Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1. El Perceptron
2. Descenso por gradiente
3. Regla Delta
4. Redes multicapa
5. Funciones de activacin
6. Retropropagacin
7. Computacin evolucionista
c 2002 DIT-ETSIT-UPM
transp. 1
s=1 si (
U) y (
i = 0)
j
El modelo simula:
Sinapsis excitadoras e inhibidoras
Umbral de excitacin
Sumacin espacial
c 2002 DIT-ETSIT-UPM
transp. 2
1
x x x
1 2 3
x
x
1
2
x x x
1 2 3
1
x
x
x
x
1
x x x
1 2 3
2
x
3
x
1
x x x
1 2 3
c 2002 DIT-ETSIT-UPM
1
x +x +x
1 2 3
2
3
x x +x x
1 2 1 2
transp. 3
w
1
x0=-1
w
0
y=
w x
i i
s = 1 si y > 0
s = -1 si y <= 0
w
n
x
Conjunto de entrenamiento:
x1 x2 xn r
1 1
Si s
1 y r 1 aumentar los w i correspondientes a xi
reducir los correspondientes a xi 0
Si s 1 y r
1 reducir los wi correspondientes
a xi
aumentar los correspondientes a xi 0
c 2002 DIT-ETSIT-UPM
0y
0y
transp. 4
w
1
x0=-1
w
0
y=
w x
i i
s = 1 si y > 0
s = -1 si y <= 0
w
n
x
while (!cond_term) {
for (e=0; e<nEj; e++)
for (i=0; i<=n; i++) {
dw[i] = k*(r[e]-s[e])*x[i][e];
w[i] = w[i] + dw[i];
}
}
x[i][e] = xi para el ejemplo e
c 2002 DIT-ETSIT-UPM
transp. 5
n
algoritmo de
refuerzo
Condicin de convergencia:
separabilidad lineal en el espacio x1 x2 xn
transp. 6
Elemento lineal: y x
s x
w x
w :
Error de una hiptesis
E w
r e se
(e: ndice de ejemplos)
E
w0
E
wn
w
1
w
2
K E
c 2002 DIT-ETSIT-UPM
transp. 7
E w
1
2
re
se ;
Como se
E
wi
1
2 wi
E
w0
E
wn
K E
w xe ,
re
se
wi
c 2002 DIT-ETSIT-UPM
re
K re
se xie
se xie
transp. 8
while (!cond_term) {
for (i=0; i<=n; i++) dw[i] = 0;
for (e=0; e<nEj; e++)
for (i=0; i<=n; i++)
dw[i] = dw[i] + k*(r[e]-s[e])*x[i][e];
for (i=0; i<=n; i++)
w[i] = w[i] + dw[i];
}
x[i][e] es xie: valor de la entrada i para el ejemplo e
c 2002 DIT-ETSIT-UPM
transp. 9
1
2
re
se
2
0 1 ):
while (!cond_term) {
for (e=0; e<nEj; e++)
for (i=0; i<=n; i++)
w[i] = w[i] + k*(r[e]-s[e])*x[i][e];
}
c 2002 DIT-ETSIT-UPM
transp. 10
transp. 11
Redes multicapa
c 2002 DIT-ETSIT-UPM
transp. 12
ij
c 2002 DIT-ETSIT-UPM
K
E
wi j
transp. 13
1j
x0j=-1
w
0j
w
1j
y=
j
w x
ij ij
("net ")
j
wnj
x nj
ds
dy
E y j
y j wi j
E
y j
1
-y
1+e j
s(y j) =
sy
sy
1
y j 2
rj
wi j
c 2002 DIT-ETSIT-UPM
sj
2
rj
sj
K j xi j , con j
xi j
s j
y j
rj
rj
sj sj 1
sj sj 1
sj
sj
transp. 14
Regla delta: Ee w
c 2002 DIT-ETSIT-UPM
2 e l
1
2 l
rle
rle
sle
sle
2
transp. 15
Ee
wi j
K
K j xi j , con
Ee
y j
sl 1
sl
rl
sl
sh 1
sh l whl l
Neuronas de
la capa c:
sh 1
c 2002 DIT-ETSIT-UPM
sh
r: capa c+1
whr r
transp. 16
transp. 17
c 2002 DIT-ETSIT-UPM
transp. 18
transp. 19
had
heed
hid
2000
F2 (Hz)
head
hid
hud
heard
1000
whod
hod
hood
whod
hawed
500
0
1000
500
1400
F1 (Hz)
hood
c 2002 DIT-ETSIT-UPM
transp. 20
Ontognesis
Modelos neurocibernticos
Filognesis
Modelos evolucionistas
Al fin y al cabo, no hay tantas tcnicas informticas que hayan
demostrado su valor a lo largo de 3.000 millones de aos de
pruebas de campo (Forsyth, 1986)
c 2002 DIT-ETSIT-UPM
transp. 21
poblacin de individuos
competicin por recursos
seleccin
combinacin de adaptados
Computacin evolucionista:
reproduccin
mutaciones
c 2002 DIT-ETSIT-UPM
Algoritmos genticos:
individuos = cadenas de bits
Programacin gentica:
individuos = rboles sintcticos
de los programas
transp. 22
Operadores genticos:
Mutacin (cambio de un bit con probabilidad pequea)
Seleccin de las parejas reproductoras (probabilidad
proporcional al valor de la funcin)
Entrecruzamiento de los genomas de cada pareja
Nueva generacion: los hijos sustituyen a los individuos menos
adaptados
Convergencia: cuando hay muchos valores iguales
La mutacin sirve para resolver el problema de los
mximos locales
c 2002 DIT-ETSIT-UPM
transp. 23