Redes Neuronales y Easy Java

UNIVERSIDAD PONTIFICIA COMILLAS
ESCUELA TCNICA SUPERIOR DE INGENIERA (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 DAZ
Fdo.: ........................
Fecha: ....../ ....../ ......
Vo Bo del Coordinador de Proyectos

MIGUEL NGEL SANZ BOBI
Fdo.: ........................
Fecha: ....../ ....../ ......
Framework para Redes Neuronales en Java Miguel Lara Encabo Junio 2006
FRAMEWORK PARA REDES NEURONALES EN JAVA

Autor: Lara Encabo, Miguel.
Director: Esquivel Daz, Juan Carlos.
Entidad Colaboradora: ICAI Universidad Pontificia Comillas
RESUMEN DEL PROYECTO

Se desea construir una solucin completa que permita a desarrolladores de software
crear, educar y utilizar Redes Neuronales Artificiales (RNAs) 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 grfico de
desarrollo para JCortex.
Desde el comienzo del diseo y estudio de este proyecto, se prest gran atencin a la
combinacin de framework y entorno de desarrollo; ya que es imprescindible para su
futuro contar con un IDE (Entorno Integrado de Desarrollo) fcil de usar y potente
que pueda complementar a JCortex.
El objetivo principal en el desarrollo del framework ha sido lograr un sistema
prctico, 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 l soluciones basadas en RNAs con distintos niveles de profundidad
segn el tipo de usuario, personalizar las redes y su funcionamiento, recurrir a los
modelos ms habituales de RNAs ya implantados, poder aadir cmodamente
nuevos modelos, etc. Adems se debe permitir un entorno que enmascare las bases
matemticas a los usuarios que prefieran ignorarlas. El fin ltimo es lograr que
sobreviva el fin de carrera y se convierta en un proyecto de cdigo abierto que
contine su crecimiento y evolucin. Para ello se ha habilitado la direccin
http://www.jcortex.com desde la que se puede acceder a las ltimas versiones,
manuales y tutoriales.
II
El anlisis de viabilidad del proyecto dio un resultado positivo. Estudiando el estado

de la tecnologa, se puede advertir que existe tanto la oportunidad como la necesidad
de proporcionar un sistema de creacin de RNAs dirigida a desarrolladores de
software. Estos usuarios exigen las mejores prestaciones de un framework desde el
punto de vista de la ingeniera de software, pero en general desconocen o no tienen
inters en conocer las bases y teora detrs de las soluciones de RNAs. 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 ste un proyecto de investigacin bsica no tiene muchas
tablas para defenderse ante un anlisis de viabilidad econmico. Sin embargo,
considerando que se enmarca dentro del mbito de un proyecto acadmico no
remunerado, no es despreciable.
Entrando en el diseo e implantacin del framework JCortex, se parte de la idea de

que la riqueza del mismo no radica en proporcionar un gran nmero de
funcionalidades completas y soluciones cerradas. Lo realmente importante es ofrecer
una estructura slida sobre la que se puedan construir soluciones basadas en RNAs.
Para crear un framework de Java con las mximas garantas, se han marcado unas
normas metodolgicas que pasan por seguir estrictamente el Principio AbiertoCerrado (facilitado con el Principio de Inversin de Dependencias), el Principio de
Segregacin de Interfaces y la Ley de Demeter, en la medida en que sta no afecte en
exceso al rendimiento. La incorporacin de Patrones de Diseo de Orientacin 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 metodologa estricta para el trabajo con datos de configuracin en
XML, al ser este un entorno predispuesto a soluciones no demasiado correctas.
Para lograr un sistema slido, verstil y til se recurri a un modelo conceptual
modular que evolucion hasta el sistema definitivo en el que las funciones estn
repartidas en mdulos (clases o interfaces) que tienen su contrato, responsabilidad,
interfaz y funcionalidades claramente definidos. En el paquete com.jcortex se
III

recogen las interfaces y clases abstractas generales, as 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 Tambin recoge el sistema de estadsticas de los
entrenamientos, que gira en torno a la clase Statistics, y a los ProgressAnalyzers 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
aadiendo el resto que forma la jerarqua del framework. En lo que se podra
encontrar el ncleo del framework encontramos com.jcortex.activationFunctions,
.distanceFunctions, .networkFunctions y .translators, que recogen las funciones
matemticas y los traductores de entrada y salida bsicos distribuidos con JCortex.
Las redes no estn 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 internacionalizacin y localizacin a travs de Resource Bundles.
Entre los modelos de red distribuidos con el framework se encuentran los que se han
considerado ms dispares y ms utilizados en el mundo real: las Redes de Hopfield,
los Mapas de Kohonen y a partir de las redes Feed-Forward el modelo Perceptrn y
el Perceptrn Multicapa con el mecanismo de retropropagacin. 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 metodologa de pruebas continuas de eficacia y posteriormente de
eficiencia realizando un profiling de la ejecucin de sus entrenamientos. Con esta
optimizacin se procuraba obtener el doble beneficio de afinar el ncleo framework al
mximo, y distribuir modelos realmente tiles
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
IV

de los modelos ofrecidos, gestionar mltiples entrenamientos simultneos, almacenar
la red en formato XML, exportarla a su proyecto Java definitivo e incluso documentar
de forma grfica la red diseada. Y lo ms importante: es lo suficientemente dinmico
y ofrece las funcionalidades necesarias para ser personalizado y absorber los nuevos
modelos de red y mdulos que cree el usuario. Todas las clases y paquetes del entorno
cuelgan
del
paquete com.jcortex.builder. El
sistema est completamente
internacionalizado con localizaciones gestionadas mediante Resource Bundles.
Desde el punto de vista puramente tcnico se puede considerar que el proyecto ha

sido un xito, 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 consecucin del primario.
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 projects 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
VI

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 Demeters 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 networks 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 frameworks
hierarchy is grown. The frameworks kernel holds com.jcortex.activationFunctions,
VII

.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 users 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 trainings executions. Through this
optimization process we expect to achieve the double benefit of tuning the
frameworks kernel to the maximum, and distributing really useful network models.
The JCortexBuilder developing environment has been built under the premise of not
lumbering the frameworks 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 users 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 environments 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

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.
IX
ndice del documento

1. Descripcin del proyecto ....................................................................................... 6
2. Objetivos............................................................................................................... 7
3. Motivaciones......................................................................................................... 8
4. Estudio de viabilidad ............................................................................................. 9
4.1. Anlisis de necesidad y oportunidad ............................................................... 9
4.1.1 Alternativas ya existentes.......................................................................... 9
4.2. Anlisis econmico....................................................................................... 10
4.4. Planificacin................................................................................................. 11
4.3. Conclusin de los anlisis de viabilidad........................................................ 13
5. Desarrollo del framework JCortex ....................................................................... 14
5.1 Descripcin del Framework JCortex .............................................................. 15
5.2. Metodologa de desarrollo ............................................................................ 16
5.2.1. Uso de Patrones de Diseo O.O. ............................................................ 17
5.2.2. Optimizacin iterativa de los modelos de red ......................................... 18
5.2.3. Metodologa de trabajo con XML .......................................................... 20
a) Mtodos para el almacenamiento de la configuracin (Store)................... 21
b) Mtodos para la recuperacin de la configuracin (Load) ........................ 23
c) Formato bsico de los documentos XML generados por JCortex.............. 24
5.3. Modelo Conceptual de Redes Neuronales ..................................................... 26
5.4. Modelo Lgico del framework...................................................................... 28
5.4. El sistema de paquetes com.jcortex.*. .................................................. 30
5.5. Paquetes del ncleo ...................................................................................... 31
5.5.1. Estructura esencial de la Red Neuronal .................................................. 35

a. Propagacin en una Red Neuronal............................................................ 37
b. Exportar una Red Neuronal en XML........................................................ 38
5.5.2. Relacin 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 Activacin....................................................................... 48
b)
Funciones de Activacin 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) Mtodo educateNetwork() Genrico............................................... 55
c) Mtodo educateNetwork() Iterativo ................................................ 56
d) Reparto de los conjuntos de ejemplos ...................................................... 58
5.5.7. Recogida y anlisis de Estadsticas......................................................... 62
a) El Modelo de Datos de las Estadsticas .................................................... 63
b) Recogida de datos estadsticos ................................................................. 65
c) Las Estadsticas y sus Analizadores ......................................................... 66
d) Estructura de los Analizadores de Estadsticas ......................................... 66
e) Analizador ValueDecreaseAnalyzer.............................................. 67
f) Analizador ValueVariationAnalyzer............................................ 69
g) Analizador ComposedProgressAnalyzer ...................................... 70
h) Informacin sobre la parada..................................................................... 71

h) El modelo de StatisticListener ................................................... 71
5.5.8. Internacionalizacin y localizacin ........................................................ 73
5.5.9. Utilidades en el paquete bsico .............................................................. 74
a) Utilidades en ConsoleUtilities...................................................... 74
b) Utilidades en LoadAndStoreUtilities .......................................... 74
5.6. Paquetes de Modelos de red.......................................................................... 76
5.6.1. Indicaciones de construccin para modelos de Redes Neuronales
artificiales en JCortex ...................................................................................... 78
5.6.2. Redes de Hopfield (com.jcortex.hopfield)............................... 79
a. Descripcin de la Red .............................................................................. 79
b. Diseo del modelo ................................................................................... 79
c.- Propagacin en la red de Hopfield .......................................................... 81
d. Entrenamiento de una Red de Hopfield.................................................... 85
e. Serializacin en XML .............................................................................. 87
5.6.3. Mapas de Kohonen (com.jcortex.kohonen) ................................. 89
a. Descripcin de la Red .............................................................................. 89
b. Diseo del modelo ................................................................................... 89
c. Propagacin ............................................................................................. 98
d. Maestro DefaultKohonenTeacher ................................................ 100
e. Clculo de los Vecindarios..................................................................... 102
f. Construccin de las Matrices de Conexin Directa ................................. 105
g. Serializacin en XML ............................................................................ 114
5.6.4. Modelo Genrico Feed-Forward.......................................................... 116
a. Descripcin de la red genrica................................................................ 116
b. Diseo del modelo de propagacin - ToDoList ...................................... 116

5.6.4. Modelo Perceptrn (com.jcortex.feedForward) ...................... 123
a. Descripcin de la Red ............................................................................ 123
b. Diseo del modelo ................................................................................. 123
c. Propagacin ........................................................................................... 123
d. Maestro DefaultPerceptronTeacher ......................................... 124
f. Serializacin en XML............................................................................. 125
5.6.5. Modelo Preceptrn Multicapa (com.jcortex.backPropagation)
...................................................................................................................... 127
a. Descripcin de la Red ............................................................................ 127
b. Diseo del modelo ................................................................................. 128
c. Propagacin ........................................................................................... 130
d. Maestro DefaultMultilayerPerceptronTeacher .................. 130
e. Serializacin en XML ............................................................................ 132
5.7. Estudio de Optimizacin............................................................................. 134
5.7.1. Entrenamiento de un Perceptrn Multicapa ......................................... 134
5.7.2. Entrenamiento de un Mapa de Kohonen.............................................. 135
5.7.3. Resultados de los anlisis mostrados ............................................... 136
6. Desarrollo del IDE JCortexBuilder .................................................................... 138
6.1. El IDE JCortexBuilder................................................................................ 139
6.2. Diseo del Entorno de Desarrollo JCortexBuilder....................................... 140
6.1.1. Adaptacin de un modelo de red a JCortexBuilder ............................... 144
6.1.2. Archivo de configuracin..................................................................... 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 Perceptrn Multicapa ................................. 149

7. Planificacin y Seguimiento .............................................................................. 158
8. Conclusiones del Proyecto................................................................................. 164
9. Bibliografa, materiales y aplicaciones............................................................... 165
Anexo A: Documentacin 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 Perceptrn ................................................................................ 472
Modelo de Redes Perceptrn Multicapa............................................................. 476
Archivo de ejemplos aFuncion2variables.txt...................................................... 480
Archivo de ejemplos aNumbers.txt.................................................................... 497
Archivo de ejemplos aPromoters.txt .................................................................. 498
1. Descripcin del proyecto

Se desea construir una solucin 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 grfico
Neuronales Artificiales en Java.
de desarrollo para JCortex.
En el documento del Anexo A, presentado en junio del 2005, se enunciaba la

siguiente descripcin del proyecto:
Diseo y construccin de un framework en Java que
facilitara la creacin, entrenamiento, etc. de sistemas basados
en redes neuronales. Podra incluirse tambin un sistema
basado en dicho framework con un interfaz grfico para la
creacin de las redes, su entrenamiento, etc.
A partir de esta descripcin, el Proyecto Fin de Carrera se fue perfilando

durante los meses de julio y agosto. En este intervalo no slo se analiz la tecnologa
disponible y las bases tericas, sino que se fueron definiendo las prioridades. Se lleg
a la conclusin de que si bien la importancia de este proyecto se encuentra en el
framework que lo sustenta que ha de ofrecer las mximas garantas y posibilidades
de extensin su xito en el mundo real depende en gran medida de contar con un
entorno de desarrollo sencillo, potente y, ante todo, til.
2. Objetivos
El objetivo principal en el desarrollo del framework ha sido lograr un sistema
prctico, que pueda ser utilizado por la comunidad de programadores de Java
para resolver exigencias reales de sus aplicaciones.
A continuacin se enumeran los objetivos secundarios que han establecido las
guas de desarrollo del framework JCortex.
El framework ha de permitir desarrollar sobre l soluciones basadas en

Redes Neuronales Artificiales a distintos niveles de profundidad. Habr
usuarios que quieran acceder a soluciones inmediatas y sin complicaciones,
mientras que otros desearn tener acceso, a fondo, a los parmetros 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 personalizacin. Con este
objetivo en mente, adems, se aseguran las posibilidades de evolucin futura
del sistema.
Implantar en el framework los modelos de Redes Neuronales Artificiales

ms utilizados. De tal forma que se permita su uso inmediato como solucin
de creacin, entrenamiento y uso de Redes Neuronales Artificiales.
Cmoda extensin del framework para incluir nuevos modelos

personalizados segn las necesidades futuras del proyecto JCortex o los
desarrollos propios de sus usuarios (programadores).
Obtener un entorno de desarrollo grfico JCortexBuilder que facilite la

creacin, 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 tecnologa. Ha de
estar preparado para crecer y evolucionar de forma dinmica junto con el
framework.
En la lista anterior se han obviado los objetivos clsicos de cualquier proyecto

de desarrollo de software: eficacia, eficiencia, potencia y versatilidad.
3. Motivaciones
A continuacin se enumeran los tres factores que han motivado la propuesta,
eleccin y realizacin de este proyecto.
Proporcionar una forma fcil 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 investigacin bsica. Una de las grandes ventajas de este campo,
es la posibilidad que abre a la investigacin de nuevas vas de funcionamiento
y nuevos mtodos.
Realizar una aportacin a la comunidad Java a travs de un sistema con

aspiraciones de convertirse en un proyecto Open Source.
Aprovechar el tirn de la inteligencia artificial y de las Redes Neuronales, en

especial para dar respuesta a problemas complejos y sistemas no lineales.
4. Estudio de viabilidad
4.1. Anlisis de necesidad y oportunidad
La tecnologa de Redes Neuronales Artificiales es un campo de la Inteligencia
Artificial que no parece que reciba todo el inters que se merece, ni se materializa
todo el rendimiento del que es capaz.
Analizando la situacin actual, parece bastante claro que es necesario un
sistema fcil 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 acadmica sobre Redes Neuronales
Artificiales, o lo que pudieran saber ha quedado relegado al olvido con el paso del
tiempo. En esta situacin, es muy improbable que una red neuronal sea la solucin
propuesta y desarrollada para un problema complejo. Ms si se mantiene la idea de
que la creacin, 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 ms sencilla posible. Este sistema ha de ser fiable y eficiente para ser
tomado en cuenta a la hora de disear un proyecto software. Ha de enmascarar,
siempre que el usuario (programador) lo considere necesario, las bases tericas y
matemticas, funcionando como una caja negra. Ha de simplificar, facilitar y en la
medida de lo posible hacer incluso agradable el proceso de creacin, entrenamiento
y puesta en produccin de una red neuronal.
4.1.1 Alternativas ya existentes

A continuacin se describen las principales alternativas a JCortex como
sistema de creacin, 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 impresin que ofrece este entorno
es de gran complejidad, e incluso se podra considerar menos accesible para su
extensin y personalizacin. Otro factor a tener en cuenta es que JOONE no est
pensado para almacenar y recuperar una red al completo, con todos sus parmetros y
ajustes, algo esencial para su uso habitual en aplicaciones.

Matlab es una aplicacin tpica en el mundo de la ingeniera que dispone de
un mdulo para trabajar con Redes Neuronales Artificiales. Es posible exportar a
JAVA cdigo escrito en el lenguaje de programacin matemtica de Matlab. Frente a
esta alternativa tan extendida, JCortex permite un sistema ms rpido y simple,
apoyado en un entorno de desarrollo grfico. Adems, como framework abierto, el
usuario/programador tiene grandes facilidades para extender y personalizar el
funcionamiento del sistema.
4.2. Anlisis econmico

Al ser ste un proyecto de investigacin bsica nacido del mundo acadmico,
no tiene muchas tablas para defenderse adecuadamente ante un anlisis de viabilidad
econmico. En Espaa, no ya a nivel empresarial sino incluso acadmico, se valoran
ms los resultados econmicos inmediatos de los proyectos que el avance que su
investigacin pueda aportar. De ah que la mayor parte de los proyectos de
investigacin sean de aplicaciones para su uso concreto y a corto o medio plazo, ms
que la investigacin en nuevas tecnologas y campos ms bsicos. Sin embargo, son al
final estos campos los que mejores rditos proporcionan al entorno socioeconmico.
El tiempo dedicado a su diseo, desarrollo y documentacin sobrepasa
ampliamente las 300 horas, a la vez que no se espera del mismo un retorno de la
inversin econmico. 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 disear la Planificacin Definitiva, que se presenta en el captulo

7. Planificacin y Seguimiento, se realiz tambin una acercamiento a la
presupuestacin del proyecto. Se puede considerar que el nico coste representativo
es la mano de obra. Las aplicaciones informticas empleadas son de distribucin
gratuita o ya estaban disponibles antes de comenzar este proyecto, y la literatura a la
que se ha recurrido es perfectamente genrica (ver 9. Bibliografa, materiales y
aplicaciones) o bien est disponible a travs 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 nico recurso empleado en las tareas de la planificacin 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.
10

S que se puede decir en su defensa que, ignorando el coste de la mano de obra
dedicada, ste es trata de un proyecto barato en comparacin con los resultados que se
espera obtener. Es preciso tener en cuenta el amplio espectro de problemas que
podrn ser resueltos de forma efectiva e innovadora con un framework hecho a
medida para programadores.
4.4. Planificacin
La primera planificacin de las actividades del proyecto se realiz en el mes
de agosto. A la vista de las modificaciones e imprevistos que han surgido durante la
realizacin del proyecto, se puede entender claramente la falta de conciencia de la
dimensin real del trabajo a realizar. Adems el trabajo acadmico del ltimo curso,
especialmente en la primera mitad del ao acadmico, releg cualquier intento de
avanzar con el proyecto.
Tabla 1: Fases de desarrollo previstas en la planificacin inicial descartada

Inicio
Finalizacin
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
Formacin y Anlisis
ALFA01
ALFA02
Cierre y Documentacin
11

September2005
WBS
Activity Name
1 Formacin
1.1
Aprendizaje bsico sobre RNA por cuenta propia
1.2
Teora sobre RNA en clase
1.3
Teora 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
Realizacin del Anexo B
22/10/05
27/10/05
2.2
27/10/05
1/11/05
Aceptacin Anexo B
2.3
Entrega del Anexo B
2.4
Realizacin diapositivas Anexo B
2.5
Presentacin del Anexo B
3 Framework
3.1
Modelo de propagacin genrico
3.2
Modelo Perceptrn
5/9/05
19/9/05
7/10/05
4.2
Prototipado
Enlace entre Framework y Prototipo
5 Ejemplos Bsicos (pruebas del IDE y framework

ALFA)
6 Presentacin de Febrero
7 Framework BETA
7.1
Aadir 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 Documentacin Detallada
10 Ejemplos Avanzados (pruebas del IDE y framework
BETA)
11 Preparar Proyecto para su Presentacin
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. Genricos
January2006
1/11/05
3/10/05
Aprendizaje por Back-Propagation
Replantear la estructura del Framework. Nuevo

anlisis y correccin.
4 IDE
4.1
Anlisis sobre la resolucin de Problemas
December2005
2/11/05
Modelo Perceptrn Multicapa

Clases bsicas Perceptrn 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 Exmenes 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
Ilustracin 1: Diagrama de Gantt de la planificacin inidial descartada
La planificacin inicial con la que se realiz el estudio de viabilidad comenz

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 acadmicos y profesionales. En su lugar se construy una nueva
planificacin mucho ms realista, adaptable a las circunstancias y concreta, que se
muestra en detalle en el captulo 7. Planificacin y Seguimiento.
Los cambios que sufri la planificacin inicial son los siguientes:
Reduccin del tiempo en el primer cuatrimestre del ao acadmico (de

octubre a enero).
Uso intenso del periodo de exmenes de febrero que se haba dejado libre.
Se simplific los modelos de red a implantar con el fin de otorgar una

mayor importancia al objetivo de obtener un ncleo de framework slido,
fiable y eficiente. Se consider que el objetivo del proyecto radica ms en
una buena base que en una gran variedad de modelos.
Se adelant la implantacin del entorno de desarrollo con el fin de poder

realizar de forma ms eficaz las pruebas del framework y los modelos
implantados.
Se incluyeron las pruebas de rendimiento con profilers, no recogidas en la

planificacin inicial.
Se simplific el sistema de versiones, optando por un desarrollo ms

continuado.
12
4.3. Conclusin de los anlisis de viabilidad

A la vista de los anlisis anteriores, se puede concluir que el proyecto es
viable. La tecnologa, las necesidades y la oportunidad son claramente favorable a
este respecto.
El nico punto oscuro podra ser el anlisis puramente econmico. Sin
embargo, si se lo considera dentro del mbito de un Proyecto Fin de Carrera no
remunerado, es plenamente satisfactorio. Esta decisin no estara tan clara en caso de
enmarcarse en un anlisis puramente empresarial.
13
5. Desarrollo del framework JCortex
14
5.1 Descripcin del Framework JCortex

El framework desarrollado para este Proyecto Fin de Carrera, proporciona la
estructura bsica sobre la que construir soluciones basadas en Redes Neuronales
Artificiales.
El paquete bsico a partir del cual se organiza el framework es
com.jcortex. Esta estructura es nica 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 nmero de funcionalidades completas y soluciones cerradas. Lo
realmente importante es su estructura: ofrecer una estructura slida 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 l y
siguiendo las indicaciones y precauciones facilitadas son slidos y fiables. De este
modo el framework proporciona los siguientes servicios:
El contrato de los elementos bsicos de una Red Neuronal Artificial.
La descripcin del comportamiento bsico de cada elemento.
La funcionalidad bsica, comn o accesible para cualquier modelo de

Red Neuronal Artificial.
Herramientas genricas para el almacenamiento y recuperacin

(Load&Store en XML) de las redes creadas, escritura en consola
Una implantacin completa de los modelos de Redes Neuronales

Artificiales ms comunes en los proyectos informticos.
15
5.2. Metodologa de desarrollo

Una correcta metodologa de desarrollo es siempre una garanta para un
producto software fiable. Un framework ha de ser tratado como un elemento crtico,
dada su importancia en las aplicaciones como substrato tecnolgico. Por lo general se
entiende que un framework til (o utilizable) no slo ha de tener un diseo correcto
sino que adems ha de ser eficiente, fcil de comprender, ampliar y personalizar. La
metodologa 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 slida, 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 diseo y desarrollo la
necesidad de crear un ncleo genrico, independiente de los modelos de red
concretos. Es este ncleo el que realmente aportar 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 bsicas para el correcto diseo de ste y, en principio, de cualquier
otro framework orientado a objetos:
Seguir estrictamente el Principio Abierto-Cerrado (Open-Close

Principle - OCP). Aplicndolo, los mdulos tendrn que disearse de
forma que su comportamiento pueda extenderse sin requerir ser
modificados.
El principio de Inversin de Dependencias se utiliza principalmente para

facilitar el Principio Abierto-Cerrado.
En la medida de lo posible hay que asegurar el Principio de Segregacin

de Interfaces (Interface Segregation Principle ISP), con el fin de
proporcionar la mayor flexibilidad a la extensin y posteriores desarrollos
sobre la base del framework. Aplicndolo, los clientes no deben ser
forzados a depender de interfaces que no utilizan. Un ejemplo de este
principio se puede hallar en la segregacin de las responsabilidades de los
entes pensantes de una Red Neuronal en AxonSource y
AxonReceiver (ver: 5.5.2. Relacin entre AxonSource,
AxonReceiver, Sensor y Neuron).
La Ley de Demeter se aplicar 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 optimizacin,
no se utilizar la Ley de Demeter cuando las cadenas de objetos
referenciados son interfaces o clases abstractas pertenecientes al ncleo del
16

framework y, por tanto, es seguro que su contrato no vare en el futuro; o
cuando el rendimiento se vea seriamente afectado por esta restriccin.
En el fondo, el Sentido Comn es el principio ms til a la hora de

disear 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 ncleos en el
mismo chip, distintos procesadores trabajando juntos en el mismo entorno o incluso
en mquinas distintas. Es imprescindible tener en mente, a la hora de disear y
desarrollar el framework, futuros desarrollos por la va del paralelismo. Esta
preocupacin ha de verse reflejada en el manejo y eleccin de estructuras de datos, as
como en la concurrencia en los datos, clculos y mtodos.
5.2.1. Uso de Patrones de Diseo O.O.

