Perceptrón Redes Neuronales

7/21/2019 Perceptrn Redes Neuronales

1/8

Perceptrn Redes NeuronalesEn esta pgina ...

Neurona Modelo

Perceptron Arquitectura

Crear un Perceptron

Perceptron Regla de Aprendizaje (learnp)Formacin (tren)

Limitaciones y precauciones

Rosenblatt [Rose61] creado muchas variaciones de la perceptrn. Una de las ms simples era una red de una sola

capa cuyos pesos y sesgos podran ser entrenados para producir un vector objetivo correcto cuando se presenta con el

vector de entrada correspondiente. La tcnica de entrenamiento utilizado se denomina regla de aprendizaje del

perceptrn. El perceptrn gener gran inters debido a su capacidad de generalizar a partir de sus vectores de

entrenamiento y aprender de las conexiones inicialmente distribuidos al azar. Perceptrones son especialmente

adecuadas para los problemas simples de la clasificacin de patrones. Son redes rpidas y fiables para los problemas

que se pueden resolver. Adems, una comprensin de las operaciones de la perceptrn proporciona una buena base

para la comprensin de las redes ms complejas.

La discusin de los perceptrones en esta seccin es necesariamente breve. Para una discusin ms detallada, consulteel Captulo 4, "Perceptron Learning Rule", de [HDB1996], que analiza el uso de varias capas de perceptrones para

resolver los problemas ms difciles ms all de la capacidad de una sola capa.

Neurona Modelo

Una neurona perceptrn, que utiliza el -lmite duro funcin de transferenciahardlim, se muestra a continuacin.

Cada entrada externa se pondera con un peso apropiado W1j,y la suma de las entradas ponderadas se enva a la

funcin de transferencia de lmite duro, que tambin tiene una entrada de 1 transmitida a ella a travs del sesgo.La

funcin de transferencia de lmite duro, que devuelve un 0 o un 1, se muestra a continuacin.

La neurona perceptrn produce un 1 si la entrada de red en la funcin de transferencia es igual a o mayor que 0;de lo

contrario se produce un 0.

La funcin de transferencia de lmite duro da un perceptrn la capacidad de clasificar los vectores de entrada al dividir el

espacio de entrada en dos regiones. En concreto, las salidas sern 0 si la entrada neta nes menor que 0, o 1 si la

entrada neta nes 0 o mayor. La siguiente figura muestra el espacio de entrada de una de dos entradas neurona lmite

duro con los pesos w1,1= -1, 1,2w= 1 y un sesgo b= 1.
http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html%3Fnocookie%3Dtrue&usg=ALkJrhjigHVayk2RDQq9Xo_net_HKU5Lbw#bss4hat-3http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html%3Fnocookie%3Dtrue&usg=ALkJrhjigHVayk2RDQq9Xo_net_HKU5Lbw#bss4hat-3http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html%3Fnocookie%3Dtrue&usg=ALkJrhjigHVayk2RDQq9Xo_net_HKU5Lbw#bss4hat-4http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html%3Fnocookie%3Dtrue&usg=ALkJrhjigHVayk2RDQq9Xo_net_HKU5Lbw#bss4hat-4http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html%3Fnocookie%3Dtrue&usg=ALkJrhjigHVayk2RDQq9Xo_net_HKU5Lbw#bss4hat-5http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html%3Fnocookie%3Dtrue&usg=ALkJrhjigHVayk2RDQq9Xo_net_HKU5Lbw#bss4hat-5http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html%3Fnocookie%3Dtrue&usg=ALkJrhjigHVayk2RDQq9Xo_net_HKU5Lbw#bss4hat-6http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html%3Fnocookie%3Dtrue&usg=ALkJrhjigHVayk2RDQq9Xo_net_HKU5Lbw#bss4hat-6http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html%3Fnocookie%3Dtrue&usg=ALkJrhjigHVayk2RDQq9Xo_net_HKU5Lbw#bss4hat-13http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html%3Fnocookie%3Dtrue&usg=ALkJrhjigHVayk2RDQq9Xo_net_HKU5Lbw#bss4hat-13http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html%3Fnocookie%3Dtrue&usg=ALkJrhjigHVayk2RDQq9Xo_net_HKU5Lbw#bss4hat-14http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html%3Fnocookie%3Dtrue&usg=ALkJrhjigHVayk2RDQq9Xo_net_HKU5Lbw#bss4hat-14http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/neural-network-toolbox-bibliography.html&usg=ALkJrhg5IfvS1f9gtGTmc9iENYwtT2flIwhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/neural-network-toolbox-bibliography.html&usg=ALkJrhg5IfvS1f9gtGTmc9iENYwtT2flIwhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/neural-network-toolbox-bibliography.html&usg=ALkJrhg5IfvS1f9gtGTmc9iENYwtT2flIwhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/neural-network-toolbox-bibliography.html&usg=ALkJrhg5IfvS1f9gtGTmc9iENYwtT2flIwhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/neural-network-toolbox-bibliography.html&usg=ALkJrhg5IfvS1f9gtGTmc9iENYwtT2flIwhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/neural-network-toolbox-bibliography.html&usg=ALkJrhg5IfvS1f9gtGTmc9iENYwtT2flIwhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/hardlim.html&usg=ALkJrhjtDzimZ424w_vpqJE53ova8Ec79Ahttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/hardlim.html&usg=ALkJrhjtDzimZ424w_vpqJE53ova8Ec79Ahttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/hardlim.html&usg=ALkJrhjtDzimZ424w_vpqJE53ova8Ec79Ahttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/hardlim.html&usg=ALkJrhjtDzimZ424w_vpqJE53ova8Ec79Ahttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/neural-network-toolbox-bibliography.html&usg=ALkJrhg5IfvS1f9gtGTmc9iENYwtT2flIwhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/neural-network-toolbox-bibliography.html&usg=ALkJrhg5IfvS1f9gtGTmc9iENYwtT2flIwhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html%3Fnocookie%3Dtrue&usg=ALkJrhjigHVayk2RDQq9Xo_net_HKU5Lbw#bss4hat-14http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html%3Fnocookie%3Dtrue&usg=ALkJrhjigHVayk2RDQq9Xo_net_HKU5Lbw#bss4hat-13http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html%3Fnocookie%3Dtrue&usg=ALkJrhjigHVayk2RDQq9Xo_net_HKU5Lbw#bss4hat-6http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html%3Fnocookie%3Dtrue&usg=ALkJrhjigHVayk2RDQq9Xo_net_HKU5Lbw#bss4hat-5http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html%3Fnocookie%3Dtrue&usg=ALkJrhjigHVayk2RDQq9Xo_net_HKU5Lbw#bss4hat-4http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html%3Fnocookie%3Dtrue&usg=ALkJrhjigHVayk2RDQq9Xo_net_HKU5Lbw#bss4hat-3


