LOGICA DIFUSA Y REDES NEURONALES

ING. SERGIO MESTAS R.

Introduccin Durante los ltimos aos se ha observado un creciente inters por el desarrollo de tecnologa basada en sistemas naturales.

En el campo del control se han implementado sistemas basados en redes neuronales,

lgica difusa

y ms recientemente en los algoritmos genticos.

LOGICA DIFUSA

Los sistemas difusos combinan la informacin de expertos humanos (lenguaje natural) con mediciones y modelos matemticos basados en leyes fsicas.

Los sistemas difusos transforman la base de conocimiento humano en una frmula matemtica.

Esta tecnologa fuzzy o difusa se utiliza en procesos complejos, si no existe un modelo de solucin sencillo

Esta tecnologa fuzzy o difusa se utiliza tambin cuando se tenga que introducir la experiencia de un operador experto que se base en conceptos imprecisos obtenidos de su experiencia y cuando ciertas partes del sistema a controlar son desconocidas y no pueden medirse de forma fiable, con errores posibles, es decir cuando el ajuste de una variable puede producir el desajuste de otras. En general, se utiliza el control difuso cuando se quieran representar y operar con conceptos que tengan imprecisin o incertidumbre.

Las ventajas principales de los controladores con lgica difusa son su habilidad para capturar estrategias cualitativas de control y para implementar comportamiento de control altamente flexible.

Se puede lograr que nuestros sistemas puedan ajustarse a condiciones cambiantes que son muchas veces imposibles de predecir, tales como los cambios ambientales

o las condiciones de desgaste en sus componentes fsicos.

El control clsico (o convencional) se puede mejorar notablemente empleando estrategias de control inteligente como es el control difuso.

Es decir una estrategia de control, cuyo algoritmo de control relacione la interdependencia existente entre las entradas y la salidas seleccionadas. El resultado de esta estrategia de control es un conjunto de reglas de interferencia IF THEN, que no requerirn de un modelo matemtico engorroso para el sistema. De hecho, la estrategia de control clsica como un controlador PID tambin puede controlar la ubicacin del brazo robtico pero necesitara de un modelo matemtico complejo as como un control no lineal que no es fcil desarrollar.

Porque utiliza un modelo idealizado del proceso a ser controlado, generalmente en forma de ecuaciones en diferencia.

Utilizan normalmente la transformada de laplace o

La transformada Z para tales descripciones de manera de obtener modelos matemticos simples,

ciertas restricciones son afectadas; los sistemas no lineales todava no poseen una teora general para soluciones analticas, y muchas veces necesitan ser linealizados en torno a un punto de operacin. Sen(x) = x ; 0<x<1

Otra restriccin muy observada en anlisis de sistemas lineales es que se supone que los parmetros del proceso no se alteran, o sea que los sistemas son invariantes en el tiempo,

a pesar de que en realidad ocurre deterioro de los componentes del sistema con el paso del tiempo, adems de impactos ambientales, tales como influencias de la temperatura y la presin. Debido a tales simplificaciones, un proyectista en general encuentra serias dificultades en el desenvolvimiento de una descripcin matemtica significativa y real de un proceso robotico.

Debido a tales simplificaciones, un proyectista en general encuentra serias dificultades en el desenvolvimiento de una descripcin matemtica significativa y real de un proceso robotico. Otra desventaja del modelo clsico es que no informa del carcter interrelacionado de las entradas y las salidas del brazo robtico. Es decir si u1 representa la primera fuerza de control, esta solo controla la salida y1; del mismo modo la fuerza de control u2 solo controla la salida y2 y as sucesivamente. La desventaja de este sistema es evidente no se toma en cuenta la interrelacin que realmente existe entre las entradas y las salidas. Es decir la relacin entre la entrada u1 con la salida y2, o la relacin entre la entrada u2 con la salida y1.

Por estas razones se prefiere usar la estrategia del control inteligente especficamente el control difuso en base a reglas [1] en este tipo de problemas.

