Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Practica de Entrenamiento
Redes Neuronales
Ejercicio # 1
HELP/DEMOS/TOOLBOX/NEURALNETWORKS/BACKPROPAGATION/STEEPEST DESCENT
BACKPRPAGATION/RUN THESE DEMO/CONTENTS:
10-13 INTERNATIONAL THOMPSON PUBLISHING
CAP 11/BACPROPAGATION CALCULATION.
>> demos
Control Inteligente
Control Inteligente
π
T = 1 + sin P
4
Siendo la entrada P = 1 .
Control Inteligente
PASO 2: Luego la red simula la salida para las condiciones iniciales dadas en el
Paso 1.
Control Inteligente
W = W + ∆W
Continúa entrenando hasta encontrar el error cero. Siendo los pesos y bias finales
los que se muestran en la siguiente Figura.
Control Inteligente
Ejercicio # 2
plot(p,t,'ro')
hold
plot(p,a,'x')
axis([-1 9 -2 2])
1
Programa 3: Entrenamiento de una RNA para el mapeo de la función f ( x) = del
x
libro de Simon Haykin.
% DATA TEST
p_teste=1+99*rand(30,1)';
t_teste=1./p_teste;
% CREANDO LA RED OBJETO
net=newff(minmax(p_treino),[8 1],{'tansig','purelin'},'trainlm');
net.trainParam.epochs=800;
net.trainParam.goal=1e-8;
net.trainParam.show=100;
net=train(net,p_treino,t_treino);
Control Inteligente
Ejercicio # 3
3
f ( x1 , x 2 ) = sin( x1 ) cos x 2
4
P a
+1
+1
W11 b11
W b
21 21
W1 = W31 , b1 = b31 , W2 = [W11 W12 W13 W14 W15 ], b2 = [b2 ]
W41 b41
W51 b51
Control Inteligente
Es un caso poco satisfactorio ya que la red no generaliza, es decir no aprende. Posibles causas,
manejo no adecuado de la red y problemas con los mínimos locales.
TEST de Validación
La siguiente figura nos muestra la evolución del error para un número de 9 épocas.
Código MATLAB
% Ingresamos la función no lineal con su rango de operación
P=-3.5:0.2:3.5;
T=sin(P).*cos((3/4)*P);
% Diseño de la red con 5 neuronas ocultas
net=newff(minmax(P),[5 1],{'tansig' 'purelin'},'trainlm');
Y=sim(net,P);
net.trainParam.epochs=2000;
net.trainParam.goal=1e-5;
net.trainParam.show=100;
net=train(net,P,T);
Y=sim(net,P);
W1=net.iw{1,1}
b1=net.b{1}
W2=net.lw{2,1}
b2=net.b{2}
% Ploteo de los datos de la función no lineal
subplot(211)
plot(P,T,'+')
title('Conjunto de Entrenamiento: TRAINLM');
xlabel('P');
ylabel('T');
Control Inteligente
subplot(212)
t=-3.5:0.2:3.5;
plot(t,Y,'m-.')
hold
plot(P,T,'+')
title('Progresión de la Señal de Entrenamiento')
legend('DATA','TRAIN')
Ejercicio # 4
Usando el algoritmo BP, encontrar los nuevos pesos cuando la RNA de la figura
tiene una entrada (1,1) y salida deseada es 0.75 . Adoptar un factor de aprendizaje
α = 0.2 y una función de transferencia identidad para todas las neuronas.
+1
b01
W11 +1
1 V11 b03
W12
+1 a T=0.75
b02
- +
W21
V12
1
W22 e
2 − 1 2
W = , b1 = 2, V = [2 2], b2 = 2
− 1 2
Epocas
1
Epocas
2
Epocas
3
Epocas
4
Epocas
5
Epocas
6
Epocas
7
Epocas
8
Epocas
9
Epocas
10
W=
1.7070 -1.2930
-1.2930 1.7070
B=
1.7070
1.7070
V=
0.3129 0.3129
bs =
0.1938
Control Inteligente
Err =
25.6066
4.5940
0.9377
0.2052
0.0462
0.0105
0.0024
0.0005
0.0001
0.0000