33,
0.33,
0.66,
0.33,
0.66,
0.00,
0.33,
0.33,
1.00,
0.00,
0.00,
1.00,
0.66,
0.33,
1.00,
0.66,
0.66,
0.00,
0.00,
0.00,
0.00,
1.00,
0.00,
1.00,
1.00,
1.00,
0.33,
0.66,
0.66,
0.66,
0.66,
1.00,
0.66,
0.00,
0.33,
1.00,
0.00,
0.66,
1.00,
1.00,
0.33,
0.66,
0.00,
0.00,
1.00,
0.33,
1.00,
1.00,
1.00,
0.00,
0.66,
1.00,
0.66,
1.00,
0.00,
0.66,
0.66,
0.66,
1.00,
0.33,
0.33,
0.00,
0.00,
0.66,
1.00,
0.00,
0.33,
0.00,
1.00,
0.33,
0.66,
0.66,
0.66,
1.00,
0.66,
0.33,
0.33,
0.33,
0.33,
0.33,
1.00,
0.00,
0.66,
1.00,
0.33,
0.00,
0.00,
1.00,
0.00,
0.66,
0.66,
0.66,
0.66,
0.00,
0.00,
1.00,
0.00,
0.66,
0.66,
0.66,
0.66,
0.00,
0.66,
0.33,
0.66,
0.00,
0.33,
0.00,
0.66,
0.66,
1.00,
1.00,
1.00,
0.00,
0.00,
0.66,
0.66,
0.66,
0.66,
0.66,
1.00,
0.66,
0.00,
0.00,
0.00,
0.00,
0.33,
0.66,
0.33,
0.00,
0.66,
1.00,
1.00,
0.66,
1.00,
0.00,
0.33,
0.00,
0.33,
1.00,
0.66,
0.33,
0.33,
1.00,
0.33,
0.33,
0.33,
0.33,
0.66,
0.00,
1.00,
0.66,
0.66,
0.33,
0.33,
0.00,
0.33,
0.66,
0.00,
1.00,
0.00,
0.33,
0.66,
0.66,
0.66,
0.66,
0.66,
1.00,
0.33,
0.66,
0.00,
0.33,
0.00,
1.00,
1.00,
1.00,
0.33,
0.66,
1.00,
1.00,
0.66,
0.00,
0.33,
0.33,
1.00,
0.66,
0.00,
0.33,
0.00, 0.33, 0.66, 1.00, 1.00, 0.66, 0.66, 0.33, 0.66, 0.00, 0.33, 0.33,
1.00, 0.00, 0.66, 0.66, 0.00, 0.33, 1.00, 1.00, 1.00, 0.33, 1.00, 1.00,
1.00, 0.66, 0.00, 1.00, 1.00, 1.00, 1.00, 0.33, 0.33, 0.00, 1.00, 0.66,
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
506
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
0.33,
0.00,
0.00,
0.66,
0.66,
0.00,
0.00,
0.66,
1.00,
1.00,
0.66,
0.00,
0.00,
0.00,
1.00,
1.00,
0.00,
0.00,
0.66,
0.00,
0.00,
0.00,
1.00,
0.66,
0.00,
1.00,
0.00,
1.00,
1.00,
1.00,
0.66,
0.33,
0.00,
0.33,
0.00,
0.66,
0.66,
0.33,
0.00,
0.33,
0.00,
0.66,
0.33,
1.00,
0.66,
0.00,
1.00,
1.00,
1.00,
1.00,
0.00,
1.00,
0.00,
0.00,
0.66,
0.33,
0.00,
0.66,
0.33,
0.66,
0
0.33,
0.33,
0.33,
0.66,
0
0.66,
0.66,
0.00,
1.00,
0
0.00,
0.33,
0.33,
0.33,
0
0.66,
