Redes neuronales: perceptrón

   

    Jorge Igual García

OBJETIVO:
Aprender cómo funciona la red neuronal perceptrón analizando cómo se actualiza el vector de pesos que define el discriminante lineal que permite separar dos clases (regla de decisión).

INTRODUCCIÓN:
El perceptrón es un tipo de red neuronal muy simple que intenta modelar el comportamiento de la neurona biológica. El cuerpo de la neurona se representa como un sumador lineal de los estímulos externos zj, seguida de una función no lineal yj = f(zj). La función f(zj) es llamada la función de activación, y es la función que utiliza la suma de estímulos para determinar la actividad de salida de la neurona. El entrenamiento de un perceptrón es por medio de la regla de aprendizaje delta: para cada peso W se realiza un ajuste dW según la regla: dW = LR ( T - Y ) X donde LR es la razón de aprendizaje, T el valor deseado, Y el valor obtenido, y X la entrada aplicada al perceptrón. El objetivo es conseguir un error cero, lo cual es posible si las clases son linealmente separables.

INSTRUCCIONES:
Probar diferentes valores iniciales del vector de pesos W=[w1 w2] entre -1 y 1, y observar cómo se va actualizando la regla de decisión hasta que el error es cero. Las reglas de decisión intermedias se representan en rojo y la regla de decisión final en negro (cuando el error es cero).

                    

valor inicial
de w1



valor inicial
de w2




 
 

© Área de Sistemas de Información y Comunicaciones - 2019