Control Inteligente

Práctica 2

Clasificador de señales mediante

una red neuronal
José Alberto Vázquez Rivera
Abril 04, 2018

Resumen
Las redes neuronales han abarcado muchos ambientes educativos tan-
to para modelos psicológicos a llegar a evaluar modelos matemáticos para
sistemas de control, en este caso sistemas lineales como sistemas no linea-
les; las redes neuronales tratan de simular una red neuronal biológica. La
red neuronal perceptrón multicapa es otro método de las redes neurona-
les para el aprendizaje de ciertos modelos matemáticos, en este caso para
la clasificación de señales, sin embargo se debe tomar en cuenta varios
aspectos a considerar como el numero de capas que se utilizarán ya que
importa mucho el tiempo en el que la red neuronal aprende y valida lo
aprendido.

1
 ÍNDICE

Índice
1. Introducción 4
1.1. Antecedentes del tema . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2. Introducción al tema . . . . . . . . . . . . . . . . . . . . . . . . . 4

2. Desarrollo 6
2.1. Red Neuronal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2. Etapas de la red neuronal . . . . . . . . . . . . . . . . . . . . . . 6

3. Resultados 7
3.1. Señales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

4. Conclusiones 13

5. Anexos 14

2
 ÍNDICE DE FIGURAS

Índice de figuras
1. Esquema de Neurona. . . . . . . . . . . . . . . . . . . . . . . . . 4
2. Señales a generar. . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3. Pesos de la red neuronal. . . . . . . . . . . . . . . . . . . . . . . . 7
4. Pesos de la red neuronal (salida). . . . . . . . . . . . . . . . . . . 8
5. Señales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
6. Señal cuadrada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
7. Señal triangular positiva. . . . . . . . . . . . . . . . . . . . . . . 10
8. Señal cosenoidal. . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
9. Señal constante. . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
10. Señal senoidal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
11. Señal triangular negativa. . . . . . . . . . . . . . . . . . . . . . . 12

Índice de listados

3
 1. Introducción

1. Introducción
1.1. Antecedentes del tema
El cerebro humano es el sistema de cálculo más complejo que conoce el hom-
bre. El ordenador y el hombre realizan bien diferentes clases de tareas; así la
operación de reconocer el rostro de una persona resulta una tarea relativamente
sencilla para el hombre y difícil para el ordenador, mientras que la contabilidad
de una empresa es tarea costosa para un experto contable y una sencilla rutina
para un ordenador básico. Las RNA intentan ser una emulación inteligente del
comportamiento de los sistemas biológicos, en donde los sistemas nerviosos se
basan en la neurona como elemento fundamental (Hilera, 1995).
Actualmente, una RNA puede ser considerada como un modelo de âĂIJcaja
negraâĂİ. Entre las principales características de las RNA cabe destacar (Solo-
matine, 2002) que es un modelo con múltiples parámetros, el cual es capaz de
reproducir complejas relaciones no lineales, cuyo proceso de calibración (entre-
namiento) requiere de gran cantidad de información, siendo el modelo resultante
veloz y que puede ser utilizado donde los modelos físicos resultan inadecuados
o donde pueda complementarlos.

Figura 1: Esquema de Neurona.

1.2. Introducción al tema

Las Redes Neuronales Artificiales, ANN (Artificial Neural Networks) están
inspiradas en las redes neuronales biológicas del cerebro humano. Están consti-
tuidas por elementos que se comportan de forma similar a la neurona biológica
en sus funciones más comunes. Estos elementos están organizados de una forma
parecida a la que presenta el cerebro humano.
Las ANN al margen de "parecerse.al cerebro presentan una serie de caracte-
rÃŋsticas propias del cerebro. Por ejemplo las ANN aprenden de la experiencia,

4
 1.2 Introducción al tema

generalizan de ejemplos previos a ejemplos nuevos y abstraen las caracterÃŋs-

ticas principales de una serie de datos.
Aprender: adquirir el conocimiento de una cosa por medio del estudio, ejercicio
o experiencia. Las ANN pueden cambiar su comportamiento en funciÃşn del
entorno. Se les muestra un conjunto de entradas y ellas mismas se ajustan para
producir unas salidas consistentes.
Generalizar: extender o ampliar una cosa. Las ANN generalizan automÃątica-
mente debido a su propia estructura y naturaleza. Estas redes pueden ofrecer,
dentro de un margen, respuestas correctas a entradas que presentan pequeÃśas
variaciones debido a los efectos de ruido o distorsiÃşn.
Abstraer: aislar mentalmente o considerar por separado las cualidades de un
objeto. Algunas ANN son capaces de abstraer la esencia de un conjunto de en-
tradas que aparentemente no presentan aspectos comunes o relativos.

