Enviar búsqueda
Cargar
Redes neuronales perceptrón y Adaline
•
0 recomendaciones
•
105 vistas
Título mejorado por IA
S
Spacetoshare
Seguir
Perceptron y Adaline
Leer menos
Leer más
Educación
Denunciar
Compartir
Denunciar
Compartir
1 de 15
Descargar ahora
Descargar para leer sin conexión
Recomendados
REDES NEURONALES De Hopfield
REDES NEURONALES De Hopfield
ESCOM
Presentación 2 algebra booleana
Presentación 2 algebra booleana
Enrique Villafuerte
Apuntes y ejercicios Señales y sistemas (Borrador)
Apuntes y ejercicios Señales y sistemas (Borrador)
Julio Daniel Ruano
OPTIMIZACIÓN 05
OPTIMIZACIÓN 05
FdeT Formación
Sumador\Restador
Sumador\Restador
Jeduard Ortega M
Redes neuronales-funciones-activacion-hardlim- hardlims-matlab
Redes neuronales-funciones-activacion-hardlim- hardlims-matlab
Ana Mora
Unidad 2_C42_1.docx
Unidad 2_C42_1.docx
JorgeAntoniMartinezC1
Ejercicios de apoyo para el 1er parcial de cálculo diferencial
Ejercicios de apoyo para el 1er parcial de cálculo diferencial
octaviofarfan
Recomendados
REDES NEURONALES De Hopfield
REDES NEURONALES De Hopfield
ESCOM
Presentación 2 algebra booleana
Presentación 2 algebra booleana
Enrique Villafuerte
Apuntes y ejercicios Señales y sistemas (Borrador)
Apuntes y ejercicios Señales y sistemas (Borrador)
Julio Daniel Ruano
OPTIMIZACIÓN 05
OPTIMIZACIÓN 05
FdeT Formación
Sumador\Restador
Sumador\Restador
Jeduard Ortega M
Redes neuronales-funciones-activacion-hardlim- hardlims-matlab
Redes neuronales-funciones-activacion-hardlim- hardlims-matlab
Ana Mora
Unidad 2_C42_1.docx
Unidad 2_C42_1.docx
JorgeAntoniMartinezC1
Ejercicios de apoyo para el 1er parcial de cálculo diferencial
Ejercicios de apoyo para el 1er parcial de cálculo diferencial
octaviofarfan
Análisis y síntesis de fourier resumen
Análisis y síntesis de fourier resumen
miguel rodriguez
Lógica difusa
Lógica difusa
Spacetoshare
Tarea2 juan delgadillo
Tarea2 juan delgadillo
MurciGonzales
redes kohonen
redes kohonen
Joseph Herrera
RED NEURONAL ADALINE
RED NEURONAL ADALINE
ESCOM
Redes neuronales multicapa y monocapa
Redes neuronales multicapa y monocapa
Levy GT
Teorema de cauchy
Teorema de cauchy
hector leon cervantes cuellar
Ajuste polinomial de curvas
Ajuste polinomial de curvas
Carlos Alberto Gómez Fuentes
Construccion , Diseño y Entrenamiento de Redes Neuronales Artificiales
Construccion , Diseño y Entrenamiento de Redes Neuronales Artificiales
ESCOM
La importancia del algebra booleana en mi mercado laboral y practica profesional
La importancia del algebra booleana en mi mercado laboral y practica profesional
René Domínguez
Presentacion De Serie De Fourier
Presentacion De Serie De Fourier
Grupo 4 Señales y Sistema
Guia de ejercicios metodos de integracion
Guia de ejercicios metodos de integracion
Antonio Leopardi
Numeros complejos
Numeros complejos
Itscuintli Tliltik
La función escalón unitario
La función escalón unitario
Yasmany Esquivel Carrasco
Tabla de Dualidad Transformada Z, Transformada de LaPlace y Discreta.
Tabla de Dualidad Transformada Z, Transformada de LaPlace y Discreta.