Ejemplo de control difuso para sistemas multivariables

Este control difuso ser aplicado para un brazo robot que pueda ubicarse en un punto del espacio mediante la utilizacin de 3 coordenadas esfricas , y R. El dispositivo inteligente para este control ser mediante el microcontrolador PIC

El cdigo fuente ser generado con ayuda del programa FuzzyTECH.

La simulacin del control difuso ser hecho con el SIMULINK de Matlab y con el programa FuzzyTECH

El programa grabado en la memoria del microcontrolador debe ser capaz de controlar la posicin en el espacio del brazo robot a travs del sentido de giro y el nmero de pasos de los motores PAP que controlan las coordenadas del brazo robot.

En el Control difuso se debe obtenr lo siguiente: 1. Obtener un controlador basado en un sistema difuso en base a reglas para controlar la posicin en el espacio de un brazo robtico de acuerdo al giro y al nmero de pasos del motor PAP.

2. Obtener un algoritmo de control basado en un sistema difuso, capaz de controlar la posicin en el espacio del brazo robot en coordenadas esfricas.

La configuracin a controlar ser la configuracin de un brazo robot en coordeanas esfricas el cual utiliza un brazo telescopio que puede elevarse o bajar alrededor de un pivote horizontal. Este pivote esta montado sobre una base giratoria. Estas articulaciones proporcionan al robot la capacidad para desplazar su brazo dentro de un espacio esfrico, y de aqu la denominacin de robot de coordenadas esfricas que suelen aplicar a este tipo. [23][24]. Como se muestra en la figura

Figura 2.1 Configuracin en coordenadas esfrica

Control Difuso del Proceso

Podemos observar en la figura siguiente.

Que para controlar un proceso o sistema se emplea un mdulo controlador, que recibe como entradas una o varias variables de control llamadas generalmente referencias, , y una o varias variables de salida del propio proceso, produciendo como salidas una o varias variables, que se conocen como actuadores . Normalmente el objetivo del control es mantener . En el control retroalimentado la seal de salida S sigue a la referencia R.

El control a desarrollar en esta investigacin ser el control difuso y el diagrama de bloques a emplear ser el siguiente

Figura 4.2: Esquema del control Fuzzy

Procedimiento de Diseo de un control difuso

El procedimiento de diseo involucra los pasos siguientes : 1. Formulacin del problema a resolver 2. Determinacin del modelo difuso del proceso que quiere controlar 3. Fuzzificacin 4. Diseo de la Base de Reglas. 5. Clculo de las inferencias 6. Desfuzzificacin. 7. Simulacin del Sistema Difuso 8. Implementacin del Sistema de Control Difuso. 9. Pruebas de la Implementacin

Los pasos 3, 4, 5, y 6 son pasos necesarios de todo Sistema de control difuso y su diagrama de bloques lo vemos en la figura siguiente:

Paso 1: Formulacin del Problema El diseo de un sistema de control difuso multivariable cuya configuracin se muestra en la figura siguiente:

Figura: Sistema de Control Difuso 6 entradas 3 salidas

Dicho brazo robtico posee tres variables que requieren ser controladas: Variable 1: El radio R de desplazamiento del motor. Variable 2: El ngulo de elevacin del brazo robot. Variable 3: El ngulo de giro horizontal del motor.

El proceso a controlar es la posicin del brazo robot en coordenadas esfricas.Las variables a controlar en dicho brazo son: Variables de Entrada: Radio S, Es el Radio retroalimentado que proviene de la salida. Angulo S, Es el Angulo retroalimentado que proviene de la salida. Angulo S, Es el Angulo de elevacin que proviene de la salida.

