Diapositivas Redes Neuronales

Neural Network Toolbox de MATLAB
Instructor:
Juan Carlos Moctezuma Eugenio

Ciencias Computacionales - INAOE
Septiembre 2006
Neural Network Toolbox
Agenda
1. Introduccin a las Redes Neuronales Artificiales 2. Introduccin al Neural Network Toolbox 3. Redes Perceptrn 4. Redes Backpropagation 5. Redes Recurrentes tipo Hopfield 6. Laboratorios
Introduccin
Los sistemas de cmputo de hoy en da, son exitosos en la resolucin de problemas matemticos o cientficos, pero definitivamente tienen una gran incapacidad para interpretar el mundo tal y como nosotros los humanos lo hacemos, ms especficamente como nuestro cerebro lo hace. Caractersticas del cerebro humano:
Su robustez y tolerancia a fallas, mueren neuronas sin afectar su desempeo Flexibilidad, se ajusta a nuevos ambientes por medio de un proceso de aprendizaje, no hay que programarlo Puede manejar informacin difusa Es altamente paralelo Es pequeo y compacto
2
Las redes neuronales artificiales han surgido como un intento de desarrollar sistemas que emulen estas caractersticas del cerebro De esta forma podemos definir a las redes neuronales artificiales (RNA) como modelos matemticos computacionales inspirados en sistemas biolgicos, adaptados y simulados en computadoras convencionales Las caractersticas ms importantes de las RNA son:
Habilidad de Aprendizaje. Las RNA pueden modificar su comportamiento en respuesta al medio ambiente. Generalizacin. Una vez entrenada, una RNA es, hasta cierto grado, insensible a variaciones pequeas en sus entradas. Esto es, las RNA producen sistemas capaces de manejar el mundo "imperfecto" en que vivimos. Abstraccin. Algunas RNA son capaces de abstraer la esencia de una serie de entradas. Se pueden abstraer patrones perfectos de modelos distorsionados.
3
Modelo computacional
El elemento ms bsico del cerebro es la neurona, la cual por si sola no hace mucho pero juntamos millones de ellas entonces se vuelven poderosas El modelo computacional de una neurona artificial es una imitacin del proceso de una neurona biolgica
Modelo desglosado de la neurona

La neurona esta constituida por: lazos sinpticos (X*W), mezclador lineal (U) y una funcin de activacin (TF)
X1 X2
Wk1
Wk2
TF
Uk
Xp
Wkp
yk
Threshold
Funcin de Transferencia
Es quizs la caracterstica principal de las neuronas, la que mejor define el comportamiento de la misma. Se encarga de calcular el nivel o estado de activacin de la neurona en funcin de la entrada total
Modelo de una capa

Dentro de una red neuronal, los elementos de procesamiento se encuentran agrupados por capas, una capa es una coleccin de neuronas; de acuerdo a la ubicacin de la capa en la RNA, sta recibe diferentes nombres:
Capa de entrada Capa oculta Capa de salida
Modelo de una red multicapa

Una red multicapa simplemente es una red que contiene varias capas en su estructura, la forma en que las capas se encuentran conectadas es fundamental para poder clasificar a la red
Agenda

El Neural Network Toolbox de MATLAB modela solo abstracciones simples de los modelos de redes biolgicas. Comnmente se entrenan por aprendizaje supervisado, aunque tambin soporta el aprendizaje no supervisado y el diseo directo
10
Modelo de la neurona en MATLAB
11
Funciones de Transferencia
MATLAB cuenta con una gran variedad de funciones de transferencia dependiendo el fin para el que va a ser utilizada la red, aqu presentamos 6 funciones:
12
Capa de neuronas en MATLAB

Una simple neurona no puede hacer mucho. Sin embargo, muchas neuronas pueden combinarse en una o varias capas y as hacer a la red ms poderosa
13
Redes Multicapa en MATLAB
14
Redes multicapa (notacin abreviada)
15
Notacin
IW pesos de entradas LW pesos de capas LWc1,c2 n1,n2 Peso que viene de la neurona n2 de la capa c1 y que va hacia la neurona n1 de la capa c1 Superndices informacin de las capas Subndices informacin de la entrada/neurona fuente y la neurona/salida destino
16
Agenda
17
El perceptrn
Este tipo de red es ampliamente usado en problemas simples de clasificacin de patrones.
18
Arquitectura del Perceptrn
net = newp (PR, S); PR matriz de Rx2 a1 a2 b1 b2
aR
bR
[ai bi] = intervalo de la isima entrada
S nmeros de neuronas
19
10
Objetos tipo red neuronal