Angel Perez
Sólidos de revolución con wolfram mathematica 7
Sólidos de revolución con wolfram mathematica 7
chavaortiz
Perceptrón simple y multicapa
Perceptrón simple y multicapa
Jefferson Guillen
Serie de Fourier
Serie de Fourier
Pato Villacis
Circuito de Hamilton
Circuito de Hamilton
Vicentino
Ejercicios resueltos 2011
Ejercicios resueltos 2011
Deyvid Atens
Perceptron parte 1
Perceptron parte 1
edeciofreitez
Rna10
Rna10
juanpaperez1234
Más contenido relacionado
La actualidad más candente
Análisis y síntesis de fourier resumen
Análisis y síntesis de fourier resumen
miguel rodriguez
Lógica difusa
Lógica difusa
Spacetoshare
Tarea2 juan delgadillo
Tarea2 juan delgadillo
MurciGonzales
redes kohonen
redes kohonen
Joseph Herrera
RED NEURONAL ADALINE
RED NEURONAL ADALINE
ESCOM
Redes neuronales multicapa y monocapa
Redes neuronales multicapa y monocapa
Levy GT
Teorema de cauchy
Teorema de cauchy
hector leon cervantes cuellar
Ajuste polinomial de curvas
Ajuste polinomial de curvas
Carlos Alberto Gómez Fuentes
Construccion , Diseño y Entrenamiento de Redes Neuronales Artificiales
Construccion , Diseño y Entrenamiento de Redes Neuronales Artificiales
ESCOM
La importancia del algebra booleana en mi mercado laboral y practica profesional
La importancia del algebra booleana en mi mercado laboral y practica profesional
René Domínguez
Presentacion De Serie De Fourier
Presentacion De Serie De Fourier
Grupo 4 Señales y Sistema
Guia de ejercicios metodos de integracion
Guia de ejercicios metodos de integracion
Antonio Leopardi
Numeros complejos
Numeros complejos
Itscuintli Tliltik
La función escalón unitario
La función escalón unitario
Yasmany Esquivel Carrasco
Tabla de Dualidad Transformada Z, Transformada de LaPlace y Discreta.
Tabla de Dualidad Transformada Z, Transformada de LaPlace y Discreta.
Angel Perez
Sólidos de revolución con wolfram mathematica 7
Sólidos de revolución con wolfram mathematica 7
chavaortiz
Perceptrón simple y multicapa
Perceptrón simple y multicapa
Jefferson Guillen
Serie de Fourier
Serie de Fourier
Pato Villacis
Circuito de Hamilton
Circuito de Hamilton
Vicentino
Ejercicios resueltos 2011
Ejercicios resueltos 2011
Deyvid Atens
La actualidad más candente
(20)
Análisis y síntesis de fourier resumen
Análisis y síntesis de fourier resumen
Lógica difusa
Lógica difusa
Tarea2 juan delgadillo
Tarea2 juan delgadillo
redes kohonen
redes kohonen
RED NEURONAL ADALINE
RED NEURONAL ADALINE
Redes neuronales multicapa y monocapa
Redes neuronales multicapa y monocapa
Teorema de cauchy
Teorema de cauchy
Ajuste polinomial de curvas
Ajuste polinomial de curvas
Construccion , Diseño y Entrenamiento de Redes Neuronales Artificiales
Construccion , Diseño y Entrenamiento de Redes Neuronales Artificiales
La importancia del algebra booleana en mi mercado laboral y practica profesional
La importancia del algebra booleana en mi mercado laboral y practica profesional
Presentacion De Serie De Fourier
Presentacion De Serie De Fourier
Guia de ejercicios metodos de integracion
Guia de ejercicios metodos de integracion
Numeros complejos
Numeros complejos
La función escalón unitario
La función escalón unitario
Tabla de Dualidad Transformada Z, Transformada de LaPlace y Discreta.
Tabla de Dualidad Transformada Z, Transformada de LaPlace y Discreta.