0.66,
0.33,
0.00,
0
0.66,
0.33,
0.00,
0.66,
0
0.66,
0.00,
0.33,
0.00,
0
0.66,
1.00,
0.66,
1.00,
0
0.33,
0.66,
0.33,
1.00,
0
0.66,
0.66,
0.33,
0.00,
0
0.00,
0.33,
1.00,
0.33,
0
0.66,
0.00,
0.00,
1.00,
0
0.00,
1.00,
0.66, 1.00, 0.66, 1.00, 1.00, 1.00, 1.00, 0.66, 0.33, 0.66, 0.33, 0.00,
0.66,
0.00,
0.66,
0.00,
0.33,
0.66,
1.00,
1.00,
1.00,
0.33,
0.00,
1.00,
0.00,
0.66,
1.00,
0.00,
0.00,
0.00,
1.00,
0.00,
0.33,
0.00,
0.33,
0.33,
0.66,
0.33,
1.00,
0.33,
0.33,
0.66,
0.33,
0.66,
0.00,
0.33,
0.00,
0.00,
0.66,
1.00,
0.00,
0.33,
0.00,
0.33,
0.33,
0.00,
1.00,
0.66,
0.00,
0.66,
1.00,
1.00,
0.33,
0.00,
0.66,
1.00,
0.00,
0.00,
1.00,
0.00,
0.33,
0.00,
1.00,
0.00,
0.33,
0.33,
1.00,
1.00,
1.00,
0.66,
1.00,
0.33,
0.33,
1.00,
0.66,
0.66,
0.00,
0.33,
0.33,
0.33,
0.66,
1.00,
0.66,
1.00,
0.66,
1.00,
0.33,
1.00,
0.33,
0.33,
0.00,
1.00,
0.00,
0.66,
0.00,
0.66,
1.00,
1.00,
0.33,
1.00,
0.66,
0.33,
0.33,
0.33,
0.00,
1.00,
0.00,
0.00,
1.00,
0.00,
1.00,
0.00,
0.66,
0.33,
1.00,
1.00,
0.33,
0.00,
0.33,
0.66,
0.00,
1.00,
0.33,
0.00,
0.66,
0.66,
0.66,
0.66,
0.33,
0.00,
0.66,
0.33,
0.66,
0.00,
1.00,
0.00,
1.00,
1.00,
1.00,
1.00,
0.00,
0.00,
0.66,
0.33,
0.33,
0.66,
0.00,
0.00,
1.00,
1.00,
0.33,
0.66,
0.00,
0.00,
0.66,
1.00,
0.33,
1.00,
1.00,
0.00,
0.66,
0.66,
0.33,
1.00,
0.66,
0.33,
1.00,
0.66,
1.00,
1.00,
0.33,
0.00,
0.66,
0.66,
1.00,
0.66,
0.66,
0.66,
0.66,
0.00,
0.66,
0.00,
0.33,
1.00,
1.00,
1.00,
0.00,
0.66,
0.00,
0.66,
1.00,
0.66,
0.33,
0.66,
1.00,
0.66,
1.00,
1.00,
1.00,
0.66,
0.66,
0.00,
0.66,
1.00,
1.00,
0.33,
0.00,
0.66,
1.00,
0.00,
1.00,
1.00,
0.00,
0.33,
1.00,
1.00,
0.00,
0.33,
1.00,
1.00,
1.00,
1.00,
1.00,
1.00,
0.33,
0.33,
0.33,
0.66,
0.66,
0.00,
0.33,
0.33,
0.33,
0.66,
0.00,
0.66,
1.00,
0.66,
1.00,
0.33,
1.00,
0.33,
0.33,
0.66,
0.00,
1.00,
0.00,
0.33,
0.66,
0.00,
0.33,
0.33,
0.66,
0.66,
0.66,
1.00,
1.00,
1.00,
0.66,
0.33,
0.66,
0.33,
0.66,
0.00,
0.33,
1.00,
1.00,
0.66,
0.66,
0.33,
