Introduccin a Redes Neuronales.

Neural Networks Toolboox de Matlab

Jos Jaime Martnez M. Camilo E. Montes N. Luis Sierra M. Universidad del Magdalena Programa de ingeniera electrnica.

Redes Neuronales. Las redes neuronales artificiales son un conjunto de tcnicas perteneciente al campo de la inteligencia artificial. Su estructura consiste en una red formada por nodos (o neuronas) y conexiones, razn por la cual se asemejan al cerebro de los seres humanos, del cual procede su nombre. 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 o computacionales inspirados en sistemas biolgicos, adaptados y simulados en computadoras convencionales Las caractersticas ms importantes de las RNA son: 1. Habilidad de Aprendizaje. Las RNA pueden comportamiento en respuesta al medio ambiente. modificar su

2. 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. 3. Abstraccin. Algunas RNA son capaces de abstraer la esencia de una serie de entradas. Se pueden abstraer patrones perfectos de modelos distorsionados.

La capacidad de clculo y potencia de la computacin neuronal proviene de las mltiples conexiones de las neuronas artificiales que constituyen las redes ANN. La red ms simple es un grupo de neuronas ordenadas en una capa como se muestra en la Figura (1). Los nodos circulares slo son distribuidores de las entradas y no se consideran constituyentes de una capa.

Figura 1: Red con una capa. 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 est constituida por: lazos sinpticos (X*W), mezclador lineal (U) y una funcin de activacin (TF).

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.

Nombre Limitador fuerte Limitador fuerte simtrico Lineal Lineal saturado simtrico.

Relacin E/S a=0; n<0 a=1; n>=0 a=-1; n<0 a=-1; n>=0 a=n a=-1; n<-1 a=n; -1=<n=<1 a=+1; n>1

Icono

Funcin hardlim Hardlims purelin satlins

Sigmoidal logartmico Tangente sigmoidal hiperblico

Logsig tansig

Neural Network Toolbox Este Toolbox proporciona funciones para el diseo, inicializacin, simulacin y entrenamiento de los modelos neuronales de uso ms extendido en la actualidad: Perceptrn, redes lineales, redes de retro propagacin, redes de base radial, aprendizaje asociativo y competitivo, aplicaciones auto organizativas, aprendizaje de cubanizacin vectorial, redes de Elman y redes de Hopfield. Mediante la inclusin de un amplio abanico de funciones y procedimientos escritos para MATLAB, el usuario puede mediante el Neural Network Toolbox efectuar el diseo de arquitecturas complejas, combinando los modelos que ya estn proporcionados por defecto en el Toolbox. Asimismo, el usuario puede definir sus propias funciones de transferencia e inicializacin, reglas de aprendizaje, funciones de entrenamiento y estimacin de error para usarlas posteriormente con las funciones bsicas.

Tipos de redes: Redes Perceptrn Redes Backpropagation Redes Recurrentes tipo Hopfield Manejo del Toolboox. Pasos para la creacin de redes neuronales: 1. Recopilar datos 2.Cree la red 3.Configure la red 4.Initialize los pesos y sesgos 5.Entrenar la red 6.ValidaR la red 7.Utilice la red

Hay cuatro formas de usar el Toolbox: 1. La primera es a travs de las cuatro interfaces graficas de usuario principal, la cual se puede abrir a partir del comando nnstart. Contiene las siguientes tareas: Funcin de ajuste. reconocimiento de formas. agrupacin de datos. Anlisis de series temporales. 2. La segunda forma para usar el Toolbox es utilizando la herramientas a travs de comandos, la cual adquiere cierta complejidad en la medida en que el usuario tenga experiencia en el tema. 3. La tercera opcin es la personalizacin, creado redes a partir de conexiones arbitrarias. Capacidad de entrenamiento en las funciones de capacitacin existentes. 4. La ltima es la de modificar cdigos disponibles en el programa. Para realizar la red: - Disponer de un conjunto de vectores de entrada Q como columnas en una matriz - Organizar otro conjunto de vectores objetivo Q (los vectores de salida correcta para cada uno de los vectores de entrada)

 1. Abra la Neural Start GUI con este comando: nnstart:

Figura 2: Ventana de uno de los Toolboox de Matlab.

Pulsando Fitting Tool o ingresando el comando nftool, luego pulsamos next:

Figura 3.

AL presionar Next, se nos abre una ventana en donde se pide ingresar los vectores de entrada y salida, en este caso usaremos uno incluido en el Toolboox como ejemplo. Este lo que hace es calcular el valor de una casa dependiendo de varios factores, como posicin, ndice de criminalidad, entre otras variables.

En este caso se usa un archivo como ejemplo para el desarrollo de la red. Se pulsa Load Example Data Set

Figura 4 Importar el ejemplo.

Seleccione house Pricing, Pulse import y haga click en next.

Figura 5: Ajustes a los vectores de entrada.

Con estos ajustes, los vectores de entrada y vectores diana se dividieron aleatoriamente en tres grupos de la siguiente manera: 70% se utilizar para la formacin. 15% se utilizar para validar que la red est generalizando y para dejar de entrenar antes de sobreajuste. El ltimo 15% se utiliza como una prueba completamente independiente de la generalizacin de la red. Pulsamos next.

Figura 6. Panel para el entrenamiento de la red.

El nmero predeterminado de neuronas ocultas se establece en 10. Pulsamos Next, y en la siguiente ventana presionamos TRAIN.

Figura 7: Aqu se ingresa y vizualiza el numero de capas.

El entrenamiento continu hasta que el error de validacin no logr disminuir durante seis iteraciones (parada de validacin).

Figura 8: Luego de que se ha entrenado a la red.

Los siguientes grficos de regresin muestran las salidas de la red con respecto a los objetivos de la capacitacin, validacin y equipos de prueba. Para un ajuste perfecto, los datos deben caer a lo largo de una lnea de 45 grados, donde las salidas de la red son iguales a los blancos. Para este problema, el ajuste es razonablemente bueno para todos los conjuntos de datos, con valores de R en cada caso de 0,93 o superior. Si se requieren resultados an ms precisos, se puede reciclar a la red haciendo clic en el reacondicionamiento nftool. Esto va a cambiar los pesos y sesgos de la red inicial, y puede producir una red mejorada despus de la reconversin. Otras opciones se proporcionan en el siguiente panel.

Figura 9.

Controlador PID.

Esquema del controlador. En la figura 6, se propone el esquema que muestra el mtodo de control PID neuronal. Como se puede observar, no es ms que una estructura PID, donde las salidas de las tres redes neuronales son los parmetros Kp, Ki, KD; estas redes son del tipo perceptrn con dos entradas, el error de control y su primera diferencia; y dos neuronas en la capa oculta. Las entradas de las tres redes son comunes y se entrenan en lnea mediante el algoritmo de retro propagacin modificado [4].La forma del algoritmo PID discreto es:

Figura 10: Controlador PID.

Comandos en Matlab. Este cdigo que se muestra a continuacin es una red neuronal que se entrenara para que haga la funcin de una compuerta And: Consiste en una red de dos neuronas. El vector input representan las entradas. Target, es el vector de salidas esperadas. net = newff ([0 1; 0 1], [2 1], {'logsig','logsig'}) input = [1 1 0 0; 1 0 1 0]; target = [0 1 1 0]; net = train (net, input, target); output=sim (net, input).

Referencias:

http://catarina.udlap.mx/u_dl_a/tales/documentos/lem/rodrigue z_p_hu/capitulo4.pdf http://www.uaz.edu.mx/eniinvie/eninvie2010/eninvielibro/ia/ia 1.pdf