Sólidos de revolución con wolfram mathematica 7
Sólidos de revolución con wolfram mathematica 7
Perceptrón simple y multicapa
Perceptrón simple y multicapa
Serie de Fourier
Serie de Fourier
Circuito de Hamilton
Circuito de Hamilton
Ejercicios resueltos 2011
Ejercicios resueltos 2011
Similar a Redes neuronales perceptrón y Adaline
Perceptron parte 1
Perceptron parte 1
edeciofreitez
Rna10
Rna10
juanpaperez1234
Utp sirn_s7_adaline y perceptron
Utp sirn_s7_adaline y perceptron
jcbenitezp
Perceptron parte 2
Perceptron parte 2
edeciofreitez
Red Neuronal Adaline
Red Neuronal Adaline
fernandoman
Utp 2015-2_ia_s6_adaline y backpropagation
Utp 2015-2_ia_s6_adaline y backpropagation
jcbp_peru
RED NERONAL ADALINE
RED NERONAL ADALINE
ESCOM
Utp 2015-2_sirn_s6_adaline y backpropagation
Utp 2015-2_sirn_s6_adaline y backpropagation
jcbenitezp
Utp sirn_s6_adaline y backpropagation
Utp sirn_s6_adaline y backpropagation
jcbp_peru
Tema4
Tema4
Juan Junior Cierto Cordova
Mr1i 753-2007-2
Mr1i 753-2007-2
Pablo Enrique Diez Rincon
Regla de aprendizaje del perceptrón simple
Regla de aprendizaje del perceptrón simple
Andrea Lezcano
Utp ia_s5_adaline
Utp ia_s5_adaline
c09271
Metodos iterativos
Metodos iterativos
fabianchopinto
Algoritmo de Retropropagación
Algoritmo de Retropropagación
ESCOM
La Memoria de BAM/Hopfield
La Memoria de BAM/Hopfield
Spacetoshare
Redes Neuronales
Redes Neuronales
gueste7b261
Sistema de ed de primer orden
Sistema de ed de primer orden
Cristian Monrroy Fuentes
Redes neuronales artificiales
Redes neuronales artificiales
Spacetoshare
RED NEURONAL Backpropagation
RED NEURONAL Backpropagation
ESCOM
Similar a Redes neuronales perceptrón y Adaline
(20)
Perceptron parte 1
Perceptron parte 1
Rna10
Rna10
Utp sirn_s7_adaline y perceptron
Utp sirn_s7_adaline y perceptron
Perceptron parte 2
Perceptron parte 2
Red Neuronal Adaline
Red Neuronal Adaline
Utp 2015-2_ia_s6_adaline y backpropagation
Utp 2015-2_ia_s6_adaline y backpropagation
RED NERONAL ADALINE
RED NERONAL ADALINE
Utp 2015-2_sirn_s6_adaline y backpropagation
Utp 2015-2_sirn_s6_adaline y backpropagation
Utp sirn_s6_adaline y backpropagation
Utp sirn_s6_adaline y backpropagation
Tema4
Tema4
Mr1i 753-2007-2
Mr1i 753-2007-2
Regla de aprendizaje del perceptrón simple
Regla de aprendizaje del perceptrón simple
Utp ia_s5_adaline
Utp ia_s5_adaline
Metodos iterativos
Metodos iterativos
Algoritmo de Retropropagación
Algoritmo de Retropropagación
La Memoria de BAM/Hopfield
La Memoria de BAM/Hopfield
Redes Neuronales
Redes Neuronales
Sistema de ed de primer orden
Sistema de ed de primer orden
Redes neuronales artificiales
Redes neuronales artificiales
RED NEURONAL Backpropagation
RED NEURONAL Backpropagation
Más de Spacetoshare
EL HUECO.pdf
EL HUECO.pdf
Spacetoshare
Probles on Algorithms
Probles on Algorithms
Spacetoshare
Sums ADA
Sums ADA
Spacetoshare
Manual de análisis y diseño de algoritmos
Manual de análisis y diseño de algoritmos
Spacetoshare
Inducción matemática
Inducción matemática
Spacetoshare
Fórmulas ADA
Fórmulas ADA
Spacetoshare
Ejercicios Investigación de operaciones
Ejercicios Investigación de operaciones
