Documentos de Académico
Documentos de Profesional
Documentos de Cultura
REDES NEURONALES
MULTICAPA CON
CONEXIONES
FEEDFORWARD
PERCEPTRON MULTICAPA
Es una red neuronal multicapa con 3 o más capas, con conexiones hacia
adelante.
TOPOLOGÍA:
La capa de entrada tiene N neuronas, con función de transferencia identidad.
1 o más capas ocultas con función de transferencia sigmoidal o tangente
hiperbólica.
La capa de salida tiene M neuronas, con función de transferencia sigmoidal o
tangente hiperbólica o identidad.
EJEMPLO: FUNCION XOR
X1 X2 Y
0 0 0 B
0 1 1A
1 0 1A
1 1 0B
x2
(0,1) (1,1)
A B
B
B A x1
(0,0) (1,0)
x2
(0,1) (1,1)
A B
A
B
B A x1
(0,0) A (1,0)
TOPOLOGIA
SI
PESOS Etrain<emax
NO
EJEMPLOS DE
TEST
TEST
SI
Etest<emax
NO
QUERY (SIMULATION)
ENTRADA SALIDA
COEFICIENTE (RAZÓN) DE APRENDIZAJE
1) INFORMACIÓN DISCRETA
Se usa una neurona para representarla.
a) Binaria
0 y 1 ó -1 y 1
b) No binaria
0 , 0.5, 1
-1, -0.5, 0, 0.5, 1
2) INFORMACIÓN CONTINUA
Se usa una neurona para representarla
[ -∞ , ∞ ]
[ -1 , 1 ]
[0,1]
C. TIPOS DE INFORMACIÓN DE ENTRADA
Y SALIDA
3) INFORMACIÓN SIMBÓLICA
Si son símbolos ordenables se usa una neurona para
representarla.
Si son símbolos no ordenables se usa N neuronas para
representarla.
Edad Ordenable No Ordenable
Bebe -1 00001
Niño -0.5 00010
Joven 0 00100
Adulto 0.5 01000
Anciano 1 10000
NORMALIZACIÓN DE LA INFORMACIÓN
CONTINUA
En el caso de la información continua:
Si en la capa de salida se tiene la función de transferencia sigmoidal
(devuelve valores entre [ 0,1 ]) o tanh (devuelve valores entre [-1,1] )
entonces los datos de los ejemplos de aprendizaje, que toman valores
entre [-∞ , ∞] tienen que ser normalizados.
Es decir, si la salida deseada varía entre [10, 100], nunca va a
coincidir con la salida obtenida que varía entre [0,1] si la red tiene
función sigmoidal en la capa de salida y la red neuronal no va a
aprender. Para que coincida hay que normalizar los ejemplos de
aprendizaje.
Vemos el caso en que se normalizan los datos que varían entre [a,b]
al intervalo [0,1] (algo similar es cuando se normalizan a [-1,1])
NORMALIZACIÓN DE LA INFORMACIÓN
CONTINUA
NORMALIZADO
0.9
Y
ɸ
0.1
A X B SIN
NORMALIZAR