Utp ia_2014-2 lab2

INTELIGECIA ARTIFICIAL
REDES NEURONALES ARTIFICIALES
LABORATORIO No. 2
OBJETIVO:
Verificar la utilidad del gráfico del Patrón de Entrenamiento.
Graficar el PE del Perceptron.
Entrenar el Perceptron con sentencias del Command Windows (CW).
Utilizar la herramienta nntool para entrenar una red Perceptron.
Entrenar el Adaline con sentencias del CW.
Utilizar la herramienta nntool para entrenar una red Adaline.
Entrenar el Backpropagation mediante sentencias del CW.
Utilizar la herramienta nntool para entrenar una red Backpropagation.
Entrenar la red de Base Radial con sentencias del CW.
Utilizar la herramienta nntool para entrenar una red de Base Radial.
Entrenar la red de Kohonen mediante sentencias del CW.
Utilizar la herramienta nntool para entrenar una red de Kohonen.
Entrenar la red de Hopfield con sentencias del CW.
Utilizar la herramienta nntool para entrenar una red de Hopfield.
RESUMEN TEORICO
1. GRAFICA DEL PATRON DE ENTRENAMIENTO (PE):
El gráfico del PE como se vió en la teoría, nos permite saber con anticipación si la red
es entrenable o si la red aprende. En este laboratorio se verificará dicha utilidad.
En el MatLab existe un comando que nos permite graficar los PE de las redes
neuronales.
Este comando es: plotpv (X, D); donde X es el Patrón de Entrada y D son las salidas
deseadas.
2. LA HERRAMIENTA NNTOOL DEL MATLAB
El MatLab posee una herramienta para el aprendizaje de redes neuronales llamada
nntool, el que nos permite entrenar y manipular los datos de entrada de una red
neuronal. Esta herramienta nos muestra un Guide en el que de manera sencilla se
puede ingresar los datos de la red.
Para ingresar a la herramienta, en el CW ingresar: nntool, y aparecerá el Guide
siguiente:

3. ENTRENAR LA RED PERCEPTRON MEDIANTE COMANDOS DEL CW
Para entrenar una RN se debe realizar los siguientes pasos:
a. Definir el conjunto (patrón) de entrenamiento.
b. Crear la red Perceptron.
c. Inicializar W y b.
d. Entrenar la red.
e. Verificar la red entrenada,
También hay otras actividades que se deben realizar:
f. Mostrar los W y b antes de entrenar.
g. Graficar el PE.
h. Mostrar la LS antes de entrenar.
i. Mostrar los W y b después de entrenar
j. Mostrar la LS después de entrenar.
El MatLab posee comandos para realizar algunas de estos pasos:
a. Definir el conjunto de entrenamiento:
Ejemplo: Para la red perceptron de la función lógica OR, se tiene el siguiente patrón
de entrenamiento:
P = [0 0 1 1; 0 1 0 1]; T = [0 1 1 1];
b. Crear la red Perceptron se usa el comando newp.
- Para obtener la ayuda sobre este comando, ingresar en el CW:
help newp
Se mostrará la ayuda:

Syntax
net = newp(p,t,tf,lf)
Description
Perceptrons are used to solve simple (i.e. linearly separable) classification
problems.
NET = NEWP(P,T,TF,LF) takes these inputs,
P - RxQ matrix of Q1 representative input vectors.
T - SxQ matrix of Q2 representative target vectors.
TF - Transfer function, default = 'hardlim'.
LF - Learning function, default = 'learnp'.
Returns a new perceptron.
The transfer function TF can be HARDLIM or HARDLIMS.
The learning function LF can be LEARNP or LEARNPN.
Ejemplo:
net = newp([0 1; -2 2],1);
c. Inicializar la red; inicializar W y b.
Ejemplo:
Pesos iniciales:
net.iw{1,1}=[1 1]
W0= net.iw{1,1} % Se guardan los pesos iniciales.
Bias inicial:
net.b{1}=0.5
b0= net.b{1} %Se guardan los bias iniciales.
- Para definir el número de etapas:
Ejemplo:
net.trainParam.epochs=20
d. Entrenar la red. Para entrenar la red se usa el comando train.
Ejemplo:
net = train(net, P, T);
e. Verificar la red entrenada,
- Para probar (simular) la red:
Ejemplo:
Y = net(P)
f. Mostrar los W y b antes de entrenar.