Spacetoshare
Algoritmos de ordenamiento
Algoritmos de ordenamiento
Spacetoshare
Ejercicios jess
Ejercicios jess
Spacetoshare
Sistemas Expertos
Sistemas Expertos
Spacetoshare
Como escribir tesis
Como escribir tesis
Spacetoshare
COMPONENTES BÁSICOS DE UN SISTEMA MS-DOS
COMPONENTES BÁSICOS DE UN SISTEMA MS-DOS
Spacetoshare
Curso básico de Ensamblador
Curso básico de Ensamblador
Spacetoshare
Ejercicios álgebra superior
Ejercicios álgebra superior
Spacetoshare
INDUCCIÓN MATEMÁTICA
INDUCCIÓN MATEMÁTICA
Spacetoshare
Sistemas de ecuaciones
Sistemas de ecuaciones
Spacetoshare
Determinantes
Determinantes
Spacetoshare
Inducción matemática
Inducción matemática
Spacetoshare
Tareas números complejos
Tareas números complejos
Spacetoshare
Ejer
Ejer
Spacetoshare
Más de Spacetoshare
(20)
EL HUECO.pdf
EL HUECO.pdf
Probles on Algorithms
Probles on Algorithms
Sums ADA
Sums ADA
Manual de análisis y diseño de algoritmos
Manual de análisis y diseño de algoritmos
Inducción matemática
Inducción matemática
Fórmulas ADA
Fórmulas ADA
Ejercicios Investigación de operaciones
Ejercicios Investigación de operaciones
Algoritmos de ordenamiento
Algoritmos de ordenamiento
Ejercicios jess
Ejercicios jess
Sistemas Expertos
Sistemas Expertos
Como escribir tesis
Como escribir tesis
COMPONENTES BÁSICOS DE UN SISTEMA MS-DOS
COMPONENTES BÁSICOS DE UN SISTEMA MS-DOS
Curso básico de Ensamblador
Curso básico de Ensamblador
Ejercicios álgebra superior
Ejercicios álgebra superior
INDUCCIÓN MATEMÁTICA
INDUCCIÓN MATEMÁTICA
Sistemas de ecuaciones
Sistemas de ecuaciones
Determinantes
Determinantes
Inducción matemática
Inducción matemática
Tareas números complejos
Tareas números complejos
Ejer
Ejer
Último
SELECCIÓN DE LA MUESTRA Y MUESTREO EN INVESTIGACIÓN CUALITATIVA.pdf
SELECCIÓN DE LA MUESTRA Y MUESTREO EN INVESTIGACIÓN CUALITATIVA.pdf
Angélica Soledad Vega Ramírez
MAYO 1 PROYECTO día de la madre el amor más grande
MAYO 1 PROYECTO día de la madre el amor más grande
Marjorie Burga
INSTRUCCION PREPARATORIA DE TIRO .pptx
INSTRUCCION PREPARATORIA DE TIRO .pptx
deimerhdz21
plan de capacitacion docente AIP 2024 clllll.pdf
plan de capacitacion docente AIP 2024 clllll.pdf
enelcielosiempre
Estrategia de prompts, primeras ideas para su construcción
Estrategia de prompts, primeras ideas para su construcción
Lourdes Feria
Ecosistemas Natural, Rural y urbano 2021.pptx
Ecosistemas Natural, Rural y urbano 2021.pptx
olgakaterin
Historia y técnica del collage en el arte
Historia y técnica del collage en el arte
Raquel Martín Contreras
plande accion dl aula de innovación pedagogica 2024.pdf
plande accion dl aula de innovación pedagogica 2024.pdf
enelcielosiempre
Plan Refuerzo Escolar 2024 para estudiantes con necesidades de Aprendizaje en...
Plan Refuerzo Escolar 2024 para estudiantes con necesidades de Aprendizaje en...
Carlos Muñoz
Ley 21.545 - Circular Nº 586.pdf circular
Ley 21.545 - Circular Nº 586.pdf circular
MooPandrea
LABERINTOS DE DISCIPLINAS DEL PENTATLÓN OLÍMPICO MODERNO. Por JAVIER SOLIS NO...
LABERINTOS DE DISCIPLINAS DEL PENTATLÓN OLÍMPICO MODERNO. Por JAVIER SOLIS NO...