En MATLAB cuando se crea una red neuronal en realidad lo que se esta creando es un objeto con diferentes campos o propiedades
architecture: numInputs numLayers biasConnect inputConnect layerConnect outputConnect targetConnect subobject structures: inputs layers outputst inputWeight layerWeights
functions: adaptFcn
Architecture SubObject Structures Neural Network Object Functions Parameters Weight and Biases values Other (User Stuff)
targets
biases
initFcn
performFcn
trainFcn
parameters: adaptParam: .passes trainParam: .epochs, .goal, .show, .time weight and bias values: IW LW
20
Proceso de Aprendizaje
Aprendizaje.- es el proceso mediante el cual la red va modificando sus pesos y ganancias de tal manera que al final del proceso se tiene el comportamiento deseado El proceso de aprendizaje involucra los siguientes pasos:
1. La red neuronal es estimulada por el entorno 2. La red neuronal experimenta cambios como resultado de ese
estmulo 3. La red neuronal responde de una nueva forma al entorno, como resultado de los cambios ocurridos en su estructura interna
21
11
Taxonoma del proceso de aprendizaje Learning Process
Learning algorithms (rules)

-Calculate net output -Comparate with the target -Get Error -Change weights and biases
Learning paradigms
Enviroment Teacher
+
Learning System
22
Reglas de aprendizaje en MATLAB
23
12
Tipos de Entrenamiento
Inremental Training: Los pesos y ganancias de la red son actualizados o cambiados cada vez que se presenta un patrn de entrada Batching Training: Los pesos y ganancias de la red son cambiados solamente hasta que todos los patrones de entrada han sido presentados
Salida deseada para determinado patrn de entrada
Patrn de entrada
P=
Nmero de entradas
T=
Nmero de salidas
24
Regla de aprendizaje del Perceptrn

El perceptrn es un tipo de red de aprendizaje supervisado, es decir, necesita conocer los valores esperados (targets) para cada una de las entradas (a) presentadas
Generalmente ocupan funciones de transferencia tipo hardlim y hardlims La regla de aprendizaje que sigue el perceptrn para la actualizacin de sus pesos es la siguiente:
25
13
Sesin prctica
Aprendizaje del Perceptrn y Estructura de las Redes Neuronales en MATLAB
26
Lab 1: Aplicacin del Perceptrn

Se desea realizar un clasificador de 4 tipos diferentes de cajas usando 6 sensores
mediano chico grande mega
sensores
Red Neuronal
Motor
27
14
Ancho W1 0 1 0 1 1 1 W0 1 0 1 0 1 1 H1 0 0 0 0 0 1
Alto H0 1 1 1 1 1 1
Largo L1 0 0 1 1 1 1 L0 1 1 1 1 1 1
Motor M1 0 0 0 0 1 1 M0 0 0 1 1 0 1
Tamao de la caja Chico Chico Mediano Mediano Grande Mega
H1 H0 W1 W0 L1 L0
W1 W0 H1 H0 L1 L0
M1
M0
28
Agenda
29
15
Redes Backpropagation
Tipo de Red de aprendizaje supervisado que se basa en un algoritmo de gradiente descendiente (LMS Algorithm Widrow-Hoff). El patrn de entrada se propaga por la red hasta generar la salida, despus se calcula el error; stas salidas de error se propagan hacia las neuronas de la capa anterior. Cada neurona solo tiene una contribucin del error total El error que genera la red en funcin de sus pesos es una superficie de n dimensiones, al evaluar el gradiente se obtiene la direccin en la cual la superficie tiene un mayor crecimiento, por lo tanto se toma la direccin opuesta (negativa) para minimizar el error
30
Arquitectura Backpropagation
Las funciones de transferencia deben de ser continuas. Adems se buscan funciones cuya derivada dependa de la funcin sin derivar.
31
16
Algoritmos Backpropagation Algoritmo Estndar