Para esta práctica se pide que sese desarrolle un clasificador de señales, para ser
especifico sesi, y los puntos a cosiderar son:
Usted conoce cuando inicia el ciclo de cada señal.

El muestreo es realizado en el mismo intervalo de tiempo para cada señal.

La amplitud de la señal no varía.
No habrá corrimiento de la señal en el tiempo.

Las señales se pueden visualizar en la figura 2

Figura 2: Señales a generar.

5
 2. Desarrollo

2. Desarrollo
2.1. Red Neuronal
La estructura para la simulación del programa se llevó a cabo en el softwa-
re matemático MATLAB considerando que se debe utilizar una red neuronal
multicapa perceptron (MLP) y se tiene en consideración que la red neuronal
esta compuesta de tres capas, la capa de entrada consta de 5 neuronas, la capa
oculta consta de 20 neuronas y la capa de salida consta de 1 neurona.
Por lo que primeramente se realiza un entrenamiento de la red neuronal seguido
de su validacion.

2.2. Etapas de la red neuronal

Para la etapa de entrenamiento se realizarán 300 EPOCAS para entrenar a
la red neuronal , para la etapa de validación de la red neuronal se llevaron a
cabo 700 epocas.
Para la etapa de entrenamiento de la red se utilizó un error del 0,0001 % ,
si esque no llega a topar al error propuesto este seguirá corriendoel programa
hasta terminar con todas las EPOCAS establecidas en el programa que son
25000 intentos.

6
 3. Resultados

3. Resultados
Se obtuvieron los siguientes pesos dentro de la red neuronal:

Figura 3: Pesos de la red neuronal.

En la capa de salida se obtuvieron los siguientes pesos de forma vectorial.

7
 3. Resultados

Figura 4: Pesos de la red neuronal (salida).

Se puede visualzar en la figura 5 que la gráfica de arriba es la generación de

las señales propuestas y la gráfica de abajo es la salida de la red neuronal.

8
 3.1 Señales

Figura 5: Señales.

3.1. Señales
La señal cuadratica generó una amplitud de onda de 0,5 como se puede
visualizar en la figura 6 y a demas se agrego un poco de ruido ya que si no se
hacia esto no se podria visualizar la linea recta al graficarla.

Figura 6: Señal cuadrada.

Para la señal triangular en la zona positiva tiende a una amplitud de 0,3

9
 3.1 Señales

como se puede visualizar en la figura 7.

Figura 7: Señal triangular positiva.

Para la señal cosenoidal tiende a una amplitud aproximandose a 0,2 como

se puede visualizar en la figura 8.

Figura 8: Señal cosenoidal.

Para la señal constante tiende a una amplitud aproximandose a 0,6 como se

puede visualizar en la figura 9.

10
 3.1 Señales

Figura 9: Señal constante.

Para la señal senoidal tiende a una amplitud aproximandose a 0 como se

puede visualizar en la figura 10.

Figura 10: Señal senoidal.

Para la señal triangular en la zona negativa tiende a una amplitud de 0,4

como se puede visualizar en la figura 11.

11
 3.1 Señales

Figura 11: Señal triangular negativa.

12
 4. Conclusiones

4. Conclusiones
Para el estado de entrenamiento de la red no llego al error permitido aunque
se agregaron y se quitaron neuronas de la capa oculta sin embargo el error
tendio a 0,00089 aproximadamente cuando el error permitido fue de 0,0001 el
error quiza no fue muy grande sin embargo no llego a nuestro error permitido.