JAVIER SOLIS NOYOLA
origen y desarrollo del ensayo literario
origen y desarrollo del ensayo literario
ELIASAURELIOCHAVEZCA1
ACUERDO MINISTERIAL 078-ORGANISMOS ESCOLARES..pptx
ACUERDO MINISTERIAL 078-ORGANISMOS ESCOLARES..pptx
zulyvero07
La empresa sostenible: Principales Características, Barreras para su Avance y...
La empresa sostenible: Principales Características, Barreras para su Avance y...
JonathanCovena1
CALENDARIZACION DE MAYO / RESPONSABILIDAD
CALENDARIZACION DE MAYO / RESPONSABILIDAD
auxsoporte
Planificacion Anual 4to Grado Educacion Primaria 2024 Ccesa007.pdf
Planificacion Anual 4to Grado Educacion Primaria 2024 Ccesa007.pdf
Demetrio Ccesa Rayme
Sesión de clase: Fe contra todo pronóstico
Sesión de clase: Fe contra todo pronóstico
https://gramadal.wordpress.com/
La triple Naturaleza del Hombre estudio.
La triple Naturaleza del Hombre estudio.
amayarogel
Neurociencias para Educadores NE24 Ccesa007.pdf
Neurociencias para Educadores NE24 Ccesa007.pdf
Demetrio Ccesa Rayme
Power Point: Fe contra todo pronóstico.pptx
Power Point: Fe contra todo pronóstico.pptx
https://gramadal.wordpress.com/
Último
(20)
SELECCIÓN DE LA MUESTRA Y MUESTREO EN INVESTIGACIÓN CUALITATIVA.pdf
SELECCIÓN DE LA MUESTRA Y MUESTREO EN INVESTIGACIÓN CUALITATIVA.pdf
MAYO 1 PROYECTO día de la madre el amor más grande
MAYO 1 PROYECTO día de la madre el amor más grande
INSTRUCCION PREPARATORIA DE TIRO .pptx
INSTRUCCION PREPARATORIA DE TIRO .pptx
plan de capacitacion docente AIP 2024 clllll.pdf
plan de capacitacion docente AIP 2024 clllll.pdf
Estrategia de prompts, primeras ideas para su construcción
Estrategia de prompts, primeras ideas para su construcción
Ecosistemas Natural, Rural y urbano 2021.pptx
Ecosistemas Natural, Rural y urbano 2021.pptx
Historia y técnica del collage en el arte
Historia y técnica del collage en el arte
plande accion dl aula de innovación pedagogica 2024.pdf
plande accion dl aula de innovación pedagogica 2024.pdf
Plan Refuerzo Escolar 2024 para estudiantes con necesidades de Aprendizaje en...
Plan Refuerzo Escolar 2024 para estudiantes con necesidades de Aprendizaje en...
Ley 21.545 - Circular Nº 586.pdf circular
Ley 21.545 - Circular Nº 586.pdf circular
LABERINTOS DE DISCIPLINAS DEL PENTATLÓN OLÍMPICO MODERNO. Por JAVIER SOLIS NO...
LABERINTOS DE DISCIPLINAS DEL PENTATLÓN OLÍMPICO MODERNO. Por JAVIER SOLIS NO...
origen y desarrollo del ensayo literario
origen y desarrollo del ensayo literario
ACUERDO MINISTERIAL 078-ORGANISMOS ESCOLARES..pptx
ACUERDO MINISTERIAL 078-ORGANISMOS ESCOLARES..pptx
La empresa sostenible: Principales Características, Barreras para su Avance y...
La empresa sostenible: Principales Características, Barreras para su Avance y...
CALENDARIZACION DE MAYO / RESPONSABILIDAD
CALENDARIZACION DE MAYO / RESPONSABILIDAD
Planificacion Anual 4to Grado Educacion Primaria 2024 Ccesa007.pdf
Planificacion Anual 4to Grado Educacion Primaria 2024 Ccesa007.pdf
Sesión de clase: Fe contra todo pronóstico
Sesión de clase: Fe contra todo pronóstico
La triple Naturaleza del Hombre estudio.
La triple Naturaleza del Hombre estudio.
