8/9/2019 Neurona And

1/16

8/9/2019 Neurona And

2/16

Un perceptron(2 entradas, 1 salida)

p1

p2

sa

Salida

Entradas

w11

w12

Pesos sinpticosbiasw = 1

8/9/2019 Neurona And

3/16

Un perceptron(2 entradas, 1 salida)

p1

p2

sa

Salida

Entradas

s=(w11

*p1+w

12*p

2)+bias

w11

w12

Pesos sinpticosbiasw = 1

8/9/2019 Neurona And

4/16

Un perceptron(2 entradas, 1 salida)

x1

x2 sn a

Salida

Entradas

w11

w12

a=hardlim(s)

1 si s > 0hardlim: a = 0 si s =< 0

Pesos sinpticosbiasw = 1

8/9/2019 Neurona And

5/16

Un perceptron(2 entradas, 1 salida)

x1

x2 sn a

Salida

Entradas

w11

w12

Entonces cul es el problema ?????Encontrar valores para W

11 y

W12

y para b

Pesos sinpticosbiasw = 1

8/9/2019 Neurona And

6/16

Relaciones grficas

x1

x2

e1(0,0)

e2(0,1)

e4(1,1)

8/9/2019 Neurona And

7/16

Relaciones grficas

x1

x2

e1(0,0)

e2(0,1)

e4(1,1)

8/9/2019 Neurona And

8/16

Relaciones grficas

x1

x2

e1(0,0)

e2(0,1)

e4(1,1)

e3(1,0)

x = - bias / w1,1

8/9/2019 Neurona And

9/16

Relaciones grficas

x1

x2

e1(0,0)

e2(0,1)

e4(1,1)

e3(1,0)

x = - bias / w1,1

y = - bias / w1,2

8/9/2019 Neurona And

10/16

Relaciones grficas

x1

x2

e1(0,0)

e2(0,1)

e4(1,1)

e3(1,0)

x = - bias / w1,1

y = - bias / w1,2

8/9/2019 Neurona And

11/16

Relaciones grficas

x1

x2

e1(0,0)

e2(0,1)

e4(1,1)

e3(1,0)

x = - bias / w1,1

y = - bias / w1,2

8/9/2019 Neurona And

12/16

Relaciones grficas

x1

x2

e1(0,0)

e2(0,1)

e4(1,1)

e3(1,0)

Relaciones grficas

Conjunto infinito desoluciones

8/9/2019 Neurona And

13/16

Recordando la Funcin OR

x1

x2

e1(0,0)

e2(0,1)

e4(1,1)

e3(1,0)

p1 p2 t

e1 0 0 0

e2 0 1 1

e3 1 0 1

e4 1 1 1

8/9/2019 Neurona And

14/16

Las etapas de un NA

Una neurona tiene dos etapas:

Entrenamiento

Operacin

El entrenamiento consiste en encontrar valorespara los pesos sinpticos W y para la ganancia b.

La operacin consiste en aplicar a la red datos deentrada y generar los valores de salida.

8/9/2019 Neurona And

15/16

Algoritmo de entrenamiento delperceptron AND

1. Asignar valores aleatorios a los W iniciales

2.Recorrer para para cada uno de los estados. (en AND hay 4estados)

3.Calcular funcin de propagacin: s = (W*P) + b

4. Calcular funcin de activacin: a = hardlim(s)

5.Calcular el error sobre el valor deseado: e = t - a

6. Aplicar el error sobre la entrada: d = e * P

7. Aplicar d sobre W: Wnuevo

= Wanterior

+ d

8. Aplicar el error sobre b: bnuevo

= banterior

+ e

9.Repetir desde el item 2 hasta que todos los estados sean correctos.

8/9/2019 Neurona And

16/16

Entrenando el perceptron para OR

Realizaremos el entrenamiento aplicando elalgoritmo de la diapositiva anterior en una hoja declculo.

Lo que sigue en el video se encuentra en el archivo:02 perceptron_and.xls proporcionado en el

material del curso.

NOTA IMPORTANTE: leer el material entregadopara reforzar el aprendizaje.