Algoritmo propagation

Sabemos que el nuevo gradiente es W = k ak-1
Donde: es el coeficiente de aprendizaje, k es el gradiente y ak-1 es el error del gradiente.
Todo comienza con la función umbral. Que es laderivada de la función expresada en a, si decimos que f(x) = a entonces la derivación de la función se trasforma a modo que se parezca a f(x) todo en términos de a.
La función umbral esta representadacomo a(P)=f (ε(P))
donde: ε(P)=ΣW P que no es mas que la multiplicación de los pesos de entrada con los datos de ingreso (vectores )y a(P) es el error de salida.

Buscamos el error de la neuronaque es ex que es el error máximo de la neurona que eX = h – t donde h es la respuesta de la función umbral y t es el dato que debería de salir, que se puede expresar como la expresión de aque encontramos en la función umbral f (ε(P))

Por la formula de costo conocemos que ek(P) proviene con signo negativo (−1) y ex es el error máximo por el valor umbral que yaconocemos f (ε(P))


Ahora bien este resultado obtendremos parte del error del gradiente si conocemos que k = - ek (P) f (ε (P)) podemos escribirlo como:

k (P) = E(P) / W(P) por derivacionesparciales conocemos que:

E(P) / W(P) = E(P) /e(P) * e(P) / ε (P) * ε (P)/a(P) * a(P) / W(P)

Donde: k (P)= E(P) / W(P) lo podemos tomar la derivación parcial como:E(P) / W(P) = ε (P)/a(P) * a(P) / W(P) Por lo que: k (P)= ε (P)/W(P)

En la ecuación original ya podemos usarla: W = k(P) ak-1(P) puesto que ak-1(P) son los vectores de datode entrada, k (P) es el error del gradiente y es el valor de aprendizaje por lo tanto podemos re escribir la función como:
ek (P)(-1) f (ε (P)) ak-1(P) = k(P) ak-1(P)
Obteniendo asiun Nuevo vector de la neurona de salida pero a este se le suma el vector antiguo de salida para tener el Nuevo vector ya corregido de la neurona.
Para corregir las siguientes neuronas se debe...