Clase 2: -Tipos de redes neuronales feed forward

-Perceptron
Feed forward -> 1 capa

1 neurona – 1 entrada 1 neurona – R entradas

Funciones de transferencia
Feed forward -> multicapas
R entradas - S neuronas -1 capa

R entradas - S neuronas -3 capas

 Perceptrones
(Hagan capitulo 4)

R entradas - S neuronas -1 capa

f -> hardlim ó hardlims
-Aprendizaje supervisado
Ejemplo: Queremos encontrar un clasificador para:

Para simplificar empecemos con b=0 y busquemos una regla para W

 Aplicamos p1 ,vemos que ‘a’ predice mal
1 w comienza al azar

Proponemos que w ,se acerque a P1

1

Aplicamos p2 ,vemos que ‘a’ predice mal

Acá ya apredió clasificar los 3

patrones.
Regla testeada en el ejemplo: Escrita más compacta:
 1.5

Ejemplo 1 - Matlab: P(1) P(2) t 1

daminn_preceptron_3.m
-1 -1 -1 0.5
Encontrar un Perceptron
-1 +1 -1 P(2)
que aprenda la regla 0

AND +1 -1 -1 -0.5

+1 +1 +1 -1

-1.5
-1.5 -1 -0.5 0 0.5 1 1.5

P(1)
 En cada epoca, Dado w , b -> calculo salida ‘a’

Funcion hardlim

1.5

0.5

-0.5

-1

-1.5
-1.5 -1 -0.5 0 0.5 1 1.5
Ejemplo 2 – Con toolbox de Matlab:
perceptron_toolbox_2.m

Vectors to be Classified

1.5

0.5

P(2)
0

-0.5

-1

-1.5

-1.5 -1 -0.5 0 0.5 1 1.5

P(1)

Vectors to be Classified

1.5

0.5

P(2)
0

-0.5

-1

-1.5

-1.5 -1 -0.5 0 0.5 1 1.5

P(1)
Ejemplo 3 – Con toolbox de Matlab: perceptron_toolbox_3.m

Luego de entrenar.. Vectors to be Classified

P=(-1,+1)->t= (0,1) P=(+1,+1)->t= (1,1)

1.5

1
Clasif. Correcta:
0.5

P(2) 0

-0.5

-1

-1.5 P=(-1,-1)->t= (0,0)

-1.5 -1 -0.5 0 0.5 1 1.5

P(1)