Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Gustavo 07 - Redes Neuronales Matlab
Gustavo 07 - Redes Neuronales Matlab
REDES
NEURONALES
EN MATLAB
Entradas concurrentes
REDES ESTTICAS
| Entradas Secuenciales en tiempo
| REDES DINMICAS
|
|
SUB-OBJETOS
MatLab
Toolbox de Redes Neuronales
|
Objeto Red
nmero de capas
nmero neuronas por capa
conectividad entre capas
inputs:
layers:
outputs:
targets:
biases:
inputWeights:
layerWeights:
|
{1x1
{1x1
{1x1
{1x1
{1x1
{1x1
{1x1
cell}
cell}
cell}
cell}
cell}
cell}
cell}
#
#
#
#
#
#
#
SUB-OBJETOS
ENTRADAS
CAPAS
SALIDAS
SALIDAS DESEADAS
UMBRALES
PESOS DE LA CAPA DE ENTRADA
PESOS DE CAPAS ESCONDIDAS
MatLab
Toolbox de Redes Neuronales
|
initFcn
trainFcn
'trains'
'initlay'
'mae'
'trainc'
parameters:
adaptParam: .passes
initParam: (none)
performParam: (none)
trainParam: .epochs, .goal,
.show, .time
adaptParam:
.passes Cantidad de pasadas para la funcin adapt.
trainParam:
.epochs Cantidad de pocas mxima
.goal
Error mnimo al que se quiere llegar
.show
Cada cuntas pocas se mostrarn resultados
Nmero de pocas.
adaptFcn
.time
IW (i)
LW (i,j)
b (i)
IW (1)
IW (2) = 0
IW (3) = 0
LW (3,2)
adapt
train
Un Vector de Entrada
P = [1.359 1.253 1.418 1.528
2.163 2.883 2.772 3.310 ]
...el conjunto de
entrenamiento
completo (una poca)
T = [
Salida deseada
para esa Entrada
plotpv(P,T)
Hace el grfico de los datos y clases.
Pesos = percep.IW{1,1};
Umbrales = percep.b{1};
plotpc(Pesos, Umbrales)
Traza la recta de discriminacin.
Salida obtenida
para esa Entrada
Ejemplo: Backpropagation
Funcin lgica XOR
P Entradas para entrenamiento
T Salidas Deseadas
P = [0 1 0 1
0 0 1 1]
T = [0 1 1 0]
PREPARACIN
DE LOS DATOS
DOS VECTORES DE DATOS:
PREPARACIN
DE LOS DATOS
PREPARACIN
DE LOS DATOS
x1 = [-0.8000
x2 = [-0.4000
0
0.1000
0]
0.0200]
Rangos
[0, 1]
[0, 2000]
[0, 100]
[-1, +1]
[-1, +1]
[-1, +1]
PREPARACIN
DE LOS DATOS
PREPARACIN
DE LOS DATOS
Datos originales.
Datos originales.
[PN] = tramnmx(P,minp,maxp);
DESNORMALIZACIN
DES-ESTANDARIZACIN
Ejemplo: PREDICCIN DE LA
DEMANDA ELCTRICA (1/4)
Ejemplo: RECONOCIMIENTO
DE CARACTERES ESCRITOS
MAPE = 100
i =1
LRi LPi
LRi
31
Ejemplo: PREDICCIN DE LA
DEMANDA ELCTRICA (2/4)
Ejemplo: PREDICCIN DE LA
DEMANDA ELCTRICA (3/4)
ENERO 1999 DATOS ORIGINALES REGISTRADOS
STOS SE PRETENDAN PREDECIR CON LA RED
30.0
25.0
20.0
15.0
10.0
5.0
0.0
-5.0
-10.0
-15.0
820
800
780
1
16 31 46 61 76 91 106 121 136 151 166 181 196 211 226 241 256 271 286 301 316 331 346 361
760
Max load [MW]
Temperatura [C]
1000
800
600
740
720
700
680
660
640
400
620
200
600
0
1
17 33 49 65 81 97 113 129 145 161 177 193 209 225 241 257 273 289 305 321 337 353
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
Day
Ejemplo: PREDICCIN DE LA
DEMANDA ELCTRICA (4/4)
ENERO 1999 RESULTADOS OBTENIDOS
CON DIVERSOS DISEOS DE REDES
900
MAX [MW]
850
800
750
700
650
600
1
11
13
15
17
19
21
23
25
27
29
31
Day
Original
David Esp
Brockman Werner A
Javier Marin