Matlab

Las redes que veremos en este capítulo varian con las del capítulo anterior en que tienen una
función de activación lineal. Esto permite que las salidas puedan tener un valor continuo en lugar debivalente como en el caso del perceptron. Otro elemento importante es que la regla de aprendizaje
respectiva (la regla Widrow-Hoff, regla de mínimos cuadrados o regla delta) ajusta los pesos (yelementos de tendencia -biases-) proporcionalmente a el valor del error, no solo cuando se detecta su
presencia.
Si existe mas de una solución con error cero, la función regresa la solución conlos pesos y
elementos de tendencia mas pequeños, desde el punto de vista del sse.
Pero, ¿para qué entrenar la red si ya se tiene una función que devuelve una solución? Existe la
posibilidad de quesolvelin no entregue una solución. Se puede dar el caso que para ciertas
condiciones de tamaño de las matrices o parámetros de etrenamiento la función regrese el siguiente
mensaje:
Warning: Matrixis singular to working precision.
Cuando los cálculos realizados por solvelin no son numéricamente estables las red se puede
entrenar con learnwh y trainwh para obtener una aproximación de lasolición ideal.
En otras cicunstancias, es posible que no se cuente con todos los vectores de entrenamiento
desde un principio, y se requiera de un entrenamiento dinámico. Para esto se tiene quecontar con un
procedimiento de entrenamiento para la red.. La función adaptwh permite que una red lineal sea
entrenada de manera adaptiva, en respuesta a un ambiente cambiante.
Finalmente, elestudio de el procedimiento de entrenamiento para las redes lineales nos dará
elementos escenciales para entender procedimientos de entrenamiento más complejos.
Regla de aprendizaje.
Siendo ejemplos deredes supervisadas, las redes lineales son entrenadas en base a ejemplos
de operación deseada. La regla de aprendizaje de Widrow-Hoff learnwh calcula cambios a los pesos
y elementos de tendencia...