2/8

Dos regiones de clasificacin se forman por la decisin lmite delnea L en

Wp+ b= 0. Esta lnea es perpendicular a la matriz de ponderacin Wy cambi de acuerdo con el sesgo b.Los vectores

de entrada por encima ya la izquierda de la lnea L se traducir en una entrada neta mayor que 0 y, por lo tanto, causar

la neurona-lmite duro para dar salida a 1. Vectores de entrada por debajo ya la derecha de la lnea L causar la neurona

salida 0. Usted puede escoger los valores de peso y sesgo de orientar y mover la lnea divisoria con el fin de clasificar elespacio de entrada si lo deseas.

Neuronas de lmite duro sin un sesgo siempre tendrn una lnea de clasificacin pasa por el origen. Adicin de un sesgo

permite la neurona para resolver problemas en los que los dos conjuntos de vectores de entrada no se encuentran en

diferentes lados de la origen. El sesgo permite la frontera de decisin a ser desplazado lejos del origen, como se

muestra en la figura de arriba.

Es posible que desee ejecutar el ejemplo nnd4dbprograma. Con l se puede mover una frontera de decisin

alrededor, escoja nuevos insumos para clasificar, y ver cmo la aplicacin repetida de la regla de aprendizaje se obtiene

una red que clasificar los vectores de entrada correctamente.

Perceptron Arquitectura

La red perceptrn consta de una sola capa de Sperceptrn neuronas conectadas a las entradas de Ra travs de un

conjunto de pesos w i, j,como se muestra a continuacin en dos formas. Como antes, los ndices iyjde la red indican

que w i, jes la fuerza de la conexin desde elj-simode entrada a la i-simaneurona.

La regla de aprendizaje del perceptrn descrito poco es capaz de formar una nica capa. As, slo las redes de una sola

capa se consideran aqu. Esta restriccin impone limitaciones en el clculo un perceptrn puede realizar.Los tipos de

problemas que los perceptrones son capaces de resolver se discuten enLimitaciones y precauciones.

Crear un Perceptron

Puede crear un perceptrn con lo siguiente:

net = perceptrn;

net = configure (neta, P, T);

donde argumentos de entrada son los siguientes:
http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html&usg=ALkJrhixNaAel53XaKsijR7WPcbsmQFVTg#bss4hat-14http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html&usg=ALkJrhixNaAel53XaKsijR7WPcbsmQFVTg#bss4hat-14http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html&usg=ALkJrhixNaAel53XaKsijR7WPcbsmQFVTg#bss4hat-14http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html&usg=ALkJrhixNaAel53XaKsijR7WPcbsmQFVTg#bss4hat-14


3/8

Pes una matriz R-por-Q de vectores de entrada Q de los elementos R cada uno.

