Red Perceptron

Red Perceptron

Alejandro Patio PrezIngeniero MecatrnicoEscuela de Ingeniera de AntioquiaEstudiante de maestra en ingeniera de sistemasUniversidad Nacional de ColombiaCorreo: alepaper@gmail.comGeneralidades

Definicin

Arquitectura

Codificacin

1

Agenda2

Estndar para la notacin3

3

La Red Perceptron es una red mono capa la cual tiene una funcin de activacin escaln o tambin conocida como el limitador duro:

Posee peso de umbral o Bias.Est totalmente conectada.Como su funcin de activacin es binaria me permite dividir el espacio de solucin en dos partes.Red Perceptron4

Red PerceptronFuncin de activacin:

5Creacin Propia

Red PerceptronArquitectura de la red:

6Creacin Propia

Red Perceptron

7

Red Perceptron

8

Red Perceptron9

Red Perceptron10

Red PerceptronCompuerta lgica AND:La red perceptron nos sirve para dar solucin al modelo de la compuerta lgica AND, ya que dependiendo de unos valores de entrada se puede obtener una salida 1 o 0, 1 o -1. Se busca una recta que separe correctamente los patrones.

11X1X2Salida111100010000

Red PerceptronAlgoritmo de implementacin:Se inicializan los pesos de manera aleatoria.Se presenta la primera entrada a la red y se calcula la salida total teniendo en cuenta la funcin de activacin.Se calcula el error y se acumula el error cuadrtico medio para la entrada, teniendo en cuenta el valor deseado.Se actualizan los pesos de la red con respecto al error.Se ejecutan los pasos 2, 3 y 4 para los dems datos de entrada.Se pregunta por el error cuadrtico medio, si es 0 se para el proceso, de lo contrario se repiten los pasos 2, 3, 4 y 5 hasta que se cumpla el numero de iteraciones programados. Nota: se debe inicializar el error cuadrtico medio en cada iteracin.Se obtienen los pesos de la red, el error de cada entrada y el error cuadrtico medio.

12

Muchas gracias por su atencinPrximo tema: Red Adaline13

BibliografaISAZI, P. Redes de Neuronas Artificiales. Ed. Prentice Hall Latinoamrica, Primera Edicin, Mxico, 2.002.

MARTIN DEL BRIO, Bonifacio. Redes Neuronales y Sistemas Borrosos. Ed. Alfa Omega, Tercera Edicin, Mxico, 2010.

CAICEDO BRAVO, Eduardo F. Una Aproximacin Prctica a las Redes Neuronales Artificiales. Ed Universidad del valle, Colombia, 2009.

NG, Andrew. Curso Machine Learning. Stanford University.

14