Neurociencias para Educadores NE24 Ccesa007.pdf
Neurociencias para Educadores NE24 Ccesa007.pdf
Power Point: Fe contra todo pronóstico.pptx
Power Point: Fe contra todo pronóstico.pptx
Redes neuronales perceptrón y Adaline
1.
1 Redes de Neuronas.
Perceptron y Adaline © José Mª Valls 2007 Perceptron y Adaline Redes de Neuronas. Perceptron y Adaline © José Mª Valls 2007 • Sistema capaz de realizar tareas de clasificación de forma automática Perceptron simple • A partir de un número de ejemplos etiquetados, el sistema determina la ecuación del hiperplano discrimininante
2.
2 Redes de Neuronas.
Perceptron y Adaline © José Mª Valls 2007 Arquitectura • Red monocapa con una o más neuronas de salida conectadas a todas las entradas y= 1, si 0 2 2 1 1 > + + θ x w x w - 1, si x1 x2 w1 w2 y θ 1 0 2 2 1 1 ≤ + + θ x w x w Redes de Neuronas. Perceptron y Adaline © José Mª Valls 2007 Arquitectura • El perceptron equivale a un hiperplano de dimensión n-1 capaz de separar las clases – Si la salida del perceptron es +1, la entrada pertenecerá a una clase (estará situada a un lado del hiperplano) – Si la salida es -1, la entrada pertenecerá a la clase contraria (estará situada al otro lado del hiperplano) • La ecuación del hiperplano es: 0 2 2 1 1 = + + θ x w x w 2 1 2 1 2 w x w w x θ − − = Pendiente de la recta Punto de corte con el eje de ordenadas En dos dimensiones es una recta x1 x2
3.
3 Redes de Neuronas.
Perceptron y Adaline © José Mª Valls 2007 • En general, para n dimensiones: Arquitectura 0 .... 2 2 1 1 = + + + + θ n n x w x w x w x1 x2 w1 w2 y θ 1 xn ….. Redes de Neuronas. Perceptron y Adaline © José Mª Valls 2007 • Los datos son puntos en un espacio multidimensional • Se dispone de un conjunto de observaciones (puntos) de los que se sabe su categoría o clase • Hay que determinar la ecuacion del hiperplano que deja a un lado los ejemplos de un tipo y a otro los del otro • La ecuacion del hiperplano se deduce a partir de los ejemplos • Ejemplos: Puntos de • Hiperplano: Proceso ) ,... , ( : 2 1 n n x x x ℜ 0 .... 2 2 1 1 = + + + + θ n nx w x w x w
4.
4 Redes de Neuronas.
Perceptron y Adaline © José Mª Valls 2007 • Proceso iterativo supervisado • Modicacion de los parámetros de la red (pesos y umbral), hasta encontrar el hiperplano discriminante • Numero finito de iteraciones ‰ Dado: • Conjunto de ejemplos de entrenamiento etiquetados (clase A o B) y distribuidos en un espacio multidimensional Ejemplos: patrón p: Salida deseada para p: ‰ Encontrar hiperplano discriminante que separa las clases A y B Encontrar los parámetros Aprendizaje n ℜ ) ,.... , ( 2 1 p n p p p x x x x = ) ( p x d B x si x d A x si x d p p p p ∈ − = ∈ = , 1 ) ( ; , 1 ) ( 0 .... 2 2 1 1 = + + + + θ n nx w x w x w θ , ,.... , 2 1 n w w w Redes de Neuronas. Perceptron y Adaline © José Mª Valls 2007 Algoritmo de Aprendizaje • Se dispone de un conjunto de ejemplos de entrenamiento; cada uno de ellos será un vector de entrada y una salida: 1. Empezar con valores aleatorios para los pesos y el umbral 2. Seleccionar un vector de entrada del conjunto de ejemplos de entrenamiento 3. Si la red da una respuesta incorrecta. Modicar wi de acuerdo a: 4. Si no se ha cumplido el criterio de finalización, volver a 2 } 1 , 1 { ) ( )), ( , ( − = χ χ χ d d ) (χ d y ≠ ) (χ d x w i i = ∆ ) (χ θ d = ∆
5.
