Ada 23
Ada 23
*Similar al Perceptrón
*Red adaptable
*Supervisada
X1
Y real S. real
X2 Y
S. Binario
X3 Algoritmo de
adaptación
OPERACIÓN DE LA RED
W (t 1) W (t ) e(t ) X (t )
N K 0
EJEMPLO:
W= -.7723052
.6814772
.175708
; α=0.1; ε=0.12
OR SD
1 0 0 0
1 0 1 1
1 1 0 1
1 1 1 1
é - 0.7723052 ù 1
ê ú
W =ê 0.6814772 ú0
ê 0.175708 ú0
Y (1)= ë û =-0.7723052
W (t 1) W (t ) d (t ) y (t ) X (t )
T
é - 0.7723052 ù é 1 ù é - 0.6950747 ù
ê ú ê ú ê ú
W (t +1) =ê 0.6814772 ú+ 0.1[ 0.772305] ê 0 ú=ê 0.6814772 ú
ê 0.175708 ú ê 0 ú ê 0.175708 ú
ë û ë û ë û
é - 0.6950747 ù
ê úé ù
Y (2) =ê 0.6814772 úë 1 0 1 û=- .5193667
ê 0.175708 ú
ë û
é - 0.6950747 ù é 1 ù é - .54313803 ù
ê ú ê ú ê ú
W (t +1) =ê 0.6814772 ú+ 0.1[ 1.5193667] ê 0 ú=ê 0.6814772 ú
ê 0.175708 ú ê 1 ú ê 0.3276446 ú
ë û ë û ë û
é - .54313803 ù
ê úé ù
Y (3) =ê 0.6814772 úë 1 1 0 û=.13833917
ê 0.3276446 ú
ë û
e(3) =1- .13833917 =0.86166083
é - 0.54313803 ù é 1 ù é - .456971947 ù
ê ú ê ú ê ú
W (t +1) =ê 0.6814772 ú+ 0.1[ 0.86166083] ê 1 ú=ê 0.767643283 ú
ê 0.3276446 ú ê 0 ú ê 0.3276446 ú
ë û ë û ë û
é - .456971947 ù
ê úé ù
Y (4) =ê 0.76764328 úë 1 1 1 û=.6383159
ê 0.3276446 ú
ë û
2 2 2 2
1 m
(0.7723052) +(1.5193667) +(0.86166083) +(.3616841)
2
å (k)
N K=0
e áe =
4
error cuadrático medio= 0.94456109 no es menor que épsilon
é - .4569719 ù 1
ê ú
W =ê 0.7676432 ú0
ê 0.3276446 ú0
Y (1)= ë û =-.4569719
W (t 1) W (t ) d (t ) y (t ) X (t )
T
é - .4569719 ù é 1 ù é - 0.4112747 ù
ê ú ê ú ê ú
W (t +1) =ê 0.7676432 ú+ 0.1[ 0.4569719] ê 0 ú=ê 0.7676432 ú
ê 0.3276446 ú ê 0 ú ê 0.3276446 ú
ë û ë û ë û
é - .4112747 ù
ê úé ù
Y (2) =ê 0.7676432 úë 1 0 1 û=- .0836301
ê 0.3276446 ú
ë û
é - .3029116 ù
ê úé ù
Y (3) =ê 0.7676432 úë 1 1 0 û=.4647315
ê 0.4360076 ú
ë û
é - .3029116 ù é 1 ù é - .2493847 ù
ê ú ê ú ê ú
W (t +1) =ê 0.7676432 ú+ 0.1[ 0.5352684] ê 1 ú=ê 0.8211700 ú
ê 0.4360076 ú ê 0 ú ê 0.4360076 ú
ë û ë û ë û
é - .2493847 ù
ê úé ù
Y (4) =ê 0.8211700 úë 1 1 1 û=1.0077928
ê 0.4360076 ú
ë û
2 2 2 2
1 m
2 (.4569719) + (1.0836301) + (0.5352684) + (- 0.0077928)
å e(k) áe =
N K=0 4
error cuadrático medio= 0.4174126 no es menor que épsilon
é - .2493847 ù 1
ê ú
W =ê 0.8211700 ú 0
ê 0.4360076 ú 0
Y (1)= ë û =-.2493847
W (t 1) W (t ) d (t ) y (t ) X (t )
T
é - .2493847 ù é 1 ù é - .2244462 ù
ê ú ê ú ê ú
W (t +1) =ê 0.8211700 ú+ 0.1[ 0.2493847] ê 0 ú=ê 0.8211700 ú
ê 0.4360076 ú ê 0 ú ê 0.4360076 ú
ë û ë û ë û
é - .2244462 ù
ê úé ù
Y (2) =ê 0.8211700 úë 1 0 1 û=0.2115613
ê 0.4360076 ú
ë û
é - .2244462 ù é 1 ù é - .14560233 ù
ê ú ê ú ê ú
W (t +1) =ê 0.8211700 ú+ 0.1[ .7884387] ê 0 ú=ê 0.8211700 ú
ê 0.4360076 ú ê 1 ú ê 0.5148514 ú
ë û ë û ë û