13
 5. Anexos

5. Anexos
Código implementado en Matlab usando MLP.
1 clc ;
2 close a l l ;
3 clear ;
4 n = 5; %e n t r a d a
5 l = 20; %n e u r o n a s capa o c u a l t a
6m = 1; %n e u r o n a s capa s a l i d a
7 muestras = 5 0 ;
8 e p o c a s = m u e s t r a s ∗6 ;
9 [ Y_entre , s e n a l _ e n t r e , s e n a l _ v a l i d a , s1 , s2 , s3 , s4 , s5 , s 6 ] =
s e n a l e s ( muestras ) ;
10 ye = Y_entre ;
11 s e n a l _ e n t r e = s e n a l _ e n t r e ∗ 0 . 5 + 0 . 5 ;
12 s e n a l _ v a l i d a = s e n a l _ v a l i d a ∗ 0 . 5 + 0 . 5 ;
13 %% Entrenamiento
14 f o r t =1: m u e s t r a s ∗6
15 i f t >49
16 xe ( t , 1 ) = s e n a l _ e n t r e ( t ) ;
17 xe ( t , 2 ) = xe ( t −10) ;
18 xe ( t , 3 ) = xe ( t −20) ;
19 xe ( t , 4 ) = xe ( t −30) ;
20 xe ( t , 5 ) = xe ( t −40) ;
21 xe ( t , 6 ) = xe ( t −49) ;
22 e l s e i f t >40
23 xe ( t , 1 ) = s e n a l _ e n t r e ( t ) ;
24 xe ( t , 2 ) = xe ( t −10) ;
25 xe ( t , 3 ) = xe ( t −20) ;
26 xe ( t , 4 ) = xe ( t −30) ;
27 xe ( t , 5 ) = xe ( t −40) ;
28 xe ( t , 6 ) = 0 ;
29 e l s e i f t >30
30 xe ( t , 1 )= s e n a l _ e n t r e ( t ) ;
31 xe ( t , 2 )=xe ( t −10) ;
32 xe ( t , 3 )=xe ( t −20) ;
33 xe ( t , 4 )=xe ( t −30) ;
34 xe ( t , 5 ) =0;
35 xe ( t , 6 ) =0;
36 e l s e i f t >20
37 xe ( t , 1 )= s e n a l _ e n t r e ( t ) ;
38 xe ( t , 2 )=xe ( t −10) ;
39 xe ( t , 3 )=xe ( t −20) ;
40 xe ( t , 4 ) =0;
41 xe ( t , 5 ) =0;
42 xe ( t , 6 ) =0;
43 e l s e i f t >10
44 xe ( t , 1 ) = s e n a l _ e n t r e ( t ) ;
45 xe ( t , 2 ) = xe ( t −10) ;
46 xe ( t , 3 ) = 0 ;
47 xe ( t , 4 ) = 0 ;
48 xe ( t , 5 ) = 0 ;
49 xe ( t , 6 ) = 0 ;
50 else
51 xe ( t , 1 ) = s e n a l _ e n t r e ( t ) ;
52 xe ( t , 2 ) = 0 ;

14
 5. Anexos

53 xe ( t ,3) = 0;
54 xe ( t ,4) = 0;
55 xe ( t ,5) = 0;
56 xe ( t ,6) = 0;
57 end
58 end
59 %% V a l i d a c i o n
60 f o r t =1: m u e s t r a s ∗14
61 i f t >49
62 xv ( t , 1 ) = s e n a l _ v a l i d a ( t ) ;
63 xv ( t , 2 ) = xv ( t −10) ;
64 xv ( t , 3 ) = xv ( t −20) ;
65 xv ( t , 4 ) = xv ( t −30) ;
66 xv ( t , 5 ) = xv ( t −40) ;
67 xv ( t , 6 ) = xv ( t −49) ;
68 e l s e i f t >40
69 xv ( t , 1 ) = s e n a l _ v a l i d a ( t ) ;
70 xv ( t , 2 ) = xv ( t −10) ;
71 xv ( t , 3 ) = xv ( t −20) ;
72 xv ( t , 4 ) = xv ( t −30) ;
73 xv ( t , 5 ) = xv ( t −40) ;
74 xv ( t , 6 ) = 0 ;
75 e l s e i f t >30
76 xv ( t , 1 ) = s e n a l _ v a l i d a ( t ) ;
77 xv ( t , 2 ) = xv ( t −10) ;
78 xv ( t , 3 ) = xv ( t −20) ;
79 xv ( t , 4 ) = xv ( t −30) ;
80 xv ( t , 5 ) = 0 ;
81 xv ( t , 6 ) = 0 ;
82 e l s e i f t >20
83 xv ( t , 1 ) = s e n a l _ v a l i d a ( t ) ;
84 xv ( t , 2 ) = xv ( t −10) ;
85 xv ( t , 3 ) = xv ( t −20) ;
86 xv ( t , 4 ) = 0 ;
87 xv ( t , 5 ) = 0 ;
88 xv ( t , 6 ) = 0 ;
89 e l s e i f t >10
90 xv ( t , 1 ) = s e n a l _ v a l i d a ( t ) ;
91 xv ( t , 2 ) = xv ( t −10) ;
92 xv ( t , 3 ) = 0 ;
93 xv ( t , 4 ) = 0 ;
94 xv ( t , 5 ) = 0 ;
95 xv ( t , 6 ) = 0 ;
96 else
97 xv ( t , 1 ) = s e n a l _ v a l i d a ( t ) ;
98 xv ( t , 2 ) = 0 ;
99 xv ( t , 3 ) = 0 ;
100 xv ( t , 4 ) = 0 ;
101 xv ( t , 5 ) = 0 ;
102 xv ( t , 6 ) = 0 ;
103 end
104 end
105 e t a = 0 . 0 7 ; %f a c t o r de e n t r e n a m i e n t o
106 a l f a = 0 . 0 3 5 ;
107 W = rand ( n+1 , l ) ;
108 V= rand ( l +1 ,m) ;
109 incrementoV=zeros ( l +1 ,m) ;

