Control Inteligente

Aprendizaje del
Perceptron
Multicapa
Mediante
Retropropagacin
del Error

Batch Training
Temario
Dibuje un perceptron multicapa con 2
entradas, 2 neuronas escondidas, y una
neurona de salida
Escriba las frmulas de actualizacin de cada
uno de los pesos de conexin entre las
neuronas de la capa oculta y la capa de salida.
Frmulas de actualizacin de los pesos de
conexin entre las entradas y las neuronas de
la capa oculta.
2

Batch Training
Temario
Escriba el programa para realizer el aprendizaje por
retropropagacin del error para que la red neuronal del
ejercicio 1 aprenda a partir de los patrones de
entrenamiento de una compuerda XOR. Considere un
factor de aprendizaje de 0,1; alfa=4. Grafique la curva
de aprendizaje. Considere aprendizaje en lnea(ejemplo
por ejemplo).
Grafique las lneas de frontera de la red neuronal de
acuerdo a lo realizado en la actividad 7
Repita el numeral 4 pero con aprendizaje en paquete
(batch). Grafique las lneas de frontera de la red
neuronal de acuerdo a lo realizado en la actividad 7

Batch Training

Dibuje un perceptron multicapa con 2

entradas, 2 neuronas escondidas, y una
neurona de salida.

Batch Training

Batch Training

Escriba las frmulas de actualizacin de cada uno de

los pesos de conexin entre las neuronas de la capa
oculta y la capa de salida.

Batch Training
Perceptrn multicapa con una entrada, una neurona
escondida y una neurona de salida.

Batch Training
Perceptrn multicapa con una entrada, una neurona
escondida y una neurona de salida.

Batch Training

Frmulas de actualizacin de los pesos

de conexin entre las entradas y las
neuronas de la capa oculta.

Batch Training

10

Batch Training

Escriba el programa para realizer el aprendizaje por

retropropagacin del error para que la red neuronal
del ejercicio 1 aprenda a partir de los patrones de
entrenamiento de una compuerda XOR. Considere
un factor de aprendizaje de 0,1; alfa=4. Grafique la
curva de aprendizaje. Considere aprendizaje en
lnea(ejemplo por ejemplo).
Grafique las lneas de frontera de la red neuronal de
acuerdo a lo realizado en la actividad 7.

11

Batch Training
Programa Realizado
%Factor de Aprendizaje
eta=0.5;
w01=-1.1;
w11=1.2;
w21=-0.1;
w02=-0.5;
w12=1.1;
w22=0.9;
ws0=-2.1;
ws1=-1.1;
ws2=0.1;
dw01=0;
dw11=0;
dw12=0;
dw02=0;
dw21=0;
dw22=0;

dws0=0;
dws1=0;
dws2=0;
c=0;
%Entradas
in0=1;
in1=[0 0 1 1];
in2=[0 1 0 1];
%Salidas
out1=[0 0 0 0];
out2=[0 0 0 0];
out=[0 0 0 0];
%Objetivo
targ=[0 1 1 0];
%Factor de Suavidad
alpha=4;

Sigmoide

12

Batch Training
Programa Realizado

13

Batch Training
Programa Realizado

14

Batch Training

Curva de
aprendizaje

15

Batch Training

Lneas de frontera

16

Batch Training

Lneas de frontera

17

Batch Training

18

Batch Training
El algoritmo de aprendizaje descenso
de gradiente contiene una suma
sobre
todos
los
patrones
de
entrenamiento p

Cuando sumamos los cambios en el

peso de todos los patrones de
formacin de este tipo, y los
aplicamos de una sola vez, se llama
Entrenamiento por Lotes.

19

Batch Training

20

Batch Training

21

Batch Training

22

Batch Training

1.8
1.6
1.4
1.2
1
0.8
0.6
0.4
0.2
0

10

20

30

40

50

60

70

80

90

100

23

Batch Training

1
0.8

out

0.6
0.4
0.2
0
1
0.5
in2

0.2

0.4

0.6

0.8

in1

24

Batch Training

25