Las seales o fuerzas de control correspondientes Variables Manipuladas (Fuerza de Control): u1:Motor-R, Indica el sentido de giro y el numero de pasos que debe dar, el motor que controla Radio del brazo robtico. u2: Motor , Indica el sentido de giro y el numero de pasos que debe dar, el motor que controla el Angulo brazo robtico. u3: Motor , Indica el sentido de giro y el numero de pasos que debe dar, el motor que controla el Angulo elevacin del brazo robtico.

del

de

El sistema de control difuso compuesto de un modelo heuristico del proceso, debe ser capaz de estabilizar las seales de salida y1, y2 e y3 en presencia de cambios tipo escaln de las seales de referencia r1, r2 y r3. Donde: y1: Radio _S, y2: Angulo _ S, y3: Angulo _ S r1: Radio _ R, r2: Angulo _ R, r3: Angulo _ R Es decir el objetivo de control consiste en estabilizar las seales de salida. Radio- S, Angulo _S y Angulo _S, En presencia de cambios de las seales de referencia: Radio_R, Angulo _R y Angulo _R.

Variables de Referencia: Radio_R: Es el Radio de referencia a la posicin que queremos llegar con el brazo robot Angulo _R: Es el Angulo de giro en el plano x-y al que queremos llegar. Angulo _R: Es el Angulo de azimut, de elevacin al que queremos llegar.

El sistema MIMO puede ser descompuesto en un nmero de sistemas MISO, usando simples reglas de la lgica. Para el caso de un sistema MIMO con n reglas de entrada y m=3 salidas If u1 es A1 y u2 es A2 y , y un es An Then y1 es B1 and y2 es B2 and y3 es B3 Esta lgica lingstica es equivalente a las tres reglas siguientes: If u1 es A1 y u2 es A2 y , y un es An If u1 es A1 y u2 es A2 y , y un es An If u1 es A1 y u2 es A2 y , y un es An Then y1 es B1 Then y2 es B2 Then y3 es B3

En este caso los consecuentes del sistema MIMO (Mltiples entradas mltiples salidas) estn representados en tres sistemas de reglas MISO (Mltiples entradas Simple Salida). Para su implementacin debemos especificar tres sistemas difusos MISO, uno con la salida y1, otro con la salida y2 y la otra con la salida y3. y estas unidas con la funcin lgica AND.

En nuestro caso el sistema difuso lo implementaremos en tres sistemas independientes cada uno de ellos controlara el nmero de paso de un motor, como se muestra en la figura siguiente:

Paso 2 : Modelo Difuso del Sistemas de Control Un modelo es un objeto o concepto usado para representar cualquier cosa. Generalmente el diseador trata con modelos simplificados del sistema fsico que le permite entender mejor su comportamiento. Una modelacin de situaciones reales es necesaria para poder ser objeto de utilizacin en ensayos y experimentos de una forma ms fcil y con menores costos que la utilizacin de sistemas reales. Destacndose los enfoques basados en (1) Mtodo Experimental, (2) Modelo Matemtico y (3) Mtodo Heuristico (o Difuso). [1] Explicaremos conceptualmente los 2 primeros modelos para ver las deficiencias que presentan para concluir finalmente en el modelo del Mtodo Heuristicos que es el que utilizaremos.

Mtodo Experimental Considerando un determinado sistema, con una nica entrada y una nica salida, de parmetros invariantes en el tiempo, caracterizado por una tabla: Entrada 27 32.6 34.7 39.1 47 Salida 41.5 44.5 47.9 55.3 59.8

Dicha tabla fue construida experimentalmente, a travs de la medicin de respuestas de salida para un conjunto de valores de entrada. Un mtodo para graficar los puntos discretos en una curva caracterstica de entrada versus salida, es utilizando el eje horizontal para la entrada y el eje vertical para la salida.

Generalmente los equipos fsicos que constituyen un proceso no estn fcilmente disponibles. En consecuencia no se pueden efectuar experimentos para determinar como un proceso regula las diversas entradas y no se puede por tanto proyectar un sistema de control apropiado. Lo mismo que la disponibilidad de los equipos el procedimiento experimental puede ser caro, y muchas veces tiene problemas de seguridad en plantas industriales que inhiben una operacin en malla abierta.

