8/9/2019 Neurona Or

1/23

Modelo del Perceptron deRosenblatt (1958)

8/9/2019 Neurona Or

2/23

Modelo de perceptronaproximndose a una NA

ObjetoCaptado

delmundo

real

8/9/2019 Neurona Or

3/23

8/9/2019 Neurona Or

4/23

Modelo de perceptronaproximndose a una NA

Objetocaptado

Objetoreconocido

PROCESO DE RECONOCIMIENTO

8/9/2019 Neurona Or

5/23

Modelo de perceptronaproximndose a una NA

Objetocaptado

Fotoclulas

8/9/2019 Neurona Or

6/23

Modelo de perceptronaproximndose a una NA

Objetocaptado

Fotoclulas entradas

8/9/2019 Neurona Or

7/23

Modelo de perceptronaproximndose a una NA

Objetocaptado

Fotoclulas

PERCEPTRON

Entradas

8/9/2019 Neurona Or

8/23

Modelo de perceptronaproximndose a una NA

Objetocaptado

Objetoreconocido

Fotoclulas

PERCEPTRON

8/9/2019 Neurona Or

9/23

Representacin grfica de una NA

8/9/2019 Neurona Or

10/23

Funcin OR

p1 p2 t

e1 0 0 0

x1

x2

e1(0,0)

8/9/2019 Neurona Or

11/23

Funcin OR

p1 p2 t

e1 0 0 0

e2 0 1 1

x1

x2

e1(0,0)

e2(0,1)

8/9/2019 Neurona Or

12/23

Funcin OR

p1 p2 t

e1 0 0 0

e2 0 1 1

e3 1 0 1 x1

x2

e1(0,0)

e2(0,1)

e4(1,1)

8/9/2019 Neurona Or

13/23

Funcin OR

p1 p2 t

e1 0 0 0

e2 0 1 1

e3 1 0 1

e4 1 1 1

x1

x2

e1(0,0)

e2(0,1)

e4(1,1)

e3(1,0)

8/9/2019 Neurona Or

14/23

Funcin OR

p1 p2 t

e1 0 0 0

e2 0 1 1

e3 1 0 1

e4 1 1 1

x1

x2

e1(0,0)

e2(0,1)

e4(1,1)

e3(1,0)

8/9/2019 Neurona Or

15/23

Funcin OR

p1 p2 t

e1 0 0 0

e2 0 1 1

e3 1 0 1

e4 1 1 1

x1

x2

e1(0,0)

e2(0,1)

e4(1,1)

e3(1,0)

8/9/2019 Neurona Or

16/23

Funcin OR

p1 p2 t

e1 0 0 0

e2 0 1 1

e3 1 0 1

e4 1 1 1

x1

x2

e1(0,0)

e2(0,1)

e4(1,1)

e3(1,0)

8/9/2019 Neurona Or

17/23

Un perceptron(2 entradas, 1 salida)

p1

p2 sa

Salida

Entradas

w11

w12

Pesos sinpticos

8/9/2019 Neurona Or

18/23

Un perceptron(2 entradas, 1 salida)

p1

p2

sa

Salida

Entradas

s=w11

*p1+w

12*p

2

w11

w12

Pesos sinpticos

8/9/2019 Neurona Or

19/23

Un perceptron(2 entradas, 1 salida)

x1

x2 sa

Salida

Entradas

w11

w12

a=hardlim(s)

1 si s > 0hardlim: a = 0 si s =< 0

Pesos sinpticos

8/9/2019 Neurona Or

20/23

Un perceptron(2 entradas, 1 salida)

x1

x2 sa

Salida

Entradas

w11

w12

Entonces cul es el problema ?????Encontrar valores para W

11 yW

12

Pesos sinpticos

8/9/2019 Neurona Or

21/23

Las etapas de un NA

Una neurona tiene dos etapas:

Entrenamiento

Operacin

El entrenamiento consiste en encontrar valorespara los pesos sinpticos W.

La operacin consiste en aplicar a la red datos deentrada y generar los valores de salida.

8/9/2019 Neurona Or

22/23

Algoritmo de entrenamiento delperceptron OR

1. Asignar valores aleatorios a los W iniciales

2.Recorrer para para cada uno de los estados. (en OR hay4 estados)

3.Calcular funcin de propagacin: s = W*P

4. Calcular funcin de activacin: a = hardlim(s)

5.Calcular error, Valor deseado a: e = t - a

6. Aplicar el error sobre la entrada: d = e * P

7. Aplicar d sobre W: Wnuevo

= Wanterior

+ d

8.Repetir desde el item 2 hasta que todos los estados seancorrectos.

8/9/2019 Neurona Or

23/23

Entrenando el perceptron para OR

Realizaremos el entrenamiento aplicando elalgoritmo de la diapositiva anterior en una hoja declculo.

Lo que sigue en el video se encuentra en el archivo:01 perceptron_or.xls proporcionado en el

material del curso.

NOTA IMPORTANTE: leer el material entregadopara reforzar el aprendizaje.