15
 5. Anexos

110 incrementoW=zeros ( n+1 , l ) ;

111
112 f o r i t =1:25000
113 eacum =0;
114
115 f o r epo =1:( e p o c a s / 5 0 )
116
117 apunta ( epo ) =(( epo ) ∗ 5 0 ) ;
118 x=xe ( ( ( epo ) ∗ 5 0 ) , : ) ;
119 y=ye ( ( ( epo ) ∗ 5 0 ) ) ;
120 [ S , H, R, O, e , Ep ] = C a l c u l o s ( n , l , m, x , y , W, V ) ;
121
122 f o r k =1:m
123 f o r j =1: l
124 D( k )= e ( k ) ∗O( k ) ∗(1−O( k ) ) ;
125 incrementoV ( j , k )=e t a ∗ (H( j ) ∗ D( k ) )+ a l f a ∗ incrementoV ( j , k ) ;
126 V( j , k ) = V( j , k ) + incrementoV ( j , k ) ;
127 end
128 D( l +1)= e ( k ) ∗O( k ) ∗(1−O( k ) ) ;
129 incrementoV ( l +1 ,k )=e t a ∗ (V( l +1 ,k ) ∗ D( k ) )+ a l f a ∗ incrementoV ( l +1 ,k
);
130 V( l +1 ,k ) = V( l +1 ,k ) + incrementoV ( l +1 ,k ) ;
131 end
132
133 f o r i =1:n
134 f o r j =1: l
135 s u m a t o r i a =0;
136 f o r k =1:m
137 s u m a t o r i a = s u m a t o r i a + D( k ) ∗V( j , k ) ;
138 end
139 d ( j )= s u m a t o r i a ∗H( j ) ∗ ( 1 − H( j ) ) ;
140 incrementoW ( i , j )= e t a ∗d ( j ) ∗x ( i ) + a l f a ∗ incrementoW ( i , j ) ;
141 W( i , j )= W( i , j ) + incrementoW ( i , j ) ;
142 end
143 end
144
145 f o r j =1: l
146 s u m a t o r i a =0;
147 f o r k =1:m
148 s u m a t o r i a = s u m a t o r i a + D( k ) ∗V( j , k ) ;
149 end
150 d ( j )= s u m a t o r i a ∗H( j ) ∗ ( 1 − H( j ) ) ;
151 incrementoW ( n+1 , j )= e t a ∗d ( j ) ∗1 + a l f a ∗ incrementoW ( n+1 , j ) ;
152 W( n+1 , j )=W( n+1 , j ) + incrementoW ( n+1 , j ) ;
153 end
154
155 eacum = eacum + Ep ;
156 end
157 eacum
158 i t
159 h i s _ e r r o r ( i t )=eacum ;
160
161 i f eacum <0.0001 %% e r r o r p e r m i t i d o
162 break ;
163 end
164 end
165 it