Adems de esto un nmero muy grande de valores de entrada puede ser impracticable de ser medido y una interpolacin entre tales medidas es siempre necesaria. Un estudio cuidadoso tambin debe ser hecho para evaluar los valores de entrada y salida que sern cubiertos por los instrumentos de medicin; que pueden no estar disponibles. De este modo es preciso una descripcin de cmo el proceso cambia para varias entradas, siendo exactamente esto que los modelos matemticos hacen.

Simulacin del sistema difuso La simulacin del sistema es hecho con el SIMULINK de Matlab. SIMULINK es un paquete de software para modelar, simular y analizar sistemas dinmicos. Soporta sistemas lineales y no lineales, modelados en tiempo continuo o muestreados. Los modelos son jerrquicos, es decir, se puede construir modelos utilizando una metodologa descendente y ascendente. Se puede visualizar el sistema en un nivel superior, desde donde mediante un doble clic sobre los bloques, se puede ir descendiendo a travs de los niveles para ver con mas detalle el modelo. Esto le proporciona una comprensin de cmo interactan sus partes.

El bloque Fuzzy Logic Controller lo obtenemos en el Matlab con el comando Fuzblock.

Librera Fuzblock

Simulacin Exporta al area de trabajo Workspace

Grabacion del FIS al area de trabajo Workspace

Simulacin para el control del Radio R El diagrama de bloques de la figura resuelve el problema del control difuso para la coordenada del Radio del brazo robtico. Cuando las referencias son constantes.

Modelo del Radio del Brazo Robot

Modelo del Fuzzy Logia Controller para el radio R del brazo Robot

: Modelo del FIS Wizard para el radio del Brazo Robot

Veamos un ejemplo en que el radio_R (valor de referencia) le colocamos en un valor de 40 cms. El radio_S de la salida tiene el valor inicial sensado de 34 cms, este radio_S debe seguir a la referencia (radio_R). Luego despus de varias iteraciones en un tiempo de 3 segundos el radio final Radio_S toma el valor de 39.91 cms. El resultado de la simulacin se muestra en la figura: 4.41. Tales resultados validan las especificaciones de diseo exigidas al sistema de control difuso para el radio del brazo robot.

Entrada de referencia radio_R igual a 40 y salida controlada Radio_S

Simulando con el FuzzyTECH

Control Difuso que controla el radio

Tenemos que el radio_R le colocamos en un valor de 40 cms. El radio_S de la salida tiene el valor inicial de 34 cms. Luego despus de la salida del controlador se tendra que el motor R toma el valor de 30.81 pasos tal como se ve en la figura.

Resultado del control Difuso en 3D para el Motor R = 30.81 pasos Para las entradas : Radio_ R= 40 y Radio _S = 34

Este valor de motor R = 30.81 se multiplicado por un factor que es 0.25 (factor de distancia =20/80). 20 cms 80 pasos X cms 1 paso X = 0.25 Donde : 20 cms es la distancia mxima que se puede deslizar el radio del brazo y el tope esta dado por los 80 pasos de l motor PAP. El resultado de la multiplicacin de motor R = 30.81 con el factor 0.25 da como resultado el valor de distancia que desplaza el motor que ser: distancia = 7,7 cms. Este valor sumado al radio_S inicial= 34cms. Da como resultado la salida del radio_S final = 41.7 cms. Que seria el resultado de la primera iteracin. Que como se ve se aproxima al valor de referencia que es Radio_R = 40 cms. En las iteraciones siguientes este valor tendera a ser igual al valor de referencia.

Modelo del Radio del Brazo Robot

El siguiente diagrama de bloques hecho en el SIMULINK [11], resuelve el problema del control difuso para el radio del brazo Robtico cuando las referencias son sometidas a cambios arbitrarios tipo escaln. El resultado de la simulacin se muestra en la figura 4.46. Tales resultados validan el buen rendimiento del sistema de control difuso diseado para diferentes valores de las seales de referencia.

Seal de Referencias par el Radio sometidas a cambios arbitrarios tipo escaln.

