informe computacional rna
DESCRIPTION
Trabajo de redes neuronales donde se aplico un perceptron multicapa con el algoritmo Rprop para el reconocimiento de placas.TRANSCRIPT
๐1 1
๐1 1
๐1 65
๐2 10
๐23 1
๐10 0
๐10 65
๐(๐) = ๐ท (๐ โ ๐ฎโ๐ถ๐
๐ + ๐ฎโ๐ถ๐)
ฮฑ ฮฒ
๐(๐) =๐ โ ๐ฎโ๐
๐ + ๐ฎโ๐
๐๐ =โ๐๐
๐
๐
๐๐๐
๐(๐๐) = ๐ถ๐
๐๐ =โ๐ถ๐
๐
๐
๐๐๐
๐๐ =โ๐(โ๐๐
๐
๐
๐๐๐)
๐
๐
๐๐๐
๐(๐) =๐ โ ๐ฎโ๐
๐ + ๐ฎโ๐=
๐
๐ + ๐ฎโ๐โ ๐
๐๐ = ๐(๐๐)
๐๐๐(๐+๐)
= ๐๐๐(๐)+ ๐ซ๐๐๐
(๐)
โ๐๐๐(๐)
{
โโ๐๐
(๐), ๐๐
๐๐ฌ
๐๐๐๐
(๐)
> ๐
+โ๐๐(๐), ๐๐
๐๐ฌ
๐๐๐๐
(๐)
< ๐
๐, ๐๐ ๐๐ฌ
๐๐๐๐
(๐)
= ๐
โ๐๐(๐)
{
๐ผ+ โ โ๐๐
(๐โ๐), ๐๐
๐๐ฌ
๐๐๐๐
(๐โ๐)
โ๐๐ฌ
๐๐๐๐
(๐)
> ๐
๐ผโ โ โ๐๐(๐โ๐)
, ๐๐ ๐๐ฌ
๐๐๐๐
(๐โ๐)
โ๐๐ฌ
๐๐๐๐
(๐)
< ๐
โ๐๐(๐โ๐)
, ๐๐ ๐๐ฌ
๐๐๐๐
(๐โ๐)
โ๐๐ฌ
๐๐๐๐
(๐)
= ๐
๐ผ+ = ๐. ๐
๐ผโ = ๐. ๐
๐ซ๐ = ๐. ๐
๐๐ฌ
๐๐๐๐
๐ฌ =๐
๐โ(๐๐ โ ๐๐)
๐
๐
๐
๐๐๐
๐๐ฌ
๐๐๐๐=
๐๐ฌ
๐๐๐โ๐๐๐๐๐๐๐
= ๐๐ฌ
๐๐๐โ๐โ๐๐๐ โ ๐๐
๐๐๐๐
๐๐ => โ๐๐๐ โ ๐๐
๐๐ฌ
๐๐๐โ ๐๐ =
๐๐ฌ
๐๐๐โ๐๐๐๐๐๐
โ ๐๐
๐น๐ =๐๐ฌ
๐๐๐
๐๐๐
๐๐ฌ
๐๐๐โ๐๐(๐๐)
๐๐๐โ ๐๐
๐๐ ๐(๐๐)
๐๐
๐โ(๐๐โ๐๐)
๐
๐๐๐โ ๐โฒ(๐๐) โ ๐๐
๐ฌ
๐๐
๐โ(๐๐โ๐๐)
๐
๐๐๐= โ(๐๐ โ ๐๐)
๐๐ฌ
๐๐๐๐= โ(๐๐ โ ๐๐) โ ๐โฒ(๐๐) โ ๐๐
๐น๐ =๐๐ฌ
๐๐๐= โ(๐๐ โ ๐๐) โ ๐โฒ(๐๐) ฮธ
๐(๐) =๐ โ ๐ฎโ๐
๐ + ๐ฎโ๐=
๐
๐ + ๐ฎโ๐โ ๐
๐โฒ(๐) = ๐ โ ๐(๐) โ (๐ โ ๐(๐))
๐๐ฌ
๐๐๐๐
๐ฌ =๐
๐โ(๐๐ โ ๐๐)
๐
๐
๐
๐๐๐
๐๐ฌ
๐๐๐๐=
๐๐ฌ
๐๐๐โ๐๐๐
๐๐๐๐=
๐๐ฌ
๐๐๐โ๐โ๐๐๐ โ ๐๐
๐๐๐๐
๐๐ => โ๐๐๐ โ ๐๐
๐๐ฌ
๐๐๐โ ๐๐ =
๐๐ฌ
๐๐๐โ๐๐๐
๐๐๐โ ๐๐
๐๐๐
๐๐ฌ
๐๐๐โ๐๐(๐๐)
๐๐๐โ ๐๐
๐๐ ๐(๐๐)
๐๐ฌ
๐๐๐โ ๐โฒ(๐๐) โ ๐๐
๐๐ฌ
๐๐๐
๐๐ฌ
๐๐๐=โ(
๐๐ฌ
๐๐๐โ๐๐๐๐๐๐
)
๐
โ(๐๐ฌ
๐๐๐โ๐โ๐๐๐๐๐
๐๐๐)
๐
=โ(๐๐ฌ
๐๐๐โ ๐๐๐)
๐
๐
๐น๐ =๐๐ฌ
๐๐๐= โ(๐๐ โ ๐๐) โ ๐โฒ(๐๐)
โ(๐๐ฌ
๐๐๐โ ๐๐๐)
๐
=โ(โ(๐๐ โ ๐๐) โ ๐โฒ(๐๐) โ ๐๐๐)
๐
๐๐ฌ
๐๐๐= โ (โ(๐๐ โ ๐๐) โ ๐โฒ(๐๐) โ ๐๐๐)๐
(๐) ๐๐ง (๐):
๐๐ฌ
๐๐๐โ ๐โฒ(๐๐) โ ๐๐
โ(โ(๐๐ โ ๐๐) โ ๐โฒ(๐๐) โ ๐๐๐)
๐
โ ๐โฒ(๐๐) โ ๐๐
๐๐ฌ
๐๐พ๐๐ฐ=โ(โ(๐๐ โ ๐๐) โ ๐โฒ(๐๐) โ ๐๐๐)
๐
โ ๐โฒ(๐๐) โ