Este documento resume el funcionamiento del ADALINE (ADAptive LINear Element), una red neuronal artificial simple que consta de un solo nodo. Explica que el ADALINE realiza una suma ponderada de las entradas y devuelve 1 como salida si el resultado es positivo o 0 si es negativo, resolviendo problemas binarios linealmente separables. También compara al ADALINE con el Perceptrón, señalando que el ADALINE usa un algoritmo LMS para minimizar el error cuadrático medio, haciéndolo menos sensible al ruido.

1. 
Abstract— Este documento tiene como finalidad realizar una
pequeel explicar el funcionamiento de la neurona artificial
llamada Perceptron, para ello se lo ha codificado en el lenguaje de
programación JAVA. Proveerá un resultado, previo a un
entrenamiento, a partir de dos entradas.
I. OBJETIVOS
L objetivo principal del laboratorio realizar una
investigación sobre el ADALINE.
II. INTRODUCCION
STE documento va tratar sobre la definición,
funcionamiento, función de activación, método de
aprendizaje del ADALINE así como sus diferencias con el
Perceptron.
III. MARCO TEORICO
La red tipo Perceptrón fue inventada por el sicólogo Frank
Rosenblatt en el año 1957. Su intención era ilustrar algunas
propiedades fundamentales de los sistemas inteligentes en
general, sin entrar en mayores detalles con respecto a
condiciones específicas y desconocidas para organismos
biológicos concretos. Rosenblatt creía que la conectividad
existente en las redes biológicas tiene un elevado porcentaje de
aleatoriedad, por lo que se oponía al análisis de McCulloch Pitts
en el cual se empleaba lógica simbólica para analizar
estructuras bastante idealizadas
ADALINE que por sus siglas en inglés significa ADAptive
LINear Element es un dispositivo que consta de un solo
elemento de procesamiento, por lo que técnicamente no es una
red. Sin embargo es un elemento muy importante, ya que de él
se derivan redes más complejas.
Figura 1: Adaline (ADAptive LINear Element).
Una ADALINE consiste de un ALC (Adaptive Linear
Combiner) y un cuantizador (función bipolar de salida). Se
alimenta con un vector de entrada (valores observados) y con
una entrada constante igual a 1 denominada sesgo (bias).
Posteriormente se efectúa una suma ponderada de los valores
de entrada con sus pesos asociados; si el resultado es positivo,
la salida del ADALINE es 1, en caso contrario es 0 (o -1). En
consecuencia ADALINE sólo resuelve adecuadamente
problemas binarios linealmente separables.
En el año de 1060 Bernard Widrow y Marcian Hoff,
presentaron el ADALINE, y una regla de aprendizaje la cual
denominaron algoritmo LMS (least mean squeare).
El ADALINE es muy similar al Perceptron, exceptuando que
su función de activación, a diferencia del Perceptron que es
una función escalon, es una función de transferencia linear.
Sufre la misma limitante que el Perceptron la cual es que solo
pueden resolver problemas linealmente separables.
Adaline
Jonathan Bladimir Arana Mora
jarana@est.ups.edu.ec
E
E

2. Figura 2: Estructura de un ADALINE
Método de Aprendizaje.
Figura 3: Arquitectura Adaline.
Para su aprendizaje el ADALINE utiliza el algoritmo LMS.
También llamado del algoritmo de Widrow-Hoff.
Consiste en ajustar los pesos para minimizar el mse (mean
squeare error).
Sea un conjunto de entradas:
Se aplican las Q entradas calculando cada error como la
diferencia entre el objetivo y la salida.
Se desea minimizar el promedio de los cuadrados de estos
errores:
e2(w) = (t - a(w))2
∇𝐸 =
1
𝑄
∑ ∇𝑒2(𝑤)
𝑄
𝑘=1
𝑊 = 𝑊−∝ ∇𝐸
Diferencias con Perceptron.
 El algoritmo LMS es más poderoso que la regla de
aprendizaje del Perceptron.
 La regla del Perceptron garantiza la convergencia a
una solución que categoriza correctamente el
patrón de entrenamiento, pero la red resultante
puede ser sensible al ruido ya que frecuentemente
el modelo cae cerca de la frontera de decisión.
 El algoritmo LMS minimiza el error medio
cuadrático, y por consiguiente trata de mover la
frontera de decisión tan lejos como sea posible del
modelo de entrenamiento.
 El algoritmo LMS ha encontrado muchos más
usos que la regla de aprendizaje del Perceptron.
En esencia en el área del procesamiento digital de
señales.

3. PERCEPTRON ADALINE
Función de
Transferencia
ESCALON LINEAL
Resolución de
problemas
Linealmente
Separables
Linealment
e
Separables
Comportamiento
con
respecto al
RUIDO
Sensible al
Ruido
Minimiza el
Ruido
Algoritmo de
aprendizaje
Regla de
aprendizaje
del Perceptron
LMS
La tabla resumen las principales y más importantes
diferencias del Perceptron con respecto al ADALINE.
IV. CONCLUSIONES
Se realizó una investigación sobre las redes neuronales en la
inteligencia artificial.
Se obtuvo información para realizar la consulta sobre el
ADALINE, tanto como para su definición y sus diferencias
con su predecesor el PERCEPTRON.
Se pudo conocer de la limitación del Perceptron, y sobre lo
que se mejoró en el ADALINE.
REFERENCES
[1] “PERCEPTRÓN.” WIKIPEDIA, LA ENCICLOPEDIA LIBRE,
JUNIO 19, 2014.
[2]http://www.ayc.unavarra.es/miguel.pagola/Redes
%20Neuronales.pdf
[3]http://www.geofisica.cl/English/pics3/FUM6.ht
m
[4]http://moisesrbb.tripod.com/unidad1.htmhttp
[5]http://www.zator.com/Hardware/H1_7_1.htm
[6]http://delta.cs.cinvestav.mx/~ccoello/revistas/gen
etico.pdf.gz
[7] Smith, Robert E.; Goldberg, David, E. y
Earickson, Jeff A. "SGA-C : A C-language
Implementation of a Simple
Genetic Algorithm", TCGA Report No. 91002, The
Clearinghouse for Genetic Algorithms, The
University of Alabama,
Mayo 14 de 1991.
[8] Filho, José L. Ribeiro; Treleaven, Philip C. y
Alippi, Cesare. "Genetic-Algorithm Programming
Environments", en IEEE Computer, Junio de 1994,
pp. 28-43.