Dra. Heydy Castillejos Fernández

Alumno: Alexis Apolinar Hernandez. Matricula: 1031106014.

10-10-2013

IntroducciónEsta técnica proporciona una manera sencilla y efectiva de minimizar el error promedio al cuadrado de la red. Una característica que se deriva de esta es el descenso en gradiente hacia una red no lineal de multiples capas, también llamada retropropagación es un algoritmo supervisado que aprende primero a calcular una señal de error y luego propagar el error hacia atrás de la red, al suponer que los pesos osn los mismos en la dirección hacia delante y hacia atrás.

Existen tres aplicaciones comunes, NETtalk, compresión de imágenes y reconocimiento de digitos.

Red Neuronal Adaline

DesarrolloPara ver el funcionamiento de una red neuronal Adaline se muestra el siguiente problema:

Los pares de entrada/salida son:

          

          

       

Primero definimos nuestros vectores de entrada y salida, después creamos una red lineal adaptativa NEWLIN.

Y se crea el entorno donde será entrenada nuestra red.

Figura 1.0

Red Neuronal Adaline

Resultado de la Figura 1.0

Ahora empezamos a entrenar a nuestra red y a dar los valores iniciales, estos se pueden omitir pero es recomendable ingresarlo para ver mejor su funcionamiento.

Figura 1.1

Red Neuronal Adaline

Se asignan a las variables W y b los valores calculados una vez terminado el proceso de entrenamiento.

Figura 1.2

Resultado de la figura 1.2 ya entrenada nuestra red y dando sus valores iniciales.

Red Neuronal Adaline

En la siguiente figura (figura 1.3) se muestra la gradiente de nuestra función, recordando que la gradiente es la baja de un dato la cual es la diferencia entre los datos.

Figura 1.3

Red Neuronal Adaline

Código

%Adaline

clear;echo on;clc; P=[0 2 -2;2 0 -2]; %Se definen los vectores de entradaT = [1 1 0]; %Se define el vector de salida net=newlin([-2 2;-2 2],1); %Se crea una red lineal adaptativa NEWLIN(PR,S,ID,LR)net.trainParam.goal=0.1; %Se ajusta el error (valor por omisión=0)net.trainParam.epochs=50; %Se ajustan las épocas (valor por omisión=100)plotpv(P,T) [net,tr]=train(net,P,T); %Se entrena la red net.IW{1,1}=[-1 -1]; %Valores iniciales al vector de pesos y umbralnet.b{1}=[2];W=net.IW{1,1}b=net.b{1}plotpv(P,T)plotpc(net.IW{1,1},net.b{1})echo off

Red Neuronal Adaline

Conclusión Adaline una red más precisa, que rectifica los errores una y otra vez para estos minimizarlos, podemos encontrar como se utiliza adaline en lo que es NETtalk, compresión de imágenes y reconocimiento de dígitos, es aquí donde se ve la gran funcionalidad de adaline y lo precisa que es, en este pequeño ejemplo que se dio se ve solo la parte básica de adaline de como se entrena la red, de ingresarle los valores iniciales para que esta presente su gradiente que es algo que caracteriza a esta red neuronal.

Red Neuronal Adaline

Bibliografía

http://hugo-inc.net16.net/RNA/Unidad%202/2.2.5.html

http://www.monografias.com/trabajos12/redneuro/redneuro2.shtml

Red Neuronal Adaline