ADALINE ADAPTIVE LINEAR ELEMENT

*Similar al Perceptrón

*Resuelve problemas linealmente separables

*el algoritmo es más potente ya que minimiza el error cuadrático medio.

*Red adaptable

*Supervisada

*Consta de 2 capas entrada y salida

*Solo una salida Bías

X1

Y real S. real

X2 Y

S. Binario

X3 Algoritmo de
adaptación

OPERACIÓN DE LA RED

*Inicializar los valores aleatorios

*Se toma un vector de entrada

*Se calcula la salida

*Se calcula el error (entre la salida y la salida real).

*Se calcula la matriz de pesos

W (t  1)  W (t )  e(t ) X (t )

*Se repiten los procesos hasta que:

m
1
 e (k )  
2

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 ú0
ê 0.175708 ú0
Y (1)= ë û   =-0.7723052

e(1)= 0-(-0.7723052)= 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

e(2) =1- (- 0.5193667) =1.5193667

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

e(4) =1- .6383159 =0.3616841

Se calcula el error cuadrático medio y este debe de ser menor a “ε”

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

Por lo tanto se tiene que volver a iterar con los 4 patrones

é - .4569719 ù 1 
ê ú 
W =ê 0.7676432 ú0
ê 0.3276446 ú0
Y (1)= ë û   =-.4569719

e(1)= 0-(-.4569719)= 0.4569719

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

e(2) =1- (- .0836301) =1.0836301

 é - .4112747 ù é 1 ù é - .3029116 ù
ê ú ê ú ê ú
W (t +1) =ê 0.7676432 ú+ 0.1[ 1.0836301] ê 0 ú=ê 0.7676432 ú
ê 0.3276446 ú ê 1 ú ê 0.4360076 ú
ë û ë û 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

e(3) =1- .4647315 =0.5352684

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

e(4) =1- 1.0077928 =- 0.0077928

Se calcula el error cuadrático medio y este debe de ser menor a “ε”

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

Por lo tanto se tiene que volver a iterar con los 4 patrones

é - .2493847 ù 1 
ê ú 
W =ê 0.8211700 ú 0 
ê 0.4360076 ú 0 
Y (1)= ë û   =-.2493847

e(1)= 0-(-.2493847)= 0.2493847

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

e(2) =1- .2115613 =.7884387

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

e(3) =1- .67556767 =.3244323

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

e(4) =1- 1.2553056 =- 0.2553056

Se calcula el error cuadrático medio y este debe de ser menor a “ε”

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

Por lo tanto se tiene que volver a iterar con los 4 patrones

 é - 0.1131590 ù1
ê ú 
W =ê 0.8536132 ú0
ê 0.5148514 ú0
Y (1)= ë û  =-.1131590

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

−.1018431 1 −0. 0431439

[ ] [][
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

e(3) =1- .8104693 =.1895307

−. 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

e(4 )=1−1. 4219258=−0 .4219258

Se calcula el error cuadrático medio y este debe de ser menor a “ε”

error cuadrático medio= 0.14282687 no es menor que épsilon

Por lo tanto se tiene que volver a iterar con los 4 patrones

−. 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

e(3) =1- .8495158 =.1504842

−. 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

Por lo tanto se dice que se esta es la matriz optima

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.