16
 5. Anexos

166 plot ( h i s _ e r r o r ) ;
167
168 f o r epo =1:( m u e s t r a s ∗ 1 4 ) /50
169 apunta ( epo ) =(( epo ) ∗ 5 0 ) ;
170 x=xv ( ( ( epo ) ∗ 5 0 ) , : ) ;
171
172 [ S , H, R, O, e , Ep ] = C a l c u l o s ( n , l , m, x , y , W, V ) ;
173 s a l i d a s ( epo , : ) =O;
174 end
175 Sen = s e n a l _ v a l i d a ’ ;
176WW = W’ ;
177 subplot ( 2 , 1 , 1 ) , plot ( s e n a l _ v a l i d a , ’ . g ’ )
178 t i t l e ( ’ S e à ś a l e s a c l a s i f i c a r ’ ) ;
179 xlabel ( ’ Muestras ’ ) ;
180 ylabel ( ’ S a l i d a ’ ) ;
181 legend ( ’ S e à ś a l a v a l i d a r ’ )
182 grid on
183 subplot ( 2 , 1 , 2 ) , plot ( apunta , s a l i d a s , ’ r ’ )
184 t i t l e ( ’ S a l i d a de l a r e d n e u r o n a l ’ ) ;
185 xlabel ( ’ Muestras ’ ) ;
186 ylabel ( ’ S a l i d a ’ ) ;
187 legend ( ’ e s t a d o de l a s seÃśales ’ )
188 grid on

Función código para generar las señales

1 function [ Y_entre , s e n a l _ e n t r e , s e n a l _ v a l i d a , s e n o i d a l , c o s e n o i d a l ,
t r i a n g u l a r , t r i a n g u l a r _ i n v , cuadrada , c o n s t a n t e ] = s e n a l e s (
muestras )
2
3 %m u e s t r a s =51
4 %Y_entre [ ] ;
5 %Y_val [ ] ;
6
7 f o r t =1: m u e s t r a s
8 r u i d o 1 ( t )= ( rand ( ) ∗ 0 . 0 5 ) − 0 . 0 2 ;
9 r u i d o 2 ( t )= ( rand ( ) ∗ 0 . 1 ) − 0 . 0 5 ;
10 s e n o i d a l ( t )=s i n ( ( t −1) ∗ ( 2 ∗ pi / ( muestras −1) ) ) ;
11 c o s e n o i d a l ( t )=cos ( ( t −1) ∗ ( 2 ∗ pi / ( muestras −1) ) ) ;
12
13 i f t < ( m u e s t r a s / 2 )+1
14 t r i a n g u l a r ( t )= ( 1 / ( m u e s t r a s / 2 ) ) ∗ ( t −1) ;
15 t r i a n g u l a r _ i n v ( t )= 0 − ( 1 / ( m u e s t r a s / 2 ) ) ∗ ( t −1) ;
16 cuadrada ( t )= 1 ;
17
18 else
19 t r i a n g u l a r ( t )= 1 − ( 1 / ( m u e s t r a s / 2 ) ) ∗ ( t −( m u e s t r a s / 2 ) ) ;
20 t r i a n g u l a r _ i n v ( t )= −1 +(1/( m u e s t r a s / 2 ) ) ∗ ( t −( m u e s t r a s / 2 ) ) ;
21 cuadrada ( t )= −1;
22 end
23
24 c o n s t a n t e ( t )= 0 . 6 ;
25
26 end
27
28 f o r i =1: m u e s t r a s ∗6
29 i f i > m u e s t r a s ∗5
30 Y_entre ( i ) = 0 . 6 ;

