Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Mejorasalaprendizajedelperceptrnmulticapamedianteretropropagacin.Momentoenvariacindepesos.~ControlInteligente
PGINAPRINCIPAL
Control Inteligente
HOME
REDES NEURONALES
CONTROL DIFUSO
Search
ANEXOS
SOCIAL PROFILES
en el aprendizaje. Este mtodo toma en cuenta el promedio de los cambios pasados (en los pesos) en el
incrementodepeso,suavizandoelcambionetodepeso.Laideaesusarelpromedioexponencialdetodoslos
Popular
Tags
BlogArchives
cambiosdepesopreviosparaguiarelcambioactual.Laexpresinmatemticadecambiodepesoparacada
(sinttulo)
InteligenciaAquelloquecaracteriza
unaaccinqueinvolucra
percepcin,aprendizaje,
interaccin(conmedioscomplejos)
aplicaciny...
pesoes:
DATOS PERSONALES
Cdigodelprograma
%ACTIVIDAD12
clearall
in0=1
in1=[0101]
in2=[0011]
D AVI D CAD E N A
Seguir
V ER T O DO MI P ER FI L
ConlatecnologadeBlogger.
BLOGGER TEMPLATES
targ=[0.10.90.90.1]
w1=(12*rand)*0.5
w2=(12*rand)*0.5
w3=(12*rand)*0.5
http://controlinteligentecadenadavid.blogspot.com/p/mejorasalaprendizajedelperceptron.html
1/9
29/11/2016
Mejorasalaprendizajedelperceptrnmulticapamedianteretropropagacin.Momentoenvariacindepesos.~ControlInteligente
w4=(12*rand)*0.5
w5=(12*rand)*0.5
w6=(12*rand)*0.5
w7=(12*rand)*0.5
w8=(12*rand)*0.5
w9=(12*rand)*0.5
n=5
alpha=4
u=0.95
offset=0.9
%acumuladores
ADW1=0ADW2=0ADW3=0ADW4=0ADW5=0ADW6=0
ADW7=0ADW8=0ADW9=0
ADW1_ant=0ADW2_ant=0ADW3_ant=0ADW4_ant=0ADW5_ant=0ADW6_ant=0
ADW7_ant=0ADW8_ant=0ADW9_ant=0
forj=1:1000
err_total=0
fori=1:4
net1=in1(i)*w1+in2(i)*w3+in0*w7
net2=in2(i)*w4+in1(i)*w2+in0*w8
out1=1/(1+exp(alpha*net1))
out2=1/(1+exp(alpha*net2))
net=out1*w5+out2*w6+in0*w9
out=1/(1+exp(alpha*net))
%VARIACIONESDELOSPESOSCONCADAPATRONDEENTRENAMIENTO
D_W1=n*(targ(i)out)*[alpha*out*(1out)+offset]*w5*[alpha*out1*(1out1)+
offset]*in1(i)
D_W2=n*(targ(i)out)*[alpha*out*(1out)+offset]*w6*[alpha*out2*(1out2)+
offset]*in1(i)
D_W3=n*(targ(i)out)*[alpha*out*(1out)+offset]*w5*[alpha*out1*(1out1)+
offset]*in2(i)
http://controlinteligentecadenadavid.blogspot.com/p/mejorasalaprendizajedelperceptron.html
2/9
29/11/2016
Mejorasalaprendizajedelperceptrnmulticapamedianteretropropagacin.Momentoenvariacindepesos.~ControlInteligente
D_W4=n*(targ(i)out)*[alpha*out*(1out)+offset]*w6*[alpha*out2*(1out2)+
offset]*in2(i)
D_W5=n*(targ(i)out)*[alpha*out*(1out)+offset]*out1
D_W6=n*(targ(i)out)*[alpha*out*(1out)+offset]*out2
D_W7=n*(targ(i)out)*[alpha*out*(1out)+offset]*w5*[alpha*out1*(1out1)+
offset]*1
D_W8=n*(targ(i)out)*[alpha*out*(1out)+offset]*w6*[alpha*out2*(1out2)+
offset]*1
D_W9=n*(targ(i)out)*[alpha*out*(1out)+offset]
err_parc=(targ(i)out)^2
err_total=err_total+err_parc
ADW1=ADW1+D_W1
ADW2=ADW2+D_W2
ADW3=ADW3+D_W3
ADW4=ADW4+D_W4
ADW5=ADW5+D_W5
ADW6=ADW6+D_W6
ADW7=ADW7+D_W7
ADW8=ADW8+D_W8
ADW9=ADW9+D_W9
end
%ESTEESELAWDELMETODOMOMENTO
w1=w1+u*ADW1_ant+(1u)*ADW1
w2=w2+u*ADW2_ant+(1u)*ADW2
w3=w3+u*ADW3_ant+(1u)*ADW3