El uso intensivo de Patrones de Diseo Orientado a Objetos garantiza el
correcto diseo de cualquier proyecto. Ms 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 diseo es doble: por un lado se disean
soluciones orientadas a objetos ampliamente probadas, y por otro la presencia de un
patrn de diseo suele ser autoexplicativo. Cualquier programador de un lenguaje
orientado a objetos con nociones de patrones entender la finalidad y el
funcionamiento del diseo.
Patrones de Gang of Four utilizados en el desarrollo del framework y del
entorno desarrollo. Para ms informacin ver el Anexo C con la documentacin de la
API:
Template Method
Observer
Composite
Singleton & Factory Method
Adapter
17
5.2.2. Optimizacin iterativa de los modelos de red

Se ha partido de la siguiente premisa: optimizar los modelos de red implica
optimizar al mximo el framework al completo. No es posible llegar a realizar pruebas
directamente sobre un framework que slo proporciona las estructuras y funcionalidad
esenciales para poder construir sobre el mismo. Siguiendo esta idea, se plante la
integracin de una serie de modelos de red dentro del paquete bsico. Si bien estos
modelos no llegan a formar parte del ncleo del framework, ofrecen una
funcionalidad completa aunque bsica con visos de ser extendida y personalizada
as como la oportunidad de probar a fondo el sistema subyacente. Se ha procurado
seleccionar los modelos de Red Neuronal Artificial ms utilizados, y a la vez ms
distintos entre si, con el fin de poder realizar una optimizacin global de las clases del
framework.
Diagrama de Actividad 1
El proceso de desarrollo, mejora y pruebas se ejecutar segn 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 slo mide el tiempo de
ejecucin, sino que adems permite hacer un anlisis del tiempo y el nmero de
18

iteraciones a nivel de mtodo, lneas de cdigo e incluso instrucciones de bajo nivel.
Un proceso se considera optimizado si su tiempo de ejecucin viene determinado
exclusivamente por los clculos matemticos e iteraciones ineludibles, propios del
sistema de propagacin y de aprendizaje. Lo ms importante en todo caso es que las
tareas de gestin de estructuras de datos, de control de flujo o de tratamiento de
estadsticas no representen tiempos de ejecucin representativos.
Para ms informacin sobre las pruebas consultar el apartado: 5.7. Estudio de
Optimizacin.
19
5.2.3. Metodologa 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 inters 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 informacin universal, de forma que

el mismo archivo de informacin puede ser compartido entre distintas
plataformas e incluso inspeccionado por aplicaciones creadas con
lenguajes de programacin distintos.
Est enormemente extendido en el entorno de la programacin orientada a

objetos, y con gran fuerza en JAVA.
Permite al ser humano realizar una lectura fcil y comprensible, incluso

cuando se inspecciona el archivo manualmente con un editor de texto.
El volcado y recuperacin de las Redes Neuronales (y sus componentes)

modeladas con este framework, es uno de sus aspectos ms oscuros. En especial, la
creacin de una instancia de Red Neuronal a partir del archivo XML en el que se ha
almacenado su configuracin, 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 metodologa clara para la serializacin
y deserializacin de los elementos que forman una red en XML. Ambos procesos se
apoyan insistentemente en el patrn de diseo Template-Method (GoF). A
continuacin se describen los mtodos establecidos en la metodologa de trabajo con
XML. Estos mtodos son de implantacin obligatoria en todos los elementos
susceptibles de contener datos de configuracin que tengan que ser preservados. Las
interfaces y clases abstractas del ncleo de la aplicacin son las encargadas de
asegurar que se implanten en los objetos. Hay que sealar que esta metodologa es de
aplicacin general en todo el framework, no se est describiendo la implantacin
concreta para un elemento o modelo de red.
20

Para la creacin e inspeccin de los documentos XML se va a emplear el
entorno DOM creado por el W3C para Java. Este framework se distribuye con la
versin estndar J2SE, y tiene su raz en el paquete: org.w3c.dom.
a) Mtodos para el almacenamiento de la configuracin (Store)

A continuacin se describen los mtodos genricos empleados en el
almacenamiento de la configuracin de un elemento del framework JCortex.
+
final
export2XMLDocument()
:Document Mtodo
implantado por todos los elementos que pueden ser almacenados como un
documento. De hecho, el resultado de este mtodo ha de ser una instancia de
documento XML, con el rbol de nodos que recogen la configuracin. El
mtodo es final ya que es imprescindible que todos los documentos
almacenados tengan la misma estructura bsica en sus primeros nodos.
+ final [clase]2XML(padre :Node, :Document) ste

mtodo ha de estar implantado en la superclase abstracta, que defina la
categora, 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 bsicos comunes e
iguales. Al menos el nombre del nodo XML generado para contener su
configuracin. Por ejemplo, la clase NeuralNetwork implanta el mtodo
neuralNetwork2XML(), pero no as sus subclases como puede ser
KohonenNeuralNetwork. Este mtodo recibe como parmetros el nodo
raz del que tendr que colgar el nodo creado para contener la informacin de
este elemento. A continuacin se describen las acciones que lleva a cabo este
mtodo y que se ilustran en el Diagrama de Actividad 2.
o Crea el nodo que contendr la configuracin del elemento almacenado.
o Aade 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
informacin se est almacenando. (Este mtodo se mueve
exclusivamente en el mbito de la clase abstracta que define la
categora.)
o Llama al Template Method specific2XML() para que complete
el nodo con la informacin propia, slo conocida por la clase
particular.
21
+
abstract
specific[Clase]2XML(raiz
:Node,
:Document) Mtodo encargado de volcar en el nodo creado la
informacin especfica de la subclase concreta sobre la que ha sido invocado.
Este mtodo tendr que ser nico y encontrarse en la ltima subclase, o al
menos recoger toda la informacin desde la ltima subclase.
Cabe llamar la atencin a cerca de una diferencia sutil entre los dos ltimos
mtodos. A pesar de recibir ambos como parmetro argumento de llamada una
instancia de la clase Node, este nodo tiene distinto significado. En el primer mtodo,
[clase]2XML(), ste es el nodo raz de nivel superior al que se ha de aadir
como hijo el nuevo nodo XML con la informacin de instancia sobre la que se est
invocando. En el segundo caso, specific[Clase]2XML(), el nodo para la
instancia a almacenar ya ha sido creado, y slo hay que aadir los atributos y los
objetos especficos de la subclase concreta.
Diagrama de Actividad 2: Almacenamiento de un elemento en XML
22
b) Mtodos para la recuperacin de la configuracin (Load)

A continuacin se describen los mtodos genricos empleados para la
recuperacin de la informacin 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 recuperar tan solo la instancia propia de la red
neuronal (NeuralNetwork), sino que ser necesario recuperar al menos la
configuracin de sus neuronas y maestro.
Los mtodos 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 construccin. Este proceso se complica, en la medida en la que
en mltiples ocasiones la dependencia entre objetos conocidos y atributos obligar a
realizar varias pasadas sobre el documento XML, llevando a cabo construcciones
parciales hasta llegar a la definitiva.
La primera accin de un constructor es invocar al constructor de la

superclase a la que extiende. De esta forma la secuencia de creacin bajar
desde las superclases hasta las clases concretas.
Un constructor slo puede finalizar su ejecucin devolviendo la instancia

que ha creado, o saltando por una excepcin.
Las interfaces no tienen constructores al poder poseer nicamente atributos

estticos y definiciones de mtodos.
A continuacin se describen los mtodos 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 mtodo en ser completado. Es imprescindible que
todas las superclases susceptibles de ser almacenadas implanten, aunque
sea en vaco {}, 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 encarg de volcar en el nodo. Es posible que
en la creacin de una instancia, sea necesario atravesar ms de una
superclase con su respectivo constructor.
+ ConstructorClaseConcreta(:Node) El constructor de la
clase concreta es el ltimo en ejecutarse, y por lo tanto el que ha de volcar
toda la informacin que falta en la instancia, extrayndola del nodo.
Pudiera darse la situacin en la que este constructor no pudiera tener
acceso a todos los datos necesarios para la creacin completa de la
23

instancia. Por ejemplo, puede desconocer la direccin de la instancia de un
elemento al que est relacionado pero que todava no ha sido creado.
Es probable que durante la ejecucin de los constructores, sea necesaria la
creacin 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 accin que se lleva a cabo no
muy a menudo y para la que el usuario est 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 bsico de los documentos XML generados por JCortex

En la Tabla 2 se describen los nodos bsicos que forman los archivos XML de
configuracin 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 configuracin

<com.jcortex />
! <neuralNetwork />
Nodo raz de los documentos generados por el

framework JCortex.
Configuracin de una red neuronal.
! <neuron />
Configuracin de una neurona.
! <teacher />
Configuracin de un maestro.
Ejemplo de la estructura de un archivo de configuracin generado por el

framework JCortex para almacenar una Red Neuronal entrenada:
<?xml version="1.0" encoding="UTF-8"?>

<com.jcortex>
<neuralNetwork ... >

...
24


<neuron ... >

</neuron>

...

<teacher ... />
</neuralNetwork>
</com.jcortex>
Tabla 3: Atributos comunes en los nodos XML de configuracin

class =
Atributo que indica la clase concreta con la que se implanta un

elemento.
id =
Atributo que indica la identificacin numrica o alfanumrica de

un elemento. Este atributo se utilizar tanto en la descripcin de la
informacin del elemento, como en las referencias que se hagan al
elemento concreto desde cualquier otro nodo.
ix =
Atributo que indica una posicin en una tabla o estructura. Ha de

ser un valor numrico.
size =
Atributo que indica el tamao de una estructura de datos o el

nmero de elementos recogidos como hijos de un nodo.
value =
Atributo que recoge un valor numrico de cualquier tipo.
weight =
Atributo que recoge un valor numrico que ejerce como peso en la

configuracin de una Red Neuronal o un elemento de la Red.
Los atributos de los nodos anteriores, as como el resto de nodos necesarios

para la construccin de cada modelo concreto de Red Neuronal Artificial, se
describirn en futuros apartados. Es importante advertir que, en ltima instancia, el
nombre de los nodos y de sus atributos est determinado por las entidades a las que
hacen referencia en el diseo lgico y fsico de la aplicacin.
25
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 til, esto es, fcil 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

Ilustracin 2) que segmenta una Red Neuronal genrica en unidades mdulos que
tienen perfectamente definidas su funcionalidad, su interfaz, su accesibilidad y su
interconexin. Este modelo de red es aplicable tanto a las redes de propagacin hacia
delante (feed-forward), las de retropropagacin (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 aplicacin real.
Ilustracin 2: Diseo conceptual de la Red Neuronal Artifical
Red Neuronal: contiene el resto de mdulos 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 informacin,
propagacin 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.
26
Traductor de Entrada: realiza la traduccin entre los objetos utilizados como

entradas para la Red Neuronal y el vector de nmeros reales con los que
trabaja el modelo matemtico. Los Traductores de Entrada no son especficos
para un modelo de red concreto, sino que dependen del problema abordado. Si
el problema versa sobre coches, la Red Neuronal recibir como entrada una
instancia de la clase Coche que tendr que ser traducida a sus factores
numricos representativos, como puede ser: la potencia del motor, velocidad
mxima, tiempo de aceleracin
Sensores: estos elementos actan como un buffer, almacenando durante el

proceso de pensamiento los datos numricos de entrada para que puedan ser
accedidos por el resto de elementos internos de la Red Neuronal. Se alimentan
a partir de los valores numricos generados por el Traductor de Entrada.
Neuronas: son los elementos pensantes en el ms amplio sentido de la

palabra. Con esta unidad se pueden identificar multitud de elementos que
participan en el manejo de la informacin 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 traduccin de los valores numricos reales

producidos por el modelo matemtico, y los objetos que son la salida de la
Red Neuronal. Los Traductores de Salida, al igual que los de Entrada, no son
especficos 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 ms de un Maestro, aunque difcilmente 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 parmetros de clculo en los elementos de la red.
o Analizadores: En general, un Maestro necesitar hacer uso de unos
Analizadores que trabajarn sobre una serie de Estadsticas que sern
rellenadas a medida que avance el entrenamiento. Estos Analizadores
modelan la evolucin de la Red Neuronal, indicando cundo el
Maestro ha de detener el entrenamiento.
o Estadsticas: Para alimentar a los analizadores de progreso del
maestro, ser necesario recoger estadsticas que reflejen la evolucin
de parmetros muy diversos de la red.
27
5.4. Modelo Lgico del framework

El modelo lgico fue construido siguiendo las pautas marcadas por el modelo
conceptual: un sistema modular en el que los mdulos indicados anteriormente han
evolucionado hasta convertirse en clases con sus atributos, relaciones, mtodos y
responsabilidades:
Tabla 4: Traduccin 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 relacin entre las clases que

forman el modelo lgico de este framework. Se observa como las instancias de
NeuralNetwork son las que concentran los mdulos que forman cada red. En los
siguientes apartados se describe y discute, en detalle, el diseo de cada uno de los
mdulos.
28
Diagrama de Clases 1: Visin simple de los mdulos de NeuralNetwork
Aunque aparentemente no haya conexin entre las clases abstractas Teacher

y ProgressAnalyzer, la primera puede hacer uso de la segunda. Si un Teacher
conoce una o ms instancias de ProgressAnalyzer , no lo har a nivel de
atributo, sino dentro de su mtodo pureThink(). Lo habitual es que en el proceso
de aprendizaje se maneje un nico ProgressAnalyzer, que puede ser de tipo
compuesto. Sin embargo, nada impide que un programador decida implantar un
sistema con varios analizadores independientes.
29
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 dnde se recoge exclusivamente
las clases estndar 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 tendrn que estar
fuera de la estructura com.jcortex.*. Esta norma tpica busca mantener la
integridad y estabilidad de las distribuciones de este framework (tratado como
librera).
El paquete principal, com.jcortex, est acompaado por una serie de
paquetes que se pueden resumir en dos categoras que se describen en los apartados
siguientes: los Paquetes del Ncleo y los Paquetes de Modelos de Red. En el
Diagrama de Clases 2 se muestran los paquetes de cada uno de los grupos, as como la
relacin entre los mismos.
Diagrama de Clases 2: Paquetes del framework y su interrelacin
30
5.5. Paquetes del ncleo

Los paquetes del ncleo son los que forman la estructura bsica del
framework, proporcionando servicios para cualquier modelo de Red Neuronal
Artificial o solucin que se desee construir sobre l.
Ilustracin 3: Paquetes del Ncleo
En la Ilustracin 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 l definidas. Las funciones y traductores recogidos en estas colecciones
son las ms 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 descripcin de su funcin en el framework.
31
com.jcortex
Contiene la estructura bsica del framework: interfaces, clases abstractas...
Definicin del contrato de los elementos bsicos: Productores y receptores de

valores, Traductores, Funciones, Maestros
Elementos invariables: Sensor, Excepciones.
Herramientas estadsticas y analizadores de progreso.
Utilidades genricas.
ActivationFunction
Clase abstracta que establece el contrato para

las Funciones de Activacin.
AxonReceiver
Interfaz que establece el contrato para la

funcin de receptor de valores, de los
elementos interconectados para formar la Red
Neuronal Artificial.
AxonSource
Interfaz que establece el contrato para la

funcin 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
numrico.
BackPropagationActivation
Function

las Funciones de Activacin utilizadas en la
redes de Retropropagacin.
ComposedProgressAnalyzer
Analizador encargado de recoger el resultado

de una serie de analizadores, y ofrecer el
resultado de su anlisis conjunto.
ConsoleUtilities
Coleccin de herramientas para mostrar

informacin en forma de texto. El medio
principal ser una interfaz por lnea de
comandos.
DistanceFunction

las funciones de clculo de distancias.
InputTranslator
Interfaz que establece el contrato para los

traductores de entrada a la red.
32
JCortexConstants
Coleccin de constantes cuyo mbito de uso

es la totalidad de las clases desarrolladas.
LoadAndStoreUtilities
Coleccin 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

las Funciones de Red.
NeuralNetwork
Clase abstracta que establece el contrato y la

funcionalidad comn para las instancias de
Redes Neuronales Artificiales.
Neuron

funcionalidad comn para las neuronas
(recoge la funcionalidad de AxonSource y
AxonReceiver).
OutputTranslator

traductores de salida de la red.
ProgressAnalyzer

analizadores del progreso del entrenamiento
de una red.
ReadingException
Excepcin lanzada cuando ha habido

problemas cargando la configuracin 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 estadsticas

durante el entrenamiento de una red.
StatisticsEvent
Evento lanzado a los mtodos de

StatisticsListeners.
StatisticsListener
Interfaz que establece el contrato de un

elemento que es alertado ante cambios de
estado de las estadsticas.
33
StatsMeasure
Clase que modela una dimensin o medida en

la recogida de estadsticas
StatsRegister
Clase que modela cada registro de estadsticas

recogido durante el proceso de aprendizaje.
Incluye el valor medido y la iteracin en la
que se realiz la muestra.
Teacher

funcionalidad comn 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 vara lo suficiente.
com.jcortex.activationFunctions
Contiene las Funciones de Activacin ms habituales en los modelos de redes. Todas
las clases implementan la interfaz ActivationFunction y algunas de ellas
BackPropagationActivationFunction.
GaussianFunction
Implantacin de la Funcin de Gauss.
HyperbolicTangentFunction
Implantacin de la Funcin Tangente

Hiperblica (preparada para
retropropagacin).
IdentityFunction
Implantacin de la Funcin Identidad

(preparada para retropropagacin).
SigmoidalFunction
Implantacin de la Funcin Sigmoidal

(preparada para retropropagacin).
SignFunction
Implantacin de la Funcin Signo.
StepFunction
Implantacin de la Funcin Umbral.
34
com.jcortex.distanceFunctions
Contiene las Funciones de Distancia ms habituales en los modelos de redes. Todas
las clases implementan la interfaz DistanceFunction.
EuclideanDistanceFunction
Implantacin de la distancia Eucldea.
com.jcortex.networkFunctions
Contiene las Funciones de Red ms habituales en los modelos de redes. Todas las
clases implementan la interfaz NetworkFunction.
LinearBasisFunction
Implantacin de la Linear Basis Function.
RadialBasisFunction
Implantacin de la Radial Basis Function.
com.jcortex.translators
Contiene los traductores ms 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 visin de cmo se han
implantado los mdulos definidos para una Red Neuronal Artificial genrica en
modelo conceptual y su posterior refinamiento en el modelo lgico. 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.
35
Diagrama de Clases 3: Descomposicin de NeuralNetwork
36
a. Propagacin en una Red Neuronal

La propagacin de un estmulo a travs de una red neuronal, se modela en la
clase NeuralNetwork. El mtodo + think(inputData : Object) :
Object, que recoge esta funcionalidad, est definido al nivel de la clase abstracta
por lo que es comn a todos los modelos de Redes Neuronales Artificiales.
En realidad este mtodo se responsabiliza nicamente de realizar la traduccin
de los datos de entrada y de los obtenidos como resultado de la propagacin en la red.
La responsabilidad de ejercer la funcin de propagacin (" pensamiento) recae
sobre el Template Method (GoF) + pureThink(inputData : float[]) :
float. Este ltimo mtodo es el que es realmente capaz de realizar la propagacin,
partiendo de trminos matemticos propios de las Redes Neuronales Artificiales. La
definicin de este mtodo forma parte del contrato de NeuralNetwork, obligando
su implantacin para cada modelo de red.
El recorrido completo de este mtodo se puede ver con ms detalle en el
Diagrama de Secuencia 1. Para ms informacin a cerca del proceso de los
traductores ver el apartado 5.5.3. Los Traductores.
Diagrama de Secuencia 1: Propagacin en una Red Neuronal genrica
37
b. Exportar una Red Neuronal en XML

El proceso de exportar una red neuronal sigue las indicaciones metodolgicas
marcadas en el apartado a) Mtodos para el almacenamiento de la configuracin
(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 informacin de
configuracin en el rbol XML de la Red Neuronal. Es obvio que una red no se puede
almacenar como un nico elemento por si mismo, sino que habr que almacenar uno a
uno los mdulos a los que esta tiene acceso. Se incluyen de este modo las neuronas y
el maestro.
Diagrama de Secuencia 2: Proceso de exportacin a XML genrico
38

El mtodo + export2XMLDocument() : Document es implementado
por la clase NeuralNetwork, de forma que una instancia de red neuronal puede
automticamente ser serializada en un documento XML. Lo habitual ser recurrir a
este mtodo 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 raz
del documento creado, utilizando el mtodo + neuralNetwork2(docRoot
:Node, doc :Document). Como se describe en la metodologa, este mtodo
almacena los datos de configuracin accesibles desde el mbito de la clase abstracta
NeuralNetwork,
e
invoca
al
mtodo
+
specificNeuralNetwork2(nnRoot :Node, doc :Document) de la
clase concreta para volcar la informacin propia del modelo de red especfico. Se est
utilizando el patrn de diseo Template Method (GoF).
Ejemplo de la estructura de un archivo de configuracin generado por el

framework JCortex para almacenar una Red Neuronal entrenada:
<?xml version="1.0" encoding="UTF-8"?>

<com.jcortex>
<neuralNetwork ... >

...

<neuron ... >

</neuron>

...

<teacher ... />
</neuralNetwork>
</com.jcortex>
39
5.5.2. Relacin 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 sealar que no todos los mdulos que participan en el proceso de
propagacin de un estmulo dentro de una red han de ser neuronas (en el sentido de
instancias de la clase Neuron). Segn los modelos de red y sus necesidades pueden
aparecer otra serie de elementos como retardadores, bufferes
Para reforzar el Principio de Segregacin de Interfaces, se ha dividido en dos
interfaces la funcionalidad de estos elementos de red. Como metfora de su actividad
se ha recurrido al smil biolgico del Axn (prolongacin filiforme de la clula
nerviosa, a travs 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 ms AxonSources.
AxonSource. Interfaz que cubre la funcionalidad de producir un valor

destinado a ser recogido por uno o ms AxonReceivers.
Habr clases, como la abstracta Neuron, que implemente ambas interfaces,

mientras que otras como Sensor slo necesitan un repertorio de funcionalidades en
su contrato. A continuacin se describen estas dos, que forman parte de las clases del
ncleo:
Neuron. Clase abstracta que implementa tanto la interfaz

AxonReceiver, porque recibe los estmulos de otros elementos
(neuronas, sensores), y la interfaz AxonSource ya que a su vez es
fuente de valores. Adems esta clase implanta un mtodo +
produceAxonValue() :float que genera los valores ofertados por
la neurona a partir de los estmulos recibidos. En su contrato obliga y
recoge la funcionalidad necesaria (a nivel de clase abstracta) para volcar su
configuracin a un nodo XML.
Sensor. Clase concreta, que hace las veces de buffer para el estmulo de
entrada a la red. Implementa la interfaz AxonSource de cara al resto de
elementos de la red neuronal. Este estmulo se realizar mediante un
vector numrico, y cada instancia de Sensor se har cargo de una de las
posiciones de este vector. Se ha implantado como una clase completa
dentro del ncleo de la aplicacin ya que esta labor es comn para todas
40

los modelos de Redes Neuronales Artificiales, y es improbable que tenga
que sufrir alguna alteracin para adaptarse a las mismas.
Para permitir la mxima 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 segn la funcionalidad a la que estn obligados. Los sensores por ser
invariantes siempre sern de clase Sensor; segn se necesite una u otro repertorio de
funciones se utilizar las interfaces AxonReceiver o AxonSource, y en el caso
de que ambas sean necesarias de forma conjunta se recurrir a la clase abstracta
Neuron.
La relacin 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: Relacin entre Neuron, Sensor y sus interfaces
41
a) Puntualizaciones sobre las neuronas (Neuron)

La clase abstracta Neuron se encuentra disponible en el ncleo del framework
JCortex para permitir su implantacin, siempre que sea necesario, en los modelos de
red concretos.
Modela las entidades que, adems de tener obligada la funcionalidad del
contrato de las interfaces AxonReceiver y AxonProducer, han de reaccionar
ante los estmulos 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
Genrico Feed-Forward) la reaccin ante los estmulos se produce invocando el
mtodo + synapse() :Collection. Las funciones de este mtodo son:
Calcular el nuevo estado de la neurona. En principio se apoyar sobre el

mtodo + produceAxonValue() :float obligado por el contrato
de la interfaz AxonSource.
Devolver el conjunto de neuronas que son afectadas por esta neurona.

Esto es, que estn conectadas a esta neurona corriente abajo. Si la neurona
no cambia de estado ante el nuevo clculo realizado, ninguna neurona se
ver afectada, de forma que la coleccin estar vaca (o ser null para no
tener que crear una instancia vaca).
Se ha comprobado que el uso de un mtodo que es invocado cuando se

considere necesario logra un rendimiento mucho mayor que el uso de un patrn
Observer (GoF) en el que la Neurona fuera reaccionando ante los estmulos de sus
fuentes AxonProducer. Si bien este ltimo caso se asemeja mucho ms al original
biolgico, provoca una explosin exponencial de llamadas. Este hecho se puede
apreciar con mayor calidad en el caso de las redes Feed-Forward (ver: 5.6.4. Modelo
Genrico Feed-Forward ).
b) Sensores y neuronas desde el punto de vista de NeuralNetwork

Cada red neuronal tiene la obligacin de conocer todos los elementos que la
conforman, esto incluye el almacenamiento de sus neuronas (Neuron) y sensores
(Sensor). La primera distincin 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.
42
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 opcin ya que se prima la facilidad
de aadir nuevos elementos de forma rpida, recurriendo en muy pocas
ocasiones a un acceso directo por ndice. Para asegurar su correcto
entrenamiento en entornos de concurrencia, se ha optado por recurrir a una
envoltura de sincronizacin creando la lista con el cdigo 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 ms simple y que ofrece la accesibilidad
ms rpida a travs de un ndice. No es necesario permitir el crecimiento
de esta estructura ya que una vez se ha definido el nmero de entradas en
la creacin de la red, no tiene sentido que vare.
Ambos elementos exigen la asignacin de un identificador numrico que

pueda ser accedido a travs del mtodo + getId() : int definido tanto en el
contrato de AxonSource como en el de AxonReceiver. Otra distincin entre
sensores y neuronas es el rango de estos identificadores:
Las neuronas (instancias de alguna subclase de Neuron), reciben

identificadores numricos enteros en el rango [0, +inf], en orden
creciente. No ha de haber huecos vacos en la asignacin de
identificadores. Su identificador puede ser utilizado para acceder
directamente a ellas utilizndolo como ndice para contra la estructura de
datos List.
Los sensores (instancias de la clase Sensor), reciben identificadores

numricos enteros en el rango [-inf, 0), en orden decreciente. No ha de
haber huecos vacos en la asignacin de identificadores. Si el identificador
no puede ser utilizado de forma directa como ndice para acceder a la
matriz de sensores descrita previamente, es necesario realizar la siguiente
transformacin: ndice = "identificador "1
dentificador
-1
-2
-3
-n
!
ndice
n-1
43
5.5.3. Los Traductores

Los traductores son los encargados de conectar el algoritmo matemtico que
forma la Red Neuronal Artificial, con el mundo real de la aplicacin desarrollada por
el programador. Los traductores son el nico mdulo de todo el framework que
depende nicamente de la naturaleza del problema y el tipo de objetos que entren en
juego en l. En ningn caso variarn segn 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 continuacin se describen los dos tipos de traductores en detalle:
Los traductores de entrada implementan la clase InputTranslator.