Control del Radio. Referencias son sometidas a cambios arbitrarios tipo escaln

Implementacin de la parte Mecnica: El brazo robtico en coordenadas esfricas ser el mostrado en la figura siguiente:

DERIVADA DE ERROR EN EL CONTROL DIFUSO En algunas aplicaciones del control difuso se tienen como entradas el error e y la derivada de error de o variacin del error (e o tambin la derivada segunda del error d2e, obtenindose algunas veces mejores resultados que el control difuso clsico el cual solo toma como entrada la diferencia de valores (error). Estas consideraciones se dan cuando se quieren mejorar un control Proporcional Derivativo (PD) o Proporcional Integral (PI) o un control Proporcional Integral Derivativo (PID) mediante tcnicas difusas, las que explicaremos a continuacin.

Controlador Fuzzy Proporcional Controlador Proporcional discreto de una entrada y una salida esta dado por la siguiente ecuacin:

e: error entre la seal de referencia y la salida del proceso Una regla del control difuso seria: Si error es = Ei entonces control =Ui Donde Ei y Ui son funciones de partencia lingsticas atribuidas a las variables e y u. en este caso de controlador proporcional Fuzzy tiene una nica salida e.

Controlador Proporcional Integral (PI) Fuzzy Se da una variacin de error e y du variacin de salida de u. En el dominio del tiempo.

du ! K p e  K I de

e: error entre la seal de referencia y la salida del proceso, de: derivada de error La definicin de la regla fuzzy es: Si error es = Ei y variacin de error = dEi entonces variacin de control =dUi Este controlador Fuzzy tiene dos entradas: una para el error e y su primera derivada de. La variacin de control debe ser integrada antes de poder ser usada para controlar el proceso.

control Fuzzy PI

Controlador Proporcional Derivativo (PD) Fuzzy

u ! K p e  K I de
Y la regla de control es: Si error es = Ei y variacin de error = dEi entonces control =Ui

Controlador Proporcional Integral Derivativo (PID) Fuzzy La expresin para del controlador PID en el dominio del tiempo es:

du !

e

de 

d e

Donde d2e es la variacin de la variaron del error. Esto sugiere el uso de un controlador fuzzy de tres entradas: e, de y d2e, y una salida dU gobernada por la regla de la forma: Si error es = Ei y variacin de error = dEi y variacin de variacin de error = d2Ei entonces variacin de control =dUi Aqu nuevamente la variacin de control debe ser integrada antes de poder ser usada para controlar el proceso.

Inspiracin Biolgica

Esquema de una Neurona Biologica

Inspiracin Biolgica

Esquema de una Neurona Biologica

Inspiracin Biolgica

Esquema de una Neurona Biologica

Inspiracin Biolgica

Redes Neuronales Imitemos a una neurona

pesos entrada

umbral

activacin

pesos salida

Realidad

Ficcin

Modelo Neuronal

Neurona Simple de una Entrada (p) sin Ganancia (b)

Modelo Neuronal

Neurona de una Simple Entrada (p) con Ganancia (b)

Modelo Neuronal
a ! f ( wp  b) Si : w!3 p!2 b ! 1.5 Entonces a ! f (3(2)  1.5) ! f (4.5)

Redes Neuronales ... y la estructura de una red neuronal

Nmero de neuronas en la capa l-1 capa

n(l-1) (l ) ai ! f ( j!1
Funcin de activacin

(l ) ij

pj

(l -1)

 bi )
(l )
umbral

activacin pesos

Redes Neuronales
p1 pj pR w1i wji wRi n(i)

a(i)
ni ! w1,1 p1  w1, 2 p2  ...  w1, R p R ai ! f ni

capa de entrada

capa capa escondida de sada

Funcin de Transferencia
La funcin f puede ser lineal o no lineal Principalmente son usadas 3 funciones de transferencia: Hardlim Purelin Sigmoidea

Funcin Hardlim

Si : n u 0 a !1 n 0 a ! 0
La salida de la Neurona es uno si el argumento de la funcin es mayor a cero La salida de la Neurona es cero si el argumento de la funcin es menor a cero Esta funcin es usada principalmente en la RNA Perceptron

