Download Descarga
Document related concepts
Transcript
Universidad de Carabobo. Facultad de ingeniería Área de postgrado Maestría en Matemática y computación Asignatura: Redes Neuronales PRIMERA ENTREGA Alejandro Contreras C.I: 17173539 Prof: Víctor Barrios Bárbula, Noviembre de 2010. El Perceptrón es un tipo de red neuronal artificial desarrollado por Frank Rosenblatt, véase Perceptrón multicapa, también puede entenderse como perceptrón la neurona artificial y unidad básica de inferencia en forma de discriminador lineal, que constituye este modelo de red neuronal artificial, esto debido a que el perceptrón puede usarse como neurona dentro de un perceptrón más grande u otro tipo de red neuronal artificial. El perceptrón usa una matriz para representar las redes neuronales y es un discriminador terciario que traza su entrada x (un vector binario) a un único valor de salida f(x) (un solo valor binario) a través de dicha matriz. Donde w es un vector de pesos reales y es el producto punto (que computa una suma ponderada). u es el 'umbral', el cual representa el grado de inhibición de la neurona, es un término constante que no depende del valor que tome la entrada. El valor de f(x) (0 o 1) se usa para clasificar x como un caso positivo o un caso negativo, en el caso de un problema de clasificación binario. El umbral puede pensarse de como compensar la función de activación, o dando un nivel bajo de actividad a la neurona del rendimiento. La suma ponderada de las entradas debe producir un valor mayor que u para cambiar la neurona de estado 0 a 1. Descripción del ejemplo Entrenamiento de un perceptron multicapa para realizar la operación XOR Descripción de la red. • 1 capa oculta • 2 neuronas en capa de entrada (i1, i2) • 2 neuronas en capa oculta (h1, h2) • 1 neurona en capa de salida (o1) Red inicial con pesos aleatorios Propagación hacia adelante del ejemplo e1 Entradas • x1 = 0, x2 = 1 • Salida esperada: t1 = 1 Capa oculta • Neurona h1: Ajuste de pesos por retropropagación del error (1) Pesos de la capa de salida Neurona o1: • Error real obtenido en neurona o1: t1 − o1 = 1 − 0,573 = 0,427 • Nuevos pesos para neurona o1: W2jk = W2jk + α hj k k = g′(entk) ∗ (Tk − ok) = ok ∗ (1 − ok) ∗ (Tk − ok) 1 = 0,573 ∗ (1 − 0,573) ∗ 0,427 = 0,1044 W211 = W211 + αh11 = 0,2 + 0,25 ∗ 0,332 ∗ 0,1044 = 0,2086 W221 = W221 + αh21 = 0,4 + 0,25 ∗ 0,574 ∗ 0,1044 = 0,4149 (2) Pesos de la capa oculta Formulas de ajuste: • Error estimado en neurona hj: • Nuevos pesos: W112 = W112 + αi11 = 0,5 + 0,25 ∗ 0 ∗ 0,0102 = 0,5 W122 = W122 + αi21 = 0,3 + 0,25 ∗ 1 ∗ 0,0102 = 0,3025
Related documents