Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 35 vistas

    Clase Perceptron PDF

    Cargado por

    Sergio sersh Cruz
    Este documento describe el entrenamiento de una red neuronal multicapa utilizando el algoritmo de retropropagación para predecir salidas deseadas de 0 o 1. Se inicializan los pesos y umbrales de la red y se calculan las salidas de cada neurona en las capas ocultas y de salida. Luego, se modifican progresivamente los pesos y umbrales mediante retropropagación del error para minimizar la diferencia entre las salidas obtenidas y deseadas. El proceso continúa iterativamente hasta alcanzar las condiciones de parada.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Clase Perceptron PDF

    Cargado por

    Sergio sersh Cruz
    35 vistas2 páginas
    Este documento describe el entrenamiento de una red neuronal multicapa utilizando el algoritmo de retropropagación para predecir salidas deseadas de 0 o 1. Se inicializan los pesos y umbrales de la red y se calculan las salidas de cada neurona en las capas ocultas y de salida. Luego, se modifican progresivamente los pesos y umbrales mediante retropropagación del error para minimizar la diferencia entre las salidas obtenidas y deseadas. El proceso continúa iterativamente hasta alcanzar las condiciones de parada.

    Título original

    CLASE PERCEPTRON.pdf

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento describe el entrenamiento de una red neuronal multicapa utilizando el algoritmo de retropropagación para predecir salidas deseadas de 0 o 1. Se inicializan los pesos y umbrales de la red y se calculan las salidas de cada neurona en las capas ocultas y de salida. Luego, se modifican progresivamente los pesos y umbrales mediante retropropagación del error para minimizar la diferencia entre las salidas obtenidas y deseadas. El proceso continúa iterativamente hasta alcanzar las condiciones de parada.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    35 vistas2 páginas

    Clase Perceptron PDF

    Cargado por

    Sergio sersh Cruz
    Este documento describe el entrenamiento de una red neuronal multicapa utilizando el algoritmo de retropropagación para predecir salidas deseadas de 0 o 1. Se inicializan los pesos y umbrales de la red y se calculan las salidas de cada neurona en las capas ocultas y de salida. Luego, se modifican progresivamente los pesos y umbrales mediante retropropagación del error para minimizar la diferencia entre las salidas obtenidas y deseadas. El proceso continúa iterativamente hasta alcanzar las condiciones de parada.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    Está en la página 1de 2

    miércoles, 11 de enero de 2023 11:58 a. m.

    0.0942 0.931 0.7172 CONDICIONES INICIALES


    Salidas deseadas (0,1)
    Tasa de aprendizaje= 0.7
    0.1 -0.256 0.96
    0.6 1
    0.748 1.17=1 Salida N1,1= X1w1+x2w2+x3w3+b
    0.3 0.761 0.318 0.09 (0.1*0.6)+(-0.07*0.3)+(1*0.2)+(-1)=-0.761
    0.973 0.727 f(x)= 1/(1+e^(-(-0.761)))= 0.318
    0.2 0.878 0 0.947 Salida N1,2= X1w1+x2w2+x3w3+b
    -1 (0.1*-0.2)+(-0.07*0.8)+(1*-0.9)+(0.5)=-0.476
    -0.07 -0.145 f(x)= 1/(1+(e^(-(-0.476))))=
    -0.2 0.517
    0.4
    0.8 -0.455 Segunda capa oculta
    -0.476 0.383 -1.006 0.491 =0 Salida N2,1= X1w1+x2w2+x3w3+b
    (0.318*0.0942)+(0.383*-0.256)+1=0.9319
    -0.9
    0.3314 0.582 0.775 f(x)= 1/(1+e^(-0.9319)))=0.7172
    Salida N2,2= 0.9733
    1
    f(x)= 0.7277
    0.5
    0.1 Salida N2,3=0.3314
    f(x)= 0.582

    CONDICIONES DE PARADA Valor del umbral= 0.5


    1.- Número de iteraciones Salida NS1= X1W1 + x2w2+x3w3
    2.- Valor del error NS1= (0.7172*0.96)+(0.7277*-0.09)+(0.582*0.947)=1.1742
    f(umbral)= 1 --Se redondea a 1 por el valor de umbral
    3.-Obtenemos la salida deseada Salida NS2= 0.4910
    4.-Las salidas no cambien después de n iteraciones f(umbral)= 0

    Modificar los pesos iniciales para entrenar a la red

    Error de la NS1
    Salida deseada - salida obtenida=
    0-1.17=-1.17

    • ) =Salida obtenida
    0.0942 0.1814 0.931 0.7172
    • = error

    0.1
    • =Entrada a la neurona
    -0.256 -0.15 0.96 1.07
    0.6 1 1.0385 bias(t+1) = bias (t) + *
    0.748 0.7533 1.17=1
    0.3 0.761 0.318 0.09 0.248 Neurona 1 salida
    0.973 0.727
    ) = 1.17*(1- 1.17)=-0.1989
    0.2 0.878 0.8844 0.947 1.041
    -1
    -0.07 -0.145
    -0.2 0.517 0.455
    0.4 0.4385
    0.8 -0.455 0.5174
    -1.006 0.491 =0
    -0.476 0.383
    -0.9
    0.3314 0.582
    0.775 0.725 Neurona 2 salida
    1 ) = 0.2499
    0.5
    0.1 0.1385

    Capa ocultas
    • )
    Modificación de las bias
    • ) bias(t+1) = bias (t) + *
    • Bias1= 1+(0.7*0.055)=1.0385
    Bias2= 0.4+(0.7*0.055)=0.4385
    • bias(t+1) = bias (t) + * Bias3= 0.1+(0.7*0.055)=0.1385
    Neurona 1 de la segunda capa oculta
    )=
    ) = 0.7172(1- 07172)= 0.2028

    • )
    • ) = 0.2028 *((1.07.*-0.2327)+(0.455*-0.1227))= 0.03917

    Ejercicio MLP página 1


    • ) = 0.2028 *((1.07.*-0.2327)+(0.455*-0.1227))= 0.03917
    •
    •
    •

    Neurona 2 de la segunda capa oculta


    )=
    ) = 0.727(1- 0.727)= 0.198

    • )
    • ) = 0.198 *((0.248*-0.2327)+(-0.5154*-0.1227))= 0.02394
    •
    •
    •

    Ejercicio MLP página 2

    También podría gustarte