Funcin purelin

a!n

La salida de la Neurona (a) es igual al argumento de la funcin (n) Esta funcin es usada principalmente en la RNA Adaline

Redes Neuronales

1 f ( x ) = 1 + e
x

1,2 1 0,8 0,6 0,4 0,2

saturacin

saturacin
-10 -5

0 0 5 10

Respuesta lineal

Funcin de activacin: sigmoide

Funcin Sigmoide

1 a! 1  e n

La salida de la Neurona (a) es igual a 1/(1+e-n) Esta funcin es usada principalmente en RNA multicapas que usan algoritmos Backpropagation, en parte porque esta funcin es diferenciable

Neuronal de Multiples Entrada

Donde : n ! Wp  b p1 p n ! ? 1,1 w1, 2 . w1, R A 2  b w / pR n ! w1,1 p1  w1, 2 p2  ...  w1, R p R  b a ! f ( n)

R: Numero de elementos en el vector de entrada

Notacin Abreviada
Donde : n ! Wp  b p1 p n ! ? 1,1 w1, 2 . w1, R A 2  b w / pR n ! w1,1 p1  w1, 2 p2  ...  w1, R p R  b a ! f ( n)
R: Numero de elementos en el vector de entrada

Neurona con R Entrada

Redes Neuronales Qu controla el flujo de informacin?

las sinpsis = pesos

los umbrales y la arquitectura !!!!

Capa de Neuronas

a1 ! f  1,1 p1  a2 ! f  2,1 p1 

1, 2 2, 2

p2  ...  p2  ... 

1, R 2, R

pR  b1 p R  b2 p R  bR

/ aR ! f 
a ! f (n)

/ S ,1 p1  S , 2 p2  ... 

S ,R

R: Numero de elementos en el vector de entrada. S: Numero de neuronas en la capa

Notacin Abreviada b n ! Wp
w1, R p1 w1,1 w1, 2 . w w2, 2 . w2, R p2 2 ,1  b n! / / / / wS ,1 wS , 2 . wS , R p R w1,1 p1  w1, 2 p2  ...  w1, R pR b1 w p  w p  ...  w p b 2 ,1 1 2, 2 2 2, R R  2 n! / / wS ,1 p1  wS , 2 p2  ...  wS , R pR bR w1,1 p1  w1, 2 p2  ...  w1, R pR  b1 w p  w p  ...  w p  b 2 ,1 1 2, 2 2 2, R R 2 n! / wS ,1 p1  wS , 2 p2  ...  wS , R pR  bR n1 n n ! 2 / nS a ! f (n )

Donde: R: Numero de elementos en el vector de entrada. S: Numero de neuronas en la capa

Notacin Abreviada

Donde: R: Numero de elementos en el vector de entrada. S: Numero de neuronas en la capa

w1,1 w 2,1 W! / wS ,1

w1, 2 /

w2, 2 . wS , 2 .

w1, R w2, R / wS , R

RNA de 3 Capas

Notacin Abreviada de RNA de 3 Capas

Neurona con 2 Entradas

Red Neuronal con Delay

Red Neuronal Recurrente

Red Perceptron

Una Neurona Perceptron de 2 Entradas

Algoritmo de entrenamiento del Perceptron

Paso 1: Inicializar la Matriz de pesos wo. Inicializar la Ganancia bo Paso 2: Se presenta el 1er patron p1 a la red, junto con la salida t1 esperada. Paso 3: Se calcula la salida de la red a=hardlim(wp+b) Paso 4: Calculamos e=t-a, Si e0. Entonces: wf = wo+epT bf = bo +e

Algoritmo de entrenamiento del Perceptron

Algoritmo de entrenamiento del Perceptro

Ejemplo de entrenamiento del Perceptron

Para la red perceptron. Cuya salida esta dada por a=hardlims (W*p+b). Se tiene los siguientes pares de entrada/salida