é - .14560233 ù
ê úé ù
Y (3) =ê 0.8211700 úë 1 1 0 û=.67556767
ê 0.5148514 ú
ë û
é - .14560233 ù é 1 ù é - 0.1131590 ù
ê ú ê ú ê ú
W (t +1) =ê 0.8211700 ú+ 0.1[ .3244323] ê 1 ú=ê 0.8536132 ú
ê 0.5148514 ú ê 0 ú ê 0.5148514 ú
ë û ë û ë û
é - .1131590 ù
ê úé ù
Y (4) =ê 0.8536132 úë 1 1 1 û=1.2553056
ê 0.5148514 ú
ë û
2 2 2 2
1 m
2 (.2493847) + (0.7884387) +(0.3244323) + (- 0.2553056)
å (k)
N K=0
e áe =
4
error cuadrático medio= 0.21356639 no es menor que épsilon
e(1)= 0-(-.1131590)=.1131590
W (t 1) W (t ) d (t ) y (t ) X (t )
T
−.1131590 1 −0 . 1018431
[ ] [][
W (t+1)= 0. 8536132 +0 .1 [ .1131590 ] 0 = 0 . 8536132
0 . 5148514 0 0 .5148514 ]
−0 . 1018431
[ ]
Y (2)= 0 . 8536132 [ 1 0 1 ] =0 . 4130083
0. 5148514
e(2)=1−0. 4130083=.5869917
[ ] [][
W (t+1)= 0 .8536132 +0 . 1 [ . 5869917 ] 0 = 0. 8536132
0 . 5148514 1 0 . 5735505 ]
−. 0431439
[ ]
Y (3)= 0 . 8536132 [ 1 1 0 ] =0 . 8104693
0 . 5735505
−. 0431439 1 −. 02419083
[ ] [][
W (t+1)= 0 . 8536132 +0. 1 [ 0 . 1895307 ] 1 = 0. 8725662
0 .5735505 0 0 . 5735505 ]
−. 02419083
[ ]
Y (4 )= 0 . 8725662 [ 1 1 1 ] =1. 4219258
0 .5735505
−. 02419083 1
[ ][ ]
Y (1)= 0 . 8725662 0 =−. 02419083
0 .5735505 0
e(1)=0-(-.02419083)=.02419083
−. 0241908 1 −0 . 0217717
[ ] [][
W (t+1)= 0 . 8725662 +0. 1 [ . 02419083 ] 0 = 0 . 8725662
0 .5735505 0 0 .5735505 ]
−0 . 0217717
[ ]
Y (2)= 0 . 8725662 [ 1 0 1 ] =0 . 5517787
0 .5735505
e(2)=1−0.5517787=.4482212
−. 0217717 1 −. 0230504
[ ] [][
W (t+1)= 0 . 8725662 +0 .1 [ . 4482212 ] 0 = 0 . 8725662
0 .5735505 1 0 . 6183726 ]
−. 0230504
[ ]
Y (3)= 0. 8725662 [ 1 1 0 ] =0 .8495158
0 . 6183726
−. 0230504 1 −. 0080019
[ ] [][
W (t+1)= 0 . 8725662 +0 .1 [ 0 .1504842 ] 1 = 0 . 8876146
0 .6183726 0 0 . 6183726 ]
−.0080019
[ ]
Y (4)= 0 . 8876146 [ 1 1 1 ] =1. 4979853
0 .6183726
e(4)=1−1.4979853=−0.4979853
error cuadrático medio= 0.1180305 es menor que épsilon
ahora se prueba con los 4 patrones para ver si se los aprendió, aquí es donde se usa la función de
transferencia los errores son 0 por lo tanto se el reconocimiento es el 100% y tiene que graficar el error
cuadrático medio.
−. 0080019
[ ]
Y (1)= 0 .8876146 [ 1 0 0 ] =−. 0080019=0
0 .6183726
e(1)=0−0=0
−. 0080019
[ ]
Y (2)= 0 . 8876146 [ 1 0 1 ] =. 6103707=1
0 .6183726
e(2)=1−1=0
−. 0080019
[ ]
Y (3)= 0 . 8876146 [ 1 1 0 ] =0 . 8796127=1
0 . 6183726
e(3)=1−1=0
−.0080019
[ ]
Y (4 )= 0 . 8876146 [ 1 1 1 ] =1. 4979853=1
0 .6183726
e(4)=1−1=0
entender el error cuadratico medio, diferencia entre el perceptron simple y adaline y resuelvan el ejercicio
de nand con la matriz de pesos del ejercicio del perceptron simple y me envian dudas.