5 Redes de Neuronas.
Perceptron y Adaline © José Mª Valls 2007 Ejemplo: función AND 1 2 3 4 © Isasi 2002 Redes de Neuronas. Perceptron y Adaline © José Mª Valls 2007 Función AND • Valores iniciales: Patron Salida Clasifica (-1,-1|-1) f(-1 + (-1) + 0.5)=f(-1.5)=-1 Bien [-1=d(X)] (+1,-1|-1) f(1 + (-1) + 0.5)=f(0.5)=+1 Mal [+1 ≠ d(X)] Hay que ajustar pesos 1 2 © Isasi 2002 © Isasi 2002
6.
6 Redes de Neuronas.
Perceptron y Adaline © José Mª Valls 2007 Función AND 0 2 - 0.5 2 © Isasi 2002 Redes de Neuronas. Perceptron y Adaline © José Mª Valls 2007 Patron Salida Clasifica (-1,+1|-1) f(0 + 2 - 0.5)=f(1.5)=1 Mal [1≠ d(X)] Hay que ajustar pesos 3 Función AND
7.
7 Redes de Neuronas.
Perceptron y Adaline © José Mª Valls 2007 Función AND - 1.5 3 © Isasi 2002 Redes de Neuronas. Perceptron y Adaline © José Mª Valls 2007 Función AND Patron Salida Clasifica (+1,+1|+1) f(1 + 1 - 1.5)=f(0.5)=1 Bien [1= d(X)] Ya se ha completado un ciclo. Hay que completar otro ciclo sin que se realicen ajustes: Patron Salida Clasifica (-1,-1|-1) f(-1 + (-1) - 1.5)=f(-3.5)=-1 Bien [-1=d(X)] (+1,-1|-1) f(1 + (-1) - 1.5) =f(-1.5)=-1 Bien [-1=d(X)] (-1,+1|-1) f(-1 + 1 - 1.5) =f(-1.5)=-1 Bien [-1=d(X)] (+1,+1|+1) f(1 + 1 - 1.5) =f(0.5)=+1 Bien [+1=d(X)] 4 1 2 3 4
8.
8 Redes de Neuronas.
Perceptron y Adaline © José Mª Valls 2007 Función AND - 1.5 © Isasi 2002 Resultado final: Redes de Neuronas. Perceptron y Adaline © José Mª Valls 2007 • El perceptrón realiza tareas de clasificación salida binaria • Si las salidas fueran números reales, estaríamos ante un problema de regresión (Applet de regresión: http://www.math.csusb.edu/faculty/stanton/m262/regress/regress.html) • Aproximar una función cualquiera F(x) definida por un conjunto de datos de entrada y su salida real correspondiente • Los ejemplos de entrenamiento son conjuntos de valores: (vector de entrada, salida real) • Habrá que buscar la función tal que )} , ),....( , ( ), , {( 2 2 1 1 m m y x y x y x P r r r = ) (x F r P x y x F i i i ∈ ∀ = r r , ) ( Adaline: ADAptive LInear NEuron
9.
9 Redes de Neuronas.
Perceptron y Adaline © José Mª Valls 2007 • Desarrollado en 1960 por Widrow y Hoff • Estructura prácticamente idéntica al perceptron, pero es un mecanismo físico capaz de realizar aprendizaje • Elemento combinador adaptativo lineal, que recibe todas las entradas, las suma ponderadamente, y produce una salida Adaline: ADAptive LInear NEuron x1 x2 w1 w2 y θ 1 xn ….. Redes de Neuronas. Perceptron y Adaline © José Mª Valls 2007 • La diferencia con el perceptron es la manera de utilizar la salida en la regla de aprendizaje • El perceptron utiliza la salida de la funcion umbral (binaria) para el aprendizaje. Sólo se tiene en cuenta si se ha equivocado o no. • En Adaline se utiliza directamente la salida de la red (real) teniendo en cuenta cuánto se ha equivocado. • Se utiliza la diferencia entre el valor real esperado d y la salida producida por la red y. Para un patrón de entrada xp, se tendrá en cuenta el error producido (dp-yp) • El objetivo es obtener una red tal que yp=dp para todos los patrones p Adaline
10.
