/entrega2/ejercicio1/neurona_no_lineal.m
http://github.com/melisabok/RedesNeuronales · Objective C · 63 lines · 39 code · 24 blank · 0 comment · 5 complexity · 71bb5a4d6e42e8d30a672c2c950b8059 MD5 · raw file
- % 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