You are on page 1of 5

Sistemas expertos e Inteligencia Artificial, Gua8

Tema: PERCEPTRON.

Facultad : Ingeniera Escuela : Computacin Asignatura: Sistemas expertos e Inteligencia Artificial

Objetivo
Implementar la red neuronal conocida como Perceptron en el lenguaje de programacin C#. Utilizar el IDE de Microsoft Visual Studio. NET 2005 para desarrollar los formularios necesarios para ingresar y obtener los valores de las variables que servirn para el entrenamiento de la red.

Introduccin El algoritmo de aprendizaje es de tipo supervisado, lo que requiere que sus resultados sean evaluado y se realicen oportunas modificaciones de los pesos si fuera Necesario. Pasos del entrenamiento: 1. Inicializacin de los pesos y del umbral: estos valores son aleatorios, es decir, no existe ninguna regla que especifique con que valor iniciar para cada caso. 2. Presentacin de un nuevo par (entrada, salida esperada). 3. Clculo de la salida actual. 4. Adaptacin de los pesos es necesaria solo si la salida no corresponde a lo que se esperaba. f(neta) = 1 f (t) 0

0 f (t) < 0 Wi (t + 1) = Wi + [d(t) - y(t)]Xi (t) Donde: Wi(t) son los pesos actuales. d (t) es la salida deseada. Y(t) es la salida actual. Xi (t) es la entrada del perceptrn es un factor de ganancia (velocidad de aprendizaje) que puede variar entre 0.0 a 1.0. 5. Volver al paso 2 hasta que la red de una salida vlida para todos los patrones que se le quieren ensear. 6. Fin del algoritmo.

Sistemas expertos e Inteligencia Artificial, Gua 8

Materiales y equipo
Gua de Laboratorio N 7. Computadora con programa: Visual Studio 2005. Dispositivo de Almacenamiento (USB).

Procedimiento
I) Ejemplo(s) de prctica. Dado el siguiente entrenamiento, utilizar Visual C# para ejecutar las iteraciones que se muestra el ejemplo, disee una interfaz adecuada para mostrar el resultado del entrenamiento. Luego modifique los datos de entrada y describa el comportamiento de la red.

Condiciones iniciales: Wo =1.5 W1 = 0.5 W2 = 1.5 =1 X0(umbral) =1

Tabla de verdad de compuerta OR X2 X1 d(t) 0 0 0 0 1 1 1 0 1 1 1 1 Entrenamiento para patrn x2=0 y x1=0 y(t) = W1X1 + W2X2 + W0X0 y(1) = 0.5(0) + 1.5(0) + 1.5(1) = 1.5 Aplicando la funcin de salida y(t) >0 por lo que la salida de la neurona es 1, como no es la salida que se busca corregimos los pesos.

W0 (1 + 1) = W0 + [d(1) - y(1)]X0(1) W0 (2) = 1.5 +1[0 -1]*1 = 0.5 W1(1 +1) = W1 + [d(1) - y(1)]X1(1) W1(2) = 0.5 +1[0 -1]* 0 = 0.5 W2(1 +1) = W2 + [d(1) - y(1)]X2(1) W2(2) = 1.5 + 1[0 -1]* 0 = 1.5

Sistemas expertos e Inteligencia Artificial. Gua 8 3

Con los nuevos pesos procedemos a calcular de nuevo la salida. Para el patrn x2=0 y x1=0 y(t) = W1X1 + W2X2 + W0X0 y(1) = 0.5(0) + 1.5(0) + 0.5(1) = 0.5 Aplicando la funcin de salida y(t) >0 por lo que la salida de la neurona es 1, como no es la salida que se busca corregimos los pesos. W0 (1 +1) = W0 + [d(1) - y(1)]X0(1) W0 (2) = 0.5 +1[0 -1]*1 = -0.5 W1(1 +1) = W1 + [d(1) - y(1)]X1(1) W1(1) = 0.5 + 1[0 -1]* 0 = 0.5 W2(1 + 1) = W2 + [d(1) - y(1)]X2(1) W2(1) = 1.5 + 1[0 -1]* 0 = 1.5 Con los nuevos pesos procedemos a calcular de nuevo la salida. Para patrn x2=0 y x1=0 y(t) = W1X1 + W2X2 + W0X0 y(2) = 0.5(0) + 1.5(0) - 0.5(1) = -0.5 Aplicando la funcin de salida y(t) >0 por lo que la salida de la neurona es 0, como es la salida que se busca no se modifican los pesos y se continua con otro patrn. Para patrn x2=0 y x1=1 y(t) = W1X1 + W2X2 + W0X0 y(2) = 0.5(1) + 1.5(0) - 0.5(1) = 0 Aplicando la funcin de salida y(t) >0 por lo que la salida de la neurona es 1, como es la salida que se busca no se modifican los pesos y se continua con otro patrn. Para el patrn x2=1 y x1=0 y(t) = W1X1 + W2X2 + W0X0 y(3) = 0.5(0) + 1.5(1) - 0.5(1) = 1 Aplicando la funcin de salida y(t) >0 por lo que la salida de la neurona es 1, como es la salida que se busca no se modifican los pesos y se continua con otro patrn.

Sistemas expertos e Inteligencia Artificial, Gua 8 Para el patrn x2=1 y x1=1 y(t) = W1X1 + W2X2 + W0X0 y(4) = 0.5(1) + 1.5(1) - 0.5(1) = 1.5

Aplicando la funcin de salida y(t) >0 por lo que la salida de la neurona es 1, como es la salida que se busca no se modifican los pesos Este proceso se repite hasta que al introducir todos los patrones de entrada no haya necesidad de modificar los pesos. Wo = -0.5 W1 = 0.5 W2 = 1.5 =1 X0(umbral) =1

Investigacin complementaria.
Investigue cmo funciona el Perceptrn Multinivel e implemntelo en un proyecto en C#.

Bibliografa. http://www.wikiciencia.org/tecnologia/automatizacion/ia/index.php http://www.slideshare.net/mcastillox/el-perceptron-simple

Sistemas expertos e Inteligencia Artificial. Gua 8 5

Hoja de cotejo:

Gua 8: Perceptrn.
Alumno: Docente: Mquina No: GL: Fecha:

EVALUACION

1-4

5-7

8-10

Nota

CONOCIMIENTO

40

APLICACIN DEL
CONOCIMIENTO

40

ACTITUD

20

TOTAL 100%

You might also like