Adaline

El adaline (de ADAptative LINear Element) es un ti- p wj = E

wj
po de red neuronal articial desarrollada por el profesor
Si operamos con la derivada, queda:
Bernie Widrow y su alumno Ted Ho en la Universidad
p wj = (dp y p ) xj
de Stanford en 1960.[1]

Que ser la expresin que utilizaremos por cada entrada

para modicar los pesos.

Denicin

Generalmente se compone de una sola capa de n neuronas 3 Ventajas

( por tanto n valores de salida ) con m entradas con las
siguientes caractersticas:
Con respecto al perceptrn el Adaline posee la ventaja de
que su grca de error es un hiperparaboloide que posee
Las m entradas representan un vector x de entrada o bien un nico mnimo global, o bien una recta de inque pertenece al espacio Rm .
nitos mnimos, todos ellos globales. Esto evita la gran
cantidad de problemas que da el perceptrn a la hora del
Por cada neurona, existe un vector w de pesos si- entrenamiento debido a que su funcin de error (tambin
npticos que indican la fuerza de conexin entre los llamada de coste) posee numerosos mnimos locales.
valores de entrada y la neurona. En la prctica representan la ponderacin de cada entrada sobre la
neurona.

4 Aplicaciones

Una constante .

Asociacin de patrones: se puede aplicar a este tipo de problemas siempre que los patrones sean linealmente separables.

La salida y de la neurona se representa

por la funcin
n
de activacin, que se dene como y = i=1 xi wi +

En el campo del procesamiento de seales:

Aprendizaje

Filtros de ruido: Limpiar ruido de seales transmisoras de informacin.

A diferencia del perceptrn, a la hora de modicar los

pesos durante el entrenamiento, el Adaline tiene en cuenta
el grado de correccin de la salida estimada respecto a la
deseada.[2] Esto se consigue mediante la aplicacin de la
regla Delta, y que se dene, para un patrn de entrada xp
con una salida estimada y p y una salida deseada dp , como
|dp y p | .

Filtros adaptativos: Un adaline es capaz de predecir el valor de una seal en el instante t+1 si se
conoce el valor de la misma en los p instantes anteriores (p es >0 y su valor depende del problema). El
error de la prediccin ser mayor o menor segn qu
seal queramos predecir. Si la seal se corresponde
a una serie temporal el Adaline, pasado un tiempo,
ser capaz de dar predicciones exactas.

Dado que el objetivo del Adaline es poder estimar de la

manera ms exacta la salida (conseguir una salida exacta
es prcticamente imposible en la mayora de los casos), Se pueden combinar mltiples Adalines formando lo que
se busca minimizar la desviacin de la red para todos los se denomina el Madaline.
patrones de entrada, eligiendo una medida del error global. Normalmente se utiliza el error cuadrtico medio.
m
E = 12 p=1 (dp y p )2
5 Referencias
La manera de reducir este error global es ir modicando
los valores de los pasos al procesar cada entrada, de forma iterativa, mediante la regla del descenso del gradiente.
Suponiendo que tenemos una constante de aprendizaje
:

[1] Perceptrn simple y Adaline, Redes de Neuronas Articiales, UC3M, RAI 2012.
[2] Adaline (Adaptive Linear)

6 TEXTO E IMGENES DE ORIGEN, COLABORADORES Y LICENCIAS

Texto e imgenes de origen, colaboradores y licencias

6.1

Texto

Adaline Fuente: https://es.wikipedia.org/wiki/Adaline?oldid=74960837 Colaboradores: Elwikipedista, LuchoX, BOT-Superzerocool, Torbellino, Gaeddal, Alcojol, CEM-bot, TheOm3ga, PabloCastellano, Juan renombrado, BlackBeast, Muro Bot, Fdefreitas6, Nubecosmica,
Farisori, Alecs.bot, BetoCG, Fredy.hl, Luckas-bot, Panderine!, Hprmedina, EmausBot, Omarhernandezgarnica, KLBot2, Cristian Cisneros
y Annimos: 7

6.2

Imgenes

6.3

Licencia de contenido

Creative Commons Attribution-Share Alike 3.0