W0
b0
g. Graficar el PE.
plotpv(P, T)
h. Mostrar la LS antes de entrenar.
plotpc(W0, b0)
i. Mostrar los W y b después de entrenar
Wf=net.iw{1, 1}
bf=net.b{1}
j. Mostrar la LS después de entrenar.
plotpc(Wf, bf)
4. ENTRENAR LA RED PERCEPTRON MEDIANTE LA HERRAMIENTA NNTOOL
DEL MATLAB
Ingresar a la herramienta:
nntool
Se mostrará la ventana administrador de red y datos:
Pinchar en New y aparecerá:

Cambiar en Name de network1 a SLP1 y seleccionar en Network Type Percpetron
Pinchar en la pestaña Data:

Ingresar en Name: P, y en Data Type seleccionar Inputs, y en Value ingresar [0 0 1 1;
0 1 0 1], al final pinchar en el botón Create. Aparecerá el siguiente mensaje:
Pinchar en OK para cerrar este mensaje.
Ingresar en Name: T, y en Data Type seleccionar Targets, y en Value ingresar [0 1 1
1], al final pinchar en el botón Create. Aparecerá el siguiente mensaje:
Pinchar en OK para cerrar este mensaje.
Pinchar en la pestaña Network de la ventana.

Pinchar en el botón Create. Muestra en siguiente mensaje:
Indicando que se debe seleccionar las entradas. Vuelva a la ventana pinchando en OK
y corrija. Debe quedar como se muestra:

Pinchar en el botón créate. Debe mostrar el siguiente mensaje:
Pinchar en OK para cerrar el mensaje.
Pinchar en view para ver la red creada. Se muestra asi:
Cerrar la ventana pinchando en X.
Pinchar en el botón Close.
La ventana administrador de red y datos ahora muestra lo siguiente:
Seleccionar en la sección Networks a SLP1:

Pinchar en el botón Open y se muestra al red SLP1:
Seleccionar la pestaña Train:
Seleccionar los Inputs y Targets ingresados:

Pinchar en el botón Train Network y se mostrará::
Pinchar en Performance y se muestra:
Cerrar la ventana pinchando en X. Otra vez pinchar en X para cerrar la ventana Neural
Network training.

Pinchar en la pestaña Simulate para verificar la red. Seleccione las Inputs P.
Pinchar en Simulate Network y se muestra el mensaje:
Cerrar la ventana del mensaje pinchando en Ok.
En la ventana Administrador de red y datos pinchar en SLP1_outputs, se muestra:
5. ENTRENAR LA RED ADALINE MEDIANTE COMANDOS DEL COMMAND
WINDOWS
MatLab dispone de una función para crear redes Adaline: newlin
- Para obtener ayuda sobre este comando, en el CW ingresar:
help newlin
NEWLIN Create a linear layer.
Syntax
net = newlin(P,S,ID,LR)
net = newlin(P,T,ID,LR)
Description
Linear layers are often used as adaptive filters for signal processing and prediction.
NEWLIN(P,S,ID,LR) takes these arguments,
P - RxQ matrix of Q representative input vectors.
S - Number of elements in the output vector.
ID - Input delay vector, default = [0].

LR - Learning rate, default = 0.01;
and returns a new linear layer.
NEWLIN(P,T,ID,LR) takes the same arguments except for
T - SxQ2 matrix of Q2 representative S-element output vectors.
NET = NEWLIN(PR,S,0,P) takes an alternate argument,
P - Matrix of input vectors.
and returns a linear layer with the maximum stable learning rate for learning with
inputs P.
Ejemplo:
- Patrón de entrenamiento:
P = [2 1 -2 -1; 2 -2 2 1];
T = [0 1 0 1];
- Creación de la red Adaline:
net = newlin(P,T);
- Definiendo parámetros de la red:
net.trainParam.goal= 0.1;
- Pesos y bias iniciales:
Wi = net.iw{1,1}
Wi =
0 0
bi = net.b(1)
bf =
[0]
- Entrenando la red
net = train(net,P,T);
El problema se ejecuta para 64 épocas, alcanzando un error medio cuadrático de
0.0999.
- Pesos y bias finales
Wf = net.iw{1,1}
Wf =
-0.0615 -0.2194
bf = net.b(1)
bf =
[0.5899]
- Simulación de la red
A = sim(net, P)
A =
0.0282 0.9672 0.2741 0.4320