1.00,
0.33,
0.00,
0.00,
0.66,
0.66,
0.66,
0.66,
0.33,
1.00,
1.00,
0.00,
0.66,
0.00,
1.00,
0.66,
0.00,
1.00,
0.33,
1.00,
0.66,
1.00,
1.00,
0.66,
0.33,
0.33,
0.66,
0.00,
0.00,
0.66,
0.33,
0.66,
1.00,
1.00,
1.00,
1.00,
0.66,
0.00,
1.00,
0.00,
1.00,
0.66,
1.00,
0.33,
0.00,
0.33,
0.33,
0.66,
0.00,
0.66,
1.00,
0.33,
0.00,
0.33,
1.00,
0.00,
0.33,
0.00,
0.00,
0.33,
0.66,
1.00,
0.33,
0.33,
1.00,
0.33,
1.00,
0.00,
0.66,
0.00,
1.00,
0.00,
0.00,
0.66,
0.33,
0.00,
0.66,
0.00,
0.66,
0.00,
1.00,
0.66,
0.00,
1.00,
0.00,
0.33,
0.33,
0.66,
0.66,
0.00,
0.00,
0.33,
0.00,
1.00,
0.00,
1.00,
0.33,
0.66,
0.33,
1.00,
0.33,
1.00,
1.00,
1.00,
0.33,
0.33,
1.00,
0.33,
1.00,
0.00,
0.66,
1.00,
1.00,
0.66,
0.33,
1.00,
0.33,
1.00,
0.66,
1.00,
1.00,
1.00,
0.66,
0.66,
0.00,
0.66,
1.00,
1.00,
0.66,
0.00,
0.66,
1.00,
0.66,
1.00,
1.00,
0.00,
0.00,
1.00,
1.00,
0.00,
0.33,
1.00,
1.00,
1.00,
1.00,
1.00,
1.00,
0.33,
1.00,
0.33,
0.66,
0.66,
1.00,
0.33,
0.33,
0.33,
0.33,
0.00,
0.66,
1.00,
1.00,
1.00,
0.33,
1.00,
1.00,
0.00,
0.66,
1.00,
0.66,
0.00,
0.00,
0.66,
0.00,
1.00,
0.33,
1.00,
0.33,
0.33,
1.00,
0.66,
0.33,
0.00,
0.33,
0.00,
0.66,
0.66,
1.00,
0.00,
0.00,
0.00,
0.66,
0.33,
0.00,
0.33,
0.66,
0.00,
0.33,
0.33,
1.00,
1.00,
0.66,
0.66,
0.00,
1.00,
0.00,
0.33,
1.00,
0.00,
0.66,
1.00,
1.00,
1.00,
0.00,
0.66,
0.66,
0.66,
0.66,
0.00,
0.66,
0.33,
0.66,
0.00,
0.33,
0.00,
0.66,
0.66,
1.00,
1.00,
1.00,
0.00,
0.00,
0.66,
0.66,
0.66,
0.66,
0.66,
1.00,
0.66,
0.00,
0.00,
0.00,
0.00,
0.33,
0.66,
0.33,
0.00,
0.66,
1.00,
1.00,
0.66,
1.00,
0.00,
0.33,
0.00,
0.33,
1.00,
0.33,
1.00,
1.00,
0.66,
0.66, 0.00, 0.66, 0.33, 0.00, 1.00, 0.66, 1.00, 0.33, 0.00, 0.66, 0.33,
0.33, 0.66, 0.00, 0.33, 0.00, 0.00, 0.33, 1.00, 1.00, 0.66, 0.33, 0.00,
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
507
Anexo de Ejemplos – Framework JCortex – http://www.jcortex.com/
1.00,
1.00,
0.66,
0.33,
0.00,
0.66,
0.00,
1.00,
0.66,
0.00,
1.00,
0.66,
