Perceptrón multicapa entrenamienta en MatLab

PERCEPTRÓN MULTICAPA
Creación e implementación de RNA utilizando
comandos propios de MATLAB

PROCESO
Creación
•Crea la red feedfordware (Estructura).
Entrenamiento
•Ajuste de parámetros de entrenamiento.
Utilización
•Simulación de la RNA.
Implementación
•Generación del bloque de la red RNA (SimuLink).

CREACIÓN RNA
• Normalización de los datos (Patrones de entrada y salida)
• El comando newff crea una red de neuronas de tipo feedforward.
o Sintaxis:
 net = newff(PR,[S1 S2...SNl],{TF1 TF2...TFNl},BTF,BLF,PF)
 PR Matriz con los valores mínimo y máximo de cada una de las componentes de los
patrones de entrada. (Vectores fila).
 Si Tamaño de la capa i.
 TFi: Función de transferencia de la capa i, por defecto es ’tansig’. (pureline, logsig).
BTF: Función de entrenamiento, por defecto ’trainlm’ (Levenberg-Marquardt
backpropagation).(trainbfg,trainrp,traingd o traingdx) (trainlm es a menudo el algoritmo
de propagación hacia atrás más rápido en toolbox, y es muy recomendable como
primera opción, aunque requiere más memoria que otros algoritmos)

CREACIÓN RNA
• Normalización de los datos (Patrones de entrada y salida)
• El comando newff crea una red de neuronas de tipo feedforward.
o Sintaxis:
net = newff(PR,[S1 S2...SNl],{TF1 TF2...TFNl},BTF,BLF,PF)
 BLF: Función de aprendizaje de los pesos/bias, por defecto ’learngdm’(learngd). Función de
aprendizaje para los pesos y bias utilizando el gradiente descendente con
momentum(Acelera la convergencia de los pesos, suma los cambios de los pesos en la fase
actualización y suaviza las oscilaciones en la trayectoria hacia la convergencia de pesos)
 PF: Función de evaluación, por defecto ’mse’ (Error medio cuadratico)
Dirección de
descenso
Mínimo global
Mínimo local

ENTRENAMIENTO
net.trainParam.epochs 1000 Maximum number of epochs to train
net.trainParam.goal 0 Performance goal
net.trainParam.max_fail 6 Maximum validation failures
net.trainParam.min_grad 1e-7 Minimum performance gradient
net.trainParam.mu 0.001 Initial mu
net.trainParam.mu_dec 0.1 mu decrease factor
net.trainParam.mu_inc 10 mu increase factor
net.trainParam.mu_max 1e10 Maximum mu
net.trainParam.show 25 Epochs between displays (NaN for no displays)
net.trainParam.showCommandLine False Generate command-line output
net.trainParam.showWindow True Show training GUI
net.trainParam.time inf Maximum time to train in seconds
Ajuste de parámetros

ENTRENAMIENTO
• Una vez creada la red, el siguiente paso es realizar el entrenamiento con los patrones de
entrada y las salidas deseadas.
o Sintaxis:
[net,TR,Y,E] = train(NET,P,T)
• Los parámetros de entrada son:
 NET Una red inicializada
 P Los patrones de entrada
 T Las salidas deseadas
• Y los parámetros de salida son:
 net Red entrenada
 TR Error en función de la iteración
 Y Salida de la red
 E Errores de la red

UTILIZACIÓN
• Tras la fase de entrenamiento, la red esta lista para ser usada, es decir, la red
es capaz de producir una salida adecuada a un conjunto de patrones de
entrada. La función sim es la encargada de pasar un conjunto de patrones de
entrada a la red y de obtener su salida:
o Sintaxis:
Y = sim(NET,P)
 Donde NET representa una red entrenada
 P es el conjunto de patrones de entrada
 Y es la salida de la red

UTILIZACIÓN
• Después de realizar pruebas y corroborar que la red neuronal cumple
con las expectativas para la cual fue diseñada, se genera el bloque de
para la simulación en Simulink de la RNA.
o Sintaxis:
Y = gensim(NET)
 Donde NET representa una red entrenada

Perceptrón multicapa entrenamienta en MatLab

Más contenido relacionado

La actualidad más candente (20)

Destacado (10)

Similar a Perceptrón multicapa entrenamienta en MatLab (20)

Último (20)

Perceptrón multicapa entrenamienta en MatLab