CARACTERISTICAS D LAS R.

N
1)TOPOLOGIA(Arquitectura)
a)Capas  Entrada y Salida.Ocul
b)Conexionesfeedforwrd-bac
-Hacia Adelante
-De realimentación: hacia
atrás,laterales y recurrentes
c) Nro Neuronas y nro de neuronas
por capa 
-Nro Fijo y -Por ensayo error

2)APRENDIZAJE: mod,suce,pesos
a) Si exist etapa previa de Apren
-A.OFFLINEE.Apre y E.Produci
-A.ONLINE Directo a Producio
b) Si interviene un agent externo
-Supervisado-Ensayo y error
“E=Etapa” -Reforzamiento
-No supervisado -Hebbiano
-Competitivo y Colaborativo
3)TIPOS DE INFORMACION
a)ENTRADA Y SALIDA
- Dis-Dis /Con-Dis /Con-Con

CLASIFICACION D LAS R.N

SEGÚN SU TOPOLOGIA
1)MONOCAPA(Arquitectura)
Conexiones laterales y recurrentes
2)MULTICAPA: tienen conexiones
a) Hacia Adelante-Aplicadas a la
Predicción y reconocimi d patrones
b) “ “ y d Realimentación Aplicación
-Optimizacion y recono.d patrones
MODELOS DE R.N
1)PERCEPTRON
Tiene 2 capas con conexiones hacia
adelante.
-La capa d entrada con N neuronas
con función de transfer. Identidad
-La capa de salida con 1 neurona,
con función de transfer Escalón
APRENDIZAJE DEL PERCEPTRON
-Supervisado, por ensayo y error
-Aprende si los patrones de entrada
son linealmente separables

ALGORITMO DE APRENDIZAJE
1)Asignar valores a los parámetros
-Nro neuronas -alfa -Error Max
-Nro Max Iteraciones = itmax
-Nro Patrones de entrada=npe
2)Leer los ejemplos de train
3) Inicializar los pesos en 0 o en
valores aleatorios próximos a 0
4) t=1 % iteración1 sw=0
5) while t<= itmax and sw=0
6) p=1 patron de entrada 1
7) while p<= npe
8) Calcular la salidad yp
Net = w0+ w1 x1p+ w2 x2p+……
Yp = A si Netp >= 0 / B si Netp<0
9)Calcular error Ep=Yp-dp
10) Regla del aprendizaje
If Ep > E,max entonces
wo= w0+ alfa+Ep
11) p=p+1
12) end-whi;e
13) if S1<Emax and S2<E.max….
Entonces sw=1
14) t=t+1 15) end while
16)if sw==1 then return W 17)end

ALGORITMO BACKPROPAGATION
1)Asignar valores a los parámetros
-N= Nro neuronas capa entrada
-L= Nro neuronas capa oculta
-M=Nro neuronas capa salida
-Nro neuronas -alfa -Error Max
-Nro Max Iteraciones = itmax
-Nro Patrones de entrada=npe
2)Leer los ejemplos de aprendizaje
3) Inicializar los en valores aleatorios
próximos a 0
4) t=1 % iteración1 5)sw=0
6) while t<= itmax and sw=0
7) p=1 patron de entrada 1
8) while p<= npe do
9) Calcular la salidad yp
10)Calcular error
11) Regla del aprendizaje
If Ep > E,max entonces
wo= w0+ alfa+Ep
12) Calcular el error para Ep=Yp-dp
13) p=p+1
14) end while
15) if Ep < Emax para 1<=p<=npe
Then sw=1
16) t=t+1
17) endwhile
18) if sw==1 then retornar los pesos
19) END APRENDIO!!