Beruflich Dokumente
Kultur Dokumente
Tema:
“Perceptron multicapa”
Docente:
Mg. Ing. Huarote Zegarra Raul
raulhuarote@yahoo.es
El funcionamiento de la neurona biológica
del humano es a través de impulsos
eléctricos generándose de acuerdo a
procesos químicos y a su vez por potencial
eléctrico.
Las concentraciones de Na+ y de K+ hacen
que el potencial de la membrana vuelva a
su valor de reposo.
Se considera que en el cerebro hay unos
100.000 millones de neuronas (1011) y diez
veces más conexiones (1012). Es
materialmente imposible crear un sistema
electrónico con tal cantidad de
procesadores y de conexiones.
La salida de una neurona (con la función de
evaluación) se conecta a la entrada de la
siguiente. Con este tipo de conexiones podemos
realizar una red neuronal tan compleja como
queramos.
Dentro del proceso de aprendizaje nos damos
cuenta que requiere una función de adaptación
tales como:
Características de las redes neuronales artificiales
El algoritmo de backpropagation es un
algoritmo para entrenar de izquierda a
derecha y supervisada, con un número
indeterminado de capas. El objeto de la red
será hacer que los pesos configuren la
salida de la red para que ésta sea lo más
cercana posible a la salida deseada.
BackPropagation ( Propagación hacia atrás).
Para el proceso de aprendizaje de la red
neuronal back propagation, se debe tener
en cuenta las siguientes formulas que
corresponden a:
• Patrón de entrada:
Función f prima.
Ejemplo del Backpropagation para la compuertalógica
XOR
w6 = w6 +n∗ δ3 ∗ f(neta2)
w6 = 0.9 + 0.65 ∗ −0.3815 ∗ 0.54983
w6 = 0.76387
w5 = w5 +n∗ δ3 ∗ f(neta1)
w5= 0.4 + 0.65 ∗ −0.3815 ∗ 0.59869
w5 = 0.2515
• Actualización de pesos de la capa entrada a la capa oculta:
w1 = w 1 +n∗ δ1 ∗ x1
w1 = 0.5 + 0.65 ∗ −0.0366 ∗ 1
w1 = 0.4762
w2 = w 2 +n∗ δ2 ∗ x1
w2= 0.3 + 0.65 ∗ −0.0849 ∗ 1
w2 = 0.2448
w3 = w 3 +n∗ δ1 ∗ x2
w3= 0.7 + 0.65 ∗ −0.0366 ∗ 1
w3 = 0.6762
w4 = w 4 +n∗ δ2 ∗ 2
w4= 0.1 + 0.65 ∗ −0.0849 ∗ 1
w4 = 0.0448
La situación se repite para cada uno de los
patrones de entrada, ahora con los nuevos pesos.
Esto se repite hasta un limite de valor de error o
de cantidad de iteraciones ; en algunos casos
conjuga los 2 parámetros de restricciones para
detener el proceso de aprendizaje.
Condiciones para casos de sistema experto
basado en redes neuronales artificiales.
1 1 1 1 0 1 0 1 ?1 ?2 ?
Comprobación
• Comúnmente llamado Mapeo, es la parte en el
cual llega un caso ( donde no pertenece dentro
del grupo de patrones de entrenamiento).
• Para esto se debe obtener los pesos adecuados
(ya entrenados) para poder discernir en un
posible resultado idóneo.
• La comprobación va a ser de acuerdo a solo el
primer paso del proceso de entrenamiento (
Ósea tan solo el Forware). Pues las salidas van
a ser los resultados.
?
preguntas
Tarea de clase