- Cálculo del error:
err = T - sim(net,P)
err =
-0.0282 0.0328 -0.2741 0.5680
6. ENTRENAR LA RED ADALINE MEDIANTE LA HERRAMIENTA NNTOOL DEL
MATLAB
Utilizar la herramienta nntool para realizar el entrenamiento de la misma red del
apartado anterior.
7. ENTRENAR LA RED BACKPROPAGATION MEDIANTE COMANDOS DEL
COMMAND WINDOWS
MatLab dispone de una función para crear redes Adaline: newlin
- Para obtener ayuda sobre este comando: En el CW ingresar:
help newff
NEWFF Create a feed-forward backpropagation network.
Syntax
net = newff(P,T,S,TF,BTF,BLF,PF,IPF,OPF,DDF)
Description
NEWFF(P,T,S,TF,BTF,BLF,PF,IPF,OPF,DDF) takes,
P - RxQ1 matrix of Q1 representative R-element input vectors.
T - SNxQ2 matrix of Q2 representative SN-element target vectors.
Si - Sizes of N-1 hidden layers, S1 to S(N-1), default = [].
(Output layer size SN is determined from T.)
TFi - Transfer function of ith layer. Default is 'tansig' for
hidden layers, and 'purelin' for output layer.
BTF - Backprop network training function, default = 'trainlm'.
BLF - Backprop weight/bias learning function, default = 'learngdm'.
PF - Performance function, default = 'mse'.
IPF - Row cell array of input processing functions.
Default is {'fixunknowns','removeconstantrows','mapminmax'}.
OPF - Row cell array of output processing functions.
Default is {'removeconstantrows','mapminmax'}.
DDF - Data division function, default = 'dividerand';
and returns an N layer feed-forward backprop network.
The transfer functions TF{i} can be any differentiable transfer
function such as TANSIG, LOGSIG, or PURELIN.
The training function BTF can be any of the backprop training
functions such as TRAINLM, TRAINBFG, TRAINRP, TRAINGD, etc.
*WARNING*: TRAINLM is the default training function because it
is very fast, but it requires a lot of memory to run. If you get
an out-of-memory error when training try doing one of these:
(1) Slow TRAINLM training, but reduce memory requirements, by
setting NET.trainParam.mem_reduc to 2 or more. (See HELP TRAINLM.)
(2) Use TRAINBFG, which is slower but more memory efficient than TRAINLM.

(3) Use TRAINRP which is slower but more memory efficient than TRAINBFG.
The learning function BLF can be either of the backpropagation
learning functions such as LEARNGD, or LEARNGDM.
The performance function can be any of the differentiable performance
functions such as MSE or MSEREG.
Ejemplo 1: Backpropagation
- Patrón de entrenamiento:
P = [0 1 2 3 4 5 6 7 8 9 10];
T = [0 1 2 3 4 3 2 1 2 3 4];
- Creación de la BP con 5 neuronas en la CO.
net = newff(P,T,5);
- Prueba de la red antes del entrenamiento.
Y = sim(net,P);
- Gráfico de entradas versus salidas y salidas deseadas antes del entrenamiento
plot(P,T,P,Y,'o');
- Entrenamiento de la red para 50 épocas.
net.trainParam.epochs = 50;
net = train(net,P,T);
Y = sim(net,P);
- Gráfico de entradas versus salidas y salidas deseadas después del entrenamiento
figure, plot(P,T,P,Y,'o');
Ejemplo 2. Función lógica XOR, entrada binaria y salida binaria: 2 - 4 – 1
- P Entradas y T salidas deseadas
P = [0 0 1 1; 0 1 0 1];
T = [0 1 1 0];
- Creación de la red
net = newff(minmax(p), [4 1], {'logsig','logsig'}, 'trainlm');
Y = sim(net,P);
- Gráfico de entradas versus salidas y salidas deseadas
plot(P,T,P,Y,'o');
- Entrenamiento
net.trainParam.show = 25;
net.trainParam.lr =0.02;
net.trainParam.epochs = 400;
net.trainParam.goal = 1e-8;

