Redes neuronales artificiales

An introduction to Neural
.. Ben Krose

Networks
Patrick van der Smagt

November 1996

Eighth edition

2

c 1996 The University of Amsterdam. Permission is granted to distribute single copies of this book for non-commercial use, as long as it is distributed as a whole in its original form, and the names of the authors and the University of Amsterdam are mentioned. Permission is alsogranted to use this book for non-commercial courses, provided the authors are noti ed of this beforehand. The authors can be reached at: Ben Krose Faculty of Mathematics & Computer Science University of Amsterdam Kruislaan 403, NL{1098 SJ Amsterdam THE NETHERLANDS Phone: +31 20 525 7463 Fax: +31 20 525 7490 email: krose@fwi.uva.nl URL: http://www.fwi.uva.nl/research/neuro/ Patrick van der SmagtInstitute of Robotics and System Dynamics German Aerospace Research Establishment P. O. Box 1116, D{82230 Wessling GERMANY Phone: +49 8153 282400 Fax: +49 8153 281134 email: smagt@dlr.de URL: http://www.op.dlr.de/FF-DR-RS/

Contents
Preface 9

I FUNDAMENTALS
1 Introduction 2 Fundamentals
2.1 A framework for distributed representation 2.1.1 Processing units : : : : : : : : : : : 2.1.2Connections between units : : : : : 2.1.3 Activation and output rules : : : : : 2.2 Network topologies : : : : : : : : : : : : : : 2.3 Training of arti cial neural networks : : : : 2.3.1 Paradigms of learning : : : : : : : : 2.3.2 Modifying patterns of connectivity : 2.4 Notation and terminology : : : : : : : : : : 2.4.1 Notation : : : : : : : : : : : : : : : : 2.4.2 Terminology : : : : : : : : : : : : :11
: : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : :: : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : :

13 15
15 15 16 16 17 18 18 18 18 19 19

II THEORY
3 Perceptron and Adaline
3.1 Networks with threshold activation functions : : : : : : 3.2 Perceptron learning rule and convergence theorem : : : 3.2.1 Example of the Perceptron learning rule : : : : : 3.2.2 Convergence theorem : : : : : : : : : : : : : : : 3.2.3 Theoriginal Perceptron : : : : : : : : : : : : : : 3.3 The adaptive linear element (Adaline) : : : : : : : : : : 3.4 Networks with linear activation functions: the delta rule 3.5 Exclusive-OR problem : : : : : : : : : : : : : : : : : : : 3.6 Multi-layer perceptrons can do everything : : : : : : : : 3.7 Conclusions : : : : : : : : : : : : : : : : : : : : : : : : :

21
: : : : : : : : : : : : : : : : : :: : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : : :: : : : : :

23
23 24 25 25 26 27 28 29 30 31

4 Back-Propagation

4.1 Multi-layer feed-forward networks : : : : 4.2 The generalised delta rule : : : : : : : : 4.2.1 Understanding back-propagation 4.3 Working with back-propagation : : : : : 4.4 An example : : : : : : : : : : : : : : : : 4.5 Other activation functions : : : : : : : : 3

: : : : : :

: : : : : :

: : : : : :

: : : :: :

: : : : : :

: : : : : :

: : : : : :

: : : : : :

: : : : : :

33
33 33 35 36 37 38

4 4.6 De ciencies of back-propagation : : : : : : : : : : : : 4.7 Advanced algorithms : : : : : : : : : : : : : : : : : : 4.8 How good are multi-layer feed-forward networks? : : 4.8.1 The e ect of the number of learning samples 4.8.2 The e ect of the number of hidden units : : : 4.9...