El nico mtodo de su contrato es el responsable de traducir una instancia
de la clase Object en un vector de nmeros enteros, que es con lo que
puede trabajar un algoritmo matemtico 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 mbito del
problema a resolver. (Si la aplicacin versa sobre coches, ser necesario
traducir los atributos de un coche determinado en un vector de nmeros
reales). La traduccin lleva implcita un proceso de normalizacin de los
valores numricos recibidos. Los pasos a seguir son los siguientes:
i) Realizar un downcasting sobre la instancia de Object recibida
para poder tratarlo segn el mbito del problema.
ii) Descomponer la instancia o instancias concretas en los atributos
representativos para el problema. Es importante tener en cuenta
que cuantos ms atributos se utilicen ms compleja y pesada ser la
44

red y ms tiempo requerirn los procesos de pensamiento y
entrenamiento.
iii) Traducir y/o normalizar los atributos recogidos en valores
numricos reales. Se recomienda que los de valores finales estn
dentro del rango [0,1] [-1,1] dependiendo del modelo de red.
iv) Repartir los atributos traducidos en un vector de nmeros reales
que ser el que finalmente reciba la Red Neuronal.
Los
traductores
de
entrada
implementan
la
clase
OutputTranslator. Estos traductores incluyen dos mtodos en su
contrato que se encargan de realizar cada uno la transformacin
complementaria
al
otro.
El
mtodo
+getOutputTranslation(:float) : Object construye una
instancia de la clase que deseamos como salida, a partir del vector de
nmeros reales obtenidos. As como en la traduccin de entrada es
conveniente prescindir de todos los atributos que no sean relevantes, aqu
es necesario contar con toda la informacin 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 informacin numrica recibida sea suficiente para llevar
a
cabo
la
traduccin.
El
mtodo
+
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 utilizacin con otros
modelos de Red Neuronal Artificial. La labor de este mtodo es similar a
la del InputTranslator, pero con la restriccin aadida de que ha de
casar con los resultados obtenidos con la traduccin de salida. Es
imprescindible que este mtodo realice la operacin inversa del anterior de
la forma ms precisa posible y lo ms ajustado que pueda, ya que de esta
traduccin depender la labor del maestro que entrene la red. Lo ideal sera
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 cdigo en la medida de lo posible.
45
Traductores de entrada incluidos (implementan InputTranslator):

Recoge un array de nmeros enteros

(float[]) como instancia de Object, y
simplemente realiza un casting a
float[].
ste es el traductor de entrada por
defecto para el framework.
Traductores de salida incluidos (implementan OutputTranslator):

SingleBooleanOutputTranslator Inspecciona el primer nmero (ndice 0)
del array de reales recibido (float[]); el
resultado ser una instancia de
Boolean que arropa el valor true si el
nmero es mayor que 0, false en caso
contrario. Realiza la traduccin inversa
con los valores 1 y -1.
Realiza un upcasting sobre el array de

nmeros enteros recibidos (float[]) para
tratarlo como una instancia de
Object. Tambin realiza la
conversin inversa.
ste es el traductor de salida por
defecto para el framework.
46
5.5.4. Las Funciones

Existe multitud de posibles funciones dentro del modelo matemtico de las
Redes Neuronales Artificiales.
Las instancias de las clases de tipo funcin no almacenan datos, como se
podra suponer de sus parmetros, entradas o resultados. Estas clases son puramente
funcionales y no son susceptibles de cambiar de estado. La idea detrs de esta
decisin es que se pueda compartir una misma instancia entre varios elementos sin
incurrir en problemas de concurrencia, aunque hilos de ejecucin paralelos invoquen
el mtodo para obtener la solucin al mismo tiempo.
Las interfaces que definen el contrato de los distintos tipos de funcin, se
localizan en el paquete central com.jcortex, y son las mostradas en la figura
Diagrama de Clases 6. Cada realizacin concreta incluida en el framework de
estas clases se almacenan, segn su tipo, en los paquetes del ncleo descritos.
Diagrama de Clases 6: Interfaces de funcin
47
a) Funciones de Activacin
Las funciones de activacin son las encargadas, en ciertos modelos de red, de
decidir el estado de una neurona de forma matemtica.
Las funciones de este tipo han
de heredar de
com.jcortex.ActivationFunction que define dos mtodos:
la
interfaz
+ getDefaultParameterSet () : float[] Obtiene el

conjunto de parmetros por defecto para la Funcin de Activacin. De
forma general se pueden considerar como genricos aquellos que no
modifican el valor final producido por la red.
+ getNumberOfActivationParameters() : int Obtiene el

nmero de parmetros con los que trabaja la funcin. No se ha
representado de forma esttica ya que se invoca conociendo una instancia
de esta funcin y no la clase de la que proviene.
+ getSolution(networkResult : float,
activationParams : float[]) :_float Mtodo principal
que obtiene el resultado de la funcin de activacin para un valor de red y
un conjunto de parmetros. Las funciones han de exigir que el vector de
parmetros tenga al menos en nmero de elementos obtenidos desde el
mtodo anterior. Sin embargo han admitir que la lista de parmetros tenga
un tamao superior al valor numrico requerido (aunque sea ignorando los
que no sean necesarios).
Funciones incluidas en el framework y recogidas en el paquete

com.jcortex.activationFunctions:
Funcin Gaussiana
GaussianFunction
( )
f a,b (x) = a " e
# xb
!
48
Funcin Identidad
IdentityFunction
f a (x) = a
"x f a (x) = a #1
!
Funcin Sigmoidal
SigmoidalFunction
f a (x) =
1
1+ e"a# x
!
Funcin Signo
SignFunction
$x > 0 " 1
&
f (x) = % x = 0 " 0
& x < 0 " #1
'
49
Funcin Tangente Hiperblica

1" e"x
f (x) =
1+ e"x
!
Funcin Umbral
StepFunction
$x " a # 1
f a (x) = %
&x < a # 0
b) Funciones de Activacin para Back-Propagation

Las funciones de activacin para Back-Propagation son, como su propio
nombre indica, una especializacin de las Funciones de Activacin descritas en el
apartado anterior. Estas funciones poseen los mecanismos para determinar, en ciertos
modelos de red, el estado de una neurona de forma matemtica. Sobre esta base, se
aaden funcionalidades adicionales necesarias en el proceso de aprendizaje por BackPropagation.
Las funciones de Activacin para Back-Propagation han de heredar de la
interfaz com.jcortex.BackPropagationActivationFunction. Adems
de los mtodos propios de las Funciones de Activacin descritos anteriormente, se
define un mtodo nuevo:
50
+ getDerivateSolution(neuron :
com.jcortex.backPropagation.BackPropagationNeuron
) : float Obtiene el resultado de sustituir el valor final, dentro de la
derivada de la funcin representada por la clase. Al ser posible simplificar
estos clculos con productos ya almacenados en la neurona, sta se utiliza
como parmetro de entrada de la funcin.
Al ser tambin funciones de activacin comunes, las funciones de Activacin

para Back-Propagation incluidas en el framework estn recogidas tambin en el
paquete com.jcortex.activationFunctions:
Funcin Sigmoidal
f 'a (y i,n ) = a " y i,n " (1# y i,n )
SigmoidalFunction
Funcin Tangente Hiperblica
f 'a (x) = 2 " f a (x) " [1# f a (x)]
!
c) Funciones de Distancia
Las funciones de distancia cuantifican a travs de distintas mtricas
dependiendo de cada implantacin concreta la diferencia entre dos vectores de
nmeros reales.
de heredar
com.jcortex.DistanceFunction que define el mtodo:
de
la
interfaz
+ getDistance(entries : AxonSource[], weights :

float[]) : float Mtodo principal que cuantifica la diferencia
(distancia) entre dos vectores de nmeros reales. Este mtodo lanzar
una excepcin cuando tenga que comparar vectores de distinto tamao.

com.jcortex.distanceFunctions:
51
Distancia Eucldea
D(a,b) =
# (a " b)
!
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.
de heredar
com.jcortex.NetworkFunction que define el mtodo:
de
la
interfaz
+ getSolution(axonSourceEntries : Collection) :
float Mtodo principal que obtiene la valoracin conjunta de las
entradas. Las entradas se suministran como una coleccin de instancias de
la clase AxonSourceEntry (una para cada entrada).

com.jcortex.networkFunctions:
Linear Basis Function

LinearBasisFunction
Radial Basis Function
LinearBasisFunction
t n = # (y i " w ij )
tn =
#[
( y i " wij )
52
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 implantacin de la clase
Teacher capaz de entrenarlo.
La clase abstracta Teacher implanta los mtodos genricos 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 crear una clase distinta que extienda
Teacher que ha de implantar los siguientes mtodos:
+
educateNetwork(nn
:NeuralNetwork,
exampleIObjects
:Object[],
exampleDObjects
:Object[])!: Statistics . Mtodo encargado de llevar a cabo el
entrenamiento de la red neuronal. Aunque en principio, por su contrato,
acepte cualquier instancia de NeuralNetwork, tpicamente slo podr
ser aplicado a un modelo de red concreto. En caso de error ha de lanzar
una excepcin del tipo IllegalArgumentException.
+ createStatsSchema() :Statistics . Crea la instancia de

Statistics a ser utilizada por este maestro. En este mtodo se definen
las medidas estadsticas que van a ser recogidas durante el proceso de
entrenamiento. Acta como Template Method (GoF) para el mtodo
getStats() de esta clase abstracta. Tpicamente, su implantacin
tendr el siguiente aspecto, en el cual se proporciona un array de cadenas
de texto con los nombres de las medidas estadsticas y el nmero mximo
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 mtodo acta como Template Method
(GoF) en el proceso de exportar la configuracin de la instancia de
Teacher
a
un
documento
XML.
(Ver:
53

5.2.3. Metodologa de trabajo con XML)
+ stopTraining() . Mtodo 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 situacin estable. En los mtodos iterativos es
habitual incluir una variable booleana que acte 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 mtodo est pensado para
entornos de multiproceso (o multiproceso por hilos).
+ toHTMLString() :String . Este mtodo ha de mostrar la

configuracin de la instancia de Teacher, en forma de texto con tags de
HTML para definir su estilo.
+ getAnalyzer() :ProgressAnalyzer . Mtodo a travs del

cual se obtendr el analizador de mayor nivel utilizado para el
entrenamiento. Para ms informacin ver 5.5.7. Recogida y anlisis de
Estadsticas.
La clase abstracta Teacher implanta a su vez una serie de mtodos comunes

para cualquiera de sus subclases.
+ synchronized getStats() : Statistics. Mtodo

encargado de proporcionar al instancia de la clase Statistics en la que
se almacenan las estadsticas de un entrenamiento. Esta instancia ser
creada en el caso de que no exista con anterioridad1. Este mtodo que
acta de una forma similar al patrn de diseo Singleton (GoF), si bien
slo de cara a una instancia concreta de la clase Teacher. Utiliza a modo
de Template Method (GoF) el mtodo createStatsSchema() de
implantacin obligatoria en cada uno de los maestros concretos.
+ static translateAndClassifyExamples(). Este mtodo

esttico se explica en detalle en este apartado, en el subapartado d) Reparto
de los conjuntos de ejemplos.
El funcionamiento del mtodo 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 l es necesario disponer de las estadsticas a ser utilizadas antes
de que se inicie el proceso de entrenamiento.
54

Se recomienda que todas las instancias de la clase Teacher se comporten
como beans (mtodos getter y setter obligatorios) con todos sus parmetros de
aprendizaje. De esta forma se muestra con claridad cules son los atributos que han de
ser establecidos por el usuario y cules son auxiliares para el algoritmo de
aprendizaje.
b) Mtodo educateNetwork() Genrico

En el Diagrama de Actividad 3: Mtodo educateNetwork() genrico se
muestran los pasos a dar antes y despus de lanzar el algoritmo de entrenamiento
matemtico. Se sealan tambin los objetos principales que participan en un proceso
de entrenamiento genrico, y su relacin con las actividades detalladas.
Diagrama de Actividad 3: Mtodo educateNetwork() genrico
Cabe destacar el papel que toman las estadsticas (Statistics) y sus

analizadores (ProgressAnalyzer) en el proceso de entrenamiento. En primer
55

lugar, estos elementos tendrn que ser creados e inicializados para que despus el
algoritmo matemtico actualice en su progreso las estadsticas. Las estadsticas son
analizadas con el fin de determinar en qu momento ha de detenerse el proceso de
entrenamiento. La relacin entre el objeto de la clase Statistics y el de la clase
ProgressAnalyzer no se ha representado en el diagrama anterior.
c) Mtodo educateNetwork() Iterativo

La mayor parte de los algoritmos de aprendizaje para Redes Neuronales
Artificiales se basan en la realizacin 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 estadsticos indicados en el
apartado anterior.
En el Diagrama de Actividad 4: Mtodo educateNetwork() iterativo, se
muestran los pasos que ha de recorrer cualquier mtodo de aprendizaje que funcione a
base de iteraciones. sta figura parte del Diagrama de Actividad 3: Mtodo
educateNetwork() genrico, 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
estmulo a travs de la misma.
La segunda fase, la de validacin, no es necesario que se ejecute para

cada una de las iteraciones de entrenamiento. Por motivos de rendimiento
es recomendable saltarse dos o ms iteraciones de entrenamiento entre dos
pruebas de validacin consecutivas.
56
Diagrama de Actividad 4: Mtodo educateNetwork() iterativo
57
d) Reparto de los conjuntos de ejemplos

En la gran mayora 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
extraer el conocimiento.
El conjunto de ejemplo de validacin (validation), utilizados para

comprobar que la red evoluciona de forma correcta, generalizando el
conocimiento adquirido y no incurriendo en el problema clsico del
sobreaprendizaje2.
El reparto entre un conjunto y otro es una tarea comn para un gran nmero de
Maestros. Esta accin se proporciona a travs de un mtodo esttico implantado en la
clase Teacher, + static translateAndClassifyExamples()
:void. Sus parmetros se describen a continuacin en orden:
exampleIObjects :Object[] Array con la lista de objetos que

representan las entradas de los ejemplos suministrados para el aprendizaje.
Estos objetos tendrn que ser traducidos a una representacin numrica
con el InputTranslator de la red neuronal. Cada una de estas
entradas ha de tener su salida correspondiente, en su misma posicin, 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 tendrn que ser traducidos a una representacin
numrica con el OutputTranslator de la red neuronal. Cada una de
estas salidas ha de tener su entrada correspondiente, en su misma posicin,
en la lista exampleIObjects.
inputTranslator :InputTranslator Las entradas de los

ejemplos proporcionados para el aprendizaje tienen la forma de objetos
con sentido para el mbito del problema. Estos objetos han de ser
traducidos, mediante un InputTranslator, a un formato numrico
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.
58

que pueda ser tratado por los algoritmos matemticos 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 mbito del problema. Estos objetos han de ser
traducidos, mediante un OutputTranslator, a un formato numrico
que pueda ser tratado por los algoritmos matemticos de las redes
neuronales artificiales.
trainingI :float[][] Array en el que se devolver la lista con

las entradas del conjunto de ejemplos, para el entrenamiento de la red.
Cada float[i] representa un array de nmeros reales con los valores
de la entrada de un ejemplo.
trainingD :float[][] Array en el que se devolver la lista con

las salidas deseadas del conjunto de ejemplos, para el entrenamiento de la
red. Cada float[i] representa un array de nmeros reales con los
valores de la salida deseada para un ejemplo.
validationI :float[][] Array en el que se devolver la lista

con las entradas del conjunto de ejemplos, para la validacin del
entrenamiento de la red. Cada float[i] representa un array de nmeros
reales con los valores de la entrada de un ejemplo.
validationD :float[][] Array en el que se devolver la lista

con las salidas deseadas del conjunto de ejemplos, para la validacin del
entrenamiento de la red. Cada float[i] representa un array de nmeros
reales con los valores de la salida deseada para un ejemplo.
validationPercent :float Valor real entre [0,1] que indica la

proporcin de elementos que formar cada uno de los conjuntos. Tambin
se emplea como indicador de la probabilidad en el reparto aleatorio de los
ejemplos entre ambos conjuntos. En el caso del nmero de elemento de
cada conjunto, el clculo se realiza de acuerdo con la frmula siguiente:
ejemplosValidacin = #totalEjemplos " validationPercent$
ejemplosEntrenamiento = totalEjemplos % ejemplosValidacin
Antes de realizar la invocacin del mtodo descrito, se recomienda el uso del

cdigo descrito a continuacin para crear los arrays que contendrn los conjuntos de
ejemplos:
// Obtains the number of examples devoted to each list
int validationCount = (int) (exampleIObjects.length * validationPercent);
59

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 separacin de los ejemplos
proporcionados en los dos conjuntos descritos anteriormente. Es enormemente
arriesgado presuponer que los ejemplos proporcionados estn de por si repartidos de
manera uniforme. Lo normal es que los conjuntos de ejemplo sean proporcionados de
acuerdo con una ordenacin 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 proporcin indicada a travs del validationPercent. Si un
ejemplo es asignado a una lista llena, se decidir de forma aleatoria si el nuevo
ejemplo se aade directamente al otro conjunto, o sustituye a un ejemplo ya presente,
trasfirindolo a la otra lista. De esta manera se procura asegurar la mayor dispersin
posible de todos los ejemplos del conjunto proporcionado, con independencia de que
se encuentren estos al principio o al final.
60
Diagrama de Actividad 5: Algoritmo de reparto pseudo-aleatorio de los ejemplos
61
5.5.7. Recogida y anlisis de Estadsticas

El anlisis de las estadsticas de progreso recogidas a lo largo del
entrenamiento es imprescindible para el sistema de decisin que detenga el
aprendizaje de una red antes de incurrir en un sobreaprendizaje. ste es uno de los
apartados ms complejos del framework, por lo que se ha recurrido al uso de Patrones
de Diseo OO en concreto a Composite y Observer. El Diagrama de Clases 7 ofrece
una visin general de todas las clases que forman este sistema, as como de su
interrelacin.
Diagrama de Clases 7: Sistema de Estadsticas
62
a) El Modelo de Datos de las Estadsticas

Las estadsticas 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 estadsticas se ha diseado con tres tipos de datos
principales cuya composicin se muestra en el Diagrama de Datos 1.
Statistics. Elemento central de almacenamiento. La recomendacin

es crear una instancia para cada uno de los entrenamientos, si bien no hay
limitaciones tcnicas que restrinjan el uso de ms de una coleccin de
estadsticas para un entrenamiento.
StatsMeasure. Modela las medidas o dimensiones para las cuales se

recopilan los datos estadsticos. Cada medida se identifica con un String
que sirve a la vez de breve descripcin. Este nombre ha de ser nico para
cada instancia de esta clase dentro de la instancia de StatsMeasure.
Cada instancia de esta clase mantiene sus propias estadsticas sobre los
registros que almacenan. Se incluye el valor mximo almacenado, el valor
mnimo y el valor medio. El clculo de estos valores es inmediato ya que
se va realizando a medida que se van aadiendo las instancias de
StatsRegister.
StatsRegister. Modela los registros concretos que contienen cada

valor estadstico. Cada vez que se desee almacenar un valor en la
coleccin de estadsticas se crear una instancia de StatsRegister que
refleja tanto el valor medido como la iteracin en la que se ha registrado.
Lo normal es contar con una nica 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 continuacin se describen las estructuras utilizadas en cada nivel de
agrupacin:
La coleccin de instancias StatsMeasure que posee una instancia de

Statistics se modela mediante un HashMap y es accedido a travs de
su la interfaz Map, ambos recogidos en el paquete java.util. Un mapa
parece la estructura ms lgica, teniendo en cuenta que cada dimensin
(instancia de StatsMeasure) se identifica por un String descriptivo.
Esta estructura de datos est preparada para trabajar en entornos de
concurrencia
ya
que
se
crea
como
measures
=
Collections.synchronizedMap(new HashMap()); Si bien esta medida
puede suponer una ralentizacin del acceso, ser esencial para preservar la
correcta organizacin de los accesos.
63
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
travs de su interfaz List. Esta clase, recogida en el paquete
java.util. Se eligi esta realizacin de la interfaz List en concreto para
aprovechar las propiedades de una lista doblemente enlazada: que pueda
crecer fcilmente y sin estar condicionada por un espacio. No se ha
considerado necesario convertir esta estructura en thread-safe, ya que slo
ser accedida para lectura por un nico hilo cada vez. Multitud de hilos
con operaciones de lectura pueden concurrir de forma simultnea sin
problemas. Al tratarse de datos estadsticos, no hay inconvenientes en que
las lecturas sean sucias, en el caso en que coincidiera una lectura con
una escritura concurrente. Es ms, interesa que el proceso sea lo ms
rpido 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 ltimo registro
que ha recibido.
Diagrama de Datos 1: Relacin entre los tipos de objetos estadsticos
64
b) Recogida de datos estadsticos

El proceso de recogida de datos estadsticos depender 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 estadsticos puede verse en
el Diagrama de Actividad 4: Mtodo educateNetwork() iterativo.
Como se ha descrito anteriormente, es necesario definir para cada proceso de
entrenamiento una serie de Medidas o Dimensiones que se materializarn como
instancias de StatsMeasure recogidas en una instancia de Statistics. Estas
medidas se han de definir a travs del mtodo 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 lgica, los valores estadsticos se
recogern al finalizar una iteracin o un anlisis completo, como ocurre en el caso de
las pruebas de validacin.
Si bien las instancias de StatsMeasure dependen en exclusiva de la
naturaleza de la red y el funcionamiento del algoritmo de aprendizaje, se puede
sealar las ms habituales:
Variacin de los pesos de los elementos de la red.
Error de Entrenamiento (Cuadrtico Medio).
Error de Validacin (Cuadrtico Medio).
El almacenamiento de las muestras dentro del repositorio de estadsticas, se ha

encapsulado a nivel de instancia de la clase Statistics. De esta forma el Maestro
slo tendr que tratar un nico objeto. En la interfaz de esta instancia se recoge el
mtodo 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 iteracin
iteration; y almacenarla en la dimensin estadstica measure.
65
c) Las Estadsticas y sus Analizadores

Ya se ha indicado que cada proceso de entrenamiento mantendr su propio
sistema de estadsticas, materializado en una instancia de la clase Statistics. Sin
embargo, es imprescindible resaltar que estos valores estadsticos recogidos tienen de
por si una utilidad clara: detener el entrenamiento cuando la red haya aprendido lo
suficiente y sin haber incurrido an en un sobreaprendizaje que degrade su capacidad
de generalizacin.
Los valores en bruto, recogidos para las distintas dimensiones estadsticas, no
proporcionan ninguna pista a cerca del avance del entrenamiento. Es necesario
realizar un anlisis sobre los registros recogidos para dar pie a una decisin. En
conclusin: a cada instancia de StatsMeasure que se desee observar se asociar al
menos un Analizador de Progreso. Ser a estos analizadores a los que se les pedir
un veredicto a cerca de la calidad del entrenamiento, y si este debe o no continuar.
d) Estructura de los Analizadores de Estadsticas

El sistema de analizadores se ha articulado en torno al patrn de diseo
Composite (GoF). De esta forma es posible crear una estructura arbrea 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 mtodo ms 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

66
Se recomienda aprovechar la capacidad de agrupamiento de los analizadores

para que el Maestro slo tenga que manejar una nica instancia de analizador. En la
mayor parte de los casos ms de un parmetro tendr que ser estudiado, por lo que
ser un ComposedProgressAnalyzer el analizador al que el Maestro pida su
veredicto.
Se ha considerado que proporcionar esta versatilidad en la organizacin de los
analizadores ser imprescindible para futuros desarrollos de Maestros. Pudiera darse
el caso de que un Maestro realizara varios entrenamientos en paralelo, cuyos
resultados se cruzaran peridicamente. En el modelo no slo sera importante conocer
el veredicto conjunto del analizador, sino adems el veredicto compuesto para cada
uno de los aprendizajes. Con una estructura arbrea es muy sencillo analizar el
progreso a distinto nivel y con distinta granularidad.
e) Analizador ValueDecreaseAnalyzer
Analiza si un valor estadstico decrece de forma adecuada. Actualmente su
implantacin dista mucho de ser la ms inteligente, en el sentido de ser la que mejor
calidad de veredicto ofrece. Se podra incluso indicar que peca de prudente,
deteniendo el entrenamiento a la ms mnima indicacin de crecida del valor de los
errores.
En el primer anlisis que se llev a cabo de este problema, se plante el
muestreo de tres puntos, dentro de una franja dimensionada segn el parmetro
studyWindowSize (atributo de esta clase). El punto n se toma en la ltima
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 proyeccin sobre los
datos de evolucin, se dibujaron las grficas siguientes.
En este anlisis se favorecen las evoluciones de pendiente descendiente. Slo
se permiten repechos de subida, como paso anterior a otra bajada.
En ellas se presenta la evolucin de un valor de error en lnea gris continua,
discontinua cuando es un valor futuro que an no ha tenido lugar, y los puntos
descritos anteriormente con sus proyecciones sobre las curvas. Sobre estas grficas se
decidi en qu casos se deba recomendar finalizar el entrenamiento, y en qu casos
este deba continuar.
67
Utilizando los valores descritos por las grficas, se dise el siguiente conjuto
de pruebas matemticas para determinar si un entrenamiento evoluciona de forma
correcta (good). El parmetro ! (en el cdigo OVERFLOW_GIFT_GRACE),
proporciona un cierto margen de regalo para que sea ms fcil cumplir con las
exigencias del analizador:
om " {ao # ( am $ % )}
nm " {am > ( an $ % )}
on " {ao # ( an $ % )}
) (
good = nm & om ' on & om ' (on & nm)
!
68
En anlisis posteriores se demostr como la eficacia del sistema anterior no

era demasiado grande. Gracias a la tabla de verdad mostrada a continuacin se puede
ver claramente como las pruebas mostradas anteriormente equivalen a comprobar si la
proyeccin 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 Perceptrn Multicapa. Esta red podra rpidamente
muestrear los registros estadsticos recogidos, para ofrecer una medida de confianza
sobre el progreso de la red. El usuario podra calibrar esta certeza sobre la evolucin
de la red de acuerdo con sus necesidades o segn el rendimiento de los aprendizajes.
f) Analizador ValueVariationAnalyzer
El ValueVariationAnalyzer ofrece su veredicto a cerca de la variacin
de los valores de una medida estadstica. Esta medida es, por regla general, la
diferencia entre el valor de un parmetro entrenado y el mismo en una iteracin
anterior. En este anlisis se priman los valores altos, considerndose que si las
variaciones de valores de los parmetros se mantiene baja durante demasiadas
iteraciones es que la red ha alcanzado un estado estable.
Para el funcionamiento de este analizador se definen dos parmetros:
constantVariation: nmero real que indica el valor de la variacin

por debajo del cual se considera que los parmetros de una red no estn
69

cambiando. Gracias a este parmetro, no es necesario esperar a que una
red alcance la variacin 0 para considerar que no est evolucionando.
constantWindow: nmero entero que indica el tamao 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 considerar adecuado siempre que el valor de variacin

registrado para la ltima iteracin est por encima del lmite inferior marcado por
constantVariation; y si est por debajo, que lleve en esta situacin un nmero
de iteraciones menor a las indicadas por constantWindow. El entrenamiento se
detendr cuando el valor de variacin registrado se halle por debajo del lmite 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 decisin de compromiso entre todos ellos.
El sistema de decisin se basa en que, cada vez que se requiere la opinin de
este analizador con el mtodo + isProgressGoodEnough() :boolean, ste
pedir la opinin a los analizadores que lo componen invocando este mismo mtodo
70

sobre ellos. Si alguno de los analizadores proporciona una respuesta negativa, el
ComposedProgressAnalyzer recomendar que se detenga el entrenamiento.
h) Informacin sobre la parada

Todos los analizadores han de ser a su vez capaces de informar al usuario de la
razn por la que han votado para detener el entrenamiento (o porqu no la han
tomado). De esta forma al finalizar un proceso de entrenamiento se puede obtener un
mensaje como el que se muestra a continuacin (localizado en Espaol). Con esta
informacin se puede valorar el proceso de aprendizaje a fondo.
Este informe sobre la actividad se obtiene a travs del mtodo +
getReasonToStop() :String, obligado por el contrato de la interfaz
ProgressAnalyzer.
Razones de parada de los analizadores aglutinados:

{
....Error de Entrenamiento (Cuadrtico Medio) no ha encontrado razones hasta ahora
para detener el entrenamiento.
....Detenido porque Error de Validacin (Cuadrtico Medio) no decreca suficientemente
bien.
a[o] = 0.5487105; a[m] = 0.5487105; a[n] = 0.6852519
....Variacin de Pesos (Media Abs.) no ha encontrado razones hasta ahora para detener
el entrenamiento.
}
Este ejemplo proviene del entrenamiento de una red Perceptrn Multicapa, en

la que concurren cuatro analizadores. Tres de los analizadores actan con el papel de
hojas del patrn Composite (GoF) dos ValueDecreaseAnalyzers y un
ValueVariationAnalyzer. Finalmente, los analizadores anteriores estn
recogidos en un cuarto, un ComposedProgressAnalyzer, que ofrece la
conclusin final al Maestro. Es a esta ltima instancia a la cual se ha invocado el
mtodo getReasonToStop(), que ha sido el encargado de recavar la informacin
de sus analizadores mediante la misma invocacin.
h) El modelo de StatisticListener
Implantacin del patrn de diseo Observer (GoF). El modelo de
StatisticListers 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
71

StatisticsListener y suscribirse en la instancia Statistics que desee
observar3. que incluye los dos mtodos siguientes:
+ statsUpdate(statisticsEvent :StatisticsEvent).
Mtodo invocado por la instancia de Statistics observada, cada cierto
nmero de actualizaciones de sus registros estadsticos. No todas las
actualizaciones son notificadas ya que, al actuar de forma sncrona con las
invocaciones, la carga administrativa sera demasiado fuerte para el
proceso de entrenamiento. En concreto, se notifica una de cada
Statistics.NOTIFICATION_GAP actualizaciones.
+ statsClosed(statisticsEvent :StatisticsEvent).
Mtodo 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 parmetros del

mtodo de notificacin invocado. El nico 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 estadsticas de entrenamiento puede llegar a distinguir de cul de ellas
proviene la notificacin.
Es a causa de esta suscripcin, para permitir el acceso a las estadsticas antes de que
comience el entrenamiento, por lo que se ha independizado la creacin de las
instancias de Statistics del mtodo de aprendizaje educateNetwork(). Para
ms referencias ver: 5.5.6. El Maestro (Teacher) > a) La clase abstracta Teacher.
72
5.5.8. Internacionalizacin y localizacin

Toda la carga de internacionalizacin y localizacin recae en la clase
Messages que se encarga del acceso a los Resource Bundles proporcionados con el
framework. Esta clase acceder a la localizacin del archivo de Resource Bundle
messages.properties, de la localizacin indicada por la configuracin de la
mquina virtual. La localizacin proporcionada por defecto es la inglesa (EN). Para
acceder a la localizacin de Espaol Castellano se acceder al archivo
messages_es.properties.
El framework incluye un nico Resource Bundle, situado en el paquete
com.jcortex, para almacenar los textos localizados. Este ser el nico archivo
para localizacin dentro de la distribucin estndar de JCortex. Extensiones
desarrolladas y proyectos que utilicen JCortex tendrn que establecer sus propios
archivos de localizacin. 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 mtodos estticos

que facilitan la obtencin de los textos localizados:
+ getString(key :String) :String. Mtodo por defecto

que adquiere el texto localizado indexado por la clave key.
+ getString(key :String, arg1 :Object,):String.

