Uni fiee ci 2016 01 sesion 10 modelos deterministicos de propagacion
S iy rn 2014-2 balotario de la pc1
1. FACULTAD DE INGENIERA DE SISTEMAS Y ELECTRONICA
Ciclo. 2014-2.
Prof. M. Sc. Ing. José C. Benítez P.
WOIAA SISTEMAS INTELIGENTES Y REDES NEURONALES
1ER. BALOTARIO PARA LA PRIMERA PRÁCTICA
1. Introducción a la IA y a las RNA. Responder en forma clara y precisa.
a. Dibuje una RNB con al menos dos tipos de
neuronas e indique sus partes.
b. Dibuje una RNA multicapa e indique sus partes,
funciones y matrices representativas.
c. ¿Cuántas neuronas hay en nuestro sistemas
nervioso aproximadamente?.
d. Justifique porque en un punto de una letra “i”
hay 50 neuronas.
e. ¿Cuánto pesa el cerebro de un recién nacido y
de un adulto?
f. ¿A partir de qué edad va perdiendo peso del
cerebro y a que razón?
g. Haga un cuadro sinóptico con las
clasificaciones de las RNA según diversos
criterios. Incluya ejemplos de cada uno.
2. Redes Neuronales Artificiales.
a. Graficar los patrones de aprendizaje de las
funciones lógicas. Justificar si son separables.
XNOR
LA BICONDICIONAL
~(A B) Ù (A v C)
b. Graficar el siguiente patrón de aprendizaje.
Verificar si son linealmente separables.
X1 = [-0.4 0.8 1.0 -1.0 -1.0]
X2 = [-1.0 1.0 0.5 -0.5 -1.0]
D = [1 -1 1 -1 1]
c. Graficar el siguiente patrón de aprendizaje.
Verificar si son linealmente separables.
X1 = [-0.6 0.9 1.0 -0.8 -1.0 0.5]
X2 = [-1.0 1.0 0.5 -0.5 -1.0 1.0]
D1 = [1 1 1 0 0 1]
D2 = [1 1 0 1 1 1]
d. Graficar el patrón de aprendizaje de:
X1 = [-0.2 1.0 0.4 -1.0 -1.0 0.5]
X2 = [1.0 0.8 0.2 -0.4 -0.3 1.0]
D1 = [1 1 -1 1 1 -1]
D2 = [1 -1 -1 -1 1 1]
3. SLP. Responder forma clara y precisa.
a. Represente el MLP de forma sintetizada y
escriba sus matrices representativas:
i. La RNA tiene 181 neuronas.
ii. Cinco CPs.
iii. En la CO hay 60 UPs menos que el total de
neuronas.
iv. La CE tiene la mitad de UP que la última CP.
v. Escriba sus matrices representativas.
b. Diseñe la red y hallar las salidas con los datos.
i. P = [-2 2; -1 1; 2 -1]
fT = hs, wij = [1 1 -1; 2 -1 -2; -1 2 -1]
b1=2, b2=1 y b3=-1
ii. P = [1 1;-1 2; 2 1; 2 -1]
fT = hm, wij = [1 -1;-1 1; -2 2;-1 1]
b1=2 y b2=-1
iii. P = [1.2 -1.5; 1.4 2.4; 2.1 1.8; 1.2 -1.6]
fT = hm, wij = [-1.2 1.5; -1.2 2.1; -2.3 2.6;
-2.1 1.2], b1 = -1.2 y b2 = 1.5
fT = hs, wij’=[-3.2; 1.7 ], b1=-2
c. Entrenar las SLP y graficar la evolución de la
línea de separación:
i. fT = hs, pi=[-1 1; 1 - 1;2 -2] Oij=[1 1; 1 -1],
Wo = [-0.5 0.2; 0.7 -0.2], bo =- 0.5, n = 0.5
ii. fT = hm, pi = [1 1; -1 1; 2 2; 1 -1]
Oij = [1 1; 1 0; 0 1; 0 1]
d. Entrenar la SLP con el siguiente patrón de
aprendizaje. Si no es entrenable modificar
para que sea entrenable.
X1 = [-0.4 0.8 1.0 -0.8 -0.4 0.5]
X2 = [-1.0 1.0 0.5 -0.5 -1.0 1.0]
D = [-1 1 1 -1 -1 1]
e. Entrenar la SLP con el siguiente patrón de
aprendizaje. Si no es entrenable modificar para
que sea entrenable.
X1 = [-0.2 1.0 0.8 -0.6 -1.0 0.4]
X2 = [-0.5 1.0 0.5 -0.5 -1.0 1.0]
D1 = [0 1 1 0 0 1]
D2 = [1 1 0 0 1 1]
4. MLP: Entrenar la MLP de la función lógica: a) XNOR b) bicondicional c) A=B=C.
*UTP/FISE/SIRN/ /JCBP/19/09/14