Perceptrón Multicapa

El perceptrón es otro tipo de neurona desarrollada años posteriores. Su funcionamiento es exactamente el mismo que los anteriores. Ahora vamos a ver cómo una neurona aprende.

Supongamos que tenemos una neurona bidimensional (de dos entradas) con un umbral determinado, si se supera dicho umbral la salida pertenece a la categoría A (salida=1) y si no se supera pertenece a la categoría B (salida=-1). Como tenemos dos dimensiones, podemos representar la función como una recta de esta forma:

A un lado de la cuál pertenecerán los de la categoría A y al otro lado los de la categoría B. A partir de aquí podemos extenderlo a más entradas y con ello la resolución, esta vez, de hiperplanos.

El proceso de aprendizaje es el siguiente: se introduce un patrón de los del conjunto de aprendizaje, cuyo resultado tiene que pertenecer a la categoría A. Si la salida pertenece a dicha categoría (salida=1) no haremos nada. Si por el contrario la salida es -1, la respuesta de la red es incorrecta y lo clasifica como categoría B. El aprendizaje consiste en modificar los valores de las conexiones, es decir, los pesos. Como la salida producida es inferior a la salida correcta, aumentaremos los pesos. Dicho aprendizaje se puede expresar con la siguiente fórmula: . Donde  es cada uno de los patrones de entrenamientos y  la categoría a la que pertenece.

Como podemos ver para este tipo de neurona, los patrones deben ser introducidos una y otra vez hasta que exista un ciclo donde se han introducido todos y hayan sido correctamente clasificados. Más adelante trataremos con otro modelo más sofisticado.

Como evolución al perceptrón simple que vimos anteriormente llega el Perceptrón Multicapa, tal como se ve en la siguiente imagen:

Al ser sus ecuaciones más complejas, las adjunto en un pdf:

[embedPDF source=»http://ajtudela.com/wp-content/uploads/2011/06/Perceptron-Multicapa.pdf» width=»100%» height=»600″]