Tes una matriz de S-por-Q de Q vectores diana de elementos de S cada uno.

Comnmente, elhardlimfuncin se utiliza en perceptrones, por lo que es el valor predeterminado.

Los siguientes comandos crean una red perceptrn con un nico vector de entrada de un elemento con los valores 0 y

2, y una neurona con salidas que pueden ser 0 o 1:

P = [0 2];

T = [0 1];

net = perceptrn;

net = configure (neta, P, T);

Usted puede ver lo que la red se ha creado mediante la ejecucin del siguiente comando:

inputweights = net.inputweights {1,1}

que los rendimientos

inputweights =

retrasos: 0

initFcn: 'initzero'

aprender: true

learnFcn: 'learnp'

learnParam: (ninguno)

size: [1 1]

weightFcn: 'dotprod'

weightParam: (ninguno)

userdata: (su aduana Info)

La funcin de aprendizaje por defecto eslearnp, que se discute enPerceptron Regla de Aprendizaje (learnp). La

entrada de red para lahardlimfuncin de transferencia esdotprod, que genera el producto de el vector de

entrada y la matriz de peso y aade el sesgo para calcular la entrada de red.

La funcin de inicializacin predeterminadainitzerose utiliza para establecer los valores iniciales de los pesos a

cero.

Del mismo modo,

sesgos = net.biases {1}

da

sesgos =

initFcn: 'initzero'aprender: 1

learnFcn: 'learnp'

learnParam: []

Tamao: 1

userdata: [1x1 struct]

Se puede ver que la inicializacin por defecto para el sesgo es tambin 0.

Perceptron Regla de Aprendizaje (learnp)

Perceptrones estn entrenados en ejemplos de comportamiento deseado. El comportamiento deseado se puede

resumir en un conjunto de insumos, los pares de salida

donde pes una entrada a la red y tes el (objetivo) de salida correcta correspondiente. El objetivo es reducir elcorreodeerror, que es la diferencia t- unaentre la respuesta de unaneurona y el vector objetivo t.La regla de aprendizaje del

perceptrnlearnpcalcula los cambios deseados en los pesos y sesgos del perceptrn, dado un vector de

entrada pyel error easociada. El vector objetivo Tdebe contener valores de 0 1, porque perceptrones

(conhardlimfunciones de transferencia) solamente puede emitir estos valores.

Cada vezlearnpse ejecuta, el perceptrn tiene una mejor oportunidad de producir las salidas correctas. La regla de

perceptrn se ha demostrado que converger en una solucin en un nmero finito de iteraciones si existe una solucin.

Si no se utiliza un sesgo,learnptrabaja para encontrar una solucin mediante la alteracin de slo el vector de

pesos wpara punto hacia vectores de entrada para ser clasificado como 1 y lejos de vectores para ser clasificado como

0. Esto resulta en una frontera de decisin que es perpendicular a w,y que clasifica correctamente los vectores de

entrada.

Hay tres condiciones que pueden ocurrir durante una sola neurona una vez que un vector de entrada pse presenta y de

la red de respuesta ase calcula:

CASO 1Si un vector de entrada es presentado y la salida de la neurona es correcta (A= Ty E= t- a= 0).,Entonces el

