Aprendizaje Perceptron

Algoritmo del perceptron DISCRETO

VARIABLES
I
K
W[i:1..n+1]
X[i:1..n]
Y
SP
Error
T

(nº de iteraciones)
(contador de ejemplos)
(pesos del perceptron)
(valores de la entrada en el ejemplo actual)
(valor de la salida en el ejemplo actual)
(salida del perceptrón con la entrada del ejemplo actual)
(error en el ejemplo actual)
(Variable para indicar si el vector es correcto)

PASO 1: Inicializaciónde variables
PASO 2: Bucle de iteraciones (hasta condición de parada)
Paso 2.1: Bucle de paso por todos los ejemplos
2.1.0 Leer valores del ejemplo
2.1.1 Calcular error en ese ejemplo
2.1.2 Actualizar los pesos según el error de ese ejemplo
2.1.2.1 Actualizar los pesos de las entradas
2.1.2.2 Actualizar el bias (= -umbral)
2.1.3 Incrementar contador de ejemplos
Paso 2.2.: Ver si el vector de pesoses correcto
Paso 2.3.: Incrementar el contador de iteraciones
PASO 3: Salida

PASO 1: Inicialización de variables
I=0;
Para i=1..n+1
W[i]= (muy importante que el nº sea aleatorio,
distinto en cada ejecución)
T=false

PASO 2: Bucle de iteraciones
Mientras (I < NºMaxIteraciones) y (no T)

Paso 2.1: Bucle de paso por todos los ejemplos
Abrir()
K=0
Mientras no este en el final del fichero
2.1.0 Leer valores del ejemplo
Leer(x[i] (i=1..n), y)
2.1.1 Calcular error en ese ejemplo
SP = W[n+1] + ∑ x[i] * W[i] (salida del perceptrón con la entrada del ejemplo h)
Si SP < 0, entonces SP= 0, en otro caso SP=1
Error = y - SP
(diferencia entre el valor de y en el ejemplo h y SP)
2.1.2 Actualizar los pesos según el error de ese ejemplo2.1.2.1 Actualizar los pesos de las entradas
Para cada i=1..n
W[i] = W[i] + x[i]*Error
2.1.2.2 Actualizar el bias (= -umbral)
W[n+1]=W[n+1] + Error
2.1.3 Incrementar contador de ejemplos
k=k+1
Cerrar()

Paso 2.2.: Ver si el vector de pesos es correcto
T= True
Abrir()
Mientras ( no este en el final del fichero y T)
Leer(x[i] (i=1..n), y)
SP = W[n+1] + ∑ x[i] *W[i]
Si SP < 0, entonces SP= 0, en otro caso SP=1
Error = y – SP
Si Error ≠ 0, T = False
Cerrar()

Paso 2.3.: Incrementar el contador de iteraciones
I=I+1

PASO 3: Salida
Escribe( “El perceptrón aprendido es el de pesos:” )
Para i=1..n
Escribe(“ W”,i,”=”,W[i])
Escribe(“Con bias =”, W[n+1])

ALGORITMO del BOLSILLO para PERCEPTRON DISCRETO

VARIABLES
I
K
W[i:1..n+1]
X[i:1..n]Y
SP
Error

(nº de iteraciones)
(contador de ejemplos)
(pesos del perceptron)
(valores de la entrada en el ejemplo actual)
(valor de la salida en el ejemplo actual)
(salida del perceptrón con la entrada del ejemplo actual)
(error en el ejemplo actual)

P
P0
W0[i:1..n+1]

(Variable para indicar porcentajes de aciertos de los pesos actuales)
(Variable para porcentajes de aciertos de los pesos delmejor perceptron)
(pesos del mejor perceptron)

PASO 1’: Inicialización de variables
I=0;
Para i=1..n+1
W[i]= (muy importante que el nº sea aleatorio,
distinto en cada ejecución)
P = MinimoPorcentajeAdmitido + 1
P0=0

PASO 2’: Bucle de iteraciones
Mientras (I < NºMaxIteraciones) y (P > MinimoPorcentajeAdmitido )

Paso 2.2.’: Ver si el vector de pesos escorrecto
P=0
Abrir()
Mientras ( no este en el final del fichero)
Leer(x[i] (i=1..n), y)
SP = W[n+1] + ∑ x[i] * W[i]
Si SP < 0, entonces SP= 0, en otro caso SP=1
Error = y – SP
Si Error ≠ 0, P = P +1
Cerrar()
Si P > P0,
Para cada i=1..n
W0[i] = W[i]
P0 = P

Paso 2.3.: Incrementar el contador de iteraciones
I=I+1

PASO 3’: Salida
Escribe( “El perceptrónaprendido es el de pesos:” )
Para i=1..n
Escribe(“ W”,i,”=”,W0[i])
Escribe(“Con bias =”, W0[n+1])

Algoritmo del perceptron CONTINUO

VARIABLES
I
K
W[i:1..n+1]
X[i:1..n]
Y
SP
Error
ECM

(nº de iteraciones)
(contador de ejemplos)
(pesos del perceptron)
(valores de la entrada en el ejemplo actual)
(valor de la salida en el ejemplo actual)
(salida del perceptrón con la entrada del ejemplo actual)
(error...

Leer documento completo

Regístrate para leer el documento completo.