10. Aprendizaje
1. Tomamos unos pesos (w) iniciales
aleatorios,
2. Calculamos la salida de la red,
3. Comparamos la salida actual con la salida
deseada,
4. Ajustamos pesos,
5. Iteramos hasta lograr la salida deseada o un
aproximado
11. Notación de Iteraciones
En k-esima iteración
Pesos w(k)
Activación net(k)
Salida generada y(k)
Salida deseada d
Error e(k) =d-y(k)
Ajustar pesos en cada
iteración
12. Ajuste de pesos en cada iteración
Si e(k) =0 fin
En caso contrario
Caso 1 e(k) =1, cuando d=1 , y(k) =0
Caso 2 e(k) =-1, cuando d=0 , y(k) =1
13. Ajuste de pesos
Caso 1 e(k) =1, tenemos nx
Caso 2 e(k) =-1, tenemos –nx
Es decir tenemos: n * e(k) * x
Con n un factor de aprendizaje
Así:
w(k+1) = w(k) +n* e(k) * x
15. Algoritmo
Entrada xi , yi
Salida vector de pesos w
Inicio
k=0
inicializar w(k), n
repetir
para cada (xi,yi) hacer
yi
(k)=f(w(k)’*xi)
ei
(k) =di-yi
(k)
actualizar w(k+1) = w(k) +n* ei
(k) * xi
siguiente
k=k+1
hasta que ||(ei
(k-1)) ||<Є
fin