Mtodo que adquiere el texto localizado indexado por la clave key.
Adems sustituye en el mismo los placeholder (marcas) para los que se
ofrecen argumentos de tipo Object de forma explcita. Las marcas se
encuentran en el texto localizado y se indican con la cadena {i}
para el argumento i (" i # 0). Esta clase proporciona mtodos que
utilizan de 1 a 4 argumentos a ser sustituidos. Es importante sealar
que estos argumentos han de ser objetos sobre los que se puede invocar
el mtodo toString().
+ getString(key :String, args :Object[]):String.

Mtodo que adquiere el texto localizado indexado por la clave key.
Adems sustituye en el mismo los placeholder (marcas) para los que se
ofrecen argumentos de tipo Object a travs del array.
73
5.5.9. Utilidades en el paquete bsico

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 desempear 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 ncleo, en la mayora 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
generacin de mensajes de texto para su presentacin por la interfaz de lnea de
comando.
+ static arrayToString(:float[]) :String. Representa

un vector de nmeros reales en forma de texto.
+ static arrayToString(:float[][]) :String.

Representa una matriz de nmeros 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 recuperacin de la configuracin 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 direccin lgica en el sistema de archivos.
74
+ 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 configuracin es pasado en forma de
direccin lgica en el sistema de archivos.
+ static static readXMLNeuralNetwork(file :File)

:NeuralNetwork. Carga desde un archivo XML una instancia de
NeuralNetwork. El archivo con la configuracin es pasado en forma de
instancia de la clase File.
75
5.6. Paquetes de Modelos de red

Los modelos de red no forman parte realmente del ncleo del framework, si
bien su participacin es imprescindible para desarrollar la estructura y el diseo del
ncleo, 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
ms utilizados en proyectos reales. Los modelos proporcionados han de verse ms
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 Ilustracin 4: Paquetes de
Modelos de Red se muestran los paquetes incluidos actualmente en el framework
JCortex. En los apartados siguientes se describen los aspectos ms relevantes de la
implantacin de cada uno de los modelos de red incluidos en el framework. Para
poder acceder a una explicacin detallada, ver Anexo A: Documentacin de la API
JCortex (en Ingls).
Ilustracin 4: Paquetes de Modelos de Red
76
com.jcortex.backPropagation
BackPropagationNeuron
DefaultMultilayerPerceptronTeacher
MultilayerPerceptronNeuralNetwork
Contiene clases genricas para los

modelos de red basados en el
mecanismo de Retropropagacin, as
como el modelo Perceptrn Multicapa
completo. Se basa en el Feed-Forward.
com.jcortex.feedForward
DefaultPerceptronTeacher
FeedForwardNeuralNetwork
FeedForwardNeuron
NeuronInTheList
PerceptronNeuralNetwork
ToDoList
Contiene clases genricas para los

modelos de red basados en el
mecanismo de propagacin hacia
delante, Feed-Forward. Incluye una
implantacin verstil del modelo
Perceptrn.
com.jcortex.hopfield
DefaultHopfieldTeacher
HopfieldNeuralNetwork
Contiene clases necesarias para la

implantacin de las redes de Hopfield.
com.jcortex.kohonen
CylinderHexKMap
CylinderSquareKMap
CylinderStarKMap
Contiene clases necesarias para la

implantacin del modelo de red de
Mapas de Kohonen.
Default2DKMap
DefaultKohonenTeacher
KohonenMap
KohonenNeuralNetwork
KohonenNeuron
SheetHexKMap
SheetSquareKMap
SheetStarKMap
ToroidHexKMap
ToroidSquareKMap
ToroidStarKMap
77
5.6.1. Indicaciones de construccin para modelos de Redes

Neuronales artificiales en JCortex
Los modelos propuestos en el framework no son los nicos posibles. Es ms,
JCortex est 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 nico paquete. Este paquete no ha
de estar obligatoriamente dentro de la jerarqua com.jcortex esta est 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
implantacin 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 l.
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

travs 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 tendr la forma *NeuralNetwork.
Opcionalmente puede haber una o ms clases que hereden de Neuron,

segn la naturaleza del modelo. Las instancias de estas clases sern las que
constituyan la estructura de la red. El nombre de estas clases tendr la
forma *Neuron.
Es imprescindible la presencia de al menos una clase que extienda a

Teacher. En ella residir la funcionalidad de entrenar las redes
generadas con el modelo de red. El nombre de estas clases tendr la forma
*Teacher.
Pueden ser necesarias otras clases propias del funcionamiento o

naturaleza de la red que tambin tendrn que ser recogidas dentro del
paquete del modelo.
78
5.6.2. Redes de Hopfield (com.jcortex.hopfield)

a. Descripcin de la Red
Las redes de Hopfield son redes de adaptacin probabilstica, recurrentes,
funcionalmente entraran en la categora 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 interconexin total, funciones de
activacin booleana de umbral (cada unidad puede tomar dos estados, 0 o 1,
dependiendo de si la estimulacin total recibida supera determinado umbral),
adaptacin probabilstica de la activacin de las unidades, conexiones recurrentes y
simtricas, 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. Diseo del modelo

El enfoque tomado para la implantacin 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 informacin de la red neuronal se
recoge en una matriz numrica.
La Matriz de Pesos es una matriz cuadrada que contiene la informacin
aprendida por la red. Su tamao est determinado por el nmero de entradas o
atributos de los patrones a ser aprendidos. Esta matriz cuadrada est representada
como un array de arrays de nmeros reales. Es de resear que la recomendacin
realizada por Hopfield es que el nmero mximo de patrones no correlacionados que
se puede almacenar en una red es el 15% del nmero de sus neuronas, el decir, del
nmero de atributos registrados.
La implantacin 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 nicamente necesita poseer una clase de tipo Teacher
HopfielTeacher que sepa entrenarla.
79
Diagrama de Clases 9: Modelo de Red de Hopfield
80
c.- Propagacin en la red de Hopfield

La propagacin de un estmulo a travs de una Red de Hopfield es un proceso
recursivo. El patrn de entrada para cada iteracin se obtiene, bien del estmulo
recibido por la red, bien de la salida de la iteracin anterior. En origen, el patrn de
entrada es el estmulo 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 patrn de entrada (X) sufre una serie de
transformaciones que deberan aproximarle cada vez ms a un estado estable de la red
de Hopfield. Este estado ser, idealmente, el patrn sin ruido almacenado en la red, al
cual est relacionada la entrada. El procesado del patrn de entrada se ha modelado
mediante una operacin entre vectores y matrices, siguiendo las ecuaciones:
Y '= X " Weights # Bias

Y = FuncinSignoHopfield(Y ')
Vistos en detalle los elementos que forman las estructuras matemticas:
# 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
Smbolo Descripcin
X
Patrn de entrada de la iteracin.
y'2 L y'i )
Elemento
Variable
xi
float[] iterationInput
wi,j
float[][] weights
Vector de Bias.
bi
float[] bias
Patrn de salida de la iteracin.
yi
float[] iterationOutput
Weights Matriz con los pesos con la

configuracin 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 Funcin Signo definida por Hopfield, se implanta utilizando el mtodo

esttico
+
static
hopfieldSignFunction(iterationsInput
:float[], functionsInput :float[]) : float[] de la clase
HopfieldNeuralNetwork. A continuacin se muestra la definicin de la
funcin:
81
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 definicin de la Energa

de Hopfield (eH). Hopfield demostr que en cada iteracin el patrn de salida
evoluciona hacia una energa menor o igual que la de su patrn de entrada.
Para que se cumpla este comportamiento descrito por Hopfield, la
construccin de la matriz ha de asegurar una serie de condiciones:
La matriz ha de ser simtrica (wa,b = wb,a). Es decir, la conexin entre la

supuesta neurona i y la supuesta neurona j ha de tener el mismo peso que la
conexin entre la j y la i.
La matriz ha de tener toda su diagonal a 0 (wa,a = 0 ). De forma figurada, esto

se traducira en que una neurona de Hopfield no ha de estar conectada a si
misma.
La Ecuacin de la Energa del Hopfield se encapsula dentro del mtodo +

static
hopfieldEnergy(pattern
:float[],
weights
:float[][],
bias
:float[])
:float
de
la
clase
HopfieldNeuralNetwork. La energa se calcula siguiendo la funcin:
EnergaHopfield( X,Weights,Bias) = "
1
$ $ w j,i # x i # x j + $ x i # bi
2 i j%i
i
Aprovechando la caracterstica imprescindible de simetra, se puede reducir

considerablemente el nmero de operaciones. Slo es necesario calcular el producto
de los binomios que forman los elementos de la diagonal superior, omitiendo la
divisin entre 2. De esta manera se logra el cdigo 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];
}
82

A lo largo de la iteracin de propagacin, se mantiene almacenada en una
variable la energa del patrn de entrada. Al finalizar la iteracin, sta se compara con
la energa del patrn de salida obtenido. Pueden darse tres opciones:
eH del patrn de Entrada > eH del patrn de Salida: el caso ms

habitual. En l la red ha evolucionado hacia un patrn ms estable, es
decir, de menor energa.
eH del patrn de Entrada < eH del patrn de Salida: en este caso, la

red evoluciona hacia una situacin inestable, de mayor energa. El
entrenamiento se detiene antes de que empeore an ms, devolviendo
como patrn reconocido, el patrn de entrada de esta ltima iteracin. Es
de suponer que este patrn sea el que posea la energa mnima. El
entrenamiento ha finalizado en una situacin inestable.
eH del patrn de Entrada = eH del patrn de Salida: ser preciso

considerar dos escenarios:
o El patrn de Entrada es igual que el de Salida: el entrenamiento
habr finalizado en una situacin estable. El patrn habr sido
reconocido, y por tanto podr ser devuelto como respuesta al
estmulo introducido en la red.
o El patrn de Entrada es distinto que el de Salida: el
entrenamiento ha de continuar ya que puede ser el paso previo a
otro descenso de energa en una iteracin futura. El patrn no ha
sido reconocido.
Es importante sealar que no se est evitando un posible bucle en la

evolucin, entre patrones de igual eH. Tampoco se est controlando si se est
convergiendo en un mnimo local, en lugar de en el patrn 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 anmalas.
83
Diagrama de Actividad 6: Propagacin en la Red de Hopfield
84
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 estadsticas. El proceso, tal y como ha sido modelado, responde a un algoritmo
matemtico 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 simtrica
respecto a su diagonal principal que, a su vez, ha de ser 0. El mtodo matemtico
propuesto por Hopfield observa la siguiente ecuacin, 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 matemticas:
" 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 &
Smbolo Descripcin
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
El nmero de atributos de cada

patrn.
attributeCount
Pk
Vector de atributos de un patrn.
xk i
float[][] weights
i=1N
k=1p
p
El nmero de patrones que van a

ser almacenados en la red.
Matriz identidad.
85

Aprovechando la simetra de la matriz y las estructuras de datos propias
implantadas, se puede llegar a simplificar en gran medida el aparato matemtico
mostrado:
Slo es necesario calcular el valor de los elementos de un lado de la

diagonal. El otro lado puede ser copiado por simetra una vez los primeros
hayan sido completamente calculados.
Es posible extraer el cociente 1/N como factor comn del producto

vectorial de cada patrn. De esta forma slo es necesario realizar una nica
divisin por cada atributo.
La finalidad del ltimo trmino con la Matriz Identidad (I) es asegurar que
la diagonal de la matriz resultante sea 0. Esta operacin se puede resolver
con una simple asignacin (1 por cada atributo). Prescindiendo as de un
recorrido completo por la matriz.
A continuacin se describe en pseudocdigo el proceso de construccin de la matriz

numrica, 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. Clculo 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 posicin simtrica.
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 s que est recogido dentro del funcionamiento descrito para
la Red de Hopfield. Por defecto, el maestro construir un vector de bias con todos los
atributos a 0. Esta configuracin implica que el bias no modifica en principio los
86

valores generados con el clculo matricial. Ser responsabilidad del usuario
(programador) establecer un bias personalizado, utilizando el mtodo de la clase
HopfieldNeuralNetwork, + setBias(:float[]).
e. Serializacin en XML
La mayor carga del almacenamiento en formato XML de la configuracin de
una red de Hopfield reside en la serializacin 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"/>
! Se ha omitido el resto de parmetros de las filas 1 a la 23.
</weights>
<biasVector>
<bias ix="0" value="0.0"/>
87

</biasVector>
<teacher class="com.jcortex.hopfield.DefaultHopfieldTeacher"/>
</neuralNetwork>
88
5.6.3. Mapas de Kohonen (com.jcortex.kohonen)

Son redes autoorganizadas capaces de codificar y luego reconocer modelos de
rasgos caractersticos de un entorno.
Una vez entrenada, la red puede ser utilizada para la clasificacin de patrones
de entrada similares en un espacio n-dimensional. Una clase o grupo de patrones
similares tiende a controlar una neurona especfica, que representar el centro de una
esfera n-dimensiona. Esa neurona ser la ms activa frente a patrones similares a su
vector de pesos.
Despus del aprendizaje, la clasificacin consiste en presentar una entrada y
seleccionar la unidad ms activa, la ganadora, aplicando la funcin de Distancia. La
neurona ganadora ser la ms cercana al patrn de entrada.
b. Diseo 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 diseo de un
framework ampliable y abierto exige que este modelo de red sea capaz de trabajar
sobre cualquier configuracin de mapa interno. Para permitir este paso, se ha
recurrido a la creacin de una nueva interfaz: KohonenMap.
En el diseo de este modelo de red se ha aislado la configuracin, de la
estructura interna de la clase KohonenNeuralNetwork. Esta ltima clase es la
que tradicionalmente tendra 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
informacin asociada a la estructura de la red.
Este hecho es transparente para el usuario externo ya que la clase
KohonenNeuralNetwork proporciona un interfaz nico de acceso a la
informacin y los mtodos obligados de la instancia de KohonenMap asociada,
cumpliendo con el contrato de NeuralNetwork.
La estrecha relacin entre un mapa y la red a la que se encuentra asociado
obliga a llevar a cabo un proceso de integracin entre ambos, recogido en el mtodo +
integrateWithNeuralNetwork(KohonenNeuralNetwork
knn) de
KohonenMap. En este proceso se incluyen todas las neuronas del mapa dentro de la
89

coleccin 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 propagacin.
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 smil geomtrico,

la forma de las neuronas que forman el mapa, determina la vecindad de
stas con las neuronas adyacentes. No slo variar el nmero de clulas
vecinas, sino incluso la distribucin 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 geometra cuadrada.
o Hexagonal. Las neuronas poseen 6 vecinas, que se distribuyen de
acuerdo con las aristas de una neurona de geometra hexagonal.
o Estrellada. Las neuronas poseen 8 vecinas, que se distribuyen de
acuerdo con los vrtices y las aristas de una neurona de geometra
cuadrada.
Ilustracin 5: Formas de Vecindad4
En la figura, los nmeros de las neuronas de los mapas representan el radio de

vecindad ms bajo en el que la neurona entra en contacto con la central.
90
La Forma del Mapa. Si bien este parmetro posee una traslacin bastante
ilustrativa al mundo geomtrico, en realidad hace referencia al wrapping o
envoltura que realiza un mapa sobre si mismo. Se est 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 trmino ficticio, que realmente hace referencia a un
mapa de forma plana compuesto por una nica hilera de neuronas.
o Plana (Sheet). Las neuronas de los bordes del mapa no adquieren
ningn comportamiento especial. Sus nicas vecinas sern aquellas
que se encuentren contiguas a ellas mismas en el borde o hacia el
interior del mapa.
o Cilndrica. 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 slo 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 cilndrica),
sino que adems las neuronas verticales cumplen con el mismo
comportamiento aadido.
Tabla 5: Conjugacin de las Formas de Neurona y Mapa

Forma de Mapa
Cilndrica
Toroide
Hexagonal
Cuadrada
Plano (Sheet)
Estrellada
Forma de Neurona
Fila
91
La disposicin de las neuronas de forma geomtrica cuadrada (neuronas

cuadradas y estrelladas), sigue una matriz de n filas por m columnas. En la
Ilustracin 6: Distribucin de neuronas Cuadradas y Estrelladas se muestra el ejemplo
de distribucin y localizacin de estas neuronas en una red de 6x5.
C.1 C.2 C.3 C.4 C.5 C.6

Fila 1
10
15
20
25
Fila 2
11
16
21
26
Fila 3
12
17
22
27
Fila 4
13
18
23
28
Fila 5
14
19
24
29
Ilustracin 6: Distribucin de neuronas Cuadradas y Estrelladas
La disposicin de las neuronas de forma hexagonal sigue la orientacin de las

aristas para encajar como un panal de abejas. Al no poseer ngulos rectos, las filas se
organizan de acuerdo con una secuencia de zig-zag en un ngulo de 120, tal y como
se muestra en la Ilustracin 7: Distribucin de neuronas Hexagonales. Las columnas
mantienen su disposicin habitual.
Ilustracin 7: Distribucin de neuronas Hexagonales
92
Para el sistema de wrapping o envoltura de los bordes de la red, se suponen las

vecindades mostradas en la Ilustracin 8: Wrapping de neuronas Cuadradas y la
Ilustracin 9: Wrapping de neuronas Hexagonales, ambas sobre una red de ejemplo de
6x5 neuronas.
29
14
19
24
29
25
10
15
20
25
26
11
16
21
26
27
12
17
22
27
28
13
18
23
28
29
14
19
24
29
25
10
15
20
25
Ilustracin 8: Wrapping de neuronas Cuadradas
Ilustracin 9: Wrapping de neuronas Hexagonales
93

Tomando como base la Ilustracin 9: Wrapping de neuronas Hexagonales se
puede comprender fcilmente el porqu de la orientacin particular de la envoltura
cilndrica. Lo habitual hubiera sido optar por una envoltura en horizontal, dejando los
bordes verticales libres. Sin embargo, dada la naturaleza geomtrica de estas
neuronas, el nmero de columnas del mapa tendra que haber sido par. Con el fin de
imponer el mnimo nmero 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 nmero de caractersticas, ms all de las generalizadas al nivel de
abstraccin de KohonenMap. Es por ello que se ha creado un nivel de abstraccin
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 gestin 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
94

La Tabla 6: Subclases de KohonenMap, muestra en qu 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 caractersticas en ingls.)
Hexagonal
Estrellada
Forma de la Neurona
Cuadrada
Tabla 6: Subclases de KohonenMap

Envoltura Mapa
Subclase de KohonenMap
Fila
SheetSquareKMap
Plana (Sheet)
SheetSquareKMap
Cilndrica
CylinderSquareKMap
Toroidal
ToroidSquareKMap
Fila
SheetHexKMap
Sheet
SheetHexKMap
Cilndrica
CylinderHexKMap
Toroidal
ToroidHexKMap
Fila
SheetStarKMap
Plana (Sheet)
SheetStarKMap
Cilndrica
CylinderStarKMap
Toroidal
ToroidStarKMap
Ilustacin
95

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 bsicas
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
96

Las neuronas de los mapas de Kohonen se representan a travs de la clase
KohonenNeuron. Las instancias de esta clase cumplen las siguientes funciones:
Almacenar la configuracin propia de la neurona. Esto es, un vector de

pesos en el que se codifica un patrn 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 nmero de
sensores de la misma). Se ha elegido esta estructura ya que el tamao de
entrada a una red es fijo, exigindose adems un rpido acceso directo a
los valores almacenados, con un coste de almacenamiento mnimo.
La sinapsis de la neurona se realiza directamente sobre el mtodo +

produceAxonValue() :float, ya que en las redes de Kohonen no
hay neuronas hijas conectadas. Este mtodo utiliza la instancia de
DistanceFunction almacenada en la neurona para obtener su valor de
similitud. Ser este valor el que determine si esta neurona es la ganadora
en la propagacin.
Gestionar la eleccin 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 nmero de
ejemplos de cada clase que han cado en la neurona. Est no es una accin
que se lleve a cabo a menudo, slo como ltimo paso del proceso de
entrenamiento, o en los sondeos estadsticos sobre la calidad del mismo. El
almacenamiento de una clase se lleva a cabo a utilizando del mtodo +
registerLastExampleClass(lastExampleClass:Object).
El resultado de la gestin se puede averiguar utilizando los mtodos:
o + getDominantClass() :Object. Para obtener la clase
dominante en la neurona.
o + getClusterSuccesses() :int. Para obtener el nmero
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 nmero 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 gestin de las clases
recogidas en una neurona es que la neurona no puede conocer a priori el nmero de
clases posibles recogidas en el conjunto de entrenamiento. Ser necesario ir
97

recogiendo de forma dinmica en la neurona ganadora la clase y el nmero de
ejemplos que la avalan. Esta es la nica manera de poder decidir al finalizar el
entrenamiento qu clase representa cada neurona.
Para la gestin de las clases recogidas en una neurona se ha utilizado la
estructura de datos java.util.Hashtable. Cada una de las clases (atencin: son
instancias de Object) de los ejemplos recogidos en la neurona, se almacenar en la
tabla Hash como la clave. El contenido direccionado con esta clave ser una instancia
de Integer que envuelve el nmero de ejemplos de esta clase para los cuales esta
neurona ha sido la vencedora.
c. Propagacin
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 estmulo recibido.
La red neuronal extiende el mtodo Template Method +
pureThink(input :float) :float[], al que est obligada por ser una
instancia de NeuralNetwork. Sin embargo, este mtodo no se utiliza desde este
nivel, ya que se ha sobrecargado el mtodo + think(inputData :Object)
:Object de NeuralNetwork a nivel de KohonenNeuralNetwork. Es
necesario reconstruir este mtodo ya que la salida obtenida de excitar la red no es un
vector de valores numricos que ha de pasar por un traductor, sino que ser la clase
dominante de la neurona vencedora. Esta clase se trata directamente como una
instancia de Object.
El proceso de propagacin 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 inducindolas a aplicar la funcin de distancia entre el vector
recibido y el vector de pesos caracterstico de la propia neurona. La funcin 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 cul ha sido la mejor hasta el momento, esto es, aquella cuya distancia
entre vector de entrada y vector de pesos sea menor.
98

El cdigo bsico es el siguiente:
// Inicializacin
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;
}
}
99
d. Maestro DefaultKohonenTeacher
El maestro propuesto por defecto para el entrenamiento de los Mapas de
Kohonen es una interpretacin simple, aunque rpida, del propuesto en el modelo
terico. 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 estadsticas 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
iteracin sobre el conjunto de ejemplos:
5.1. Inicializar los contadores estadsticos.
5.2. Procesar el ejemplo:
5.2.1. Propagar el ejemplo a travs 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 estadsticos.
5.4. Consultar a los analizadores de progreso.
6. Finalizar cerrando las estadsticas.
Slo 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 irn perfilando zonas que agrupen
neuronas con la misma clase dominante. La ley de aprendizaje aplicada, se muestra en
la siguiente frmula:
W i (N + 1) = W i (N) + " # [ Input i $ W i (N)]

En esta expresin # representa el Factor de Aprendizaje. Su funcin es ajustar la
variacin que sufren los pesos de la neurona para permitir que aprenda de forma ms
!
suave, sin saltos. El valor del Factor de Aprendizaje no es el mismo para todas las
neuronas a entrenar. Slo en la neurona ganadora # ser el Factor de Aprendizaje
completo definido como parmetro 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 matemtica:
% Ganadora # FactorAprendizaje
" =&
' NoGanadora # FactorAprendizaje $
Siendo 0$%$1, definida en la clase DefaultKohonenTeacher como la variable
esttica DefaultKohonenTeacher.I_AM_NOT_THE_WINNER.
!
100

Tabla 7: Parmetros de aprendizaje de DefaultKohonenTeacher
Parmetro
Tipo
Valor por
Defecto
Descripcin
analysisWindow
int
Tamao de la ventana utilizada por

los analizadores para tomar
decisiones sobre el progreso del
entrenamiento.
10
constantVariation
float
Margen bajo el cual una variacin 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
Nmero de iteraciones mximo.
1000
maxMisplacedPercent float
Nivel de error mximo aceptable para 0.05f

detener el entrenamiento.
neighbourhoodRadius int
Radio de Vecindad de la neurona.
Tabla 8: Analizadores no compuestos de DefaultKohonenTeacher

Analizador
(DefaultKohonenTeacher.)
Tipo
Descripcin
Porcentaje de
errores de
clasificacin. Esto
es, el nmero de
ejemplos que
tuvieron como
neurona ganadora
una en la cual la
clase dominante no
es la suya.
MISPLACED_EXAMPLES
WEIGHT_VARIATION
ValueVariationAnalyzer Variacin absoluta

de los pesos de las
neuronas del mapa.
101
e. Clculo 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 ms costosas en tiempo y recursos.
En la descripcin 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 nica forma de
minimizar el tiempo de consulta de este gran nmero de peticiones seguramente
repetitivas es precalcular los conjuntos de vecindad. Esta operacin se lleva a cabo
utilizando el mtodo + prepareNeighbourhoods(neighbourhoodRadius
:int) implantado en la clase abstracta KohonenMap.
El sistema de clculo de conjuntos de vecindad se basa en clculos lgicos

bsicos entre un vector y una matriz booleana.
La Matriz de Conexin 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
estn conectadas entre si en un vecindario de radio 1. En caso contrario se marcar
con false. Se obtiene de esta manera una matriz simtrica respecto a su diagonal
principal, cuyos elementos siempre estarn a true: una neurona por lgica 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
tendr siempre asociado un Radio de Vecindad. Un valor true para una posicin
representar que la neurona asociada a la posicin 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 slo tendr sealada a true la posicin de la propia
neurona.5
La operacin matrixANDvector (Operador $) aplica clculos lgicos sobre
el Vector Vecindario de radio r de una neurona con la Matriz de Conexin Directa del
Las posiciones de una neurona en el vector y la matriz se corresponden con su

identificador numrico, obtenido por getId(), tomado como ndice.
102

mapa, para obtener el Vector de Vecindario de radio r+1 de la neurona. En forma
matemtica:
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
#
&
Smbolo
Descripcin
matriz
Variable
vjn,r
cVector
El nmero de atributos de cada

patrn.
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 est haciendo es marcar como
vecinas (true en el vector) las neuronas que se encuentran en la vecindad directa de
aquellas que ya estn marcadas en el vector. En el framework, se define en el mtodo
esttico de la clase KohonenMap - static matrixANDvector(matrix
:boolean[][], vector :boolean[]) :boolean[]. El cdigo de la
operacin es el siguiente:
private static boolean[] matrixANDvector(boolean[][]matrix,boolean[]vector)
{
103

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 aplicacin sucesiva de esta operacin sobre el vector resultante, permiten

escalar el vecindario hasta cualquier Radio de Vecindad, a partir del radio ms simple
e inmediato de obtener: el radio 0, en el que slo est a true la propia neurona.
El nico inconveniente que se plantea es la creacin de la Matriz de

Conexin Directa para el mapa. La conexin 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 mtodo 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 opt por una aproximacin matricial al clculo de los vecindarios, en lugar

de emplear el algoritmo recursivo que resultara evidente, por su mejor rendimiento.
Un enfoque recursivo hubiera disparado tiempos de ejecucin y consumo de recursos.
Cada una de las llamadas a la funcin podra 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 tendra
un crecimiento cercano al exponencial con el aumento del nmero de neuronas en el
mapa, mxime si se introducen opciones de envoltura.
104
f. Construccin de las Matrices de Conexin Directa

