Está en la página 1de 2

Choque Sansuste Javier Armando Fecha: 22/05/2014

Octavo A-1
Inteligencia Artificial-El Perceptrn
El Perceptron Simple

- Fue introducido por Frank Rosenblatt. Sistema capaz de realizar tareas de clasificacin de forma
automtica. A partir de un nmero de ejemplos etiquetados, el sistema determina la ecuacin del plano
discriminante. Puede usarse como neurona dentro de otro tipo de red de neurona artificial.
- Aprendizaje supervisado y conexiones en un slo sentido.
- Es reconocido por su capacidad de aprender a reconocer patrones
- Es un modelo unidireccional compuesto por dos capas de neuronas.
- Con respecto al entrenamiento las neuronas de entrada son discretas y la funcin de activacin de las de
salida es de tipo escaln. Existe tambin el Perceptron multicapa que permite resolver problemas que no
son linealmente separables, lo cual es la principal limitacin del perceptrn simple.

Arquitectura
Es una red monocapa con varias neuronas de entrada conectadas a la neurona de salida. Observando la
imagen anterior podemos calcular el n valor de la salida, del siguiente modo:
En el caso de que la salida sea +1,
la entrada pertencer a una clase, situada a un lado del hiperplano
En el caso de que la salida sea -1,
la entrada pertencer a la clase contraria, situada al otro lado del
hiperplano
El perceptron simple es un hiperplano de dimensin n-1 capaz de separar las clases. La ecuacin de dicho
interplano es: w
1
x
1
+w
2
x
2
+=0
La cual si se simplifica queda del siguiente modo:
Donde la parte que multiplica x
1
es la pendiente de la recta y la otra parte es el punto de corte con el eje de
ordenadas.
Aprendizaje Supervisado
Para el proceso de aprendizaje del Perceptron Simple es necesario saber:
Los datos son puntos en un espacio multidimensional.
Se dispone de un conjunto de observaciones, puntos representados en el hiperplano, de los que se
sabe su categora o clase.
Se tiene que determinar la ecuacin del hiperplano que separa los ejemplos de un tipo de los de otro.
La ecuacin del hiperplano se deduce a partir de los ejemplos.
El aprendizaje es proceso iterativo supervisado.
Hasta encontrar el hiperplano discriminante se debe ir modificando los parametros de la red (pesos y
umbral).
Este proceso de aprendizaje supervisado tiene un nmero finito de iteracciones.
Los pasos a seguir para el aprendizaje son:
1. Inicializacin aleatoria de los pesos y umbral.
2. Se toma un patrn de entrada-salida.
3. Se calcula la salida de la red.
4. Si y = d(x) (clasificacin correcta).
Si y d(x) (clasificacin incorrecta) se modifican los parmetros.
5. Se vuelve al paso 2 hasta completar el conjunto de patrones de
entrenamiento.
Choque Sansuste Javier Armando Fecha: 22/05/2014
Octavo A-1
Inteligencia Artificial-El Perceptrn
6. Se repiten los pasos anteriores hasta alcanzar el criterio de parada.