Redes Neuronales

Red Perceptrn y Adaline

Su aprendizaje es de tipo supervisado, su procesamiento es de tipo binario ya que sus entradas son de este tipo as como sus salidas. Es muy buena para aplicar compuertas lgicas debido a su carcter binario.

Bueno ahora que sabemos algo de la red Perceptrn abordaremos un ejemplo sencillo.
Ejemplo 1. clear;echo on;clc; %Se definen los vectores de entrada P = [1 -1 0; 2 2 -1]; %Se define el vector de salida T = [1 0 1] % Se inicializa la red con los valores anteriores [w,b]=initp(P,T); %Se entrena la red usando la regla de aprendizaje [w,b,epoch,errors]=trainp(w,b,P,T,-1); %Evala un par de entrada para clasificarlo a=simup([0;0],w,b) echo off

Como vemos se estipula que las entradas (1,2) y (0,-1) sus salidas sean valores de uno, dando como resultado la siguiente grfica

Grfica 1.

Ahora si simulamos la entrada para un valor (0,0) la salida bajo esta red nos da como resultado un nivel verdadero (1). Ejemplo 2.
close all clear;echo on;clc; %Se definen los vectores de entrada P=[1 1 2 2 -1 -2 -1 -2;1 2 -1 0 2 1 -1 -2]; %Se define los vectores de salida T = [0 0 0 0 1 1 1 1;0 0 1 1 0 0 1 1]; % Se inicializa la red con los valores anteriores [w,b]=initp(P,T) %Se entrena la red usando la regla de aprendizaje [w,b,epoch,errors]=trainp(w,b,P,T,-1); %Evala un par de entrada para clasificarlo a=simup([0;0],w,b) echo off

Ahora con esta red indicamos que tendremos dos salidas, en el anterior solo era una, por lo cual tenemos una divisin de la regin de las posibles entradas de la siguiente forma.

Grfica 2.

Ahora si probamos una entrada estipulada en (0,0) vemos que la salida bajo estas entradas y salidas establecidas para la red nos da como resultado (1,0), hay que recordar que son cuatro las posibles combinaciones para este sistema de ah que la salida sea un par y no es necesario que sean pares iguales dadas las condiciones se da el resultado mixto como en nuestra prueba.

Red Adaline
En general, la Adaline es usada para ejecutar: Una aproximacin lineal de un pequeo segmento de una superficie no lineal, la cual es generada por una funcin variable, En este caso, el bias es usualmente necesario, de aqu, wp=1 . Filtrado lineal de datos (seales). Asociacin de patrones, esto es, generacin de m-elemento del vector de salida asociados con su respectivo p-elemento del vector de entrada. Ejemplo 3.
close all clear all clc %Se definen los vectores de entrada P=[0 2 -2;2 0 -2]; %Se define el vector de salida T = [1 1 0]; %Se crea una red lineal adaptativa NEWLIN(PR,S,ID,LR) % donde:

% PR matriz Rx2 de los valores mximos y mnimos para R elementos de entrada. % S - Numero de elementos de salida % ID Vector de retardo, default = [0]. % LR Tasa de aprendizaje, default = 0.01; net=newlin([-2 2;-2 2],1); %Se ajusta el error (valor por omisin=0) net.trainParam.goal=0.1; %Se ajustan las pocas (valor por omisin=100) net.trainParam.epochs=50; %Se entrena la red [net,tr]=train(net,P,T); %Si se desea dar valores iniciales al vector de pesos y umbral, escrbanse las siguientes net.IW{1,1}=[-1 -1]; net.b{1}=[2]; %Se asignan a las variables W y b los valores calculados una vez terminado el proceso %de entrenamiento W=net.IW{1,1} b=net.b{1} %Se grafican los patrones de entrada, las salidas deseadas y la frontera de decisin %mediante las siguientes lneas plotpv(P,T) plotpc(net.IW{1,1},net.b{1}) echo off

En la siguiente imagen podemos ver la salida de la red Adaline Grfica 3.