A continuacin se muestran las matrices y las pruebas que se llevaron a cabo
para determinar el proceso concreto de su creacin 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 diseos mostrados en
Ilustracin 8: Wrapping de neuronas Cuadradas y Ilustracin 9: Wrapping de
neuronas Hexagonales, segn 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 vacas (blanco)
representan neuronas que no se encuentran en vecindad mutua. Bajo cada una de las
tablas se representa el proceso de propagacin 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
2
1
1
1
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
1
1
0
1
1
1
1
1
1
1
1
0
1
1
1
1
1
1
1
1
1
0
1
1
1
1
1
1
1
0
1
1
1
1
1
2
1
1
1
1
0
1
1
1
1
1
1
1
1
4
1
5
1
1
0
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
0
1
1
1
1
1
1
2
1
1
1
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
2
2
1
1
1
1
1
2
4
2
5
1
1
0
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
1
1
1
1
1
1
2
8
2
9
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
105
Hexagonal - Cylinder
0
0
1
2
3
4
1
1
1
1
1
5
6
7
8
9
2
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
1
1
10
11
12
13
14
1
1
0
1
1
1
1
1
1
1
1
0
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
15
16
17
18
19
1
1
1
1
1
1
1
1
1
1
2
1
1
1
2
2
2
3
2
4
2
5
1
1
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
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
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
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
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
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
106
Hexagonal - Toroid
0
0
1
2
3
4
1
1
1
1
1
5
6
7
8
9
2
1
1
1
1
1
1
1
1
1
1
1
1
1
0
1
1
1
1
10
11
12
13
14
1
1
0
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
15
16
17
18
19
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
20
21
22
23
24
25
26
27
28
29
1
4
1
1
0
1
1
1
5
1
6
1
7
1
8
1
9
2
0
1
1
1
1
2
2
2
3
2
4
2
5
1
1
2
6
1
1
2
7
1
1
2
8
2
9
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
2
1
1
1
1
1
1
9
1
1
1
0
1
1
1
1
1
1
1
0
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
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
1
1
2
9
1
1
1
1
1
1
107
Square - Sheet (no wrapping)

0
0
1
2
3
4
1
1
1
1
1
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
0
1
1
1
1
1
1
1
1
1
1
10
11
12
13
14
1
1
1
1
1
1
1
0
1
0
1
1
1
1
1
1
1
1
1
1
15
16
17
18
19
1
1
1
1
1
1
1
0
1
0
1
1
1
1
1
1
1
1
1
1
20
21
22
23
24
1
1
1
1
1
1
1
0
1
0
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
0
1
0
1
1
1
1
1
1
1
1
1
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
108
Square - Cylinder
0
0
1
2
3
4
1
1
1
1
1
5
6
7
8
9
2
1
1
1
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
0
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
0
1
0
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
0
1
0
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
0
1
0
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
0
1
0
1
1
1
1
1
1
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
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
109
Square - Toroid
0
0
1
2
3
4
1
1
1
1
1
5
6
7
8
9
2
1
1
1
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
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
0
1
0
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
0
1
0
1
1
1
1
1
1
1
1
20
21
22
23
24
IN
1
2
3
4
5
1
6
10
11
12
13
14
25
26
27
28
29
1
5
1
1
1
1
1
1
1
1
1
1
1
1
0
1
0
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
0
1
1
1
1
1
1
1
1
1
1
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
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
110
Star - Sheet (no wrapping)

0
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
1
1
1
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
1
0
1
1
1
1
1
0
1
1
1
0
1
1
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
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
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
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
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
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
111
Star - Cylinder
0
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
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
10
11
12
13
14
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
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
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
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
25
26
27
28
29
IN
1
2
3
4
5
1
9
1
1
1
1
1
1
1
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
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
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
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
112
Star - Toroid
0
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
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
10
11
12
13
14
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
2
1
3
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
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
1
1
1
1
1
9
1
1
1
1
1
1
1
8
20
21
22
23
24
25
26
27
28
29
1
4
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
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
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
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
113
g. Serializacin en XML
La mayor carga de trabajo en la serializacin 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 est almacenando la informacin de la red. Tambin se guardan los
datos de configuracin necesarios para poder reconstruirla, siguiendo la metodologa
de trabajo con XML anteriormente documentada.
<neuralNetwork class="com.jcortex.kohonen.KohonenNeuralNetwork"
neuronCount="24" sensorCount="57"
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" neuronClass="0.0">
<entries>
<entry entry="-1" weight="0.44997883"/>
114

</entries>
<examplesInClasses>
<examplesClassCount class="1.0" count="2"/>
</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.
Ilustracin 10: Ejemplo de Mapa de Kohonen
115
5.6.4. Modelo Genrico Feed-Forward

a. Descripcin de la red genrica
Modelo genrico que sirve como base para cualquier modelo de Red Neuronal
Artificial en el que el proceso de propagacin se lleve a cabo por el avance de los
estmulos desde las neuronas ms cercanas a los sensores (capa de entrada) hacia
delante (downstream o corriente-abajo). En el caso de redes sin recurrencias, la
propagacin finaliza cuando el estmulo ha alcanzado y activado las ltimas
neuronas de la red, las que no tienen ningn elemento conectado a las mismas (capa
de salida). Este modelo intermedio soporta a su vez la existencia de realimentacin
entre las neuronas de la red. En este caso la propagacin finalizar cuando no se
produzcan ms cambios significativos en los niveles de activacin de las neuronas.
Sobre la arquitectura Feed-Forward, se pueden llegar a crear modelos de red
simples como el ADALINE, complejos como el Perceptrn Multicapa o incluso ms.
b. Diseo del modelo de propagacin - ToDoList

Este modelo genrico carece de Maestros ya que slo interesa plantear la
funcionalidad comn a todas las redes Feed-Forward: su sistema de propagacin. 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, asignndole un peso a esta
conexin; A ser una entrada de B, mientras que B ser un hijo de la
neurona A. Por lo tanto, el flujo corriente-abajo fluir desde A hasta
B: de entradas a hijos.
En un primer momento se tante con un sistema de propagacin mucho ms

parecido al modelo biolgico primario: las neuronas seran entidades (instancias) que,
al ser procesadas, activaran las neuronas que estuvieran conectadas a ellas corrienteabajo. Si bien este sistema parece mucho ms intuitivo y paralelizable, presenta
grandes problemas por su tiempo de ejecucin y consumo de recursos. Se puede
llegar a producir una explosin de invocaciones en cadena de una neurona a la
siguiente, y de ah al siguiente nivel de conexin. Lo habitual es que una neurona
tenga ms de una entrada, por lo que la mayor parte de las activaciones seran en
falso: la neurona realizara sus clculos sin disponer de toda la informacin de entrada
116

estable y actualizada. El problema llega a ser mucho ms grave si se da cabida a la
realimentacin en la red, ya que dara lugar a una explosin de invocaciones sin final.
El denominado Modelo Biolgico fue desechado tras las primeras pruebas
posteriores a su desarrollo al comprobar la gravedad de sus deficiencias en consumo
de recursos y tiempo de ejecucin.
El sistema de propagacin finalmente empleado se bautiz como Modelo

ToDoList. En este sistema, el control de la propagacin gira en torno a una lista de
neuronas a ser procesadas. La ToDoList acta como una cola con una poltica similar
a la FIFO, de la cual se extrae de la cima la siguiente neurona a ser procesada, y se
aade al final (cola) los hijos de las neuronas que han sido procesadas.
Las neuronas Feed-Forward, modeladas a travs de la clase abstracta
FeedForwardNeuron, son capaces de activar conexiones sinpticas. Tal y como
se describe en el 5.5.2. Relacin entre AxonSource, AxonReceiver, Sensor y
Neuron > a) Puntualizaciones sobre las neuronas (Neuron), el mtodo +
synapse() :Collection no slo genera el valor de activacin de la red, sino
que adems obtiene el conjunto de neuronas afectadas. Un final temprano aunque
exitoso se producira en el caso de que la entrada no generara cambios en el valor de
activacin de la neurona (axon value en el modelo AxonSource). Al no verse
afectadas el resto de las neuronas conectadas, estas no tendrn que ser aadidas a la
lista de propagacin ya que, al menos en lo que corresponde a esta entrada, su valor
permanecer inalterable.
La implantacin 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 mtodos + 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 ms cerca estar la neurona

de la cima de la ToDoList.
A igualdad de peso, la prioridad se decidir por el menor identificador de

neurona. Para tomar esta decisin se ha partido de la idea de que la
numeracin de las neuronas se produce desde el principio hasta el final de
la red. De esta manera, en situaciones de recursividad se dar prioridad a
117

las neuronas que estn ms cerca de los sensores, y cuyos cambios sea ms
posible que se propaguen.
Dos instancias de ToDoList sern iguales cuando hagan referencia a la misma
neurona. Para simplificar esta comparacin slo es necesario trabajar con los
identificadores numricos de las instancias de Neuron.
Sin embargo, la implantacin actual ignora el uso de prioridades. La razn

es que en el sistema actual no se considera que un proceso tan costoso en tiempo
como es la ordenacin sistemtica de una estructura de datos sea imprescindible. Ms
cuando esta ordenacin tenga que ser llevada a cabo, en principio, al menos una vez
por neurona para cada propagacin. 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 podran 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 situacin actual las
neuronas repetidas son ignoradas. Para acelerar este proceso en la implantacin actual
se incluye un vector auxiliar neuronsPresent :boolean[] que mantiene una
posicin para cada una de las neuronas de la red. Si la neurona est ya presente, este
valor ser true y false en caso contrario. En el caso de utilizar una aproximacin
con prioridades, se retendr en la lista la neurona con mayor prioridad (menor peso).
Para ello puede ser ms cmodo que el array auxiliar sea de enteros y contenga el
peso con el que la neurona est 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 travs de la lista de
neuronas por ser procesadas empleando nicamente los mtodos + hasNext()
:boolean y + next() :Object. En este ltimo 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 adems

prioridades, son los siguientes:
1. Inicializar ToDoList con la coleccin de First Neurons de la red
neuronal. Son aquellas neuronas que estn directamente conectadas a los
sensores de la red. Peso de las neuronas iniciales 0.
2. Hay ms elementos en la lista?: toDoList.hasNext();
3. Obtener el elemento y realizar la sinapsis.
118

4. Aadir las neuronas devueltas por la sinapsis a la lista con
5. Ordenar la ToDoList
6. Volver al paso 2.
peso +1.
La implantacin 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 Funcin de Red para aglutinar todas las entradas en un valor nico, y
una Funcin de Activacin que determina el estado de activacin de la red. Estas
funciones se configuran en la neurona mediante instancias de NetworkFunction y
ActivationFunction respectivamente. El proceso matemtico utilizado se
describe a continuacin:
v = networkFunction( x1, x 2 ,L, x k )
y = activationFunction(v )
Smbolo
Descripcin
Elemento
Variable
Valor conjunto de las entradas de

red.
float networkResult
El valor de las entradas a la red.
xi
entries.values()
Estado de activacin de la neurona.
float axonValue
119

Ilustracin 11: Ejemplo de Propagacin Feed-Forward - Sin recursividad
ToDoList (cima " cola)
Iteracin
Procesado
0, 1, 2
1, 2, 3, 4
2, 3, 4
3, 4
4, 5
fin
120

Ilustracin 12: Ejemplo de Propagacin Feed-Forward - Con recursividad
ToDoList (cima " cola)
Iteracin
Procesado
0, 1, 2
1, 2, 3, 4
2, 3, 4, 5
3, 4, 5
4, 5, 0, 6
5, 0, 6
0, 6, 2
6, 2, 3, 4
2, 3, 4
3, 4, 5
bucle a partir de
iteracin 2
En el Diagrama de Clases 12: Modelo de Red Feed-Forward y Perceptrn se

ha representado el contenido completo del paquete com.jcortex.feedForward,
distribuido con el framework. Se ha incluido las interfaces y clases abstractas bsicas
del paquete principal que definen el contrato de los elementos de la red neuronal.
121
Diagrama de Clases 12: Modelo de Red Feed-Forward y Perceptrn
122
5.6.4. Modelo Perceptrn (com.jcortex.feedForward)

Las redes Perceptrn, formadas por una nica 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 nica neurona poco se
podra considerar una red.
El sistema bsico que se proporciona a travs del modelo Feed-Forward se
correspondera ms con una neurona ADALINE, ya que esta ltima es realmente
mucho ms verstil que las Perceptrn tradicionales. Se puede configurar para su uso
con distintas funciones de red y de activacin.
b. Diseo del modelo

Para la creacin de este modelo slo 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 Perceptrn, situado en
el apartado anterior.
El constructor de PerceptronNeuralNetwork se encarga por su cuenta
de crear una neurona Perceptrn pura a partir de la verstil que ofrece el modelo
genrico Feed-Forward. Dentro de las posibilidades que ofrece la neurona
FeedForwardNeuron, la red impone:
Al ser la nica neurona su identificador ser 0.
La Funcin de Red ser una LinearBasisFunction.
La Funcin de Activacin ser una StepFunction con umbral en 0,5.
Esta nica neurona ser 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. Propagacin
La propagacin se realiza sobre el modelo genrico Feed-Forward del que
heredan todos los elementos de red de este modelo.
123
d. Maestro DefaultPerceptronTeacher
El maestro por defecto suministrado con el framework JCortex emplea, para la
educacin de la red Perceptrn una implantacin del Algoritmo de Adaptacin de
Pesos. Este algoritmo se basa en ajustar los parmetros 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 ms informacin consultar la descripcin del mtodo +
educateNetwork(:NeuralNetwork,
:Object[],
:Object[])
:Statistics de la clase DefaultPerceptronTeacher en el Anexo A:
Documentacin de la API JCortex.
Tabla 9: Parmetros de aprendizaje de DefaultPerceptronTeacher

Parmetro
Tipo
Descripcin
Valor por
Defecto
acceptableError
float
Mximo error admisible para finalizar 0.05f

el entrenamiento.
analysisWindow
int

entrenamiento.
10
constantVariation
float

0.0001f
learningRate
float

maxIterations
long
1000
124

Tabla 10: Analizadores no compuestos de DefaultPerceptrnTeacher
Analizador
(DefaultPerceptronTeacher.)
Tipo
Descripcin
TRAINING_ERROR
Error cuadrtico
medio de
Entrenamiento.
VALIDATION_ERROR
Error cuadrtico
medio de
Validacin.
WEIGHT_VARIATION
ValueVariationAnalyzer Variacin
absoluta de los
pesos de las
neuronas del
mapa.
f. Serializacin en XML
La serializacin de este modelo de red es muy sencilla y rpida, ya que slo
necesita almacenar la configuracin de una nica neurona.
<neuralNetwork class="com.jcortex.feedForward.PerceptronNeuralNetwork"
neuronCount="1"
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"/>
125

</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.
Ilustracin 13: Ejemplo de Red Perceptrn
126
5.6.5. Modelo Preceptrn Multicapa

(com.jcortex.backPropagation)
La Red Perceptrn Multicapa es la red Back-Propagation por excelencia. Es
un de los modelos de red ms ampliamente utilizados en la industria.
Formalmente, el Perceptrn Multicapa es una red Feed-Forward a la que se le
han aadido unas funcionalidades especiales para poder realizar un aprendizaje
utilizando retropropagacin. Esto significa que a travs de los elementos de la red
viajarn dos tipos de seales:
Seales de Funcin: seales de entrada que se propagan a lo largo de la

red desde la entrada hasta la salida.
Seales de Error: seales que se originan en la capa de salida y se

propagan hacia la entrada durante el proceso de entrenamiento.
Las neuronas de la red Perceptrn Multicapa se organizan, como su propio

nombre indica, en mltiples capas completamente conectadas entre si en cadena. Una
capa slo 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.
127
b. Diseo del modelo

La implantacin de este modelo de red neuronal artifical slo requiere tres
clases, que extiendan las proporcionadas por el modelo intermedio Feed-Forward. El
modelo Perceptrn Multicapa no deja de ser un sistema de neuronas de propagacin
hacia delante, con unas funciones e informacin adicionales que les permita propagar
el error en sentido contrario para su aprendizaje. Las clases de este modelo estn
representadas en el Diagrama de Clases 13: Modelo de Red Perceptrn Multicapa, en
el que tambin se representa sus relaciones con las clases Feed-Forward y del paquete
principal.
La
clase
extiende
FeedForwardNeuralNerwork, lo que le proporciona todas las caractersticas y
atribuciones de NeuralNetwork. El modelo intermedio Feed-Forward proporciona
todas las funcionalidades relacionadas con el funcionamiento y propagacin de la red.
La nica responsabilidad ha de acatar esta clase es la gestin de su estructura interna,
lo que incluye su creacin, almacenamiento y recuperacin.
El sistema de capas en que se organiza la red Perceptrn Multicapa se recoge
dentro
de
la
estructura
de
datos
neuronLayers
:BackPropagationNeuron[][] . El acceso a las neuronas concretas se lleva a
cabo mediante dos ndices [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 caractersticas propias del lenguaje JAVA, por el cual la variable
neuronLayer[i]
realmente
hace
referencia
a
un
array
de
tipo
BackPropagationNeuron[] de cualquier dimensin. Es importante resaltar que
al contrario de otros lenguajes cuyas matrices multidimensionales estn forzadas a
poseer el mismo tamao en todas sus conjuntos de elementos (n-1)-dimensionales, en
Java estas estructuras se ajustan al tamao justo, a pesar de trabajar con capas de
tamao muy dispar. Se ha de tomar en consideracin a su vez que la almacenada en la
estructura de capas no es la nica 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 retropropagacin, 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 ltimas como end neurons.
Las neuronas BackPropagationNeuron extienden tambin el concepto

de neurona implantado a nivel de red Feed-Forward. En este nuevo nivel de
especializacin, la neurona adquiere las caractersticas necesarias para participar del
128

aprendizaje por retropropagacin. La neurona adquiere la capacidad de calcular su
gradiente y almacenarlo. Para ello se recurre a los siguientes mtodos:
+ getGradient() :float. Obtiene el ltimo valor de gradiente

calculado por la neurona.
+ calculateGradient(desired_output :float) :float.

Calcula el gradiente para las neuronas de la capa de salida. Slo en estas es
posible indicar cul deba 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 cul es la salida que se supone deban producir.
Su error ha de ser calculado mediante los gradientes de sus neuronas hijas
para poder tener una pista de qu sentido e intensidad ha de tener el ajuste
de los pesos. ste mtodo no recibe parmetros 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 Funcin de

Activacin no sea simplemente una instancia de tipo ActivationFunction, sino
que
ha
de
ser
una
especializacin
de
esta:
BackPropagationActivationFunction. Son estas ltimas las que poseen
los mecanismos necesarios para calcular la derivada de la Funcin de Activacin,
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 Perceptrn Multicapa es
largo y complejo, como se describe en el apartado d. Maestro
DefaultMultilayerPerceptronTeacher.
129
Diagrama de Clases 13: Modelo de Red Perceptrn Multicapa
c. Propagacin
La propagacin se realiza sobre el modelo genrico 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 Perceptrn
Multicapa es una implantacin del algoritmo de Aprendizaje Supervisado por
Adaptacin de Pesos basado en el mecanismo de Retropropagacin. Este algoritmo
se basa en ajustar los parmetros 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 retropropagacin para alcanzar las neuronas de las capas
ocultas.
130

Para ms informacin consultar la descripcin del mtodo +
educateNetwork(:NeuralNetwork,
:Object[],
:Object[])
:Statistics de la clase DefaultMultilayerPerceptronTeacher en el
Anexo A: Documentacin de la API JCortex.
Tabla 11: Parmetros de aprendizaje de

Parmetro
Tipo
Valor por
Defecto
Descripcin
acceptableError
float
Mximo error admisible para finalizar 0.05f

el entrenamiento.
analysisWindow
int

entrenamiento.
10
constantVariation
float

0.0001f
learningRate
float

maxIterations
long
1000
Tabla 12: Analizadores no compuestos de

DefaultMultilayerPerceptrnTeacher
Analizador
(DefaultMultilayerPerceptronTeacher.)
TRAINING_ERROR
Tipo
Descripcin
Error cuadrtico
medio de
Entrenamiento.
131
Error cuadrtico
medio de
Validacin.
VALIDATION_ERROR
WEIGHT_VARIATION
ValueVariationAnalyzer Variacin absoluta

de los pesos de las
neuronas del mapa.
e. Serializacin en XML
Ejemplo de archivo generado para una red neuronal Perceptrn Multicapa de
dos capas con 2 neuronas en la capa de entrada y una neurona en la capa de salida,
representada en la Ilustracin 14. El cdigo XML se muestra sin los nodos raiz
correspondientes a la definicin del documento y descritos en el apartado 5.2.3.
Metodologa de trabajo con XML > c) Formato bsico de los documentos XML
generados por JCortex.
<neuralNetwork
class="com.jcortex.backPropagation.MultilayerPerceptronNeuralNetwork"
neuronCount="3"
sensorCount="2">
<layers count="2">
<layer ix="0" size="2"/>
</layers>
<neuron
activationFunction="com.jcortex.activationFunctions.SigmoidalFunction"
class="com.jcortex.backPropagation.BackPropagationNeuron" id="0"
</parameters>
<entries>
<entry id="-1" weight="2.7147276"/>
<entry id="-2" weight="0.997935"/>
</entries>
</neuron>
<neuron
</parameters>
132

<entries>
<entry id="-1" weight="2.645915"/>
<entry id="-2" weight="1.3748711"/>
</entries>
</neuron>
<neuron
</parameters>
<entries>
<entry id="1" weight="6.2097344"/>
<entry id="0" weight="6.0428324"/>
</entries>
</neuron>
<neuronRef id="0"/>
<neuronRef id="1"/>
</firstNeurons>
<neuronRef id="2"/>
</endNeurons>
class="com.jcortex.backPropagation.DefaultMultilayerPerceptronTeacher"
</neuralNetwork>
Ilustracin 14: Ejemplo de Red Perceptrn Multicapa
133
5.7. Estudio de Optimizacin

Los estudios de optimizacin realizados a lo largo del proceso de desarrollo
del framework han permitido identificar las actividades ms costosas y minimizar el
tiempo de proceso. Han sido realizados sobre los mtodos de aprendizaje de los
maestros asociados a cada modelo de Red Neuronal Artificial. Esta decisin se tom
con la idea de reducir al mximo el tiempo de la tarea tradicionalmente ms pesada (el
entrenamiento de la red). Adems, un entrenamiento supone a menudo gran cantidad
de pruebas dentro de la red, por lo que los procesos de propagacin pueden ser
estudiados de una manera inmejorable.
Se ha seguido un proceso iterativo en el que se suceda los anlisis de
optimizacin con el rediseo de los mtodos 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
ejecucin, y centrar los esfuerzos de optimizacin en las tareas ms repetitivas y
pesadas.
En los apartados siguientes 5.7.1. Entrenamiento de un Perceptrn 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 mtodos no se muestran en orden cronolgico de invocacin, sino de
acuerdo con su tiempo de ejecucin. Ambos anlisis se realizaron sobre una mquina
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 mtodos
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 Perceptrn 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)
134

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
+
|
|
|
|
+
|
|
+
|
|
|
|
|
|
|
+
|
|
|
|
+
|
+
|
|
|
| | - 490.7 ms Hashtable$Enumerator:hasNext (java.util)

| |
363.6 ms Hashtable$Enumerator:next (java.util)
| + 376.3 ms SigmoidalFunction:getSolution (com.jcortex.activationFunctions)
| | - 376.3 ms Math:exp (java.lang)
2133.1 ms ToDoList:add (com.jcortex.feedForward)
- 404.4 ms LinkedList:add (java.util)
79.9 ms ToDoList:nextElement (com.jcortex.feedForward)
- 77.5 ms LinkedList:remove (java.util)
55.9 ms ToDoList:<init> (com.jcortex.feedForward)
13.7 ms 0x514d1100000138 [unknown] (Unknown Library)
- 6.9 ms Arrays:fill (java.util)
- 0.3 ms LinkedList:<init> (java.util)
14.4 ms ToDoList:hasMoreElements (com.jcortex.feedForward)
5.7 ms Collections$SynchronizedCollection:size (java.util)
485.0 ms Collections$SynchronizedCollection:iterator (java.util)
385.4 ms Hashtable$Enumerator:hasNext (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)
| | | |
| | | | - 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)
135

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
+
|
|
|
+
|
+
|
|
|
|
+
|
|
|
|
|
- 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$SynchronizedCollection:iterator (java.util)
- 1.8 ms Hashtable$Enumerator:hasNext (java.util)
- 0.3 ms KohonenNeuron:getClusterSuccesses (com.jcortex.kohonen)
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)
+ 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 anlisis mostrados

Los ejemplos anteriores muestran una tendencia muy buena en el
entrenamiento de las redes: el proceso de aprendizaje dedica prcticamente la
totalidad de su tiempo a los clculos imprescindibles. Como clculos imprescindibles
se consideran las operaciones matemticas esenciales incluidas en los algoritmos de
aprendizaje, as como las tareas imprescindibles de gestin y avance a travs 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 estadsticas,
su anlisis, la seleccin de la clase dominante gestin y consulta de estructuras de
datos, respuesta a las notificaciones, y otras tareas adicionales que no forman parte del
algoritmo matemtico puro.
Es agradable observar como en el caso del Perceptrn Multicapa, el efecto
descrito anteriormente se manifiesta en que las barras de tiempos ms altas con
diferencia son las que recogen el acumulado de los tiempos de propagacin de los
ejemplos por la red y entrenamiento. Es comprensible que el entrenamiento sea una
labor pesada si se tiene en cuenta la complejidad matemtica e iterativa del algoritmo
de retropropagacin del error que requiere una gran carga de clculos. Por otro lado
el tiempo dedicado a las tareas estadsticas y otras auxiliares es ridculo en
comparacin.
136

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 propagacin del estmulo 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 clculo incluye una raz
cuadrada que aade un punto de complejidad al clculo matemtico. En comparacin
el resto de tiempos resulta nfimo. Ms, si se tiene en cuenta que en el acumulado de
Estadsticas&Clase se est recogiendo tambin el proceso de seleccin de la clase
dominante.
137
6. Desarrollo del IDE JCortexBuilder
138
6.1. El IDE JCortexBuilder

JCortexBuilder es el perfecto compaero para el framework JCortex. Permite
con una interfaz grfica clara e intuitiva crear, educar, utilizar, y exportar a proyectos
de Java soluciones basadas en Redes Neuronales Artificiales.
JCortexBuilder proporciona un gran nmero de ventajas y facilidades para los
desarrolladores de Java. Desde la posibilidad de realizar entrenamientos simultneos
en busca del mejor resultado, personalizar los elementos de desarrollo e, incluso,
facilitar la documentacin de las redes creadas.
Una idea ha de estar muy clara: rara vez un usuario empezar a usar el
framework JCortex por sus bondades (aunque hay que tener cuidado porque seguro
que dejar de hacerlo si considera que tiene defectos), pero s que se podra interesar
por el a la vista de un entorno de desarrollo fcil, dinmico y potente. JCortex
tendr que muy bueno para poder defenderse en entornos muy exigentes, pero
ser JCortexBuilder el que venda el sistema.
139
6.2. Diseo del Entorno de Desarrollo JCortexBuilder

