Optimizacin, Redes Neuronales y Lgica Difusa.

Enero 2009 Dr. Ing. JuanCevallos

OPTIMIZACION
Gradiente descendente Mtodo de Newton Gradiente conjugado Bsqueda de la seccin dorada

Bsqueda de la Seccin Dorada

Redes Neuronales

Establecer una Funcin

Establecer una funcin para un conjunto de Q vectores de entrada como columnas en una matriz. Y conjunto de Q vectores objetivo (salida correcta para cada uno de los vectores input)en una segunda matriz. Comandos: %Cargar archivo >> load house_dataset %Crear red rna >> net=newfit(houseInputs,houseTargets,20); %Entrenar la Red %Por default algoritmo de entrenamiento de Levenberg Marquardt %60% datos para entrenamiento; 20% validar; 20% test de generalizar >> net=train(net,houseInputs,houseTargets);

Simulacin
%Nuevo dato (dato 1 que da t = 24) p1=[0.0663;18;2.31;0;0.5380;6.5750;65.2;4.09;1;296;15.3;396.9;4.98]; %Simular red, considerando dato p1, que da 24. t1=sim(net,p1) t1 = 25.9920 % Valor cercano a 24. %Si cambiamos p1 por p2 p2=[0.0663;18;2.31;0;0.5380;6.5750;65.2;4.09;1.3;296;15.3;396.9;5.98] ; t2=sim(net,p2) t2 = 25.8227 %Nuevo valor cercano

CON INTERFASE GRAFICA DE USUARIO

nntool

 New

 Train Siumulation

LOGICA DIFUSA
Es una teora relacionada a clases de objetos con fronteras no definidas con claridad, en las cuales la pertenencia a una clase es materia de grado / gradacin. La necesidad de precisin sobre los valores puede variar.

Problema
Propinas a un mesero Calificacin de la calidad del servicio de 0 a 10. Calificacin de la calidad de la comida de 0 a 10. Reglas: 1. Si servicio pobre o comida rancia: propina reducida. 2. Si servicio bueno : propina promedio. 3. Si servicio excelente o comida deliciosa: propina generosa. 4. Propina Promedio = 15%, generosa = 25% y reducida=5%.

Construir un Sistema de Inferencia Difusa

Fuzzy

Fin