vector de pesos wno se altera.
http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/hardlim.html&usg=ALkJrhjtDzimZ424w_vpqJE53ova8Ec79Ahttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/hardlim.html&usg=ALkJrhjtDzimZ424w_vpqJE53ova8Ec79Ahttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/hardlim.html&usg=ALkJrhjtDzimZ424w_vpqJE53ova8Ec79Ahttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnp.html&usg=ALkJrhgnqghYxrZg-t1ZAIr3l3aabYEsZAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnp.html&usg=ALkJrhgnqghYxrZg-t1ZAIr3l3aabYEsZAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnp.html&usg=ALkJrhgnqghYxrZg-t1ZAIr3l3aabYEsZAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html&usg=ALkJrhixNaAel53XaKsijR7WPcbsmQFVTg#bss4hat-6http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html&usg=ALkJrhixNaAel53XaKsijR7WPcbsmQFVTg#bss4hat-6http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html&usg=ALkJrhixNaAel53XaKsijR7WPcbsmQFVTg#bss4hat-6http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/hardlim.html&usg=ALkJrhjtDzimZ424w_vpqJE53ova8Ec79Ahttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/hardlim.html&usg=ALkJrhjtDzimZ424w_vpqJE53ova8Ec79Ahttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/hardlim.html&usg=ALkJrhjtDzimZ424w_vpqJE53ova8Ec79Ahttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/dotprod.html&usg=ALkJrhjLRLiQrC9MosZ0f-8z3dtnPyuTVghttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/dotprod.html&usg=ALkJrhjLRLiQrC9MosZ0f-8z3dtnPyuTVghttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/dotprod.html&usg=ALkJrhjLRLiQrC9MosZ0f-8z3dtnPyuTVghttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/initzero.html&usg=ALkJrhg6A2i7Y6FFuVMIt-54fu3-gRe6zAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/initzero.html&usg=ALkJrhg6A2i7Y6FFuVMIt-54fu3-gRe6zAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/initzero.html&usg=ALkJrhg6A2i7Y6FFuVMIt-54fu3-gRe6zAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnp.html&usg=ALkJrhgnqghYxrZg-t1ZAIr3l3aabYEsZAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnp.html&usg=ALkJrhgnqghYxrZg-t1ZAIr3l3aabYEsZAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnp.html&usg=ALkJrhgnqghYxrZg-t1ZAIr3l3aabYEsZAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/hardlim.html&usg=ALkJrhjtDzimZ424w_vpqJE53ova8Ec79Ahttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/hardlim.html&usg=ALkJrhjtDzimZ424w_vpqJE53ova8Ec79Ahttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/hardlim.html&usg=ALkJrhjtDzimZ424w_vpqJE53ova8Ec79Ahttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnp.html&usg=ALkJrhgnqghYxrZg-t1ZAIr3l3aabYEsZAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnp.html&usg=ALkJrhgnqghYxrZg-t1ZAIr3l3aabYEsZAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnp.html&usg=ALkJrhgnqghYxrZg-t1ZAIr3l3aabYEsZAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnp.html&usg=ALkJrhgnqghYxrZg-t1ZAIr3l3aabYEsZAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnp.html&usg=ALkJrhgnqghYxrZg-t1ZAIr3l3aabYEsZAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnp.html&usg=ALkJrhgnqghYxrZg-t1ZAIr3l3aabYEsZAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnp.html&usg=ALkJrhgnqghYxrZg-t1ZAIr3l3aabYEsZAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnp.html&usg=ALkJrhgnqghYxrZg-t1ZAIr3l3aabYEsZAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/hardlim.html&usg=ALkJrhjtDzimZ424w_vpqJE53ova8Ec79Ahttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnp.html&usg=ALkJrhgnqghYxrZg-t1ZAIr3l3aabYEsZAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/initzero.html&usg=ALkJrhg6A2i7Y6FFuVMIt-54fu3-gRe6zAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/dotprod.html&usg=ALkJrhjLRLiQrC9MosZ0f-8z3dtnPyuTVghttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/hardlim.html&usg=ALkJrhjtDzimZ424w_vpqJE53ova8Ec79Ahttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html&usg=ALkJrhixNaAel53XaKsijR7WPcbsmQFVTg#bss4hat-6http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnp.html&usg=ALkJrhgnqghYxrZg-t1ZAIr3l3aabYEsZAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/hardlim.html&usg=ALkJrhjtDzimZ424w_vpqJE53ova8Ec79A


4/8

. CASO 2Si la salida de neurona es 0 y debera haber sido 1 (a= 0 y T= 1, y E= t- a= 1), se aade el vector de

entrada ppara el vector de pesos w.Esto hace que el punto de vector de peso ms cerca del vector de entrada,

aumentando la posibilidad de que el vector de entrada se clasifica como un 1 en el futuro.

. CASO 3Si la salida de neurona es 1 y debera haber sido 0 (a= 1 y t= 0, y E= t- a= -1), el vector de entrada pse

resta del vector de pesos w.Esto hace que el punto de vector de peso ms lejos del vector de entrada, aumentando la

posibilidad de que el vector de entrada se clasifica como un 0 en el futuro.

La regla de aprendizaje del perceptrn se puede escribir de forma ms sucinta en trminos del error e= t- a,y el

cambio que deben introducirse en la wvector de pesos:

CASO 1.Si e= 0, a continuacin, hacer un cambio wigual a 0.

CASO 2.Si e= 1, luego hacer un cambio wigual a pT.

CASO 3Si e= -1, y luego hacer un cambio wigual a -. PT.

Los tres casos se puede escribir con una sola expresin:

Usted puede obtener la expresin de los cambios en el sesgo de la neurona por sealar que el sesgo es ms que un

peso que siempre tiene una entrada de 1:

Para el caso de una capa de neuronas que tiene

y

La regla de aprendizaje perceptrn se puede resumir de la siguiente manera:

y

donde e= t- a.