El entorno de desarrollo JCortexBuilder ha sido creado como una adaptacin
limpia del framework a una interfaz grfica. Limpia significa que en ningn momento
se ha lastrado el framework con responsabilidades que no le pertenecieran slo para
simplificar el funcionamiento del entorno de desarrollo. Se procura mantener un
framework lo ms puro e independiente posible. En contrapartida, se complica el
diseo 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 adems ha facilitado en gran medida la creacin misma de JCortex. Sin
un entorno de desarrollo disponible no se hubiera podido llevar a cabo el gran nmero
de pruebas y ensayos recogidos en la planificacin. Ha sido adems concebido con la
idea de ser agradable para un programador especialmente uno de Java que no
desea adentrarse en las interioridades matemticas del sistema.
A continuacin se destacan otras caractersticas relevantes de JCortexBuilder,

ya sea por su utilidad, por las posibilidades que abren, o por su importancia tcnica.
Internacionalizacin y Localizacin. 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. Internacionalizacin y localizacin). El bundle principal,
messages.properties, se encuentra en com.jcortex.builder y
contiene la lengua inglesa. La distribucin actual contiene tambin la
localizacin de Espaol-Castellano.
Adaptable a personalizaciones y evolucin de JCortex. JCortexBuilder ha

sido creado para ser capaz de adaptarse a la evolucin del framework JCortex,
as como a las personalizaciones del usuario. Prcticamente todas las listas
disponibles en la interfaz sobre traductores, funciones, maestros, modelos de
red, etc. son gestionables, para que cada usuario pueda aadir y utilizar sus
propias soluciones a travs del framework. Todos pueden ser configurados a
travs del archivo de configuracin XML mantenido por la aplicacin.
Sistema de creacin de asistentes integrado. Una de las mayores

potencialidades de JCortexBuilder reside en la posibilidad de simplificar al
mximo el proceso de creacin de una red empleando para ello un asistente.
De hecho, tambin el proceso de creacin de un asistente es cmodo y sencillo
ya que JCortex ofrece la clase abstracta AbstractAssistanJDialog
que proporciona las funcionalidades bsicas y caractersticas de
140

personalizacin requeridas para construir rpidamente un asistente integrado
con la aplicacin.
Almacenamiento de imgenes. Todas las imgenes 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 obligacin de documentarla y justificarla.
Almacenamiento y recuperacin de Redes Neuronales. JCortexBuilder

exprime al mximo esta caracterstica del framework JCortex, proporcionando
una interfaz sencilla para almacenar e inspeccionar archivos XML que
contengan la configuracin de redes neuronales.
Permite exportar la red neuronal al proyecto de Java. El fin ltimo de este

entorno de desarrollo y este framework es proporcionar soluciones tiles para
problemas reales. Es importante, por tanto, que exista la posibilidad de que el
sistema gue al usuario en el proceso de trasladar el framework y la red
neuronal creada al proyecto en el que ser utilizada.
Todas las clases del entorno de desarrollo JCortexBuilder pueden ser

distribuidas junto con JCortex, dentro del paquete com.jcortex.builder. A
continuacin se muestran los paquetes de esta aplicacin, junto con las clases que los
componen. No se han representado las clases internas ni abstractas muy comunes en
las interfaces grficas.
com.jcortex.builder
AboutTheBox
AbstractAssistantJDialog
AbstractNetworkJSettingsPanel
Contiene clases genricas para las

ventanas y elementos auxiliares.
ConfigParameters
DataReadingUtilities
ExportAssistant
ImageUtilities
InterpretTools
JARTools
JCortexBuilder
JCortexJDesktopPane
JReportFrame
JTeacherSettingsPanel
141

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 Perceptrn
Multicapa distribuido con el
framework JCortex.
com.jcortex.builder.addons.hopfield
HopfieldCanvas
HopfieldJSettingsPanel

y adaptan el modelo de red de Hopfield
distribuido con el framework JCortex.
com.jcortex.builder.addons.kohonen
KohonenCanvas
KohonenJSettingsPanel

y adaptan el modelo de Mapas de
Kohonen distribuido con el framework
JCortex.
com.jcortex.builder.addons.perceptron
PerceptronCanvas
PerceptronJSettingsPanel

y adaptan el modelo de red Perceptrn
distribuido con el framework JCortex.
142
com.jcortex.builder.gui
AbstractComponentWrapper
BooleanCheckWrapper
FloatTextWrapper
Contiene las elementos y adaptadores

utilizados en las ventanas y otras partes
de la interfaz grfica.
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 grficas para
los analizadores de progreso de los
entrenamientos.
143
6.1.1. Adaptacin de un modelo de red a JCortexBuilder

La adaptacin 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 definirn los parmetros de creacin de
una red neuronal, para posteriormente extraer la informacin necesaria y
crear la instancia de NeuralNetwork adecuada. Se ha optado por
personalizar la configuracin de una red ya que, si bien es una tarea
aadida importante, ofrece una enorme versatilidad para la comunicacin
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 est trabajando sobre un
JPanel.
La referencia a estas clases se recoge dentro de JCortexBuilder en una

coleccin de instancias de NeuralNetworkModel. Estas instancias son creadas en
la carga del archivo de configuracin de la aplicacin y definen la red, su informacin
descriptiva, las dos clases anteriormente descritas a las que recurrir 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
analizar automticamente los parmetros de entrenamiento de las instancias de
Teacher, mostrando los campos para el tipo requerido en cada caso. Esta
representacin se afronta de forma automatizada ya que requiere menos pericia
artstica que la configuracin de una red y ser 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.
144
6.1.2. Archivo de configuracin

El archivo de configuracin es cargado por la aplicacin 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 bsicos que forman este
archivo. El archivo de configuracin por defecto tiene la siguiente forma para la
versin 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">
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">
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">
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"
145

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>
146
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 slo
nmero reales, sino cadenas de texto y objetos serializados.
La estructura de una archivo de datos:

# Comentario
Se pueden introducir comentarios de una lnea

entera, siempre y cuando esta comience con una
almohadilla. Puede estar en cualquier lugar del
archivo, salvo en la zona de datos.
@structure float[]
Definicin de la estructura de datos que compone

cada ejemplo. Por ahora slo se permiten listas de
nmeros reales. En prximas versiones se espera
emplear otros modificadores como object que
indicara que el ejemplo a cargar es un objeto
serializado.
@input
N1
float
Definicin de uno de los atributos de entrada. (El

orden es importante)
@output
O1
float
Definicin de uno de los atributos de salida. (El

orden es importante)
@data
Indicacin de que en la siguiente lnea comienza la

zona de datos con los ejemplos.
Se pueden encontrar ejemplos de estos archivos al final del Anexo B:

Ejemplos de uso.
147
6.2. Visita guiada a JCortexBuilder

A continuacin se presentan los pasos, acciones y tareas ms importantes para
trabajar con JCortexBuilder.
6.2.1. Principales elementos de la interfaz
El Work Bench de creacin de

Redes Neuronales artificiales es el
punto de comienzo para la
configuracin y construccin de
redes. Es posible disponer de varios
a la vez con distintas alternativas de
configuracin.
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 (segn si se
est entrenando, ha sido entrenada o
ha sido cargada desde un archivo de
configuracin XML.
148
6.2.2. Ejemplo de entrenamiento Perceptrn Multicapa
1.
Arranque de la aplicacin con la ventana de bienvenida.
2.
Para crear una nueva red neurona seleccionar el botn iluminado. La opcin de
Nueva Red Neuronal tambin es accesible desde el men Archivo.
149
3.
Seleccionar la red neuronal Multilayer Perceptron v.1.0.b del men

desplegable.
4.
En esta ventana se pueden configurar los parmetros de la red Perceptrn

Multicapa, as 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 Funcin de Red Lineal
Basis Function y como Funcin de Activacin la Sigmoidal. Se han de
configurar tambin los traductores a utilizar y los parmetros de entrenamiento.
Seleccionamos un traductor de salida transparente y dejamos los parmetros de
entrenamiento por defecto.
Siempre es posible aadir elementos personalizados, accediendo a la opcin
Gestionar de los mens desplegables:
150
Se selecciona el archivo aFuncion2Variables.txt y el maestro por defecto.
La configuracin queda de la siguiente forma:
151
5.
Comienza el entrenamiento pulsando el botn 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 trada de nuevo a travs de su elemento
en el listado lateral.
En este caso el entrenamiento result ser extremadamente rpido. Apenas dos

iteraciones fueron suficientes para situarse por debajo del error mximo exigido.
Se tiene acceso a toda esta informacin a travs de las pestaas.
152
Las razones comunicadas por los analizadores para deterner el entrenamiento

son:
{
....Detenido porque Error de Entrenamiento (Cuadrtico Medio) est por debajo del
error mnimo exigido. Mejor valor = 0,044
....Error de Validacin (Cuadrtico Medio) no ha encontrado razones hasta ahora
....Variacin de Pesos (Media Abs.) no ha encontrado razones hasta ahora para
detener el entrenamiento.
}
153
Se puede conservar el esquema de la red como una imagen .png a travs del
men contextual, e incluso cambiar la escala de la imagen para poder apreciarla
mejor.
154
6.
Se puede probar la red creada, en la ltima pestaa.
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
cdigo a utilizar en la aplicacin.
155
156
157
7. Planificacin y Seguimiento
A continuacin se muestra en forma de tablas la EDT (Estructura de Divisin
de Trabajo) en la que se reparte el proyecto. Para llevar a cabo la planificacin se ha
considerado un calendario continuo en el que se trabaje todos los das de la semana
1,5 horas (1 hora con 30 minutos). Al final de cada semana, se habr 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 prctica no se dedica
una hora y media diaria, sino que en los momentos en los que el resto de las
obligaciones acadmicas y profesionales lo han permitido, este tiempo se ha agrupado
en jornadas en principio imprevisibles para su planificacin. 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. Gestin de Proyectos
1.1. Realizacin del Anexo B
1.2. Entrega del Anexo B
1.3. Entrega Final del Proyecto
2. Documentacin y Comunicacin
2.1. Anexo B
2.1.1. Creacin de la presentacin
2.1.2. Presentacin
2.2. Presentacin Marzo
2.2.2. Presentacin
2.3. Presentacin Mayo
2.3.2. Presentacin
2.4. Creacin del sitio web
www.jcortex.com
2.5. Redactar Memoria Final
2.6. Presentacin Final
3. Formacin
3.1. Aprendizaje bsico sobre RNA por
cuenta propia
3.2. Asignatura IA
4. Framework Jcortex
4.1. Ncleo del Framework
4.1.1. Estudio y Diseo
4.1.2. Clases abstractas e interfaces
4.1.3. Refinado del ncleo
4.2. Modelo de propagacin genrico
4.2.1 Estudio y diseo
4.2.2. Implantacin e integracin
4.3. Modelo Perceptrn
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
158

4.3.3. Integracin en JCortexBuilder
4.3.4. Pruebas, refinado y mejora
del rendimiento
4.4. Modelo Perceptrn Multicapa
del rendimiento
4.5. Mapas de Kohonen
del rendimiento
4.6. Redes de Hopfield
del rendimiento
4.7. Cierre Framework ALPHA 0.01
4.8. Refinado del Framework en
conjunto
4.9. Redactar JavaDoc
4.9. Cierre Distribucin ALPHA 0.02
5. IDE JCortexBuilder
5.1. Anlisis de la problemtica de las
RNA's y el entorno grfico
5.2. Diseo
5.3. Programacin de la aplicacin
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 Ilustracin 15: Histograma del recurso

Miguel Lara Encabo, el nivel de ocupacin del nico recurso humano definido para el
proyecto. En las ltimas fechas, alrededor de la presentacin de mayo y antes de la
entrega final, la ocupacin crece hasta un 200% prcticamente constante. Esto se debe
a que se simultanean las tareas de redaccin de la documentacin, y ltimos retoques,
pruebas y afinaciones sobre el framework y el entorno de desarrollo.
159
Ilustracin 15: Histograma del recurso Miguel Lara Encabo
A continuacin, en la Tabla 14: ETD a fecha 01/03/2006 - Presentacin de

Marzo, se muestra una instantnea tomada sobre la planificacin del proyecto,
alrededor del mircoles 1 de marzo del 2006, la fecha en la se llev a cabo la
presentacin intermedia del proyecto. Se puede apreciar como ha hubo actividades
que exigieron mucho ms tiempo del previsto (por ejemplo el clculo de vecindades
en los Mapas de Kohonen). Sin embargo, tambin hubo otras actividades que
resultaron ser ligramente ms rpidas de lo esperado e incluso se haba adelantado
parte de la tarea de algunas actividades futuras.
En este momento del tiempo se llev a cabo un Earned Value Anlisis que
reflej cmo la situacin prevista no estaba demasiado lejos de la realidad
materializada. Para el clculo de costes slo se ha tenido en cuenta el coste que
supone la dedicacin de un recurso humano a la realizacin 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: Clculo del Earned Value Analysis a
fecha 01/03/2006.
Tabla 14: ETD a fecha 01/03/2006 - Presentacin de Marzo

EDT
2.1. Anexo B
2.1.2. Presentacin
2.2.2. Presentacin
2.3.2. Presentacin
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
160

www.jcortex.com
3. Formacin
3.1. Aprendizaje bsico sobre RNA por
cuenta propia
3.2. Asignatura IA
4.1.2. Clases abstractas e interfaces
4.2. Modelo de propagacin genrico
del rendimiento
del rendimiento
del rendimiento
del rendimiento
conjunto
5.2. Diseo
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
161

Tabla 15: Clculo del Earned Value Analysis a fecha 01/03/2006
EDT
2.1. Anexo B
2.1.2. Presentacin
2.2.2. Presentacin
2.3.2. Presentacin
www.jcortex.com
3. Formacin
3.1. Aprendizaje bsico sobre RNA
por cuenta propia
3.2. Asignatura IA
4.1.2. Clases abstractas e
interfaces
4.2. Modelo de propagacin
genrico
4.3.3. Integracin 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 !
Valor Planificado teniendo en cuenta las actividades planificadas para esta fecha.
Valor Planificado teniendo en cuenta las actividades ejecutadas hasta la fecha.
Costes Actuales incurridos en la realizacin de las actividades.
Coste esperado de acuerdo con los datos recogidos.
10
Coste presupuestado.
11
Variacin entre el coste presupuestado y el previsto, por actividad.
162

JCortexBuilder
del rendimiento
JCortexBuilder
del rendimiento
JCortexBuilder
del rendimiento
JCortexBuilder
del rendimiento
conjunto
5.2. Diseo
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!.
163
8. Conclusiones del Proyecto

Desde el punto de vista puramente tcnico se puede considerar que este
proyecto de desarrollo ha sido un xito. A la vista del tiempo disponible y el alcance
de las actividades, est claro que la planificacin 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 ms, en
diversas ocasiones se ha reconducido el proyecto con el fin de priorizar el mejor
cumplimiento del objetivo principal: lograr un sistema prctico, 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 til que soporta de forma fiable los
desarrollos de Redes Neuronales Artificiales y aporta las funcionalidades bsicas
imprescindibles para los programadores. Es cierto que an quedan vas para la mejora
que sern exploradas en futuras versiones del framework JCortex y del entorno
de desarrollo JCortexBuilder.
A lo largo del desarrollo del proyecto se han afrontado problemas tcnicos en
el mbito de las Redes Neuronales Artificiales y de la Ingeniera de Software que han
sido resueltos unas veces acudiendo a algoritmos tericos de expertos, y otras
recurriendo a la propia labor de investigacin.
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 mbito que
podra considerarse fuera de lo acadmico.
164
9. Bibliografa, materiales y aplicaciones

Bibliografa de consulta:
[ISAS04]
Redes Neuronales Artificiales. Un enfoque prctico Pedro Isasi

Viuela e Ins M. Galvn Len Ed. Pearson Prentice Hall
ISBN:84-205-4025-0
[SIER05]
Head First Java Kathy Sierra y Bert Bates Ed. OReilly

ISMB:0-596-00920-8
[PILO00]
UML Pocket Reference Dan Pilone Editorial OReilly ISBN:0596-00497-4
Apuntes de la asignatura de Inteligencia Artificial Miguel ngel

Sanz Bobi 5 IINF, ICAI, Universidad Pontificia Comillas
Apuntes de la asignatura de Ingeniera del Software II Juan Carlos

Esquivel Daz 5 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 documentacin 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/
165
Anexo A: Documentacin de la API JCortex

Package Summary
Page
com.jcortex
166
258
277
295
297
332
com.jcortex.kohonen
343
413
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

Distance Functions available in the
186
InputTranslator

Input Translator available in the
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

Network Functions available in the
198
OutputTranslator

Output Translator available in the
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
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

taking the decision of when to stop a training,
253

taking the decision of when to stop a training,
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:
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.
168
Author:
Miguel Lara Encabo - miguel@mac.com
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()

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.
169
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
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:
170
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.
171
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.
172
getEntryWeight
public float getEntryWeight(AxonSource parent)
Getter Method for this neuron's entries' weights

Returns:
This receiver's entries' weights
Interface AxonSource
com.jcortex
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:
Version:
0.1b
Method Summary
void
Page
addConnectedNeuron(AxonReceiver child, boolean back_connection)
Adds a new neuron connectio to a lower-lever cell.
175
173
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()
Internal method made to generate the value that has to be transmitted through
the axon connection.
174
Returns:
An Object holding the result of the cell's activation
Throws:
- 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.
175
Author:
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.
176
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.
177
Interface BackPropagationActivationFunction
com.jcortex
All Superinterfaces:
ActivationFunction
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:
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
178
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
179
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:
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
180
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
Parameters:
analyzer
- The progress analyzer to be removed.
181
getInnerAnalyzers
public ProgressAnalyzer getInnerAnalyzers(int ix)
Obtains a ProgessAnalyzer instance from the list, given its index.

Overrides:
getInnerAnalyzers
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:
Returns:
A boolean value indicating if the training should continue (true) or not
(false).
getReasonToStop
public String getReasonToStop()
182
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
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:
Version:
0.1b
Constructor Summary
Page
ConsoleUtilities()
184
183
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)
184
Static method for translating a float[][] array to its String representation.
Internally uses the public static String arrayToString(float[] array)
method.
Parameters:
array
Returns:
arrayToString
public static String arrayToString(boolean[] array)
Static method for translating a boolean[] array to its String representation.

Parameters:
array
Returns:
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
Returns:
185
Interface DistanceFunction
com.jcortex
public interface DistanceFunction

Interface defining the contract for the Distance Functions available in the framework
or user-developed.
Author:
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)
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
186
- 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:
InvalidParameterException
- Exception that can be thrown if arrays
have different sizes.
Interface InputTranslator
com.jcortex
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.
187
Interface InputTranslator
Author:
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.
188
Author:
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.
189
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.
190
Author:
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.
191
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.
192
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
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:
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)

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)

197
194
Class Messages
static
String
getString(String
Object arg4)
key,
Object
arg1,
Object
arg2,
Object
arg3,

static
String
197
getString(String key, Object[] args)

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.
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
arg1
- The argument that will replace the first placeholder in the text.
Returns:
getString
Object arg1,
Object arg2)
Parameters:
key
arg1
arg2
- The argument that will replace the second placeholder in the
text.
Returns:
196
Class Messages
getString
public static String getString(String
Object
Object
Object
key,
arg1,
arg2,
arg3)
Parameters:
key
arg1
arg2
text.
arg3
- The argument that will replace the third placeholder in the text.
Returns:
getString
public static String getString(String
Object
Object
Object
Object
key,
arg1,
arg2,
arg3,
arg4)
197
Class Messages
Parameters:
key
arg1
arg2
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:
getString
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
args
- The array of arguments that will replace the placeholders.
Returns:
Interface NetworkFunction
com.jcortex
LinearBasisFunction, RadialBasisFunction
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:
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.
199
Class NeuralNetwork
Class NeuralNetwork
com.jcortex
java.lang.Object
com.jcortex.NeuralNetwork
Direct Known Subclasses:
FeedForwardNeuralNetwork,
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:
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.

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.
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.
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
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

inputTranslator
protected InputTranslator inputTranslator
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
204
Class NeuralNetwork
Method Detail
createNeuralNetwork
public static final NeuralNetwork createNeuralNetwork(org.w3c.dom.Node nnNod
e)
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()
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)
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:
pureThink
public abstract float[] pureThink(float[] inputData)
Makes the specific numerical thinking for each neural network model.
It behaves as the Template Method (GoF) for the think() method.
206
Class NeuralNetwork
Parameters:
inputData
- The numerical input data.
Returns:
returns The numerical result of passing the input through the network.
Throws:
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.
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)
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
...
n-1
Parameters:
id
- The requested sensor's ID number.
Returns:
The Sensor instance requested.
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.
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.
211
Class NeuralNetwork
neuralNetwork2xml
public final void neuralNetwork2xml(org.w3c.dom.Node docRoot,
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.
configuration.
document
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.

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!
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
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:
Version:
0.1b
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
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
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
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.
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.
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,
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.
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
SingleBooleanOutputTranslator, TransparentOutputTranslator
public interface OutputTranslator

Interface defining the contract for the Output Translator available in the framework or
user-developed.
Author:
Version:
0.1b
Method Summary
float[]
Page
getOutputBackTranslation(Object desired_output)
Translates a desired result into the numerical value it should have

produced.
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:
221
Class ProgressAnalyzer
com.jcortex
java.lang.Object
ComposedProgressAnalyzer,
ValueDecreaseAnalyzer,
abstract public class ProgressAnalyzer

extends Object
This is the Component element in the Composite GoF Desing Pattern.
Author:
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.
224
222
abstract boolean
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.

Parameters:
analyzer
- The progress analyzer to be removed.
223
getInnerAnalyzers
public ProgressAnalyzer getInnerAnalyzers(int ix)
Obtains a ProgessAnalyzer instance from the list, given its index.

Parameters:
ix
- The index of the desired analyzer.
Returns:
The requested ProgessAnalyzer instance.
public abstract boolean isProgressGoodEnough()
Decides if the progress monitored by this ProgessAnalyzer is good enough to

continue.
Returns:
(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.
224
Class ReadingException
com.jcortex
java.lang.Object
java.lang.Throwable
java.lang.Exception
com.jcortex.ReadingException
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:
Version:
0.1b
Constructor Summary
Page
ReadingException(String message)
Default constructor for this exception.
225
Constructor Detail
ReadingException
public ReadingException(String message)
225
Default constructor for this exception.
Class Sensor
com.jcortex
java.lang.Object
com.jcortex.Sensor
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:
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

Constructor Detail
Sensor
public Sensor(int id,
NeuralNetwork parentNetwork)
Complete sensor builder.
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
Returns:
The id.
getAxonValue
Gets the value buffered inside the sensor.

Specified by:
getAxonValue
Returns:
The value.
228
Class Sensor
produceAxonValue
Dummy method as sensors don't really produce any values. They just buffer
them.
Specified by:
produceAxonValue
Returns:
0f, What d'ya want? Its a dummy!
addConnectedNeuron
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
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
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:
Version:
0.1b
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.
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

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)
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()
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
Serializable
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:
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
236
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:
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.
237
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:
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.
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()
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.
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
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()
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
Comparable
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.
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.
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.)
245
Class Teacher
Class Teacher
com.jcortex
java.lang.Object
com.jcortex.Teacher
DefaultHopfieldTeacher,
DefaultKohonenTeacher,
DefaultMultilayerPerceptronTeacher, DefaultPerceptronTeacher
abstract public class Teacher

extends Object
The abstract class obliged to all Teachers of Neural Networks.
Author:
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.
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
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.

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)
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:
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)
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,

configuration. This is a Template Method (GoF).
Teacher
instance's
Parameters:
- The XML node in which this teacher's configuration
must be dumped.
teacherRoot

document
stopTraining
public abstract void stopTraining()
Stops the training if it is in progress, and it is possible to do so.

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
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
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.ValueDecreaseAnalyzer
public class ValueDecreaseAnalyzer

The Value Decrease Analyzer takes its decision based on how well the values
observed decrease.
Author:
253
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
Decides if the progress monitored by this ProgessAnalyzer is

good enough to continue.
255

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.
254
For more information on this parameter, take a look at the detailed
documentation.
Constructor Detail
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

continue.
Studies the sequence of statistic registers generated. For more information
look at the detailed documentation.
Overrides:
Returns:
(false).
getReasonToStop
Obtains the reason why this analyzer has suggested to stop, if indeed it has.
255
Overrides:
getReasonToStop
Returns:
The reason.
Class ValueVariationAnalyzer
com.jcortex
java.lang.Object
com.jcortex.ValueVariationAnalyzer
public class ValueVariationAnalyzer

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.
256
Author:
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
Decides if the progress monitored by this ProgessAnalyzer is

good enough to continue.
258

Constructor Detail
public ValueVariationAnalyzer(StatsMeasure statsMeasure,
float constantVariation,
int constantWindow)
This class' basic constructor.
257
Method Detail

continue.
Studies the sequence of statistic registers generated. For more information
look at the detailed documentation.
Overrides:
Returns:
(false).
getReasonToStop
Obtains the reason why this analyzer has suggested to stop, if indeed it has.
Overrides:
getReasonToStop
Returns:
The reason.
Package com.jcortex.activationFunctions
Class Summary
GaussianFunction
Page
The ActivationFunction implementation of the

Gaussian Function.
259
258
Package com.jcortex.activationFunctions

Hyperbolic Tangent Function.
262
IdentityFunction

Identity Function.
265
SigmoidalFunction

Sigmoidal Function.
268
SignFunction

Sign Function.
272
StepFunction

Step Function.
274
Class GaussianFunction
java.lang.Object
com.jcortex.activationFunctions.GaussianFunction
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:
Version:
0.1
259
Method Summary
float[]
Page
Obtains the default parameters for this Activation

Function.
static
GaussianFunction
getInstance()
Obtains the Singleton (GoF) instance for this class.

int
260
Obtains the number of parameters required by this

function.
float
260
261
Implementation of the Gaussian Function.
261

Method Detail
getInstance
public static GaussianFunction getInstance()

Returns:
This class' Singleton (GoF) instance.

Specified by:
in interface ActivationFunction
260
Returns:
Obtains the number of parameters required by this function.

Specified by:
Returns:
The number of activation parameters required by this function. [= 2]
getSolution
Implementation of the Gaussian Function.

Specified by:
getSolution
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
261
Class HyperbolicTangentFunction
java.lang.Object
com.jcortex.activationFunctions.HyperbolicTangentFunction
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
Author:
Version:
0.1
Method Summary
float[]
Page

Function.
float
Derivative Hyperbolic Tangent Function

static
264
getInstance()

int
263
263

function.
264
262
float
getSolution(float
networkResult,
parameter_to_be_ignored)
float[]
264
Hyperbolic Tangent Function
Methods
inherited
from
com.jcortex.BackPropagationActivationFunction
interface

Method Detail
getInstance
public static HyperbolicTangentFunction getInstance()

Returns:

Specified by:
Returns:
263

Specified by:
Returns:
getSolution
float[] parameter_to_be_ignored)
Hyperbolic Tangent Function

Specified by:
getSolution
Parameters:
networkResult
parameter_to_be_ignored
- Not necessary for this function.
Returns:
The result produced by the Activation Function. Any value will be
ingnored.
Derivative Hyperbolic Tangent Function
264
Specified by:
in
interface
Parameters:
neuron
- The neuron for which the derivate function is calculated.
Returns:
The result produced by the Activation Function.
Class IdentityFunction
java.lang.Object
com.jcortex.activationFunctions.IdentityFunction
final public class IdentityFunction

extends Object
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:
Version:
0.1
265
Method Summary
float[]
Page

Function.
float
268
Derivative Simoidal Identity Function

static
IdentityFunction
getInstance()
266

int

function.
float
266
267

267
Implementation of the Identity Function.
Methods
inherited
from
interface

Method Detail
getInstance
public static IdentityFunction getInstance()

Returns:
266
Specified by:
Returns:

Specified by:
Returns:
getSolution
Implementation of the Identity Function.

Specified by:
getSolution
Parameters:
networkResult
- The parameters used by this function. This

function needs only one parameters (array position 0).
activationParams
267
Returns:
The result produced by the Sigmoidal Function
Derivative Simoidal Identity Function

Specified by:
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
java.lang.Object
com.jcortex.activationFunctions.SigmoidalFunction
final public class SigmoidalFunction

extends Object
268
The ActivationFunction implementation of the Sigmoidal Function. As this class
Author:
Version:
0.1
Method Summary
float[]
Page

Function.
float
271
Derivative Simoidal Tangent Function

static
SigmoidalFunction
getInstance()
270

int

function.
float
270
getSolution(float
activationParams)
networkResult,
270
float[]
271
Implementation of the Sigmoidal Function.
Methods
inherited
from
interface

269
Method Detail
getInstance
public static SigmoidalFunction getInstance()

Returns:

Specified by:
Returns:

Specified by:
Returns:
270
getSolution
Implementation of the Sigmoidal Function.

