INFORME DE LABORATORIO N°3

Apellidos: Reyes Rubio

Nombres: Ever Flavio

EJEMPLO: RNA SIN BIAS.

EJEMPLO: RNA CON BIAS.

Donde I representa las entradas, W lo pesos respectivos; b las bias y O es la salida.

EJEMPLO: RNA CON ENTRADA VECTORIAL.
EJERCICIO
Hallar la función de propagación y las salidas respectivas sabiendo que la función de activación es
hardlim.

U representa la matriz al aplicar Hardlim a la salida.

Grafica de la matriz de salida después de aplicar hardlim, muestra que a la salida menores de 0 es
0 y mayores de 0 es 1.
Primera red de entrada escalares.
Segunda Red de entrada vectorial.
Representar otras redes neuronales y dadas sus entradas, salidas y bias.
Determinar si la red aprende, la primera red debe considerar entradas
escalares y la segunda vectorial.
Gráfica donde se muestra después de aplicar la función Hardlims, U es la
salida.
OBSERVACIONES:

- Los pesos sinapticos wij. Al igual que en una neurona biológica se establecen
sinapsis entre las dendritas de una neurona y el axón de otra, en una neurona
artificial a las entradas que vienen de otras neuronas se les asigna un peso.

COMENTARIO:

- Las RNA tienen la habilidad de aprender mediante una etapa que se llama etapa
de aprendizaje. Esta consiste en proporcionar a la RNA datos como entrada a su
vez que se le indica cuál es la salida (respuesta) esperada.

- Debido a que una RNA almacena la información de forma redundante, ésta puede
seguir respondiendo de manera aceptable aun si se daña parcialmente.

CONCLUSIONES:

- Dependiendo del tipo de salida, las neuronas suelen recibir nombres específicos.
Así, las neuronas estándar cuya salida sólo puede tomar los valores "0" ó "1" se
suelen denominar genéricamente neuronas de tipo Mc Culloch Pitts, mientras que
aquellas que únicamente pueden tener por salidas ( -1 ó +1 ) se suelen denominar
neuronas tipo Ising (debido al paralelismo con los modelos físicos de partículas con
espín que adoptan únicamente dos estados, hacia arriba y hacia abajo).