17
 5. Anexos

31 e l s e i f i > m u e s t r a s ∗4
32 Y_entre ( i ) = 0 . 5 ;
33 e l s e i f i > m u e s t r a s ∗3
34 Y_entre ( i ) = 0 . 4 ;
35 e l s e i f i > m u e s t r a s ∗2
36 Y_entre ( i ) = 0 . 3 ;
37 e l s e i f i > muestras
38 Y_entre ( i ) = 0 . 2 ;
39 else
40 Y_entre ( i ) = 0 . 1 ;
41 end
42 end
43
44 s e n a l _ e n t r e=s e n o i d a l ;
45 s e n a l _ e n t r e ( m u e s t r a s +1: m u e s t r a s ∗ 2 )=c o s e n o i d a l ;
46 s e n a l _ e n t r e ( m u e s t r a s ∗2+1: m u e s t r a s ∗ 3 )=t r i a n g u l a r ;
47 s e n a l _ e n t r e ( m u e s t r a s ∗3+1: m u e s t r a s ∗ 4 )=t r i a n g u l a r _ i n v ;
48 s e n a l _ e n t r e ( m u e s t r a s ∗4+1: m u e s t r a s ∗ 5 )=cuadrada ;
49 s e n a l _ e n t r e ( m u e s t r a s ∗5+1: m u e s t r a s ∗ 6 )=c o n s t a n t e ;
50
51
52 s e n a l _ v a l i d a=cuadrada ;
53 s e n a l _ v a l i d a ( m u e s t r a s +1: m u e s t r a s ∗ 2 )=cuadrada+r u i d o 1 ;
54 s e n a l _ v a l i d a ( m u e s t r a s ∗2+1: m u e s t r a s ∗ 3 )=cuadrada+r u i d o 2 ;
55 s e n a l _ v a l i d a ( m u e s t r a s ∗3+1: m u e s t r a s ∗ 4 )=t r i a n g u l a r ;
56 s e n a l _ v a l i d a ( m u e s t r a s ∗4+1: m u e s t r a s ∗ 5 )=t r i a n g u l a r ;
57 s e n a l _ v a l i d a ( m u e s t r a s ∗5+1: m u e s t r a s ∗ 6 )=c o s e n o i d a l ;
58 s e n a l _ v a l i d a ( m u e s t r a s ∗6+1: m u e s t r a s ∗ 7 )=c o s e n o i d a l+r u i d o 1 ;
59 s e n a l _ v a l i d a ( m u e s t r a s ∗7+1: m u e s t r a s ∗ 8 )=c o n s t a n t e ;
60 s e n a l _ v a l i d a ( m u e s t r a s ∗8+1: m u e s t r a s ∗ 9 )=c o n s t a n t e ;
61 s e n a l _ v a l i d a ( m u e s t r a s ∗9+1: m u e s t r a s ∗ 1 0 )=s e n o i d a l ;
62 s e n a l _ v a l i d a ( m u e s t r a s ∗10+1: m u e s t r a s ∗ 1 1 )=s e n o i d a l ∗ 0 . 7 ;
63 s e n a l _ v a l i d a ( m u e s t r a s ∗11+1: m u e s t r a s ∗ 1 2 )=t r i a n g u l a r _ i n v ;
64 s e n a l _ v a l i d a ( m u e s t r a s ∗12+1: m u e s t r a s ∗ 1 3 )=s e n o i d a l ∗ 0 . 8 ;
65 s e n a l _ v a l i d a ( m u e s t r a s ∗13+1: m u e s t r a s ∗ 1 4 )=s e n o i d a l ∗ 0 . 7 ;
66 end

Función código para obtener la salida de la red neuronal.

1 function [ S , H, R, O, e , Ep ] = C a l c u l o s ( n , l , m, x , y , W, V )
2
3 f o r j =1: l
4 s u m a t o r i a =0;
5 f o r i =1:n
6 s u m a t o r i a = s u m a t o r i a + W( i , j ) ∗x ( i ) ;
7 end
8 S ( j )= s u m a t o r i a + W( n+1 , j ) ;
9 H( j )= 1/(1+exp(−S ( j ) ) ) ;
10 end
11
12 Ep=0;
13 f o r k =1:m
14 s u m a t o r i a =0;
15 f o r j =1: l
16 s u m a t o r i a = s u m a t o r i a + V( j , k ) ∗H( j ) ;
17 end
18 R( k )= s u m a t o r i a + V( l +1 ,k ) ;
19 O( k )= 1/(1+exp(−R( k ) ) ) ;

18
 REFERENCIAS

20 e ( k ) = y ( k ) − O( k ) ;
21 Ep = Ep +(e ( k ) ^ 2 ) ;
22 end
23 Ep=Ep ∗ 0 . 5 ;
24 end

Referencias
[1] Rodrigo Salas Redes Neuronales Artificiales, Departamento de Compu-
tación, Universidad de Valparaíso.

[2] Andres Nacelle Redes Neuronales Artificiales, Núcleo de ingeniería bio-

médica facultades de medicina e ingeniería, Universidad de la república.

19