Partimos del siguiente ejemplo:
-Quizás tenemos un detector de ciertas propiedades de dos frutas sean estan naranjas o manzanas.
Asumamos que estas propiedades se pueden representar como vectores, los cuáles serán nuestros inputs:
Forma, textura y peso.
Tenemos una red donde los pesos (sin biases), han sido calibrado (más luego se enseñarán los algoritmos de calibración). Esta red sólo tiene una neurona en el Output layer, no existen hidden layers.
La función de transferencia deberá ser una de tipo target one or zero, en este caso elegimos la función de trasnferenia de Hardlims. Nota: En muchos libros hay diversas notaciones, esto se debe a que esta ciencia aunque no es antigua no se desarrollado en plenitud aún, o no está tan universilada.
Como te habrás dado cuenta los pesos de nuestra neurona están super simplificados de acuerdo a los prototype inputs, ya que el vector naranja y la manzana "milagrosamenente" sólo difieren el segundo término de cada uno.
¿Ahora que pasa si nuestro input es diferente a nuestros propotype inputs? Vamos a ver que pasa.
Hemos ingresado una naranja medio defectuosa pero aún la red neuronal la reconoce. He aquí una propiedad muy interesante de estas redes. Cuando una las diseña en el sentido de comenzar a entrenarlas (es la etapa casi final), a pesar de que los datos que les brindemos pueden ser super desvirtuados o con ruido, La red los reconocerá, siempre y cuando estén cerca de los protoype inputs.