g k gradiente k learning rate
traingd aprendizaje por gradiente descendiente (Estndar) traingdm gradiente descendiente con momentum (low-pass filter) traingda, traingdx gradiente descendiente, variando el learning rate trainlm - Levenberg-Marquardt basado en la matriz Hessiana pero hecha con una aproximacin usando la matriz Jacobian
Tcnicas Heursticas Algoritmo Estndar Tcnicas Optimizacin Numrica -momentum -lr variable -gradiente conjugado -Newton (Hessian matrix) -Levenberg-M (Jacobian matrix)
32
Redes Backpropagation en MATLAB

newff(PR, tam, transfer, train)
PR matriz de Rx2 en donde se indican los intervalos que pueden tomar las R entradas de la red tam nmero de neuronas de la capa transfer funcin de transferencia expresada como cell array train mtodo de entrenamiento de la red
33
17
Pre-procesamiento y Post-procesamiento
El entrenamiento en redes neuronales puede volverse ms eficiente si realizamos un pre-procesamiento principalmente a entradas y targets Hay veces que antes de entrenar la red es til escalar las entradas y targets de tal forma que se distribuyan en un rango especfico, para esto se usa la funcin premnmx Los datos son normalizados en el rango [-1 1] y se deben de usar los datos normalizados para probar la red La funcin postmnmx sirve para que los datos regresen a su estado original Si se quiere aplicar un nuevo set de entradas pero con la distribucin de los datos normalizados entonces se ocupa la funcin tramnmx
34
Anlisis post-entrenamiento
La eficiencia de una red entrenada puede ser medida viendo los errores que arroja la red durante el entrenamiento o bien validando el set de training, pero algunas veces es til medir la red con ms detalle. Una opcin es medir la eficiencia por anlisis regresivo.
m y b corresponden a la pendiente y a la interseccin en el eje de las ordenadas respectivamente, es decir, representan la mejor regresin lineal que relaciona los targets con las salidas de la red r es un coeficiente de correlacin entre los targets y las salidas, toma valores entre 0 y 1, donde 1 indica una perfecta correlacin
35
18
Resultados arrojados por postreg
36
Sesin prctica
Redes Backpropagation en MATLAB
37
19
Lab 2: Aplicacin del Backpropagation

Se desea realizar un red neuronal la cual se comporte como un aproximador de funciones dado un set discreto de valores de entrada
t p t
Output layer (purelin function) Hidden layer (tansig function)
38
La GUI deber tener las siguientes caractersticas: Un cuadro de texto para indicar el rango de la funcin Un cuadro de texto para indicar la funcin Un cuadro de texto que indique el nmero de neuronas en la capa 1 Un grupo de radiobuttons que me ofrezca al menos 5 opciones de entrenamiento Un botn para entrenar la red Un botn en donde compare la funcin original con la obtenida por la red neuronal
39
20
Agenda
40
Redes recurrentes tipo Hopfield

La principal caracterstica de las redes recurrentes en cuanto a su arquitectura es que poseen retroalimentaciones El toolbox de MATLAB soporta 2 tipos de redes recurrentes: las redes Elman y las redes Hopfield, sta ltima ser la que estudiaremos en este curso La red Hopfield es usada para almacenar uno o ms conjuntos de vectores de equilibrio (stable target vectors). Estos vectores sirven como estados de equilibrio; para cuando se presente una entrada a la red, entonces la salida converge a uno de estos vectores de equilibrio
41
21
Representacin grfica del comportamiento

Supongamos que tenemos una red de 2 neuronas (el nmero de entradas que podemos tener ser igual al nmero de neuronas), adems tenemos 2 patrones a grabar [-1 1] y [1 -1]
42
Arquitectura Hopfield
Este tipo de red puede grabar (como una memoria) uno o varios patrones de entrada, los cuales son presentados como condiciones iniciales
43
22
Una representacin quiz ms desglosada de la arquitectura Hopfield sera la siguiente:
Xo
X1
Xn-1
n-2 1 Xo X1 X n-2 X n-1 n-1
44
Entrenamiento de una red Hopfield

Se calculan los pesos de la red Wij (salida de la j-sima neurona a la entrada de la i-sima neurona)
M = nmero de clases por aprender Xsi = i-simo elemento de la s-sima clase
Se muestra a la red un patrn de entrada cualquiera (completo o incompleto) La red empieza a iterar hasta que la salida converge (es estable)
45
23
Declarando una red hopfield