2 p1 ! , t1 ! 1 1

0 p 2 ! , t1 ! 1  1

 2 p 3 ! , t1 ! 1 1

0 p 4 ! , t1 ! 1 2

Hallar el vector de pesos W y Las ganancias b

Solucin: Iteracin 0 Paso 1: Inicializar la Matriz de pesos wo. Inicializar la Ganancia bo. Escogemos al azar los siguientes valores: w0 ! ? 0.7 0 .2 A b0 ! 0.5 Paso 2: Se presenta el 1er patrn p1 a la red, junto con la salida t1 esperada. p1 2 p1 ! ! , t1 ! 1 p 2 1 Paso 3: Se calcula la salida de la red a=hardlim(wp+b)
a0 ! har lims (W0p1  b0 ) 2 a0 ! har lims (? 0.7 0.2A  0.5) 1 a0 ! har lims (0.7( 2)  0.2(1)  0.5) a0 ! har lims (0.7) a0 !  1

Iteracin 0 Paso 4: Calculamos e=t-a, Si e0. Entonces: wf = wo+epT Calculamos el error , b = b +e f o

e0 ! t1  a0 e0 ! 1  (1) e0 ! 2

Como e 0, Entonces,

hay que calcular nuevamente W y b

W1 ! W0  e0 P T 2 W1 ! ? 0.7 0.2A 2 1 W1 ! ? 0.7 0.2A 2?2 1A W1 ! ? 0.7 0.2A ?4 2A 3 W1 ! ? .3 2.2A b1 ! b0  e0 b1 ! 0.5  2 b1 ! 2.5
T

3.3p1+ 2.2p2+ 2.5= 0

-2

-4

-6

-8

-10 -5

-4

-3

-2

-1

Iteracin 1 Paso 1: Inicializar la Matriz de pesos w. Inicializar la Ganancia b. Escogemos al azar los siguientes valores: W1 ! ? .3 2.2A b1 ! 2.5 3 Paso 2: Se presenta el 1er patrn p1 a la red, junto con la salida t1 esperada. p1 2 p1 ! ! , t1 ! 1 p 2 1 Paso 3: Se calcula la salida de la red a=hardlim(wp+b)
a1 ! har lims (W1p1  b1 )
2 a1 ! har lims (?3.3 2.2A  2.5) 1 a1 ! har lims (3.3( 2)  2.2(1)  2.5)

a1 ! har lims ( 6.6 a1 ! har lims (11.3) a1 ! 1

 2.2  2.5)

Iteracin 1 Paso 4: Calculamos e=t-a, Si e0. Entonces: wf = wo+epT , b = b +e error alculamos el f o

e1 ! t1  a1 e1 ! 1  (1) e1 ! 0

W2 ! W1  e1 p T Como e=0, Entonces W2 ! W1  0 p T W2 ! W1 3 W2 ! ? .3 2.2A b2 ! b1  e1 b2 ! b1  0 b2 ! b1 b2 ! 2.5

Iteracin 2 Paso 1: Inicializar la Matriz de pesos w. Inicializar la Ganancia b. W2 ! ? .3 2.2A b2 ! 2.5 3 Paso 2: Se presenta el 2do patrn p2 a la red, p1 0 junto con la salida t2 esperada.

p 2 ! ! , t 2 ! 1 p2  1

Paso 3: Se calcula la salida de la red a=hardlim(wp+b)

a2 ! har lims (W2p 2  b2 )
0 3 a2 ! har lims (? .3 2.2A  2.5)  1 a2 ! har lims (3.3(0)  2.2( 1)  2.5)

a2 ! har lims ( 0 a2 ! har lims (0.3) a2 ! 1

 2.2  2.5)

Iteracin 2 Paso 4: Calculamos e=t-a, Si e0. Entonces: wf = wo+epT Calculamos el error , b = b +e f o

e2 ! t 2  a2 e2 ! 1  (1) e2 ! 0

W3 Como e=0, Entonces ! W2  e2 p W3 ! W2  0 p W3 ! W2 W3 ! ? .3 2.2A 3 b3 ! b2  e2 b3 ! b2  0 b3 ! b2 b3 ! 2.5