Specified by:
getSolution
Parameters:
networkResult
- 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
Derivative Simoidal Tangent Function

Specified by:
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.
271
Class SignFunction
Class SignFunction
java.lang.Object
com.jcortex.activationFunctions.SignFunction
ActivationFunction
final public class SignFunction

extends Object
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:
Version:
0.1
Method Summary
float[]
Page

static
SignFunction
getInstance()
273

int

float
273
getSolution(float
parameter_to_be_ignored)
networkResult,
273
float[]
274
Sign Function
272
Class SignFunction

Method Detail
getInstance
public static SignFunction getInstance()

Returns:

Specified by:
Returns:

Specified by:
273
Class SignFunction
Returns:
getSolution
float[] parameter_to_be_ignored)
Sign Function
Specified by:
getSolution
Parameters:
networkResult
parameter_to_be_ignored
- Not necessary for this function.
Returns:
The result produced by the Sign Function
Class StepFunction
java.lang.Object
com.jcortex.activationFunctions.StepFunction
ActivationFunction
final public class StepFunction

extends Object
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:
Version:
0.1
Method Summary
float[]

static
StepFunction
275

float
276
getInstance()

int
Page
276
Step Function
276

Method Detail
getInstance
public static StepFunction getInstance()

Returns:
275
Class StepFunction

Specified by:
Returns:

Specified by:
Returns:
getSolution
Step Function
Specified by:
getSolution
Parameters:
networkResult
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
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
java.lang.Object
com.jcortex.Neuron
com.jcortex.feedForward.FeedForwardNeuron
com.jcortex.backPropagation.BackPropagationNeuron
277
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:
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.
280
278
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


Constructor Detail
public BackPropagationNeuron(int id,
NetworkFunction networkFunction,
The constructor for brand new Back Propagation neurons. It is based on the
FeedForwardNeuron class' basic constructor.
public BackPropagationNeuron(org.w3c.dom.Node neuronNode,
NeuralNetwork nn)
Constructor based on the XML node representation of this neuron.

Throws:
ReadingException
279
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.
280
Class DefaultMultilayerPerceptronTeacher
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:
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.
283
281
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,

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)

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.
286
282
void
teacherRoot,

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
public DefaultMultilayerPerceptronTeacher()

All learning parameters are initialized with their default values.
public DefaultMultilayerPerceptronTeacher(org.w3c.dom.Node teacherNode)
Creates a DefaultMultilayerPerceptronTeacher instance from an XML node

with its configuration.
283
Method Detail
educateNetwork
public Statistics educateNetwork(NeuralNetwork nn,
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
exampleIObjects
exampleDObjects
Returns:
Throws:
- Exception thrown when an error occured
due to problems with the training's parameters.
getLearningRate
public float getLearningRate()

Returns:
The requested parameter's value.
284
setLearningRate
public void setLearningRate(float learningRate)

Parameters:
learningRate
- The new value.
getAcceptableError
public float getAcceptableError()

Returns:
setAcceptableError
public void setAcceptableError(float maximumAcceptableError)

Parameters:
maximumAcceptableError
- The new value.
getValidationPercent
public float getValidationPercent()

Returns:
285
setValidationPercent
public void setValidationPercent(float validationPercent)

Parameters:
validationPercent
- The new parameter's value.
getMaxIterations
public long getMaxIterations()
Obtains the Maximum Iteration Number training parameter.

Returns:
setMaxIterations
public void setMaxIterations(long maximumIterationNumber)

Parameters:
maximumIterationNumber
- The new value.
getConstantVariation
public float getConstantVariation()
286
Returns:
setConstantVariation
public void setConstantVariation(float constantVariation)

Parameters:
constantVariation
- The new value.
getAnalysisWindow
public int getAnalysisWindow()

Returns:
setAnalysisWindow
public void setAnalysisWindow(int constantVariationWindow)

Parameters:
constantVariationWindow
- The new value.
getAnalyzer
public ProgressAnalyzer getAnalyzer()
287
Overrides:
getAnalyzer
in class Teacher
Returns:
The training statistics analyzer
createStatsSchema
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,
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
288
Parameters:
must be dumped.
teacherRoot

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.
289
Class MultilayerPerceptronNeuralNetwork
java.lang.Object
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:
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,
292
activationFunction)
Constructor for brand-new Multilayer Perceptron Networks.

MultilayerPerceptronNeuralNetwork(org.w3c.dom.Node nnRoot)
Creates a
representation.
instance from its XML
292
290
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
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
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
291
Constructor Detail
public MultilayerPerceptronNeuralNetwork(int inputNum,
int[] neuronLayers,
OutputTranslator outputTranslator,
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.
public MultilayerPerceptronNeuralNetwork(org.w3c.dom.Node nnRoot)
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.
292
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.
public void specificNeuralNetwork2xml(org.w3c.dom.Element nnRoot,
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:
in class NeuralNetwork
Parameters:
nnRoot
- This neural network's XML configuration node.
document
- The XML Document needed to create new elements.
toString
293
Produces a String representation of this neural network.
Overrides:
toString
Returns:
A String representation of this neural network.
toHTMLString
Produces a String representation of this neural network enhanced with HTML

tags to include styled text.
Overrides:
toHTMLString
Returns:
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.
294
Package com.jcortex.distanceFunctions
Package com.jcortex.distanceFunctions
Class Summary
Page
The DistanceFunction implementation of the

Euclidean Distance.
295
Class EuclideanDistanceFunction
java.lang.Object
com.jcortex.distanceFunctions.EuclideanDistanceFunction
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:
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.
296
295
static
getInstance()
296
Methods inherited from interface com.jcortex.DistanceFunction

getDistance
Method Detail
getInstance
public static EuclideanDistanceFunction getInstance()

Returns:
getDistance
public float getDistance(AxonSource[] entries,
float[] weights)
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.
296
Throws:
- Thrown in case both arrays have different
sizes.
Package com.jcortex.feedForward
Class Summary
Page
Default Teacher implementation

Perceptron neural network model.
for
the
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
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
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.
297
Author:
Version:
0.1

VALIDATION_JUMP
Constructor Summary
Page
DefaultPerceptronTeacher()
299
DefaultPerceptronTeacher(org.w3c.dom.Node teacherNode)
Creates a DefaultPerceptronTeacher instance from an XML node with its

configuration.
300
Method Summary
Page
Statistics
createStatsSchema()

Statistics

Educates a pure Feed-Forward Neural Network - such as

the Perceptron model - using the Error Correction Algorithm,
also known as Delta Rule.
float
304

float
303
getAnalyzer()

float
301
getAnalysisWindow()

ProgressAnalyzer
300
getAcceptableError()

int
304
303
getLearningRate()
302
298
long
getMaxIterations()
Obtains
parameter.
float
the
Maximum
Iteration
Number
training
getValidationPercent()
301

void
setAcceptableError(float maximumAcceptableError)
301

void
setAnalysisWindow(int constantWindow)
304

void
303

void
302

void
setMaxIterations(long maxIterations)

void
301
teacherRoot,

void
Teacher
305
stopTraining()

iteration.
String
302
setValidationPercent(float validationPercent)

void
302
305
toHTMLString()

styled text.
306

stopTraining,
Constructor Detail
public DefaultPerceptronTeacher()
299
public DefaultPerceptronTeacher(org.w3c.dom.Node teacherNode)
Creates a DefaultPerceptronTeacher instance from an XML node with its

configuration.
Method Detail
educateNetwork
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
exampleIObjects
exampleDObjects
Returns:
Throws:
300
getAcceptableError
public float getAcceptableError()

Returns:
setAcceptableError
public void setAcceptableError(float maximumAcceptableError)

Parameters:
maximumAcceptableError
getValidationPercent
public float getValidationPercent()

Returns:
setValidationPercent
public void setValidationPercent(float validationPercent)
301
Parameters:
validationPercent
getMaxIterations

Returns:
setMaxIterations
public void setMaxIterations(long maxIterations)

Parameters:
maxIterations
getLearningRate

Returns:
setLearningRate
302
Parameters:
learningRate
- The new value.

Returns:

Parameters:
constantVariation
getAnalysisWindow

Returns:
303
setAnalysisWindow
public void setAnalysisWindow(int constantWindow)

Parameters:
constantWindow
- The new value.
getAnalyzer

Overrides:
getAnalyzer
in class Teacher
Returns:
createStatsSchema
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:
304
specificTeacher2xml
configuration node.
Overrides:
specificTeacher2xml
in class Teacher
Parameters:
must be dumped.
teacherRoot

document
stopTraining

Overrides:
stopTraining
in class Teacher
305
toHTMLString

Overrides:
toHTMLString
in class Teacher
Returns:
Class FeedForwardNeuralNetwork
java.lang.Object
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.
306
There can be recursive connections to previous neurons. The propagation must move
forward, following the downstream neuron connections.
Author:
Version:
0.1b

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.
instance based on its XML
Method Summary
float[]
308
Page
Makes the specific numerical thinking for the Feed-Forward

Neural Network model.
308

getInputTranslator,
getNeuron,
getNeuronCount,
getNeurons,
neuralNetwork2xml,
pureThink,
setEndNeurons,
setFirtsNeurons,
toString
307
Constructor Detail
public FeedForwardNeuralNetwork(int neuronNum,
int inputsNum,
The basic constructor for a brand-new Feed Forward Neural Network.
public FeedForwardNeuralNetwork(org.w3c.dom.Node nnRoot)
Creates a FeedForwardNeuralNetwork
representation.
instance
based
on
its
XML
Throws:
ReadingException
Method Detail
pureThink
public float[] pureThink(float[] inputData)
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
308
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:
due to problems with the network's parameters.
Class FeedForwardNeuron
java.lang.Object
com.jcortex.Neuron
com.jcortex.feedForward.FeedForwardNeuron
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.
309
Author:
Version:
0.1

Constructor Summary
Page
FeedForwardNeuron(int
id,
NetworkFunction
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
An AxonSource is added as an entry to this neuron.

void
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
314
310
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
Obtains the weight associated to an specific entry.

NetworkFunction
317
getEntries()
Obtains
neurons).
float
316
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

319
Sets the weight associated to a certain entry.

void
setNetworkFunction(NetworkFunction networkFunction_)
314
Sets this neuron's Network Function

void
neuronRoot,
Adds the specific information known to the FeedForward Neuron at this level.
320
311
Collection
synapse()
Makes the neuron's calculations.

String
319
toString()
Generates a quick String representation of this neuron.
320



Constructor Detail
FeedForwardNeuron
public FeedForwardNeuron(int id,
Constructor for brand-new instances of this class.
FeedForwardNeuron
public FeedForwardNeuron(org.w3c.dom.Node neuronNode,
NeuralNetwork nn)
Creates a FeedForwardNeuron instance from an XML node with its

configuration.
Throws:
ReadingException
312
Method Detail
connectLoadedNeuronWithEntries
public void 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.
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
Obtains this neuron's entries (upstream-connected neurons).

Specified by:
getEntries
Returns:
The entries in the form of a collection of AxonSourceEntry instances.
313
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
314
getEntryWeight
Obtains the weight associated to an specific entry.

Specified by:
getEntryWeight
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.
315
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.
The result or Axon Value is both stored in this neuron's instance, and given
back as this method's return.
Specified by:
produceAxonValue
Returns:
The newly calculated neuron state (Axon Value).
Throws:
getAxonValue
Obtains this neuron's state, represented by a number locally named Axon

Value.
Specified by:
getAxonValue
Returns:
This neuron's numerical state - or Axon Value.
getNetworkResult
public float getNetworkResult()
316
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
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
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
317
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
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
Parameters:
- The upstream
AxonReceiver.
entry
AxonSource
that will be added as an entry to this
addEntry
float weight)
An AxonSource is added as an entry to this neuron. The associated weight is

passed as a parameter.
Specified by:
addEntry
Parameters:
entry
- The upstream
AxonSource
that will be added as an entry to this
AxonReceiver.
weight
- This entry's associated weight.
318
setEntryWeight
float value)
Sets the weight associated to a certain entry.

Specified by:
setEntryWeight
Parameters:
parent
value
- The upstream AxonSource that serves as entry.
- The new value for the associated weight.
synapse
public Collection synapse()
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:
instantError
public float instantError(float desiredResponse)
Calculates the error incurred by this neuron.
319
Returns:
the numerical value of the instant error incurred by this neuron.
specificNeuron2xml
public void specificNeuron2xml(org.w3c.dom.Element neuronRoot,
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
Generates a quick String representation of this neuron.

Overrides:
toString
in class Neuron
Returns:
A String representation of this neuron.
320
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
java.lang.Object
com.jcortex.feedForward.NeuronInTheList
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.
321
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
322
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.
323
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.
324
Class PerceptronNeuralNetwork
java.lang.Object
com.jcortex.feedForward.PerceptronNeuralNetwork
public class PerceptronNeuralNetwork

extends FeedForwardNeuralNetwork
A Perceptron Neural Network is a specific kind of Feed-Forward Neural Network
Author:
Version:
0.1b

Constructor Summary
Page
PerceptronNeuralNetwork(int inputNum, InputTranslator inputTranslator,

326
Constructor for brand-new Perceptron Neural Networks.

PerceptronNeuralNetwork(org.w3c.dom.Node nnRoot)
Creates a
representation.
instance
from
its
XML
327
325
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
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()
Methods
inherited
from
328
class
pureThink

getInputTranslator,
getNeuron,
getNeuronCount,
getNeurons,
neuralNetwork2xml,
pureThink,
setEndNeurons,
setFirtsNeurons,
toString
Constructor Detail
public PerceptronNeuralNetwork(int inputNum,
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.
326
public PerceptronNeuralNetwork(org.w3c.dom.Node nnRoot)
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,
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
protected void specificNeuralNetwork2xml(org.w3c.dom.Element nnRoot,
There is no specific information to be added to the XML configuration as this

model is completely based on the Feed-Forward network.
Overrides:
327
Parameters:
nnRoot
- The networl's node on to which the specific model's info must
be put.
configuration.
document
toString

Overrides:
toString
Returns:
toHTMLString

Overrides:
toHTMLString
Returns:
328
Class ToDoList
Class ToDoList
java.lang.Object
com.jcortex.feedForward.ToDoList
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.
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
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
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
331
Package com.jcortex.hopfield
Package com.jcortex.hopfield
Class Summary
Page
Default Teacher implementation for the Hopfield

neural network model.
332
The Hopfield Neural Network Model default

implementation.
337
Class DefaultHopfieldTeacher
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:
Version:
0.1

VALIDATION_JUMP
332
Constructor Summary
Page
DefaultHopfieldTeacher()
333

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

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
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()

styled text.
336

stopTraining,
Constructor Detail
public DefaultHopfieldTeacher()
333
The Hopfield teacher has no training parameters.
public DefaultHopfieldTeacher(org.w3c.dom.Node teacherNode)
Creates a DefaultMultilayerPerceptronTeacher instance from an XML node

with its configuration.
Method Detail
educateNetwork
Educates a Hopfield network using a numerical matrix approach.

Overrides:
educateNetwork
in class Teacher
Parameters:
nn
exampleIObjects
exampleDObjects
Returns:
Throws:
334
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,
This teacher has no arguments that need to be stored.

Overrides:
specificTeacher2xml
in class Teacher
Parameters:
must be dumped.
teacherRoot

document
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!
335
Overrides:
stopTraining
in class Teacher
toHTMLString

Overrides:
toHTMLString
in class Teacher
Returns:
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.
336
Class HopfieldNeuralNetwork
java.lang.Object
com.jcortex.hopfield.HopfieldNeuralNetwork
public class HopfieldNeuralNetwork

The Hopfield Neural Network Model default implementation.
Author:
Version:
0.1

Constructor Summary
HopfieldNeuralNetwork(int inputsNum,
Page
InputTranslator
inputTranslator,
339
Creates brand-new instance of HopfieldNeuralNetwork.

HopfieldNeuralNetwork(org.w3c.dom.Node nnRoot)
Creates a
configuration.
instance
from
XML
sotored
339
337
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[]
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
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()
342

getInputTranslator,
getNeuron,
getNeuronCount,
getNeurons,
neuralNetwork2xml,
pureThink,
setEndNeurons,
setFirtsNeurons,
toString
338
Constructor Detail
public HopfieldNeuralNetwork(int inputsNum,
Creates brand-new instance of HopfieldNeuralNetwork.
public HopfieldNeuralNetwork(org.w3c.dom.Node nnRoot)
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
Returns:
The number of input values.
339
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.
340
pureThink
public float[] pureThink(float[] inputData)
Makes the real numerical thinking.

This is a matrix-based method, so its propagation strategy is completely
different to other neural networks.
Overrides:
pureThink
Parameters:
inputData
Returns:
The numerical result of passing the input through the network.
Throws:
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:
Parameters:
nnRoot
341
document
toString

Overrides:
toString
Returns:
toHTMLString

Overrides:
toHTMLString
Returns:
hopfieldSignFunction
public static float[] hopfieldSignFunction(float[] iterationsInput,
float[] functionsInput)
Static method for calculating Hopfield's Sign Function.
342
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

square-shaped neurons.
347
CylinderStarKMap

star-shaped neurons.
350
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
Default Teacher implementation for the Kohonen

neural networkn model.
358
KohonenMap
Abstract class obliged to all Kohonen Maps used

within the JCortex framework.
368
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

395
SheetSquareKMap
Models a sheet-organized Kohonen Map with

398
SheetStarKMap
Models a sheet-organized Kohonen Map with starshaped neurons.
401
ToroidHexKMap
Models a toroid-organized Kohonen Map with

404
ToroidSquareKMap
Models a toroid-organized Kohonen Map with

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
344
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:
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.
346
345
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)

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.

Method Detail
createConnectionMatrix
public boolean[][] createConnectionMatrix(int neuronCount)
346
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:
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.CylinderSquareKMap
public class CylinderSquareKMap

Models a cylinder-organized Kohonen Map with square-shaped neurons.
347
Author:
Version:
0.1

cols, neurons, rows

Constructor Summary
Page
CylinderSquareKMap(int
entriesCount,
int
rows,
int
cols,
349

CylinderSquareKMap(org.w3c.dom.Node mapNode, KohonenNeuralNetwork knn)
Creates a
CylinderSquareKMap
from its configuration stored in an XML
349
node.
Method Summary
boolean[][]
Page

with square-shaped neurons.
349

map2xml

getBestNeuron,
getDimensions,
getNeighbours,
getNeighbours,
getNeuron,
getNeuronCount,
getNeurons,
iterator,
map2xml,
setBestNeuron
348
Constructor Detail
CylinderSquareKMap
public CylinderSquareKMap(int entriesCount,
int rows,
int cols,

CylinderSquareKMap
public CylinderSquareKMap(org.w3c.dom.Node mapNode,
Creates a CylinderSquareKMap from its configuration stored in an XML node.

Method Detail
Creates the Connection-Matrix for a cylinder-organized map with squareshaped neurons.

otherwise.
349
Overrides:
in class KohonenMap
Parameters:
neuronCount
Returns:
Class CylinderStarKMap
com.jcortex.kohonen
java.lang.Object
com.jcortex.kohonen.CylinderStarKMap
public class CylinderStarKMap

Models a cylinder-organized Kohonen Map with star-shaped neurons.
Author:
Version:
0.1
350
cols, neurons, rows

Constructor Summary
Page
CylinderStarKMap(int entriesCount, int rows, int cols, DistanceFunction

dFunction)
351

CylinderStarKMap(org.w3c.dom.Node mapNode, KohonenNeuralNetwork knn)
Creates a
CylinderStarKMap
352
node.
Method Summary
boolean[][]
Page

with star-shaped neurons.
352

map2xml

getBestNeuron,
getDimensions,
getNeighbours,
getNeighbours,
getNeuron,
getNeuronCount,
getNeurons,
iterator,
map2xml,
setBestNeuron
Constructor Detail
CylinderStarKMap
public CylinderStarKMap(int entriesCount,
int rows,
int cols,
351
CylinderStarKMap
public CylinderStarKMap(org.w3c.dom.Node mapNode,
Creates a CylinderStarKMap from its configuration stored in an XML node.

Method Detail
Creates the Connection-Matrix for a cylinder-organized map with star-shaped

neurons.
otherwise.
Overrides:
in class KohonenMap
Parameters:
neuronCount
Returns:
352
Class Default2DKMap
com.jcortex.kohonen
java.lang.Object
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:
Version:
0.1
Field Summary
protected
int
cols
This map's column size Its visibility is protected to allow a

protected
List
Page
355
neurons
The list of neurons in this map.
355
353
Class Default2DKMap
protected
int
rows
355
This map's row size.

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

getBestNeuron,
getDimensions,
getNeighbours,
getNeighbours,
getNeuron,
getNeuronCount,
getNeurons,
iterator,
map2xml,
setBestNeuron
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,
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.
355
Class Default2DKMap
Default2DKMap
public Default2DKMap(org.w3c.dom.Node mapNode,
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.
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
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:
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
358
public class DefaultKohonenTeacher

extends Teacher
Default Teacher implementation for the Kohonen neural networkn model.
Author:
Version:
0.1
Field Summary
boolean
static
String
Page
continueTraining
361
MISPLACED_EXAMPLES
Textual identifier for the Misplaced Examples statistic

dimension.
Measure 361

VALIDATION_JUMP
Constructor Summary
Page
DefaultKohonenTeacher()
361
DefaultKohonenTeacher(org.w3c.dom.Node teacherNode)
Creates a
configuration.
Method Summary
Statistics
361
Page
createStatsSchema()

366
359
Statistics

Educates a Kohonen Neural Network using the given

example set.
int
getAnalysisWindow()
365

ProgressAnalyzer
getAnalyzer()
366

float
364

float
getLearningRate()
362

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
365

void
363

void
setMaxIterations(long maxIterations)

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)

void
362
teacherRoot,

Teacher
366
360
void
stopTraining()

iteration.
String
367
toHTMLString()

styled text.
367

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
public DefaultKohonenTeacher()

public DefaultKohonenTeacher(org.w3c.dom.Node teacherNode)
361
Creates a DefaultKohonenTeacher instance from an XML node with its
configuration.
Method Detail
educateNetwork
Educates a Kohonen Neural Network using the given example set.

Overrides:
educateNetwork
in class Teacher
Parameters:
nn
exampleIObjects
exampleDObjects
Returns:
Throws:
getLearningRate

Returns:
362
setLearningRate

Parameters:
learningRate
- The new value.
getNeighbourhoodRadius
public int getNeighbourhoodRadius()
Obtains the Neigbourhood Radius training parameter.

Returns:
setNeighbourhoodRadius
public void setNeighbourhoodRadius(int neighbourhoodRadius)
Sets the Neigbourhood Radius training parameter.

Parameters:
neighbourhoodRadius
- The new value.
getMaxIterations
363
Returns:
setMaxIterations
public void setMaxIterations(long maxIterations)

Parameters:
maxIterations
- The new value.
getMaxMisplacedPercent
public float getMaxMisplacedPercent()
Obtains the Maximum Average Distance Accepted training parameter.

Returns:
setMaxMisplacedPercent
public void setMaxMisplacedPercent(float maxAverageDistanceAccepted)
Sets the Maximum Average Distance Accepted training parameter.

Parameters:
maxAverageDistanceAccepted
- The new value.
364
Returns:

Parameters:
constantVariation
- The new value.
getAnalysisWindow

Returns:
setAnalysisWindow
public void setAnalysisWindow(int constantWindow)

Parameters:
constantWindow
- The new value.
365
getAnalyzer

Overrides:
getAnalyzer
in class Teacher
Returns:
createStatsSchema
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:
specificTeacher2xml
configuration node.
366
Overrides:
specificTeacher2xml
in class Teacher
Parameters:
must be dumped.
teacherRoot

document
stopTraining

Overrides:
stopTraining
in class Teacher
toHTMLString

Overrides:
toHTMLString
in class Teacher
Returns:
367
Class KohonenMap
com.jcortex.kohonen
java.lang.Object
Default2DKMap
abstract public class KohonenMap

extends Object
Abstract class obliged to all Kohonen Maps used within the JCortex framework.
Author:
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.
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
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.
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.
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,
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)
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().
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:
due to problems with the network's parameters.
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.
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)
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()
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.
375
Class KohonenMap
Returns:
The XML neuron with this Kohonen map's configuration.
Class KohonenNeuralNetwork
com.jcortex.kohonen
java.lang.Object
com.jcortex.kohonen.KohonenNeuralNetwork
public class KohonenNeuralNetwork

The Kohonen Neural Network Model default implementation.
Author:
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
379
376
static
final
short
LATTICE_TOROID
static
final
short
SQUARE_NEIGHBOURHOOD
static
final
short
STAR_NEIGHBOURHOOD

horizontal & vertical only) wrapping.
LATTICE_2D)
with a toroid (both
379
378
Square grid neighbourhood.
379

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.
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.
383
377
float[]
pureThink(float[] input)
Makes the specific numerical thinking for the Kohonen

Neural Network.
protected
void
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()
384

getInputTranslator,
getNeuron,
getNeuronCount,
getNeurons,
neuralNetwork2xml,
pureThink,
setEndNeurons,
setFirtsNeurons,
toString
Field Detail
HEX_NEIGHBOURHOOD
public static final short HEX_NEIGHBOURHOOD
Hexagonal hexagonal grid neighbourhood.
SQUARE_NEIGHBOURHOOD
public static final short SQUARE_NEIGHBOURHOOD
378
STAR_NEIGHBOURHOOD
public static final short STAR_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

wrapping.
LATTICE_2D)
with a cylindrical (vertical only)
LATTICE_TOROID
public static final short LATTICE_TOROID

vertical only) wrapping.
LATTICE_2D)
with a toroid (both horizontal &
379
Constructor Detail
public KohonenNeuralNetwork(int neuronNum,
int inputsNum,
OutputTranslator outputTranslator,
KohonenMap map,
short neighbourhoodShape)
Creates brand-new instance of KohonenNeuralNetwork.
public KohonenNeuralNetwork(org.w3c.dom.Node nnRoot)
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)
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
380
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:
pureThink
public float[] pureThink(float[] input)
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
Parameters:
input
Returns:
The numerical result of passing the input through the network.
Throws:
getBestNeighbourhood
public Collection getBestNeighbourhood()
Obtains the best neuron's neighbourhood.

381
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
382
prepareNeighbourhoods
public void prepareNeighbourhoods(int neighbourhoodRadius)
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.
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:
Parameters:
nnRoot
document
383
toString

Overrides:
toString
Returns:
toHTMLString

Overrides:
toHTMLString
Returns:
Class KohonenNeuron
com.jcortex.kohonen
java.lang.Object
com.jcortex.Neuron
com.jcortex.kohonen.KohonenNeuron
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:
Version:
0.1

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
Method Summary
void
390
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
This should not be used.
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
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
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
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.
393
386
Class KohonenNeuron
protected
void
neuronRoot,
Adds the specific information known to the Kohonen Neuron at

this level.
String
390
toString()
Obtains a String representation of this neuron.
394



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)
Creates a KohonenNeuron instance from an XML node with its configuration.

Throws:
ReadingException
387
Class KohonenNeuron
Method Detail
getEntries
Obtains the entries for this neuron which are none others but the neural
network's sensors.
Specified by:
getEntries
Returns:
A collection with this neuron's entries: the sensors.
getEntryWeight
Obtains the weight associate to a given entry.

Specified by:
getEntryWeight
Parameters:
parent
- The entry whose weight is requested.
Returns:
The weight requested.
produceAxonValue
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
Returns:
The Axon Value calculated.
Throws:
- This exception can be thrown by the
distance function.
getAxonValue
Obtains the last Axon Value produced by the method produceAxonValue().

Specified by:
getAxonValue
Returns:
The last Axon Value produced.
getConnectedNeurons
No neurons can be connected to a Kohonen neuron.

