Escolar Documentos
Profissional Documentos
Cultura Documentos
Abstract En el siguiente documento presenta informacin una cantidad razonable de estas neuronas ya que, al existir un
acerca de un Perceptrn Multicapa, partiendo desde su sustento nmero inferior al necesario, la respuesta podra obtener un
terico, desarrollo de un algoritmo, hasta la interpretacin de los grado de error, mientras que un nmero mayor podra dar
resultados obtenidos.
como consecuencia la lentitud de la bsqueda de respuesta.
Index Terms linealmente separables (linearly separable),
Neurona (Neurone), Perceptrn (Perceptron).
El tipo de asociacin de neuronas artificiales crean en si tres
I. INTRODUCCIN diferentes tipos de capas; las capas de entrada que son las
responsables de recibir de forma directa el estmulo externo y
Si bien es cierto que al crearse la computadora electrnica
(1946) se pudo facilitar la implementacin de algoritmos que por tanto tomarn la informacin de entrada. El siguiente tipo
ayuden a resolver un sin nmero de problemas; sin embargo de capa se denomina capa oculta, designada as porque no
al transcurrir los aos, llegaron a tener sus limitaciones ya que tiene contacto o relacin directa con la informacin de
los implementos posteriores fabricados necesitaban cada vez entrada ni de salida y pueden variar en cantidad, es decir
ms asimilar las capacidades humanas en lo referente a toma dependiendo del requerimiento pueden existir varias capas
de decisiones; un ejemplo que podemos destacar es la ocultas dentro de un sistema; Es importante aclarar que, al
clasificacin de objetos que una simple computadora no existir ms de dos capas dentro de un sistema, la red se
logra desarrollar y es donde aparecen las redes neuronales denomina red multicapa. La red backpropagation contiene
que son capaces de desplegar dicho trabajo. ms de dos capas, por lo tanto, es una red multicapa. El
tercer tipo de capa es la capa de salida cuyo trabajo es dar
Las redes neuronales no son ms que un modelo artificial y la respuesta al sistema creado.
simplificado de un cerebro humano porque es capaz de
adquirir conocimiento a travs de la experiencia. Se podra
decir que una red neuronal est inspirada o basada en la clula
fundamental del sistema nervioso de un ser humano la A continuacin, se muestra como ejemplo un diagrama de una
neurona y que al trabajar en conjunto (conectarse), puede red neuronal multicapa.
lograr resolver grandes procesos.
II. MARCO TEORICO Figura 1. Ejemplo de un esquema de una Red neuronal [1].
A pesar de que Paul Werbos en el ao de 1974 desarroll la A groso modo el trabajo de una neurona es simple y nico, se
idea bsica del algoritmo de aprendizaje de las redes basa en primer lugar en recibir el o los estmulos en el caso
backpropation (redes hacia atrs); no es sino en el ao 1986 de pertenecer a la capa entrada o bien recibir la o las entradas
por medio de Rumelhart y Hilton que el algoritmo de dicha de las clulas vecinas (para el caso de pertenecer a la capa
red es analizada y desarrollada a profundidad [1]. oculta), estos estmulos son conocidos como estado(s) de
activacin aj(t) y pueden ser continuos o discretos. En
segundo lugar es calcular un valor de salida por medio de
la funcin de activacin yj(t)= fj(aj(t)), para luego, y como
Para comprender este tipo de red, es necesario tomar en
ltimo paso, enviar esta salida a todas las clulas contiguas
cuenta algunos puntos elementales de una red neuronal que (si es caso de estar en una capa oculta) o como respuesta o
aclaran el concepto y razn de ser de la red backpropagation. una de las respuestas esperadas del sistema.
Las redes neuronales estn basadas en el dispositivo
El diagrama de las partes fundamentales de una neurona
elemental del ser humano, la neurona cuyo objetivo es
multicapa se muestra a continuacin:
reproducir el comportamiento del cerebro. El trabajo en
conjunto de estas neuronas permite en cierta forma encontrar
respuestas favorables. Es importante encontrar un nmero
incrementar el nmero de capas ocultas pues este incremento
en el nmero de capas ocultas le permite que generaliza ms
rpido la informacin, pero el costo computacional aumenta.
NUMERO DE CAPAS
Figura 5. Red de Diseo para Perceptrn Multicapa [3]
Por lo general existen solo tres capas, la de entrada es la capa
1, la capa oculta es la capa 2, y la de salida es la capa 3, como Pasos del Desarrollo:
se muestra en la figura 2.1, a pesar de que no existe regla
1. . Inicializar los pesos de la red con valores pequeos
alguna que determine el nmero de capas de estas redes, hay
ocasiones en las que la red se vuelve ms eficiente, al aleatorios
2. Inicializar los pesos de la red con valores pequeos IV. PROGRAMA
aleatorios.
3. Presentar un patrn de entrada y especificar la
salida deseada que debe generar la red. Tabla 1. Valores de Ingreso.
4. Calcular la salida actual de la red. Para ello se
presentan las entradas a la red y se calcula la salida P1 P2 T
de cada capa hasta llegar a la capa de salida, sta 0 0 0
ser la salida de la red. Los pasos son los 0 1 1
siguientes: 1 0 1
5. Se calculan las entradas netas para las neuronas 1 1 0
ocultas procedentes de las neuronas de entrada.
Para una neurona j oculta:
Tabla 2. Pesos Finales..
Se realizan los mismos clculos para obtener las
salidas de las neuronas de salida: W1 W2 T
4.9743 -3.5305 -2.6659
2.1106 -5.5375 -5.7011
-7.2398 14.2871 -12.8031
P1 P2 T
0 0 0.0113
0 1 0.9956
1 0 0.9805
6. Calcular los trminos de error para todas las 1 1 0.0183
neuronas.
VII. BIBLIOGRAFA
http://proton.ucting.udg.mx/posgrado/cursos/idc/neuronales2/Estru
cturaB.htm