Escolar Documentos
Profissional Documentos
Cultura Documentos
LABORATORIO 1
SISTEMAS DE INTELIGENCIA Y
REDES NEURONALES
%------------------------------------
Función de activación Escalón.Hardlim
v=-10:0.5:10;
subplot(121), plot(v);
subplot(122), stem(v);
O=hardlim(v);
subplot(121), plot(v,O)
subplot(122), stem(v,O)
m=[-5:0.5:5;-4:0.5:6];
O=hardlim(m);
subplot(121), plot(v,O)
subplot(122), stem(v,O)
m2=[-5:0.5:5;-4:0.5:6 ;-3:0.5:7];
O=hardlim(m2);
subplot(121), plot(v,O)
subplot(122), stem(v,O)
ALUMNO : VALDIVIESO BELLIDO, WILLSER ALEXANDER
%-------------------------------------
Función de activación Escalón.Hardlims
v=-10:0.5:10;
subplot(121), plot(v);
subplot(122), stem(v);
O=hardlims(v);
subplot(121), plot(v,O)
subplot(122), stem(v,O)
m=[-5:0.5:5;-4:0.5:6];
O=hardlims(m);
subplot(121), plot(v,O)
subplot(122), stem(v,O)
m2=[-5:0.5:5;-4:0.5:6 ;-3:0.5:7];
O=hardlims(m2);
subplot(121), plot(v,O)
subplot(122), stem(v,O)
ALUMNO : VALDIVIESO BELLIDO, WILLSER ALEXANDER
%-------------------------------------
Función de activación Lineal. Purelin
v=-10:0.5:10;
subplot(121), plot(v);
subplot(122), stem(v);
O=purelin(v);
subplot(121), plot(v,O)
subplot(122), stem(v,O)
m=[-5:0.5:5;-4:0.5:6];
O=purelin(m);
subplot(121), plot(v,O)
subplot(122), stem(v,O)
m2=[-5:0.5:5;-4:0.5:6 ;-3:0.5:7];
O=purelin(m2);
subplot(121), plot(v,O)
subplot(122), stem(v,O)
ALUMNO : VALDIVIESO BELLIDO, WILLSER ALEXANDER
%---------------------------------------
Función de activación Gaussiana. =radbas
v=-10:0.5:10;
subplot(121), plot(v);
subplot(122), stem(v);
O=radbas(v);
subplot(121), plot(v,O)
subplot(122), stem(v,O)
m=[-5:0.5:5;-4:0.5:6];
O=radbas(m);
subplot(121), plot(v,O)
subplot(122), stem(v,O)
m2=[-5:0.5:5;-4:0.5:6 ;-3:0.5:7];
O=radbas(m2);
subplot(121), plot(v,O)
subplot(122), stem(v,O)
ALUMNO : VALDIVIESO BELLIDO, WILLSER ALEXANDER
%---------------------------------------
Función de activación no Lineal. =logsig
v=-10:0.5:10;
subplot(121), plot(v);
subplot(122), stem(v);
O=logsig(v);
subplot(121), plot(v,O)
subplot(122), stem(v,O)
m=[-5:0.5:5;-4:0.5:6];
O=logsig(m);
subplot(121), plot(v,O)
subplot(122), stem(v,O)
m2=[-5:0.5:5;-4:0.5:6 ;-3:0.5:7];
O=logsig(m2);
subplot(121), plot(v,O)
subplot(122), stem(v,O)
ALUMNO : VALDIVIESO BELLIDO, WILLSER ALEXANDER
%---------------------------------------
Función de activación no Lineal - tansig
v=-10:0.5:10;
subplot(121), plot(v);
subplot(122), stem(v);
O=tansig(v);
subplot(121), plot(v,O)
subplot(122), stem(v,O)
m=[-5:0.5:5;-4:0.5:6];
O=tansig(m);
subplot(121), plot(v,O)
subplot(122), stem(v,O)
m2=[-5:0.5:5;-4:0.5:6 ;-3:0.5:7];
O=tansig(m2);
subplot(121), plot(v,O)
subplot(122), stem(v,O)
%-------------------------
ALUMNO : VALDIVIESO BELLIDO, WILLSER ALEXANDER
%---------------------------
ALUMNO : VALDIVIESO BELLIDO, WILLSER ALEXANDER
CONCLUSIONES Y
OBSERVACIONES
En este laboratorio de trabajo que se ha realizado nos permite observar que las funciones dadas
en este caso ya sea de activación delimitan se van a delimitar con las señales procesadas conforme
observamos en el diagrama.
Con respecto a las redes neuronales nos permite modular las variantes de la funciones de
activación.
% Convertimos agrises
img5=rgb2gray(foto1)
% Redimensionamos la imagen
Redimension=imresize(img5,[200 200])
% Función de Activación
fa=hardlim(Redimension)
plot(Redimension,fa)
ALUMNO : VALDIVIESO BELLIDO, WILLSER ALEXANDER
B).-UNIDIMENSIONAL (VECTORES,VOZ)