El Perceptrón es un tipo de red neuronal artificial desarrollado por Frank Rosenblat, también puede entenderse como perceptrón la neurona artificial y unidad básica de inferencia en forma de…Descripción completa
Full description
case is based on history of law
Lb 05 Perceptron en MatlabDescripción completa
INSTITUTO TECNOLÓGICO SUPERIOR DE MISANTLA “COMPUTO SUAVE” “PERCEPTRON PA PARA RA LA COMPUERTA LOGICA NAND” ELABORADO POR: ERNESTO ULISES RODRIGUEZ BARRIOS DOCENTE: DOC. LUIS ALBERTO MORALES ROSALES CARRERA EN: ING. EN TECNOLOGÍA TECNOLOGÍAS S DE LA INFORMACIÓN Y COMUNICACIONES MISANTLA, VER. A 25 FEBRERO DEL 20!
DESCRIPCION DE LA PRACTICA: En la presente practica se muestra como desarrollar un perceptron simple por medio de matlab para la compuerta logica NAND.
LISTA DE COMPONENTES "TABLA DE VERDAD#: A 0 0
B 0
NAND
1
1
0
0
Lo primero que se debe realizar es inicializar dos variables, una que contenga una matriz con los valores de A y B, y otra varuable que tenga los valores de NAND como se muestra en la igura 1.
Figura 1. Valores inicializados para su posterior uso.
!on el comando plotpv se puede visualizar la gr"ica de los patrones anteriores #$igura %&.
Figura 2. Grafca resultante. Para salida deseada cero (0) = o, para salida deseado uno (1) = +.
A continuaci'n se inicia la red neuronal con el comando ne(p con los siguientes valores. !omo en la igura ).
Figura 3. !nde" red = o#$eto donde se al%acenara la red creada por &''* 0 1 0 1-= ango del /alor de la entrada de la red neuronal, el n%ero de flas de esta %atriz lo utilizara &''* para defnir el n%ero de entradas ue tiene la red neuronal. 1 = ser el n%ero de neuronas ue tiene la red neuronal en la capa de salida. = 4ntrada de los patrones de aprendiza$e.
!on el siguiente comando se proceder" a entrenar la red neuronal por *A+LAB #$igura &.
Figura 5. onde red = red a ser entrenada por &''* = 4ntrada de los patrones de aprendiza$e. = salida deseada de los patrones
-na vez eecutado el comando anterior, se mostrara una ventana en donde se podr" elegir la opci'n de perormance, esta opci'n permitir" visualizar una gr"ica donde se muestra la l/nea clasiicadora que la red a llevado a cabo. #$igura y 2&.
Figura 6. Ventana e%ergente ue indica ue la red 7a sido entrenada.
Figura 8. Grafca de entrena%iento de la red neuronal con 8 iteraciones.
Aora solo se agregaran unos pesos iniciales a la red neuronal con el siguiente c'digo #$igura 3&.
Figura 9. 4sto per%itir al perceptron tener un rango de separaci!n.
!on el comando plotpc podemos obtener una gr"ica en donde se muestra la separaci'n de 0 y 1 por medio de una l/nea, esto indicaba que esta pr"ctica era un problema linealmente separable #$igura 4&.
Figura :. 4n esta grafca se puede /isualizar la separaci!n de ceros ; unos por %edio de una l?ito.
RESULTADOS -na vez concluido los anteriores pasos, se proceder" a validar la red neuronal con los valores de A y B de la tabla de verdad.
Figura @. Prue#a 1, Prue#a = pri%eros /alores de ' ; * en la ta#la de /erdad ' = pri%er resultado de la co%puerta l!gica A'A
Figura 10. Prue#a 2, Prue#a = segundos /alores de ' ; * en la ta#la de /erdad ' = segundo resultado de la co%puerta l!gica A'A
Figura 11. Prue#a 3, Prue#a = terceros /alores de ' ; * en la ta#la de /erdad ' = tercer resultado de la co%puerta l!gica A'A
Figura 12. Prue#a 5, Prue#a = cuartos /alores de ' ; * en la ta#la de /erdad ' = cuarto resultado de la co%puerta l!gica A'A