% Neurona no lineal.

% Algoritmo que resuelve una neurona no lineal

% P : Patrones

% T : clase, tiene que estar compuesta en base a la funcion utilizada

% alfa : tasa de aprendizaje

% CotaError: cota del error

% MAX_ITE: cantidad maxima de iteraciones

% funcion: funcion a aplicar a los valores netos obtenidos en la red

% detalle: puede tener valor 1 o 0, significa si se guarda la eficiencia

% cada 100 iteraciones realizadas, se utiliza para la estimacion de

% parametros

function[ite, W, b] = neurona_no_lineal(P, T, alfa, CotaError, MAX_ITE, funcion, detalle)





[CantAtrib, CantPatrones] = size(P);



W = rand(1,CantAtrib) - 0.5 * ones(1,CantAtrib); 

b = rand - 0.5;





errorAct = 1;

ite = 0;



while (ite < MAX_ITE) & (errorAct > CotaError)



    ite = ite + 1;

    errorAct = 0;

    

    for patr = 1 : CantPatrones

    

        neta = W*P(:,patr) + b;

        f_neta = feval(funcion, neta);

        f_prima_neta = feval([ 'd' funcion], neta, f_neta);

        

        errorK = T(patr) - f_neta;

        gradiente = -2*errorK*f_prima_neta*P(:, patr);

        

        W = W - alfa * gradiente';  

        b = b - alfa * (-2*errorK*f_prima_neta);

        errorAct = errorAct + errorK^2;

    

    end

    

    %[ite ErrorAct]

    if (detalle == 1 & mod(ite,100) == 0)

        

        correctos_train = evaluar_clase_funcion(T, feval(funcion, W*P+b), funcion);

        R = [alfa ite correctos_train (correctos_train / CantPatrones) * 100];

        R

        archivo = strcat('estimar_parametros_', funcion, '.csv');

        dlmwrite(archivo,R,'delimiter','\t','-append');

    end

    

    

end