Ahora trata de un ejemplo sencillo. Comience con una sola neurona que tiene un vector de entrada con slo dos

elementos.

net = perceptrn;

net = configure (neto [0; 0], 0);

Para simplificar las cosas, ajustar el sesgo igual a 0 y los pesos a 1 y -0.8:

net.b {1} = [0];

w = [1 -0.8];

net.IW {1,1} = w;

El par de blancos de entrada viene dada por

p = [1; 2];

t = [1];

Puede calcular la salida y el error con

a = neto (p)

A =

0

e = ta

e =

1

y utilizar la funcinlearnppara encontrar el cambio en los pesos.

dw = learnp (w, p, [], [], [], [], e, [], [], [], [], [])

dw =

1 2

Las nuevas ponderaciones, a continuacin, se obtienen como

w = w + dw

w =2,0000 1,2000

El proceso de bsqueda de nuevos pesos (y prejuicios) se puede repetir hasta que no haya errores. Recordemos que la

regla de aprendizaje del perceptrn est garantizado para converger en un nmero finito de pasos para todos los
http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnp.html&usg=ALkJrhgnqghYxrZg-t1ZAIr3l3aabYEsZAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnp.html&usg=ALkJrhgnqghYxrZg-t1ZAIr3l3aabYEsZAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnp.html&usg=ALkJrhgnqghYxrZg-t1ZAIr3l3aabYEsZAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnp.html&usg=ALkJrhgnqghYxrZg-t1ZAIr3l3aabYEsZA


5/8

problemas que pueden ser resueltos por un perceptrn. Estos incluyen todos los problemas de clasificacin que son

linealmente separables. Los objetos para ser clasificados en tales casos pueden estar separados por una sola lnea.

Es posible que desee probar el ejemplo nnd4pr.Te permite elegir los nuevos vectores de entrada y aplica la regla

de aprendizaje para clasificarlos.

Formacin (tren)

Sisimylearnpse utilizan varias veces para presentar las entradas para un perceptrn, y para cambiar los pesos

perceptrn y sesgos de acuerdo con el error, el perceptrn eventualmente encontrar los valores de peso y sesgo que

resuelven el problema, dado que el perceptrnpuederesolverlo. Cada recorrido a travs de todos los vectores de

entrada de entrenamiento y de destino se denominapasar.

La funcintrenrealiza un bucle de clculo. En cada pasada a las funcionesde trenavanza a travs de la

secuencia especificada de los insumos, el clculo de la salida, el error, y el ajuste de red para cada vector de entrada en

la secuencia como se presentan las entradas.

Tenga en cuenta queel trenno garantiza que la red resultante hace su trabajo. Debe comprobar los nuevos

valores de Wy bcalculando la salida de la red para cada vector de entrada para ver si se alcanzan todos los

objetivos. Si una red no lleva a cabo con xito se puede entrenar ms a fondo llamandotrende nuevo con los nuevos

pesos y sesgos ms formacin pases, o puede analizar el problema para ver si se trata de un problema adecuado para

el perceptrn. Los problemas que no pueden ser resueltos por la red perceptrn se discuten enLimitaciones y

precauciones.

Para ilustrar el procedimiento de formacin, trabajar a travs de un problema simple. Considere la posibilidad de un

perceptrn de una sola neurona con una sola entrada de vector que tiene dos elementos:

Esta red, y el problema que va a tener en cuenta, son bastante simples que usted puede seguir a travs de lo que se

hace con los clculos a mano, si quieres. El problema se discute a continuacin se deduce que encontrarse en

[HDB1996].

Suponga que tiene el siguiente problema de clasificacin y quisiera resolverlo con una sola entrada, la red perceptrn de

dos elementos del vector.

Utilice los pesos iniciales y los prejuicios. Denotemos las variables en cada etapa de este clculo mediante el uso de un

nmero en parntesis despus de la variable. As, por encima, los valores iniciales son W(0) y B(0).

Comience por calcular unasalida del perceptrn para el primer vector de entrada p1,usando los pesos iniciales y los

prejuicios.

La salida ano es igual al valor objetivo t1,a fin de utilizar la regla perceptrn para encontrar los cambios incrementales a

los pesos y sesgos basados en el error.

