Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                
Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 57 vistas

    5 INAR-PR Perceptron Entrenamiento Iterativo

    Cargado por

    Posadas Para Vos
    Este documento describe el entrenamiento y operación de un perceptrón de dos entradas y una salida para implementar la función lógica OR. El script utiliza un algoritmo de aprendizaje supervisado para ajustar los pesos iniciales aleatorios hasta minimizar el error cuadrático medio en dos iteraciones. Dado que es una red neuronal simple con datos de entrenamiento binarios, logra el objetivo de clasificación correcta con error cero después de solo dos iteraciones de aprendizaje.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    5 INAR-PR Perceptron Entrenamiento Iterativo

    Cargado por

    Posadas Para Vos
    57 vistas2 páginas
    Este documento describe el entrenamiento y operación de un perceptrón de dos entradas y una salida para implementar la función lógica OR. El script utiliza un algoritmo de aprendizaje supervisado para ajustar los pesos iniciales aleatorios hasta minimizar el error cuadrático medio en dos iteraciones. Dado que es una red neuronal simple con datos de entrenamiento binarios, logra el objetivo de clasificación correcta con error cero después de solo dos iteraciones de aprendizaje.

    Título original

    5_INAR-PR_perceptron_entrenamiento_iterativo

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento describe el entrenamiento y operación de un perceptrón de dos entradas y una salida para implementar la función lógica OR. El script utiliza un algoritmo de aprendizaje supervisado para ajustar los pesos iniciales aleatorios hasta minimizar el error cuadrático medio en dos iteraciones. Dado que es una red neuronal simple con datos de entrenamiento binarios, logra el objetivo de clasificación correcta con error cero después de solo dos iteraciones de aprendizaje.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    57 vistas2 páginas

    5 INAR-PR Perceptron Entrenamiento Iterativo

    Cargado por

    Posadas Para Vos
    Este documento describe el entrenamiento y operación de un perceptrón de dos entradas y una salida para implementar la función lógica OR. El script utiliza un algoritmo de aprendizaje supervisado para ajustar los pesos iniciales aleatorios hasta minimizar el error cuadrático medio en dos iteraciones. Dado que es una red neuronal simple con datos de entrenamiento binarios, logra el objetivo de clasificación correcta con error cero después de solo dos iteraciones de aprendizaje.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 2

    DASS - UCSE - INGENIERÍA INFORMÁTICA

    Cátedra de INTELIGENCIA ARTIFICIAL


    PROBLEMAS RESUELTOS - Redes neuronales

    Codificación de entrenamiento y operación de un perceptrón de 2 entradas y salida escalón, para


    ejecutar la función lógica OR.

    a w1
    F
    b w2

    Script de entrenamiento/ejecución
    –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––-
    %PERCEPTRÓN DE 2 ENTRADAS SIN BIAS
    %Script para ejecución de la función OR
    clc;
    %Matriz de entrada/salida [a b F]
    Fab = [0 0 0; 0 1 1; 1 0 1; 1 1 1];

    %Parámetros ---------------------------------
    etha = 0.5; %factor de aprendizaje

    W = -1 + 2*rand(2,1); %pesos iniciales aleatorios en [-1 , +1]


    W_inic = W;

    DW1 = 1; DW2 = 1; %Delta de pesos iniciales

    n = 0; %contador de iteraciones
    % -------------------------------------------------

    while (DW1 ~= 0) && (DW2 ~= 0)


    %esta secuencia se ejecuta hasta que la variación de pesos sea nula
    n = n+1
    for i = 1:4
    F_sal = heaviside(Fab(i,1:2)*W); %heaviside -> función escalón
    err_salida(i) = (Fab(i,3)-F_sal);
    Dw1(i) = etha*Fab(i,1)*err_salida(i); %actualización de peso w1
    Dw2(i) = etha*Fab(i,2)*err_salida(i); %actualización de peso w2
    end
    DW1 = sum(Dw1); DW2 = sum(Dw2); %suma de actualizaciones para todos los patrones
    W(1) = W(1) + DW1; W(2) = W(2) + DW2; %actualización para iteración n
    ECmed(n) = sum(err_salida^2)/4; %cálculo del error cuadrático medio
    end

    %Presentación de resultados
    sprintf(' Peso w1_inic = %g w1_fin = %g\n',W_inic(1),W(1));

    sprintf(' Peso w2_inic = %g w2_fin = %g\n',W_inic(2),W(2));

    sprintf(' Error final = %g iterac = %i\n\n',ECmed(n),n);


    sprintf(' a b OR(a,b)\n');
    [Fab(1:4,1) Fab(1:4,2) heaviside (Fab(1:4,1:2)*W)]
    –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––-
    Ejecución
    –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––-
    >> Perceptron_OR.m [enter]

    n =

    1.
    n =

    2.
    Peso w1_inic = 0.632022 w1_fin = 1.13202
    Peso w2_inic = -0.886214 w2_fin = 0.113786
    Error final = 0 iterac = 2

    a b OR(a,b)
    ans =

    0. 0. 0.
    0. 1. 1.
    1. 0. 1.
    1. 1. 1.
    –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––-

    Por ser una red simple, con datos de entrenamiento binarios, rápidamente ha alcanzado el objetivo (dos
    iteraciones) con error cero.
    Si bien este desarrollo se ha configurado como un script, se puede configurar como un par de funciones,
    una para entrenamiento y otra para ejecución.

    

    IA 2017 - PR - # 2

    También podría gustarte