[net,tr] = train(net,P,T);
- Simulación
Y = sim(net,P);
- Gráfico de entradas versus salidas y salidas deseadas
figure, plot(P,T,P,Y,'o');
e = T -round(Y)
8. ENTRENAR LA RED BACKPROPAGATION MEDIANTE LA HERRAMIENTA
NNTOOL DEL MATLAB
Utilizar la herramienta nntool para realizar el entrenamiento de la misma red del
apartado anterior.
PROCEDIMIENTO
1. Gráfico del patrón de entrenamiento del Perceptron.
a. GPE del Perceptron de:
i. La función lógica (FL) Bicondicional.
ii. La función lógica ~(A XOR B) Ù A
iii. La expresión lógica (~A B) Ù (A v ~C)
iv. La expresión lógica ~(A=B) = ~ C
v. 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] y D2 = [1 -1 -1 -1 1 1]
vi. X1 = [1.2 -1.8 -1.4 0.8 -0.6 0.9 1.0 -0.8 -1.0 0.5],
X2 =[ 0.6 -0.8 -1.4 1.2 -1.0 1.0 0.5 -0.5 -1.0 1.0],
D1=[1 1 0 0 1 1 1 0 0 1] y D2 = [1 1 0 1 1 11 0 1 1]
En cada una de ellas responder: ¿Es entrenable? Justificar su respuesta.
b. Diseñar un Perceptron de una expresión lógica (EL), que contenga 3 funciones
lógicas de 2 y 3 entradas entrenable.
c. Diseñar un Perceptron de 2 y 3 entradas entrenable, donde cada entrada tenga
20 valores, con FT hardlims.
2. Mediante comando del CW entrenar las redes Perceptron entrenables de la
pregunta del procedimiento 1. Si no fueran entrenables hacerlas entrenables. En
cada uno:
a. Realizar gráficos del PE,
b. LS/PS antes y después del entrenamiento y
c. Mostrar los W y b, iniciales y los finales.
d. Indicar cuál es el efecto del número de épocas.
3. Mediante la herramienta nntool entrenar las redes Perceptron entrenables de la
pregunta del procedimiento 1. Si no fueran entrenables hacerlas entrenables. En
cada uno:
a. Mostrar la performance del entrenamiento. Explicar.
b. Mostrar la performance el estado del entrenamiento. Explicar.
4. Entrenar redes Adaline de aproximación lineal de las funciones, con sentencias del
CW:
a. y = 2x1 – x2 + 1.5.
Donde P = [1 -2 3 -1; 3 2 4 -3], W0 = [2 -1] y b0=1.5. Graficar la función.
b. y = 2x1 – x2 + 3.

Donde P = [-2 -1 0 0 1 2; 1 -2 1 -1 2 1], Tolerancia del error=0.0001,
iteraciones=200.
Hallar el error medio de salida (mae) y el error medio del clasificador.
Graficar la función.
c. y = 0.5x1 + 0.5x2 + 0.5.
Donde P = [1 1 -1 -1; 1 -1 1 -1], T= [1 1 1 -1], Tolerancia del error=0.1,
iteraciones=100.
Hallar el error medio de salida (mae) y el error medio del clasificador.
5. Utilizar la herramienta nntool para entrenar redes Adaline del punto anterior.
6. Entrenar tres (03) redes Backpropagation con sentencias del CW indicando su
utilidad práctica.
Ejemplo:
Utilidad práctica: Aproximador de funciones: y=x2+3x
Donde P=-4:0.5:4; Regla de Aprendizaje: Levenrg-Marquardt.
Parámetros de la red:
- Mostrar los resultados cada 50 iteraciones.
- Tasa de aprendizaje: 0.1
- Número máximo de iteraciones: 200
- Tolerancia del error como criterio de parada: 0.0001
- Valor mínimo del gradiente para parar: 0.00001
7. Utilizar la herramienta nntool para entrenar las redes Backpropagation de punto
anterior.
8. Entrenar tres (03) redes de Base Radial con sentencias del CW indicando su
utilidad práctica.
Ejemplo:
Utilidad práctica: Aproximador de funciones:
function [W phi]=rbff(X,Y,Xc)
Nc = size(Xc,1); %número de centros
W = zeros(Nc,1); %Inicializar matriz de pesos
[z phi] = rbfsim(Xc,X,W); %simular RFBR
A=pinv(phi'*phi)*phi'; %calcular la pseudo inversa de phi
W=A*Y; %Hallar matriz de pesos
function [z phi]=rbfsim(Xc,X,W)
Nc = size(Xc,1); %número de centros
N_p = size(X,1); %número de puntos
k = ones(Nc);
phi=zeros(N_p,Nc); %salidas de la RFBR
for i=1:Nc
if k(i)==0
phi(:,i)=1;
else
r=sqrt(sum((repmat(Xc(i,:),N_p,1)-X(:,:)).^2,2));%distancia de Xc a X
phi(:,i)=exp(-k(i).*r.^2);
end
end
z=phi*W;
%1. Inicialización de Parámetros
fprintf(1,'n Ejemplo de aproximación de funciones a través de redes RFBRn')
%El usuario debe indicar el número de puntos que desea de la función a aproximar
Nt = input('n Indicar el número de puntos que desea aproximarn');
%El usuario debe indicar el número de centros de la red RBF