Puede calcular los nuevos pesos y sesgos utilizando las reglas de actualizacin perceptrn.
http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/sim.html&usg=ALkJrhi3L1cYkfSJLgTWix1kQ58BRqH0nwhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/sim.html&usg=ALkJrhi3L1cYkfSJLgTWix1kQ58BRqH0nwhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/sim.html&usg=ALkJrhi3L1cYkfSJLgTWix1kQ58BRqH0nwhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnp.html&usg=ALkJrhgnqghYxrZg-t1ZAIr3l3aabYEsZAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnp.html&usg=ALkJrhgnqghYxrZg-t1ZAIr3l3aabYEsZAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnp.html&usg=ALkJrhgnqghYxrZg-t1ZAIr3l3aabYEsZAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html&usg=ALkJrhixNaAel53XaKsijR7WPcbsmQFVTg#bss4hat-14http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html&usg=ALkJrhixNaAel53XaKsijR7WPcbsmQFVTg#bss4hat-14http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html&usg=ALkJrhixNaAel53XaKsijR7WPcbsmQFVTg#bss4hat-14http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html&usg=ALkJrhixNaAel53XaKsijR7WPcbsmQFVTg#bss4hat-14http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/neural-network-toolbox-bibliography.html&usg=ALkJrhg5IfvS1f9gtGTmc9iENYwtT2flIwhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/neural-network-toolbox-bibliography.html&usg=ALkJrhg5IfvS1f9gtGTmc9iENYwtT2flIwhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/neural-network-toolbox-bibliography.html&usg=ALkJrhg5IfvS1f9gtGTmc9iENYwtT2flIwhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/neural-network-toolbox-bibliography.html&usg=ALkJrhg5IfvS1f9gtGTmc9iENYwtT2flIwhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html&usg=ALkJrhixNaAel53XaKsijR7WPcbsmQFVTg#bss4hat-14http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/perceptron-neural-networks.html&usg=ALkJrhixNaAel53XaKsijR7WPcbsmQFVTg#bss4hat-14http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnp.html&usg=ALkJrhgnqghYxrZg-t1ZAIr3l3aabYEsZAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/sim.html&usg=ALkJrhi3L1cYkfSJLgTWix1kQ58BRqH0nw


6/8

Ahora presentar el prximo vector de entrada, p2.La salida se calcula a continuacin.

En esta ocasin, el objetivo es 1, por lo que el error es cero. Por lo tanto no hay cambios en los pesos o sesgo, por lo

que W(2) = W(1) = [-2 -2] y P(2) =P (1) = -1.

Usted puede continuar de esta manera, la presentacin de p3siguiente, el clculo de una salida y el error, y hacer

cambios en los pesos y sesgos, etc Despus de hacer una pasada por todas las cuatro entradas, se obtienen los

valores de W(4) = [-3 -1] y B(4) = 0. Para determinar si se obtiene una solucin satisfactoria, la banda una vez a travs

de todos los vectores de entrada para ver si todos ellos producen los valores objetivo deseados. Esto no es cierto para

la cuarta entrada, pero el algoritmo converge en la sexta presentacin de una entrada. Los valores finales son

W(6) = [-2 -3] y B(6) = 1.

Esto concluye el clculo manual. Ahora, cmo se puede hacer esto utilizando eltren dela funcin?

El siguiente cdigo define un perceptrn.

net = perceptrn;

Considere la posibilidad de la aplicacin de una sola entrada

p = [2; 2];

que tiene el objetivo

t = [0];

Establecer las pocasa 1, de manera queel trenpasa a travs de los vectores de entrada (slo uno aqu)

slo una vez.

net.trainParam.epochs = 1;

net = tren (neto, p, t);

Los nuevos pesos y sesgos son

w = {1,1} net.iw, b = net.b {1}

w =

-2 -2b =

-1

Por lo tanto, los pesos iniciales y los prejuicios son 0, y despus del entrenamiento en slo el primer vector, tienen los

valores [-2 -2] y -1, del mismo modo que la mano calculado.

Ahora aplique el segundo vector de entrada p2.La salida es 1, ya que ser hasta que se cambian los pesos y sesgos,

pero ahora el objetivo es 1, el error ser 0, y el cambio ser cero. Se podra proceder de esta manera, a partir del

resultado anterior y la aplicacin de un nuevo tiempo vector de entrada despus de un tiempo. Pero usted puede hacer

este trabajo de forma automtica conel tren.

Aplicartrendurante una poca, una sola vez en la secuencia de los cuatro vectores de entrada. Comience con la

definicin de la red.

net = perceptrn;

net.trainParam.epochs = 1;Los vectores de entrada y los objetivos son

p = [[2; 2] [1; -2] [-2, 2] [-1, 1]]

t = [0 1 0 1]

Ahora entrenar a la red con


Los nuevos pesos y sesgos son

w = {1,1} net.iw, b = net.b {1}

w =

-3 -1

b =

0

Este es el mismo resultado que usted consigui previamente de forma manual.

