Perceptrones

Prácticas en MATLAB de Redes Neuronales

PERCEPTRON
hardlim; hardlims; initp; learnp; plotc; plotpv; simup; trainp; trainpn

hardlim:
Función de transferencia Escalón Esta función de transferencia proporciona el valor de la salida de una neurona igual a 1 si la entrada supera un valor umbral, y si no lo supera la salida toma el valor 0. hardlim (N): Obtiene una matriz de vectores de salidapara una capa de neuronas con una matriz de N entradas con umbral 0. hardlim (N,θ): Obtiene una matriz de vectores de salida para una capa de neuronas con una matriz de N entradas con umbral -θ. Esta función en la versión 5.3 de Matlab produce un Warning para evitarlo puede ser utilizada la operación: hardlim(netsum(n, θ)). Para evitar que los WARNINGS aparezcan en pantalla se puede poner:nntwarn off EJEMPLO: N = [-1.0 -0.5 0.0; 1.0 2.0 3.0]; b=[ -0.15; -1.15]; hardlim (N) ==== 0 0 1 111 hardlim (N,b) === 0 0 1 011 hardlim(netsum(N,b))

hardlims:
Función de transferencia Hard limit Simétrica Esta función de transferencia proporciona el valor de la salida de una neurona igual a 1 si la entrada supera un valor umbral, y si no lo supera la salida toma el valor -1. hardlims (N): Obtieneuna matriz de vectores de salida para una capa de neuronas con una matriz de N entradas con umbral 0. hardlims (N,θ): Obtiene una matriz de vectores de salida para una capa de neuronas con una matriz de N entradas con umbral θ. Esta función en la versión 5.3 de Matlab produce un Warning para evitarlo puede ser utilizada la operación: hardlims(netsum(n, θ)) EJEMPLO: N = [-1.0 -0.5 0.0;Perceptron

1

Prácticas en MATLAB de Redes Neuronales 1.0 2.0 3.0]; b=[ -0.15; -1.15]; hardlims (N) ==== -1 -1 1 111 (hardlims(netsum(n,b)) hardlims (N,b) === -1 -1 1 -1 1 1

initp:
La utilizaremos para inicializar una capa de Percepton. [W,b]= initp (R,S): Utiliza el número de entradas R y el número de neuronas S y obtiene los pesos y umbrales para un perceptron de una capa con S neuronas.[W,b]= initp (P,T): Alternativamente bien R o S pueden ser reemplazados por una matriz de vectores de entrada P y una matriz de vectores destino T respectivamente. El número de entradas y salidas será el número de filas de P y T. EJEMPLO: p = [-2.2; 0.5]; [W, b] = initp (p,3) W = 0.5678 -0.5322 0.3432 0.2321 -0.5462 -0.8382 b= 0.4567 -0.2234 0.6756

learnp:
Regla de aprendizaje del perceptron. Laregla de aprendizaje del perceptron ajusta los pesos y umbrales de unas capa para obtener una clasificación correcta de los vectores de entrada. learnp (P,E): Proporciona la matriz de cambio de pesos para una capa dada una matriz de vectores de entrada P y un vector de error E. [dW,db] = learnp (P,E) devuelve la matriz de cambio de pesos y el vector de cambio de umbral.

La aplicación estandarde la regla de aprendizaje del Perceptron en problemas donde los vectores de entrada tienen valores muy diferentes puede ser demasiado lenta . En estos casos es conveniente la normalización de vectores y para ello se trabaja con la denominada regla de aprendizaje del percetron normalizada, cuya descripción es learnpn (P,E).

Perceptron

2

Prácticas en MATLAB de Redes Neuronalesplotpc:
Dibuja la línea de clasificación dada por el perceptron. Las neuronas hard limit realizan la clasificación dividiendo el espacio de entradas en dos regiones con una línea (si la neurona tiene dos entradas) un plano (si tiene tres entradas) y un hiperplano (para más de tres entradas).

plotpc(W,b): Dibuja la línea de clasificación para una capa de 2 o 3 entradas de neuronas hard-limit conmatriz de pesos W y vector umbral b. Esta función devuelve el handle a la línea de clasificación para que pueda ser usado en llamadas sucesivas. plotc(W,b,h): toma el h obtenido en aplicaciones previas de plotpc y borra la línea vieja obteniendo la nueva línea de clasificación.

plotpv:
Dibuja vectores de entrada con salidas 0/1. A menudo es conveniente dibujar los vectores de entrada para el...