Nc = input('n Indicar el número de centros de la red RBF que desea:n');
Xt = rand(Nt,1); %entradas de la red
Yt = rand(Nt,1); %salidas de la red (función a aproximar)
Xc = rand(Nc,1); %centros de la RFBR
%2. Aprendizaje
[W] = rbff(Xt,Yt,Xc); %matriz de pesos por entrenamiento
%3. Simulación y Traficación
Np = 100*ones(1,1); %número de puntos a calcular
Xp = linspace(0,1,Np(1))'; %puntos a calcular
[Yd phi]= rbfsim(Xc,Xp,W);
figure(1)
plot(Xp,Yd)
hold on
plot(Xt,Yt,'k*')
hold off
9. Utilizar la herramienta nntool para entrenar redes de Base Radial del punto
anterior.
10. Entrenar tres (03) redes de Kohonen mediante sentencias del CW indicando su
utilidad práctica.
11. Utilizar la herramienta nntool para entrenar redes de Kohonen del punto anterior.
12. Entrenar tres (03) redes de Hopfield con sentencias del CW indicando su utilidad
práctica.
13. Utilizar la herramienta nntool para entrenar redes de Hopfield del punto anterior.
INFORME FINAL
El Informe de Laboratorio es un documento gráfico en lo posible y es redactado en
Word con el desarrollo del laboratorio.
Niveles de Informe:
• Primer nivel: Observaciones. Imágenes con comentarios cortos. Redactar al ir
desarrollando el laboratorio. (Requiere desarrollar el laboratorio).
• Segundo nivel: Conclusiones. Redactar al terminar el laboratorio. (Requiere
haber desarrollado el laboratorio).
• Tercer Nivel: Recomendaciones. (Requiere la lectura de otras fuentes).
Dentro de su Carpeta Personal del Dropbox crear una carpeta para el Laboratorio 1
con el siguiente formato:
SIRN_PaternoM_L2
Esta carpeta debe contener el Informe de Laboratorio, los códigos, las fuentes y
recursos utilizados.
Las fuentes deben conservar el nombre original de archivo y se debe agregar en su
nombre “_L2” al final.
CUESTIONARIO
1. Muestre los resultados de los procedimientos y ejercicios del laboratorio.
2. Dar un ejemplo de aplicación práctica de las redes de este laboratorio:
a. SLP.
b. Adaline.

c. Backpropagation.
d. Base Radial.
e. Kohonen.
f. Hopfield.
3. En cada procedimiento y ejercicio mostrar sus observaciones, conclusiones y
recomendaciones.
FUNCIONES DE MATLAB:
plotpc, plotpv, nntool, newp, newlin, newff, newrb, newsom, newhop, train, y sim.

Utp ia_2014-2 lab2

Más contenido relacionado

La actualidad más candente (20)

Destacado (20)

Similar a Utp ia_2014-2 lab2 (20)

Más de jcbp_peru (20)

Utp ia_2014-2 lab2