Finalmente, simular la red entrenada para cada una de las entradas.

a = neto (p)

A =
http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMA


7/8

0 0 1 1

Las salidas an no son iguales a los blancos, por lo que necesita para entrenar la red durante ms de un pase.Intente

usar palabras ms pocas. Esta carrera da un rendimiento error absoluto promedio de 0 despus de dos pocas:

net.trainParam.epochs = 1,000;


De este modo, la red fue entrenada por el momento las entradas se presentaron en la tercera poca. (Como ya saben

de clculo manual, la red converge en la presentacin de la sexta vector de entrada. Esto ocurre en medio de la

segunda poca, pero se necesita la tercera poca de detectar la convergencia de la red.) Los pesos finales y los

prejuicios son

w = {1,1} net.iw, b = net.b {1}

w =

-2 -3

b =

1

La salida simulada y los errores de los diversos insumos son

a = neto (p)

A =

0 1 0 1

error = a

= error

0 0 0 0

Usted confirma que el procedimiento de formacin tiene xito. La red converge y produce las salidas de destino correcto

para los cuatro vectores de entrada.

La funcin de formacin por defecto para las redes creadas con newpestrainc. (Usted puede encontrar esta

ejecutando net.trainFcn.)Esta funcin de formacin se aplica la regla de aprendizaje del perceptrn en su

forma pura, en que los vectores de entrada individuales se aplican de forma individual, en secuencia, y correcciones a

los pesos y sesgos se realizan despus de cada presentacin de un vector de entrada. Por lo tanto, la formacin

perceptrn contrenconverger en un nmero finito de pasos a menos que el problema presentado no se puede

resolver con un perceptrn simple.

La funcinde trense puede utilizar de diversas maneras por otras redes, as. Escriba ayudan a

entrenarpara leer ms acerca de esta funcin bsica.

Es posible que desee probar varios programas de ejemplo. Por ejemplo, demop1ilustra la clasificacin y la formacinde un perceptrn simple.

Limitaciones y precauciones

Perceptrn redes deben ser entrenados conadaptar, que presenta los vectores de entrada a la red de uno en uno y

hace correcciones a la red sobre la base de los resultados de cada presentacin. El uso deadaptarde esta manera

garantiza que cualquier problema linealmente separables se resuelve en un nmero finito de presentaciones de

formacin.

Como se indica en las pginas anteriores, perceptrones tambin pueden ser entrenados con la funcinde

trenes. Comnmente cuandoel trense utiliza para perceptrones, que presenta las entradas a la red en lotes, y

hace correcciones a la red basado en la suma de todas las correcciones individuales. Lamentablemente, no hay ninguna

prueba de que un algoritmo de este tipo de formacin converge para perceptrones. En esa cuenta el uso

detrenesno se recomienda para los perceptrones.

Redes perceptrn tienen varias limitaciones. En primer lugar, los valores de salida de un perceptrn pueden tomar slo

uno de dos valores (0 o 1) a causa de la funcin de transferencia de lmite duro. En segundo lugar, perceptrones slo

pueden clasificar conjuntos linealmente separables de vectores. Si una lnea recta o un plano se pueden extraer para

separar los vectores de entrada en sus categoras correctas, los vectores de entrada son linealmente separables. Si los

vectores no son linealmente separables, el aprendizaje nunca se llegar a un punto en que todos los vectores se

clasifican correctamente. Sin embargo, se ha comprobado que si los vectores son linealmente separables, perceptrones

entrenados adaptativa siempre encontrar una solucin en un tiempo finito. Es posible que desee probar demop6.Se

muestra la dificultad de tratar de clasificar los vectores de entrada que no son separables linealmente.

Es justo, sin embargo, sealar que las redes con ms de un perceptrn se pueden utilizar para resolver los problemas

ms difciles. Por ejemplo, suponga que tiene un conjunto de cuatro vectores que desea clasificar en distintos grupos, y

que las dos lneas se pueden dibujar para separarlos. Una red de dos neurona puede ser encontrado de tal manera que

sus dos lmites de decisin clasifican las entradas en cuatro categoras. Para la discusin adicional sobre perceptrones y

examinar problemas perceptrn ms complejos, consulte [HDB1996].

Los valores atpicos y la Regla Normalizado Perceptron

Tiempos de entrenamiento largas pueden ser causados por la presencia de un valor atpicovector de entrada cuya