w4=w4+u*ADW4_ant+(1u)*ADW4
w5=w5+u*ADW5_ant+(1u)*ADW5
w6=w6+u*ADW6_ant+(1u)*ADW6
w7=w7+u*ADW7_ant+(1u)*ADW7
w8=w8+u*ADW8_ant+(1u)*ADW8
w9=w9+u*ADW9_ant+(1u)*ADW9
http://controlinteligentecadenadavid.blogspot.com/p/mejorasalaprendizajedelperceptron.html
3/9
29/11/2016
Mejorasalaprendizajedelperceptrnmulticapamedianteretropropagacin.Momentoenvariacindepesos.~ControlInteligente
ADW1_ant=u*ADW1_ant+(1u)*ADW1
ADW2_ant=u*ADW2_ant+(1u)*ADW2
ADW3_ant=u*ADW3_ant+(1u)*ADW3
ADW4_ant=u*ADW4_ant+(1u)*ADW4
ADW5_ant=u*ADW5_ant+(1u)*ADW5
ADW6_ant=u*ADW6_ant+(1u)*ADW6
ADW7_ant=u*ADW7_ant+(1u)*ADW7
ADW8_ant=u*ADW8_ant+(1u)*ADW8
ADW9_ant=u*ADW9_ant+(1u)*ADW9
ADW1=0
ADW2=0
ADW3=0
ADW4=0
ADW5=0
ADW6=0
ADW7=0
ADW8=0
ADW9=0
vector_epocas(j)=j
vector_errores(j)=err_total
mensaje=sprintf('Aprendisaje:%2.3fu=%2.3f',n,u)
w11=w1
w12=w2
w21=w3
w22=w4
lw1=w5
lw2=w6
b1=w7
b2=w8
b3=w9
[x,y]=meshgrid(0:.01:1,0:.01:1)
alpha=4
net1=x*w11+y*w21+in0.*b1
net2=x*w12+y*w22+in0*b2
http://controlinteligentecadenadavid.blogspot.com/p/mejorasalaprendizajedelperceptron.html
4/9
29/11/2016
Mejorasalaprendizajedelperceptrnmulticapamedianteretropropagacin.Momentoenvariacindepesos.~ControlInteligente
out1=1./(1+exp(alpha*net1))
out2=1./(1+exp(alpha*net2))
net=out1*lw1+out2*lw2+in0*b3
out=1./(1+exp(alpha*net))
out_frontera=round(out)
subplot(3,1,1)
plot(vector_epocas,vector_errores)
title(mensaje)
subplot(3,1,2)
mesh(x,y,out)
subplot(3,1,3)
mesh(x,y,out_frontera)
pause(0.01)
end
Resultados
1..Resultadospara(factordeaprendizaje,momento)dea)(0.20.01)b(0.20.5)c)(0.20.9)
http://controlinteligentecadenadavid.blogspot.com/p/mejorasalaprendizajedelperceptron.html
5/9
29/11/2016
Mejorasalaprendizajedelperceptrnmulticapamedianteretropropagacin.Momentoenvariacindepesos.~ControlInteligente
22.Resultadospara(factordeaprendizaje,momento)dea)(50.01)b)(50.5)c)
http://controlinteligentecadenadavid.blogspot.com/p/mejorasalaprendizajedelperceptron.html
6/9
29/11/2016
Mejorasalaprendizajedelperceptrnmulticapamedianteretropropagacin.Momentoenvariacindepesos.~ControlInteligente
1.
0comentarios:
Publicaruncomentarioenlaentrada
http://controlinteligentecadenadavid.blogspot.com/p/mejorasalaprendizajedelperceptron.html
7/9
29/11/2016
Mejorasalaprendizajedelperceptrnmulticapamedianteretropropagacin.Momentoenvariacindepesos.~ControlInteligente
Introducetucomentario...
Comentarcomo:
Publicar
Unknown(Google)
Salir
Vistaprevia
Avisarme
Pginaprincipal
Suscribirsea:Entradas(Atom)
BLOGGER NEWS
BLOGROLL
ABOUT
Copyright2016ControlInteligente|PoweredbyBlogger
DesignbyFThemes|BloggerThemebyLasanthaPBT|NewBloggerThemes.com
http://controlinteligentecadenadavid.blogspot.com/p/mejorasalaprendizajedelperceptron.html
8/9
29/11/2016
Mejorasalaprendizajedelperceptrnmulticapamedianteretropropagacin.Momentoenvariacindepesos.~ControlInteligente
http://controlinteligentecadenadavid.blogspot.com/p/mejorasalaprendizajedelperceptron.html
9/9