Académique Documents
Professionnel Documents
Culture Documents
GUIA DE LABORATRIO RN 01
PERCEPTRON
a = hardlim (w*p + b)
Passos para criar, inicializar, simular e treinar uma rede usando o MatLab.
Funo NNT2P
Sintaxe
rede = nnt2p(pr,w,b,tf,lf)
Descrio
Uma vez que a rede seja atualizada ela pode ser simulada, inicializada,
adaptada ou treinada com adapted, or trained with SIM, INIT, ADAPT, e TRAIN.
Sintaxe
[Y,Pf,Af,E,perf] = sim(rede,P,Pi,Ai,T)
[Y,Pf,Af,E,perf] = sim(rede,{Q TS},Pi,Ai,T)
[Y,Pf,Af,E,perf] = sim(rede,Q,Pi,Ai,T)
Descrio
Exemplos
Aqui NEWP usada para criar um perceptron com duas entradas (com faixa
de [0 1]), num nico neurnio.
Sintaxe
rede = init(rede)
Descrio
INIT(rede) retorna uma rede neural REDE com valores de pesos e polarizao
atualizados de acordo com a funo de inicializao da rede, indicada por NET.initFcn,
e os valores dos parmetros, indicados por NET.initParam.
Exemplos,
Aqui um perceptron criado com 2-entradas (com faixa de 0 a 1, e -2 a 2) e 1
neurnio. Uma vez que ele criado podemos mostrar os pesos e polarizao do
neurnio.
net = newp([0 1;-2 2],1);
net.iw{1,1}
net.b{1}
P = [0 1 0 1; 0 0 1 1];
T = [0 0 0 1];
net = train(net,P,T);
net.iw{1,1}
net.b{1}
net = init(net);
net.iw{1,1}
net.b{1}
FUNO LEARNP
Se Erro = 0, ento
W = 0;
b = 0;
Exemplo:
A = sim ( rede, P )
E = T-A,
[dW, db] = learnp (P, E)
w = w + dw
b = b + db
LEARNP
[DW,DB] = LEARNP(P,E)
P - RxQ matriz dos vetores de entrada.
E - SxQ matriz dos vetores de erro.
Retorna:
DW - matriz de alteraes para os pesos.
DB - vetor de alteraes para a polarizao (opcional).
[DW,DB] = LEARNP(P,A,T)
A - RxQ matriz dos vetores de sada.
T - SxQ matriz dos vetores de sadas objetivadas.
FUNO TRAIN
TRAIN
Treina uma camada de um perceptron usando a regra do perceptron.
Exerccios:
A B S P=[ 0 0 1 1
0 0 0 0 1 0 1]
0 1 1
1 0 1 T=[0 1 1 1]
1 1 1