1. Sistemas Inteligentes y
Redes Neuronales Artificiales
(SI01)
Laboratorio: 1
Funciones de activación de las RNAs
Ing. José C. Benítez P.

2. Funciones de activación de las RNAs
Objetivo
Fundamento teórico: Funciones de las RNA.
Funciones de Activación
Tarea
Informe de Laboratorio
Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 2

3. Objetivo
Revisar el concepto y aplicación de las diferentes
funciones que representan a las RNAs.
Graficar las diferentes funciones de activación
utilizados usualmente en RNAs.
Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 3

4. Fundamento teórico
Funciones que representan a las RNAs:
La salida de una neurona viene dada por tres funciones:
1. Una función de propagación
2. Una función de activación
3. Una función de transferencia
Capa de
Salida
Salida
1 Y
e
Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 4

5. Fundamento teórico
1. Una función de propagación.
• También es conocida como función de excitación.
• Consiste en la sumatoria de cada entrada multiplicada por el peso
de su interconexión (valor neto).
• Si el peso es positivo, la conexión se denomina excitatoria; si es
negativo, se denomina inhibitoria.
2. Una función de activación
• La función de activación, modifica a la función de propagación.
• Puede no existir, siendo en este caso la salida la misma función
de propagación.
3. Función de transferencia
• La función de transferencia, se aplica al valor devuelto por la
función de activación.
Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 5

6. Funciones de activación
Función de transferencia de las RNA
Como función de transferencia se usan generalmente las siguientes
funciones:
- Escalón
- Lineal
- No lineal
- Competitiva
- Saturación
Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 6

7. a) Función de activación Escalón.
Utilizada en redes Perceptron. Se obtiene salidas de valores [0,1].
Se usa el comando:
>>Y=hardlim(v)
Ejemplo:
>>v=-10:0.5:10;
>>subplot(121), plot(v);
>>subplot(122), stem(v);
>>O=hardlim(v);
>>subplot(121), plot(v,O)
>>subplot(122), stem(v,O)
>>m=[-5:0.5:5;-4:0.5:6];
>>O=hardlim(m);
>>subplot(121), plot(v,O)
>>subplot(122), stem(v,O)
>>m2=[-5:0.5:5;-4:0.5:6 ;-3:0.5:7];
>>O=hardlim(m2);
>>subplot(121), plot(v,O)
>>subplot(122), stem(v,O)
Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 7

8. b) Función de activación Escalón.
Utilizada en redes Perceptron. Se obtiene salidas de valores [-1,1].
Se usa el comando:
>>Y=hardlims(v)
Ejemplo:
>>v=-10:0.5:10;
>>subplot(121), plot(v);
>>subplot(122), stem(v);
>>O=hardlims(v);
>>subplot(121), plot(v,O)
>>subplot(122), stem(v,O)
>>m=[-5:0.5:5;-4:0.5:6];
>>O=hardlims(m);
>>subplot(121), plot(v,O)
>>subplot(122), stem(v,O)
>>m2=[-5:0.5:5;-4:0.5:6 ;-3:0.5:7];
>>O=hardlims(m2);
>>subplot(121), plot(v,O)
>>subplot(122), stem(v,O)
Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 8

9. Para las siguientes funciones de
activación utilizar los vectores de
entrada mostrados:
>>v=-10:0.5:10;
>>m=[-5:0.5:5;-4:0.5:6];
>>m2=[-5:0.5:5;-4:0.5:6 ;-3:0.5:7];
Graficar las entradas y las salidas
respectivamente.
Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 9

10. c) Función de activación Lineal.
Utilizada en redes adaline o en la última capa de las MLP.
La salida es igual que la
entrada, se obtiene con el
comando:
>>Y=purelin(v)
d) Función de activación Gaussiana.
Utilizada en redes de base radial
La respuesta es de una función
gaussiana, utilizamos el comando :
>>Y=radbas(v)
Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 10

11. e) Función de activación no Lineal.
Para la salida [0,1], función
sigmoide logaritmica,
utilizamos el comando :
>>Y=logsig(v)
Para la salida [-1,1], función
tangente sigmoidal
hiperbólica, utilizamos el
comando :
>>Y=tansig(v)
Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 11

12. f) Función de activación Saturación.
Utilizada en las redes Hopfield
Para la salida de valores [0,1],
utilizamos el comando :
>>Y=satlin(v)
Para la salida de valores [-1,1],
utilizamos el comando :
>>Y=satlins(v)
Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 12

13. Tarea
Utilizar vectores cuadráticos, rampa, ruido y pulso
(cada una centrado en el eje Y) para cada una de las
funciones de activación desarrolladas en este
laboratorio. Mediante MatLab graficar el vector de
entrada y la salida.
Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 13

14. Informe de Laboratorio
El Informe de Laboratorio es un documento gráfico en lo posible
y es redactado en Word con el desarrollo del laboratorio.
Niveles de Informe:
Primer nivel: Observaciones. Imágenes con comentarios
cortos. Redactar al ir desarrollando el laboratorio. (Requiere
desarrollar el laboratorio).
Segundo nivel: Conclusiones. Redactar al terminar el
laboratorio.(Requiere haber desarrollado el laboratorio).
Tercer Nivel: Recomendaciones. (Requiere lectura de otras
fuentes).
Dentro de su Carpeta Personal del Dropbox crear una carpeta
para el laboratorio 1 con el siguiente formato:
SIRN_PaternoM_Lab1
Adjuntar fuentes que le han ayudado en esta carpeta creada.
Las fuentes deben conservar el nombre original de archivo y se
debe agregar _L1 al final.
Presentar el Informe de Laboratorio 1 en esta carpeta creada.
Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 14

15. Lab1. Funciones de activación de las RNAs.
http://utpsirn.blogspot.com
Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 15