longitud es mucho ms grande o ms pequeo que los otros vectores de entrada. Aplicando la regla de aprendizaje del
http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/trainc.html&usg=ALkJrhj7w346bOcd7Eo5kIG8Ovg-ZaDEzghttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/trainc.html&usg=ALkJrhj7w346bOcd7Eo5kIG8Ovg-ZaDEzghttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/trainc.html&usg=ALkJrhj7w346bOcd7Eo5kIG8Ovg-ZaDEzghttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/adapt.html&usg=ALkJrhhOd0F0_mmWq61-qE_5fyghPzLslghttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/adapt.html&usg=ALkJrhhOd0F0_mmWq61-qE_5fyghPzLslghttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/adapt.html&usg=ALkJrhhOd0F0_mmWq61-qE_5fyghPzLslghttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/adapt.html&usg=ALkJrhhOd0F0_mmWq61-qE_5fyghPzLslghttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/adapt.html&usg=ALkJrhhOd0F0_mmWq61-qE_5fyghPzLslghttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/adapt.html&usg=ALkJrhhOd0F0_mmWq61-qE_5fyghPzLslghttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/neural-network-toolbox-bibliography.html&usg=ALkJrhg5IfvS1f9gtGTmc9iENYwtT2flIwhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/neural-network-toolbox-bibliography.html&usg=ALkJrhg5IfvS1f9gtGTmc9iENYwtT2flIwhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/neural-network-toolbox-bibliography.html&usg=ALkJrhg5IfvS1f9gtGTmc9iENYwtT2flIwhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ug/neural-network-toolbox-bibliography.html&usg=ALkJrhg5IfvS1f9gtGTmc9iENYwtT2flIwhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/adapt.html&usg=ALkJrhhOd0F0_mmWq61-qE_5fyghPzLslghttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/adapt.html&usg=ALkJrhhOd0F0_mmWq61-qE_5fyghPzLslghttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/train.html&usg=ALkJrhjDdsJC9V5n8aAOMIgRZNTdkoiyMAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/trainc.html&usg=ALkJrhj7w346bOcd7Eo5kIG8Ovg-ZaDEzg


8/8

perceptrn implica sumar y restar vectores de entrada a partir de los pesos y sesgos actuales en respuesta al error. Por

lo tanto, un vector de entrada con elementos de gran tamao puede llevar a cambios en los pesos y sesgos que tardan

mucho tiempo para un vector de entrada mucho menor que superar. Es posible que desee probar demop4ver como

un valor atpico afecta a la formacin.

Al cambiar la regla de aprendizaje del perceptrn ligeramente, puede hacer que los tiempos de entrenamiento

insensibles a los vectores de entrada extremadamente grandes o pequeos valores atpicos.

Esta es la regla original para actualizar los pesos:

Como se muestra arriba, el ms grande de un vector de entrada p,mayor es su efecto en el vector de pesos w.Por lo

tanto, si un vector de entrada es mucho mayor que otros vectores de entrada, los vectores de entrada ms pequeas

deben ser presentado muchas veces para tener un efecto.

La solucin es para normalizar la regla de modo que el efecto de cada vector de entrada en los pesos es de la misma

magnitud:

La regla perceptrn normalizado se implementa con la funcin delearnpn, que se denomina exactamente

comolearnp. El normalizada funcin de regla de perceptrnlearnpntarda un poco ms de tiempo para ejecutar,

pero reduce el nmero de pocas considerablemente si hay vectores de entrada de valores atpicos. Usted puede tratarde demop5para ver cmo funciona este principio de prctica normalizada
http://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnpn.html&usg=ALkJrhjR674XHwZ1nqAsVJlarKH-FY5Bbwhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnpn.html&usg=ALkJrhjR674XHwZ1nqAsVJlarKH-FY5Bbwhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnpn.html&usg=ALkJrhjR674XHwZ1nqAsVJlarKH-FY5Bbwhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnp.html&usg=ALkJrhgnqghYxrZg-t1ZAIr3l3aabYEsZAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnp.html&usg=ALkJrhgnqghYxrZg-t1ZAIr3l3aabYEsZAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnp.html&usg=ALkJrhgnqghYxrZg-t1ZAIr3l3aabYEsZAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnpn.html&usg=ALkJrhjR674XHwZ1nqAsVJlarKH-FY5Bbwhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnpn.html&usg=ALkJrhjR674XHwZ1nqAsVJlarKH-FY5Bbwhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnpn.html&usg=ALkJrhjR674XHwZ1nqAsVJlarKH-FY5Bbwhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnpn.html&usg=ALkJrhjR674XHwZ1nqAsVJlarKH-FY5Bbwhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnp.html&usg=ALkJrhgnqghYxrZg-t1ZAIr3l3aabYEsZAhttp://translate.googleusercontent.com/translate_c?depth=1&hl=es&prev=/search%3Fq%3Dguia%2Bde%2Bperceptron%2Ben%2Bmatlab%26rlz%3D1C1CHMO_enPE583PE583%26espv%3D2%26biw%3D743%26bih%3D576&rurl=translate.google.com.pe&sl=en&u=http://www.mathworks.com/help/nnet/ref/learnpn.html&usg=ALkJrhjR674XHwZ1nqAsVJlarKH-FY5Bbw

Perceptrón Redes Neuronales

Documents

Transcript of Perceptrón Redes Neuronales