Iteracin 3 Paso 1: Inicializar la Matriz de pesos w. Inicializar la Ganancia b. W3 ! ? .3 2.2A b3 ! 2.5 3 Paso 2: Se presenta el 3er patrn p3 a la red, junto con la salida t3 esperada. p1

 2 p 3 ! ! , t 3 ! 1 p2 1

Paso 3: Se calcula la salida de la red a=hardlim(wp+b)

a3 ! har lims (W3p 3  b3 )
 2 3 a3 ! har lims (? .3 2.2A  2.5) 1 a3 ! har lims (3.3( 2)  2.2(1)  2.5)

a3 ! har lims ( 6.6 a3 ! har lims (11.3) a3 ! 1

 2.2  2.5)

Iteracin 3 Paso 4: Calculamos e=t-a, Si e0. Entonces: wf = wo+epT Calculamos , b = b +eel error f o
e3 ! t3  a3 e3 ! 1  (1) e3 ! 0

W4 Como e=0, Entonces ! W3  e3 p W4 ! W3  0 p W4 ! W3 3 W4 ! ? .3 2.2A b4 ! b3  e3 b4 ! b3  0 b4 ! b3 b4 ! 2.5

Iteracin 4 Paso 1: Inicializar la Matriz de pesos w. Inicializar la Ganancia b. W4 ! ? .3 2.2A b4 ! 2.5 3 Paso 2: Se presenta el 4to patrn p4 a la red, junto con la salida t4 esperada. p1

0 p 4 ! ! , t 3 ! 1 p2 2

Paso 3: Se calcula la salida de la red a=hardlim(wp+b)

a4 ! har lims (W4p 4  b4 )
0 3 a4 ! har lims (? .3 2.2A  2.5) 2 a4 ! har lims (3.3(0)  2.2(2)  2.5)

a4 ! har lims ( 0 a4 ! har lims (6.9) a4 ! 1

 4.4  2.5)

Iteracin 4 Paso 4: Calculamos e=t-a, Si e0. Entonces: wf = wo+epT Calculamos el error , b = b +e f o

e0 ! t1  a0 e0 ! 2 e0 ! 1  (1)

Como e 0, Entonces,

hay que calcular nuevamente W y b

W5 ! W4  e4 P4

T T

0 W5 ! ? .3 2.2A  2 3 2 W5 ! ? .3 2.2A 2?0 2A 3 W5 ! ? .3 2.2A ?0 4A 3 W5 ! ? .3  1.8A 3 b5 ! b4  e4 b5 ! 2.5  2 b5 ! 0.5

Iteracin 5 Paso 1: Inicializar la Matriz de pesos w. Inicializar la Ganancia b. W5 ! ? .3  1.8A b4 ! 0.5 3 Paso 2: Se presenta el 4to patrn p4 a la red, junto con la salida t4 esperada. p1

0 p 4 ! ! , t 3 ! 1 p2 2

Paso 3: Se calcula la salida de la red a=hardlim(wp+b)

a5 ! har lims (W5p 4  b5 )
0 a5 ! har lims (? .3  1.8A  0.5) 3 2 a5 ! har lims (3.3(0)  1.8(2)  0.5)

a5 ! har lims ( 0 a5 ! har lims (3.1) a5 ! 1

 3.6  0.5)

Iteracin 5 Paso 4: Calculamos e=t-a, Si e0. Entonces: wf = wo+epT Calculamos el error , b = b +e f o

e5 ! t 4  a5 e5 ! 0 e5 ! 1  (1)

Como e 0, Entonces, No es necesario calcular nuevamente W6 ! W5  e5 P5 Wyb

T T

0 3 W6 ! ? .3  1.8A 0 2 3 W6 ! ? .3  1.8A 0 3 W6 ! ? .3  1.8A b6 ! b5  e5 b6 ! 2.5  0 b6 ! 2.5