Overrides:
getConnectedNeurons
in class Neuron
389
Class KohonenNeuron
Returns:
null
as no neurons can be connected.
specificNeuron2xml
protected void specificNeuron2xml(org.w3c.dom.Element neuronRoot,
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
boolean back_connection)
Ignored for Kohonen neurons as these can not have childs.

Specified by:
addConnectedNeuron
Parameters:
child
- The child element connected to this AxonSource instance.
back_connection
- Indicates if this neuron has to create the entry in its
child.
390
Class KohonenNeuron
addEntry
This should not be used. Better create a new network.

Specified by:
addEntry
Parameters:
entry
- The new axon data source on to which stablish a connection.
addEntry
float weight)
This should not be used. Better create a new network.

Specified by:
addEntry
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.
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)
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
float value)
Sets the weight for the requested entry.

Specified by:
setEntryWeight
Parameters:
parent
value
- The Sensor instance that is an entry for this neuron.
- The new value.
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
Obtains a String representation of this neuron.

Overrides:
toString
in class Neuron
Returns:
This neuron's string representation.
394
Class SheetHexKMap
Class SheetHexKMap
com.jcortex.kohonen
java.lang.Object
com.jcortex.kohonen.SheetHexKMap
public class SheetHexKMap

Models a sheet-organized Kohonen Map with hexagonal-shaped neurons.
Author:
Version:
0.1

cols, neurons, rows

395
Class SheetHexKMap
Constructor Summary
SheetHexKMap(int
dFunction)
entriesCount,
Page
int
rows,
int
cols,
DistanceFunction
396

SheetHexKMap(org.w3c.dom.Node mapNode, KohonenNeuralNetwork knn)
Creates a SheetHexKMap from its configuration stored in an XML node.
Method Summary
boolean[][]
397
Page
Creates the Connection-Matrix for a sheet-organized map with

397

map2xml

getBestNeuron,
getDimensions,
getNeighbours,
getNeighbours,
getNeuron,
getNeuronCount,
getNeurons,
iterator,
map2xml,
setBestNeuron
Constructor Detail
SheetHexKMap
public SheetHexKMap(int entriesCount,
int rows,
int cols,

396
Class SheetHexKMap
SheetHexKMap
public SheetHexKMap(org.w3c.dom.Node mapNode,
Creates a SheetHexKMap from its configuration stored in an XML node.

Method Detail
Creates the Connection-Matrix for a sheet-organized map with hexagonalshaped neurons.

otherwise.
Overrides:
in class KohonenMap
Parameters:
neuronCount
Returns:
397
Class SheetSquareKMap
com.jcortex.kohonen
java.lang.Object
com.jcortex.kohonen.SheetSquareKMap
public class SheetSquareKMap

Models a sheet-organized Kohonen Map with square-shaped neurons.
Author:
Version:
0.1

cols, neurons, rows

398
Constructor Summary
SheetSquareKMap(int entriesCount, int rows, int cols, DistanceFunction
dFunction)
Page
399

SheetSquareKMap(org.w3c.dom.Node mapNode, KohonenNeuralNetwork knn)
Creates a SheetSquareKMap from its configuration stored in an XML node.
Method Summary
boolean[][]
400
Page

400

map2xml

getBestNeuron,
getDimensions,
getNeighbours,
getNeighbours,
getNeuron,
getNeuronCount,
getNeurons,
iterator,
map2xml,
setBestNeuron
Constructor Detail
SheetSquareKMap
public SheetSquareKMap(int entriesCount,
int rows,
int cols,

399
SheetSquareKMap
public SheetSquareKMap(org.w3c.dom.Node mapNode,
Creates a SheetSquareKMap from its configuration stored in an XML node.

Method Detail
Creates the Connection-Matrix for a sheet-organized map with square-shaped

neurons.
otherwise.
Overrides:
in class KohonenMap
Parameters:
neuronCount
Returns:
400
Class SheetStarKMap
Class SheetStarKMap
com.jcortex.kohonen
java.lang.Object
com.jcortex.kohonen.SheetStarKMap
public class SheetStarKMap

Models a sheet-organized Kohonen Map with star-shaped neurons.
Author:
Version:
0.1

cols, neurons, rows

401
Class SheetStarKMap
Constructor Summary
SheetStarKMap(int entriesCount, int
dFunction)
Page
rows,

402

SheetStarKMap(org.w3c.dom.Node mapNode, KohonenNeuralNetwork knn)
Creates a SheetStarKMap from its configuration stored in an XML node.
Method Summary
boolean[][]
403
Page

star-shaped neurons.
403

map2xml

getBestNeuron,
getDimensions,
getNeighbours,
getNeighbours,
getNeuron,
getNeuronCount,
getNeurons,
iterator,
map2xml,
setBestNeuron
Constructor Detail
SheetStarKMap
public SheetStarKMap(int entriesCount,
int rows,
int cols,

402
Class SheetStarKMap
SheetStarKMap
public SheetStarKMap(org.w3c.dom.Node mapNode,
Creates a SheetStarKMap from its configuration stored in an XML node.

Method Detail
Creates the Connection-Matrix for a sheet-organized map with star-shaped

neurons.
otherwise.
Overrides:
in class KohonenMap
Parameters:
neuronCount
Returns:
403
Class ToroidHexKMap
Class ToroidHexKMap
com.jcortex.kohonen
java.lang.Object
com.jcortex.kohonen.ToroidHexKMap
public class ToroidHexKMap

Models a toroid-organized Kohonen Map with hexagonal-shaped neurons.
Author:
Version:
0.1

cols, neurons, rows

404
Class ToroidHexKMap
Constructor Summary
ToroidHexKMap(int entriesCount, int
dFunction)
Page
rows,

405

ToroidHexKMap(org.w3c.dom.Node mapNode, KohonenNeuralNetwork knn)
Creates a ToroidHexKMap from its configuration stored in an XML node.
Method Summary
boolean[][]
406
Page
Creates the Connection-Matrix for a toroid-organized map

with hexagonal-shaped neurons.
406

map2xml

getBestNeuron,
getDimensions,
getNeighbours,
getNeighbours,
getNeuron,
getNeuronCount,
getNeurons,
iterator,
map2xml,
setBestNeuron
Constructor Detail
ToroidHexKMap
public ToroidHexKMap(int entriesCount,
int rows,
int cols,

The number of columns must be even so both sides of hexagonal neurons
can fit for the wrapping.
405
Class ToroidHexKMap
Throws:
ToroidHexKMap
public ToroidHexKMap(org.w3c.dom.Node mapNode,
Creates a ToroidHexKMap from its configuration stored in an XML node.

Throws:
Method Detail
Creates the Connection-Matrix for a toroid-organized map with hexagonalshaped neurons.

otherwise.
Overrides:
in class KohonenMap
Parameters:
neuronCount
406
Class ToroidHexKMap
Returns:
Class ToroidSquareKMap
com.jcortex.kohonen
java.lang.Object
com.jcortex.kohonen.ToroidSquareKMap
public class ToroidSquareKMap

Models a toroid-organized Kohonen Map with square-shaped neurons.
Author:
Version:
0.1

cols, neurons, rows

407
Constructor Summary
Page
ToroidSquareKMap(int entriesCount, int rows, int cols, DistanceFunction

dFunction)
408

ToroidSquareKMap(org.w3c.dom.Node mapNode, KohonenNeuralNetwork knn)
Creates a
ToroidSquareKMap
409
node.
Method Summary
boolean[][]
Page

with square-shaped neurons.
409

map2xml

getBestNeuron,
getDimensions,
getNeighbours,
getNeighbours,
getNeuron,
getNeuronCount,
getNeurons,
iterator,
map2xml,
setBestNeuron
Constructor Detail
ToroidSquareKMap
public ToroidSquareKMap(int entriesCount,
int rows,
int cols,

408
ToroidSquareKMap
public ToroidSquareKMap(org.w3c.dom.Node mapNode,
Creates a ToroidSquareKMap from its configuration stored in an XML node.

Method Detail
Creates the Connection-Matrix for a toroid-organized map with squareshaped neurons.

otherwise.
Overrides:
in class KohonenMap
Parameters:
neuronCount
Returns:
409
Class ToroidStarKMap
com.jcortex.kohonen
java.lang.Object
com.jcortex.kohonen.ToroidStarKMap
public class ToroidStarKMap

Models a toroid-organized Kohonen Map with star-shaped neurons.
Author:
Version:
0.1

cols, neurons, rows

410
Constructor Summary
ToroidStarKMap(int entriesCount, int rows, int cols, DistanceFunction
dFunction)
Page
411

ToroidStarKMap(org.w3c.dom.Node mapNode, KohonenNeuralNetwork knn)
Creates a ToroidStarKMap from its configuration stored in an XML node.
Method Summary
boolean[][]
412
Page

with star-shaped neurons.
412

map2xml

getBestNeuron,
getDimensions,
getNeighbours,
getNeighbours,
getNeuron,
getNeuronCount,
getNeurons,
iterator,
map2xml,
setBestNeuron
Constructor Detail
ToroidStarKMap
public ToroidStarKMap(int entriesCount,
int rows,
int cols,

411
ToroidStarKMap
public ToroidStarKMap(org.w3c.dom.Node mapNode,
Creates a ToroidStarKMap from its configuration stored in an XML node.

Method Detail
Creates the Connection-Matrix for a toroid-organized map with star-shaped

neurons.
otherwise.
Overrides:
in class KohonenMap
Parameters:
neuronCount
Returns:
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
java.lang.Object
com.jcortex.networkFunctions.LinearBasisFunction
NetworkFunction
public class LinearBasisFunction

extends Object
implements NetworkFunction
The NetworkFunction implementation of the Linear Basis Function. As this class
Author:
Version:
0.1
413
Class LinearBasisFunction
Method Summary
static
LinearBasisFunction
Page
getInstance()

float
414
Implementation of the Linear Basis Function.
414
Methods inherited from interface com.jcortex.NetworkFunction

getSolution
Method Detail
getInstance
public static LinearBasisFunction getInstance()

Returns:
getSolution
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.
414
Class RadialBasisFunction
java.lang.Object
com.jcortex.networkFunctions.RadialBasisFunction
NetworkFunction
public class RadialBasisFunction

extends Object
implements NetworkFunction
The NetworkFunction implementation of the Linear Basis Function. As this class
Author:
Version:
0.1
Method Summary
static
RadialBasisFunction
Page
getInstance()

float
416
Implementation of the Radial Basis Function.
416
Methods inherited from interface com.jcortex.NetworkFunction

getSolution
415
Method Detail
getInstance
public static RadialBasisFunction getInstance()

Returns:
getSolution
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
417
419
421
416
Class SingleBooleanOutputTranslator
java.lang.Object
com.jcortex.translators.SingleBooleanOutputTranslator
OutputTranslator
public class SingleBooleanOutputTranslator

extends Object
implements OutputTranslator
Constructor Summary
Page
SingleBooleanOutputTranslator()
417
Method Summary
Page
float[]

produced.
Object
418

418
Methods inherited from interface com.jcortex.OutputTranslator

getOutputBackTranslation, getOutputTranslation
Constructor Detail
public SingleBooleanOutputTranslator()
417
Method Detail
Description copied from interface: OutputTranslator

Specified by:
in interface OutputTranslator
Parameters:
input_value
process.
Returns:

Specified by:
Parameters:
desired_output
Returns:
418
Class TransparentInputTranslator
java.lang.Object
com.jcortex.translators.TransparentInputTranslator
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
public TransparentInputTranslator()
419
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.
420
Class TransparentOutputTranslator
java.lang.Object
com.jcortex.translators.TransparentOutputTranslator
OutputTranslator
public class TransparentOutputTranslator

extends Object
implements OutputTranslator
Constructor Summary
Page
TransparentOutputTranslator()
421
Method Summary
Page
float[]

produced.
Object
422

422
Methods inherited from interface com.jcortex.OutputTranslator

getOutputBackTranslation, getOutputTranslation
Constructor Detail
public TransparentOutputTranslator()
421
Method Detail

Specified by:
Parameters:
input_value
process.
Returns:

Specified by:
Parameters:
desired_output
Returns:
422
Anexo de Ejemplos Framework JCortex http://www.jcortex.com/
Anexo B: Ejemplos de uso
Modelo de Redes de Hopfield

Configuracin de la Red y del Maestro:
La Red de Hopfield
es el modelo ms
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 evolucin,
sino que finaliza cuando se ha completado el clculo de la matriz de pesos.
Resultados de los estadsticos:
No se proporcionan resultados estadsticos, al no haber iteraciones.
Archivo de ejemplos:
aNumbers.txt (ver)
Nodo de configuracin XML generado:
<neuralNetwork attributeCount="24" class="com.jcortex.hopfield.HopfieldNeuralNetwork"
inputTranslator="com.jcortex.translators.TransparentInputTranslator" neuronCount="0"
sensorCount="0">
<weights>
<weight col="0" row="0" value="0.0"/>
<weight col="1" row="0" value="-0.083333336"/>
423

<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<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"/>
424

<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<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"/>
425

<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<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"/>
426

<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<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"/>
427

<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<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"/>
428

<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<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"/>
429

<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<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"/>
430

<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<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"/>
431

<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<weight
<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"/>
432

</weights>
<biasVector>
433

</biasVector>
<teacher class="com.jcortex.hopfield.DefaultHopfieldTeacher"/>
</neuralNetwork>
434
Modelo de Mapas de Kohonen

Mapa de Kohonen,
con neuronas
hexagonales y
recogidas en un
plano. De 6 x 8
neuronas. La
funcin utilizada
para medir la
distancia entre los
ejemplos es la
Distancia Eucldea.
Esquema de la red entrenada:

{
....Detenido porque Ejemplos mal agrupados no decreca suficientemente bien.
a[o] = 0.23584905; a[m] = 0.18867925; a[n] = 0.24528302
el entrenamiento.
}
435
Se puede apreciar como el conjunto de datos no logra ser analizado de forma

satisfactoria mediante un Mapa de Kohonen. Se aprecia en la grfica 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 nmero de
atributos, de los cuales no se ha podido llegar a descartar ninguno por lo dispersa que
se encontraba la significancia. Adems parece que la seleccin de la clase no es
connatural a la diferencia entre los valores: la distancia natural tomada entre los
436

elementos.
Un mayor nmero de neuronas se ha descartado ya que se producira gran cantidad de
clusters sin elementos.
aPromoters.txt (ver)
<neuralNetwork class="com.jcortex.kohonen.KohonenNeuralNetwork"
neighbourhoodShape="1" neuronCount="48"
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"/>
weight="0.38037467"/> <entry entry="-10" weight="0.36698085"/> <entry
</entries>
<examplesInClasses>
437

<examplesClassCount class="1.0" count="3"/> <examplesClassCount class="0.0"
count="4"/>
</neuron>
neuronClass="null">
<entries>
entry="-40" weight="0.87646"/> <entry entry="-41" weight="0.7322775"/> <entry
weight="0.35504606"/>
</entries>
<examplesInClasses/>
</neuron>
neuronClass="0.0">
<entries>
<entry entry="-8" weight="0.7478222"/> <entry entry="-9" weight="0.4696888"/>
438

</entries>
<examplesInClasses>
count="2"/>
</neuron>
neuronClass="0.0">
<entries>
weight="0.1455884"/> <entry entry="-3" weight="0.5547928"/> <entry entry="-4"
weight="0.2883105"/> <entry entry="-45" weight="0.525621"/> <entry entry="-
439

46" weight="0.5100949"/> <entry entry="-47" weight="0.40827358"/> <entry
weight="0.49509108"/> <entry entry="-57" weight="0.35409176"/>
</entries>
<examplesInClasses>
count="2"/>
</neuron>
neuronClass="1.0">
<entries>
weight="0.8516322"/> <entry entry="-55" weight="0.09668637"/> <entry entry="56" weight="0.7728646"/> <entry entry="-57" weight="0.50004625"/>
</entries>
<examplesInClasses>
</neuron>
neuronClass="0.0">
<entries>
440

</entries>
<examplesInClasses>
</neuron>
neuronClass="0.0">
<entries>
441

entry="-57" weight="0.37525418"/>
</entries>
<examplesInClasses>
</neuron>
neuronClass="1.0">
<entries>
</entries>
442

<examplesInClasses>
count="1"/>
</neuron>
neuronClass="1.0">
<entries>
weight="0.77231544"/>
</entries>
<examplesInClasses>
count="2"/>
</neuron>
neuronClass="null">
<entries>
443

</entries>
</neuron>
neuronClass="0.0">
<entries>
444

</entries>
<examplesInClasses>
</neuron>
neuronClass="0.0">
<entries>
weight="0.2445909"/> <entry entry="-56" weight="0.8542425"/> <entry entry="57" weight="0.6350972"/>
</entries>
<examplesInClasses>
</neuron>
neuronClass="0.0">
445

<entries>
</entries>
<examplesInClasses>
</neuron>
neuronClass="0.0">
<entries>
446

</entries>
<examplesInClasses>
</neuron>
neuronClass="0.0">
<entries>
447

entry="-57" weight="0.74673307"/>
</entries>
<examplesInClasses>
</neuron>
neuronClass="null">
<entries>
</entries>
</neuron>
neuronClass="1.0">
<entries>
448

</entries>
<examplesInClasses>
</neuron>
neuronClass="1.0">
<entries>
449

</entries>
<examplesInClasses>
count="1"/>
</neuron>
neuronClass="1.0">
<entries>
</entries>
<examplesInClasses>
count="2"/>
</neuron>
neuronClass="1.0">
450

<entries>
</entries>
<examplesInClasses>
</neuron>
neuronClass="1.0">
<entries>
451

</entries>
<examplesInClasses>
count="1"/>
</neuron>
neuronClass="0.0">
<entries>
452

</entries>
<examplesInClasses>
count="2"/>
</neuron>
neuronClass="1.0">
<entries>
</entries>
<examplesInClasses>
</neuron>
neuronClass="0.0">
<entries>
453

</entries>
<examplesInClasses>
</neuron>
neuronClass="1.0">
<entries>
454

weight="0.5960896"/>
</entries>
<examplesInClasses>
count="1"/>
</neuron>
neuronClass="1.0">
<entries>
</entries>
<examplesInClasses>
count="1"/>
</neuron>
455

neuronClass="1.0">
<entries>
</entries>
<examplesInClasses>
</neuron>
neuronClass="0.0">
<entries>
456

</entries>
<examplesInClasses>
</neuron>
neuronClass="1.0">
<entries>
457

</entries>
<examplesInClasses>
</neuron>
distanceFunction="com.jcortex.distanceFunctions.EuclideanDistanceFunction"
id="29" neuronClass="null">
<entries>
entry="-57" weight="0.6551463"/>
</entries>
</neuron>
neuronClass="0.0">
<entries>
458

</entries>
<examplesInClasses>
</neuron>
id="31" neuronClass="1.0">
<entries>
459

</entries>
<examplesInClasses>
</neuron>
neuronClass="1.0">
<entries>
</entries>
<examplesInClasses>
count="1"/>
</neuron>
460

<entries>
</entries>
<examplesInClasses>
</neuron>
<entries>
461

</entries>
</neuron>
neuronClass="1.0">
<entries>
weight="0.5199944"/>
462

</entries>
<examplesInClasses>
count="1"/>
</neuron>
neuronClass="1.0">
<entries>
</entries>
<examplesInClasses>
count="1"/>
</neuron>
neuronClass="null">
<entries>
463

entry="-57" weight="0.46635738"/>
</entries>
</neuron>
<entries>
464

</entries>
</neuron>
<entries>
entry="-57" weight="0.6007773"/>
</entries>
<examplesInClasses>
count="1"/>
</neuron>
<entries>
465

</entries>
<examplesInClasses>
</neuron>
<entries>
466

</entries>
</neuron>
<entries>
weight="0.2572744"/>
</entries>
<examplesInClasses>
467

count="2"/>
</neuron>
<entries>
</entries>
<examplesInClasses>
</neuron>
<entries>
468

</entries>
<examplesInClasses>
count="1"/>
</neuron>
<entries>
469

</entries>
<examplesInClasses>
count="2"/>
</neuron>
<entries>
</entries>
<examplesInClasses>
count="1"/>
</neuron>
470

<entries>
</entries>
<examplesInClasses>
count="2"/>
</neuron>
<teacher analysisWindow="10" avgDistanceAccepted="0.05"
class="com.jcortex.kohonen.DefaultKohonenTeacher" constantVariation="1.0E-4"
learningRate="0.4" maxIterations="500" neighbourhoodRadius="1"/>
</neuralNetwork>
471
Modelo de Red Perceptrn

Red Perceptn
simple con dos
entradas, Linear
Basis Function como
funcin de red y una
funcin umbral.

{
bien.
a[o] = 0.19980265; a[m] = 0.19980265; a[n] = 0.19980265
el entrenamiento.
}
472
473
El entrenamiento se detuvo a causa de la tendencia constante del error de validacin.

Esta parada tiene lugar en la iteracin 10, ya que en los parmetros del maestro por
defecto, se ha indicado que el tamao de la ventana de estudio es de 10. (Para ms
informacin
ver
5.6.4.
Modelo
Perceptrn
>
d.
Maestro
DefaultPerceptronTeacher)
aFuncion2Variables.txt (ver)
<neuralNetwork class="com.jcortex.feedForward.PerceptronNeuralNetwork"
sensorCount="2">
<neuron activationFunction="com.jcortex.activationFunctions.StepFunction"
activationParamsCount="1" class="com.jcortex.feedForward.FeedForwardNeuron"
id="0" networkFunction="com.jcortex.networkFunctions.LinearBasisFunction">
</parameters>
<entries>
<entry id="-1" weight="-28.797607"/>
<entry id="-2" weight="20.38462"/>
</entries>
</neuron>
<neuronRef id="0"/>
</firstNeurons>
<neuronRef id="0"/>
474

</endNeurons>
class="com.jcortex.feedForward.DefaultPerceptronTeacher"
</neuralNetwork>
475
Modelo de Redes Perceptrn Multicapa

Red Perceptrn
Multicapa
formada por dos
capas de 2 y 1
neuronas. Todas
las capas usan la
Linear Basis
Function como
funcin de red, y
una sigmoidal
como funcin de
activacin.
En la configuracin del maestro hubo que bajar el error aceptable a una cifra muy baja
ya que el entrenamiento terminaba enseguida por haber alcanzado este umbral.

{
476

bien.
a[o] = 0.5487105; a[m] = 0.5487105; a[n] = 0.6852519
el entrenamiento.
}
477
Est claro porqu la causa de parada del entrenamiento propuesto como ejemplo de un
Perceptrn Multicapa es el sobreaprendizaje. Se puede apreciar como la grfica del
error de validacin comienza a crecer desde el primer momento, lo que indica que la
red no est siendo capaz de generalizar correctamente el conocimiento aprendido.
aFuncion2Variables.txt (ver)
<neuralNetwork class="com.jcortex.backPropagation.MultilayerPerceptronNeuralNetwork"
sensorCount="2">
<layers count="2">
</layers>
<neuron activationFunction="com.jcortex.activationFunctions.SigmoidalFunction"
</parameters>
<entries>
<entry id="-1" weight="-3.11482"/>
<entry id="-2" weight="2.8287375"/>
</entries>
</neuron>
478

</parameters>
<entries>
<entry id="-1" weight="7.708614"/>
<entry id="-2" weight="-7.584787"/>
</entries>
</neuron>
</parameters>
<entries>
<entry id="1" weight="-8.249389"/>
<entry id="0" weight="7.265858"/>
</entries>
</neuron>
<neuronRef id="0"/>
<neuronRef id="1"/>
</firstNeurons>
<neuronRef id="2"/>
</endNeurons>
<teacher acceptableError="5.0E-4" analysisWindow="10"
class="com.jcortex.backPropagation.DefaultMultilayerPerceptronTeacher"
</neuralNetwork>
479
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
480

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
481

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
482

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
483

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
484

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
485

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
486

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
487

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
488

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
489

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
490

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
491

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
492

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
493

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
494

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
495

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
496

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
497

-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
498

@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,
499

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,
500

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,
501

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,
502

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,
503

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,
504

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,
505

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,
506

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,
507

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,
508

Redes Neuronales y Easy Java

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Redes Neuronales y Easy Java

Uploaded by

Copyright:

Available Formats

UNIVERSIDAD PONTIFICIA COMILLAS

ESCUELA TCNICA SUPERIOR DE INGENIERA (ICAI)

PROYECTO FIN DE CARRERA

MIGUEL LARA ENCABO

Memoria de desarrollo Framework JCortex http://www.jcortex.com/

Autorizada la entrega del proyecto del alumno/a:

EL DIRECTOR DEL PROYECTO

Fecha: ....../ ....../ ......

Vo Bo del Coordinador de Proyectos

Fecha: ....../ ....../ ......

Memoria de desarrollo Framework JCortex http://www.jcortex.com/

FRAMEWORK PARA REDES NEURONALES EN JAVA

RESUMEN DEL PROYECTO

Memoria de desarrollo Framework JCortex http://www.jcortex.com/

El anlisis de viabilidad del proyecto dio un resultado positivo. Estudiando el estado

Entrando en el diseo e implantacin del framework JCortex, se parte de la idea de

Memoria de desarrollo Framework JCortex http://www.jcortex.com/

El entorno de desarrollo JCortexBuilder fue construido bajo la premisa de no lastrar

Memoria de desarrollo Framework JCortex http://www.jcortex.com/

sistema est completamente

internacionalizado con localizaciones gestionadas mediante Resource Bundles.

Desde el punto de vista puramente tcnico se puede considerar que el proyecto ha

Memoria de desarrollo Framework JCortex http://www.jcortex.com/

NEURAL NETWORKS FRAMEWORK FOR JAVA

The projects Feasibility Analysis produced a positive result. Studying state-of-the-art

Memoria de desarrollo Framework JCortex http://www.jcortex.com/

Memoria de desarrollo Framework JCortex http://www.jcortex.com/

Memoria de desarrollo Framework JCortex http://www.jcortex.com/

Memoria de desarrollo Framework JCortex http://www.jcortex.com/

ndice del documento

Memoria de desarrollo Framework JCortex http://www.jcortex.com/

Funciones de Activacin para Back-Propagation ................................. 50

Funciones de Distancia ......................................................................... 51

Funciones de Red ................................................................................. 52

5.5.6. El Maestro (Teacher).......................................................................... 53

Memoria de desarrollo Framework JCortex http://www.jcortex.com/

Memoria de desarrollo Framework JCortex http://www.jcortex.com/

Memoria de desarrollo Framework JCortex http://www.jcortex.com/

Memoria de desarrollo Framework JCortex http://www.jcortex.com/

1. Descripcin del proyecto

JCortex: framework para Redes

JCortexBuilder: entorno grfico

Neuronales Artificiales en Java.

de desarrollo para JCortex.

En el documento del Anexo A, presentado en junio del 2005, se enunciaba la

A partir de esta descripcin, el Proyecto Fin de Carrera se fue perfilando

Memoria de desarrollo Framework JCortex http://www.jcortex.com/

El framework ha de permitir desarrollar sobre l soluciones basadas en

Obtener un framework que pueda ser personalizado, tanto el modelado de

Implantar en el framework los modelos de Redes Neuronales Artificiales

Cmoda extensin del framework para incluir nuevos modelos

Obtener un entorno de desarrollo grfico JCortexBuilder que facilite la

En la lista anterior se han obviado los objetivos clsicos de cualquier proyecto

Memoria de desarrollo Framework JCortex http://www.jcortex.com/

Aprovechar una de las pocas oportunidades disponibles para embarcarse en

Realizar una aportacin a la comunidad Java a travs de un sistema con

Aprovechar el tirn de la inteligencia artificial y de las Redes Neuronales, en

Memoria de desarrollo Framework JCortex http://www.jcortex.com/

4.1.1 Alternativas ya existentes

Memoria de desarrollo Framework JCortex http://www.jcortex.com/

4.2. Anlisis econmico

A la hora de disear la Planificacin Definitiva, que se presenta en el captulo

Memoria de desarrollo Framework JCortex http://www.jcortex.com/

Tabla 1: Fases de desarrollo previstas en la planificacin inicial descartada