0.66,
0.33,
0.66,
1.00,
0.66,
0.33,
0.33,
0.33,
1.00,
0.66,
0.33,
1.00,
0.00,
0.66,
0.00,
1.00,
0.00,
0.00,
0
0.33,
0.00,
0.66,
0.00,
0
1.00,
1.00,
0.33,
0.66,
0
0.66,
0.00,
0.33,
1.00,
0
1.00,
0.33,
1.00,
0.33,
0
0.00,
0.00,
0.66,
0.00,
0
0.00, 0.00, 1.00, 0.66, 0.33, 1.00, 1.00, 1.00, 0.33, 1.00, 1.00, 0.66,
0.66, 0.00, 0.33, 0.66, 1.00, 0.66, 0.33, 0.33, 0.33, 1.00, 0.00, 0.33,
1.00,
0.00,
0.66,
0.66,
0.33,
0.33,
1.00,
0.66,
0.00,
0.66,
1.00,
0.00,
0.00,
0.66,
1.00,
0.66,
1.00,
0.66,
1.00,
0.66,
0.66,
1.00,
1.00,
0.00,
0.66,
0.33,
1.00,
0.00,
0.33,
1.00,
0.66,
0.33,
0.33,
1.00,
0.33,
1.00,
1.00,
0.66,
1.00,
0.00,
0.33,
0.00,
0.66,
1.00,
1.00,
0.66,
0.00,
0.00,
0.00,
1.00,
0.00,
0.00,
1.00,
0.00,
0.00,
0.33,
1.00,
0.00,
1.00,
0.66,
0.33,
0.33,
0.33,
1.00,
1.00,
0.33,
1.00,
1.00,
0.33,
0.66,
0.33,
0.33,
0.00,
0.00,
0.66,
0.00,
0.00,
0.33,
1.00,
0.00,
0.33,
0.00,
0.66,
0.33,
0.00,
0.66,
0.66,
0.00,
0.00,
0.00,
0.00,
1.00,
0.66,
1.00,
1.00,
1.00,
0.33,
1.00,
0.33,
0.33,
0.66,
0.66,
0.66,
0.00,
0.00,
0.33,
1.00,
0.33,
0.33,
0.33,
1.00,
0.33,
1.00,
1.00,
0.00,
0.00,
0.00,
0.66,
0.33,
0.00,
0.33,
0.00,
1.00,
0.66,
0.66,
0.66,
0.66,
0.66,
0.00,
1.00,
0.66,
0.33,
1.00,
0.66,
0.00,
1.00,
0.66,
0.33,
1.00,
1.00,
0.00,
1.00,
1.00,
0.33,
0.33,
1.00,
0.66,
1.00,
0.66,
0.33,
0.00,
0.66,
1.00,
1.00,
0.66,
0.00,
0.33,
0.00,
0.66,
0.00,
0.33,
0.00,
0.66,
0.00,
1.00,
0.00,
0.66,
0.66,
0.33,
0.33,
1.00,
0.66,
0.00,
0.66,
1.00,
0.00,
0.00,
0.66,
1.00,
0.66,
1.00,
0.66,
1.00,
0.66,
0.66,
1.00,
1.00,
0.00,
0.66,
0.33,
1.00,
0.00,
0.00,
0.66,
0.33,
1.00,
0.33,
0.66,
0.00,
0.33,
0.00,
0.00,
0.33,
0.00,
1.00,
0.66,
1.00,
0.00,
1.00,
0.66,
0.33,
1.00,
0.00,
0.33,
0.00,
0.33,
0.00,
1.00,
1.00,
0.00,
1.00,
0.33,
1.00,
0.00,
0.00,
1.00,
0.00,
0.66,
0.00,
0.00,
0.66,
0.00,
0.00,
0.00,
0.33,
0.00,
1.00,
1.00,
0.33,
0.33,
Framework para Redes Neuronales en Java – Miguel Lara Encabo – Junio 2006
508