10 Redes de Neuronas.
Perceptron y Adaline © José Mª Valls 2007 • Será imposible conseguir una salida exacta porque y es una función lineal, pero se minimizará el error cometido para todos los patrones de entrenamiento • Hay que elegir una medida de dicho error, p.ej.el error cuadrático • La regla de aprendizaje será la REGLA DELTA x1 x2 y Adaline Redes de Neuronas. Perceptron y Adaline © José Mª Valls 2007 Regla Delta • Los patrones de entrenamiento estan constituidos por pares de valores que son el vector de entrada y su salida deseada • La regla Delta utiliza la diferencia entre la salida producida para cada patron (p) y la deseada • Se calcula una funcion de error para todo el conjunto de patrones: ) , ( d x r ) ( p p y d − Error cuadrático por patrón Error global
11.
11 Redes de Neuronas.
Perceptron y Adaline © José Mª Valls 2007 • La regla Delta busca el conjunto de pesos que minimiza la funcion de error • Se hará mediante un proceso iterativo donde se van presentando los patrones uno a uno y se van modificando los parámetros de la red mediante la regla del descenso del gradiente • La idea es realizar un cambio en cada peso proporcional a la derivada del error, medida en el patron actual, respecto del peso: Regla Delta Redes de Neuronas. Perceptron y Adaline © José Mª Valls 2007 Regla Delta
12.
12 Redes de Neuronas.
Perceptron y Adaline © José Mª Valls 2007 • Aplicando la regla de la cadena queda: 2 ) ( 2 1 p p p y d E − = ) ( ) 1 ( ) ( 2 1 2 p p p p y d y d − − = − × − × θ + + + + = .... ... 1 1 1 1 j j p x w x w x w y j j p x w y = ∂ ∂ j p p j p x y d w ) ( − = ∆ γ Regla Delta Redes de Neuronas. Perceptron y Adaline © José Mª Valls 2007 1. Inicializar los pesos de forma aleatoria 2. Introducir un patrón de entrada 3. Calcular la salida, compararla con la deseada y obtener la diferencia: (dp - yp) 4. Para todos los pesos, multiplicar dicha diferencia por la entrada correspondiente y ponderarla por la tasa de aprendizaje 5. Modicar el peso sumando al valor antiguo la cantidad obtenida en 4) 6. Si no se ha cumplido el criterio de convergencia, regresar a 2), si se han acabado todos los patrones empezar de nuevo a introducir patrones Algoritmo de aprendizaje j p p j p x y d w ) ( − = ∆ γ j p p j p w w wj ∆ + = −1
13.
13 Redes de Neuronas.
Perceptron y Adaline © José Mª Valls 2007 En Perceptron la salida es binaria, en Adaline es real En Adaline existe una medida de cuánto se ha equivocado la red, en Perceptron sólo de si se ha equivocado o no En Adaline hay una razón de aprendizaje γ para regular lo que va a afectar cada equivocacion a la modicacion de los pesos. Es siempre un valor entre 0 y 1 para ponderar el aprendizaje Perceptron vs. Adaline Redes de Neuronas. Perceptron y Adaline © José Mª Valls 2007 Ejemplo 1: Decodificador binario-decimal 7 1 1 1 6 0 1 1 5 1 0 1 4 0 0 1 3 1 1 0 2 0 1 0 1 1 0 0 d x3 x2 x1 Aproximar con Adaline la función que realiza la decodificación binario-decimal Vamos a utilizar como tasa de aprendizaje 0.3 y los siguientes valores de pesos: w1=0.84 w2=0.39 w3=0.78
14.
14 Redes de Neuronas.
Perceptron y Adaline © José Mª Valls 2007 Problemas no linelamente separables: XOR © Isasi 2002 Redes de Neuronas. Perceptron y Adaline © José Mª Valls 2007 Problema XOR © Isasi 2002
15.
15 Redes de Neuronas.
Perceptron y Adaline © José Mª Valls 2007 Problema XOR © Isasi 2002
Descargar ahora