La declaracin y entrenamiento de la red se ejecuta con una sola funcin que se llama newhop, en realidad lo que hace esta funcin es calcular los pesos colocando como condicin inicial a la matriz T
T=
10x5 nethop = newhop(T); Y = sim(nethop,{Q TS},{}, {Ai});
5 patrones a grabar, con 10 entradas
Ai = set de entradas a probar Q = Dimensin de Ai TS = nmero de iteraciones
46
Sesin prctica
Redes tipo Hopfield en MATLAB
47
24
Lab 3: Aplicacin Hopfield

Se desea realizar una red que grabe M patrones de entrada (en este caso sern letras o nmeros) de una matriz de 5x5. Despus que se haya entrenado la red se presentarn entradas con ruido (letras mal hechas) de tal forma que la red converja al patrn ms parecido (letra ms parecida)
Patrones a grabar: A, I, E, 1, 2
Red Hopfield
48
La red se realizar en una interfaz grfica de usuario y deber tener las siguientes especificaciones: Un cuadro de texto que indique cuantos patrones deseo grabar Otro cuadro de texto en donde se indique por medio de una matriz de tamao 5x5 la cual contendr solo 0s y 1s que segmento estar prendido y que segmento estar apagado Otro cuadro de texto para indicar el nmero de iteraciones Un botn que vaya grabando cada patrn introducido por el usuario para que al final se tenga la matriz T Un botn que sea para entrenar la red Otro botn que visualice los resultados de la red ya entrenada para as comparar resultados
49
25
Gracias por su atencin

Otros cursos: - Anlisis Numrico y Aplicaciones al Clculo y lgebra - Graficacin en 2D y 3D - Desarrollo de Interfaces Grficas de Usuario - Procesamiento de Imgenes - Adquisicin de Datos - Adquisicin de Imgenes - Diseo de Sistemas Digitales en FPGAs usando MATLAB - Diseo de Sistemas Digitales en FPGAs usando VHDL Para informacin acerca de los cursos
moctezumajc@yahoo.com
50
26

Diapositivas Redes Neuronales

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Diapositivas Redes Neuronales

Cargado por

Copyright:

Formatos disponibles

Neural Network Toolbox de MATLAB

Juan Carlos Moctezuma Eugenio

Neural Network Toolbox

Juan Carlos Moctezuma Eugenio

Neural Network Toolbox

Juan Carlos Moctezuma Eugenio

Neural Network Toolbox

Juan Carlos Moctezuma Eugenio

Neural Network Toolbox

Juan Carlos Moctezuma Eugenio

Neural Network Toolbox

Juan Carlos Moctezuma Eugenio

Modelo desglosado de la neurona

Neural Network Toolbox

Juan Carlos Moctezuma Eugenio

Neural Network Toolbox

Juan Carlos Moctezuma Eugenio

Modelo de una capa

Neural Network Toolbox

Juan Carlos Moctezuma Eugenio

Modelo de una red multicapa

Neural Network Toolbox

Juan Carlos Moctezuma Eugenio

Neural Network Toolbox

Juan Carlos Moctezuma Eugenio

Neural Network Toolbox

Neural Network Toolbox

Juan Carlos Moctezuma Eugenio

Modelo de la neurona en MATLAB

Neural Network Toolbox

Juan Carlos Moctezuma Eugenio

Neural Network Toolbox

Juan Carlos Moctezuma Eugenio

Capa de neuronas en MATLAB

Neural Network Toolbox

Juan Carlos Moctezuma Eugenio

Redes Multicapa en MATLAB

Neural Network Toolbox

Juan Carlos Moctezuma Eugenio

Redes multicapa (notacin abreviada)

Neural Network Toolbox

Juan Carlos Moctezuma Eugenio

Neural Network Toolbox

Juan Carlos Moctezuma Eugenio

Neural Network Toolbox

Juan Carlos Moctezuma Eugenio

Neural Network Toolbox

Juan Carlos Moctezuma Eugenio

Arquitectura del Perceptrn

net = newp (PR, S); PR matriz de Rx2 a1 a2 b1 b2

[ai bi] = intervalo de la isima entrada

Neural Network Toolbox

Juan Carlos Moctezuma Eugenio

Objetos tipo red neuronal

Neural Network Toolbox

Juan Carlos Moctezuma Eugenio

Neural Network Toolbox

Juan Carlos Moctezuma Eugenio

Taxonoma del proceso de aprendizaje Learning Process

Learning algorithms (rules)

Neural Network Toolbox

Juan Carlos Moctezuma Eugenio

Reglas de aprendizaje en MATLAB