Académique Documents
Professionnel Documents
Culture Documents
Un ejemplo de aplicacin
Problema
4 Se desea entrenar una red para que
O H
x1 x2 h1 o1
x3
h2
o2
x4
o3
Error X O H 1 D
x1 x2 h1 o1
d1
x3
h2
o2 2 d2
x4
o3 3 d3
Error X x1
W1
W11 H W12 W21 W22
W2
h1 W11
W21 W31
Y 1
y1
d1
x2
h2
x3
y2
2 d2 3
y3 x4
d3
donde
j = y (d j y j )
' j
: tasa de aprendizaje
si y j es la funcin logstica y = y j 1 y j
' j ' j
][
donde
j = h kWkj
' j
: tasa de aprendizaje
k =1
j = h kWkj
' j k =1
Conjunto de datos
4 Conjunto de Entrenamiento: patrones de
ajuste (train) 4 Conjunto de Validacin: patrones de evaluacin de la capacidad de generalizacin (simulate) 4 Conjunto de Test: patrones de verificacin final (simulate)
Condiciones de Parada
El algoritmo BP se puede detener cuando se alcanza: 4 Nmero mximo de pocas (se denomina poca al hecho de pasar el Conjunto de Entrenamiento una vez). 4 Error Mnimo. El error puede ser calculado patrn a patrn o como promedio de los errores de una poca, por lo que se pueden actualizar los pesos de dos formas (batch y secuencial)
Matlab
Red=newff(PR,[S1 S2 .. SN1],{TF1 TF2 TFN1}, BTF,BLF,PF); PR: matriz Rx2 que tiene los valores mn y max de las R entradas Si: tamao de la capa i para N1 capas TFi: funcines de transferencia de cada capa (default=tansig) BTF: funcin de entrenamiento (default=trainlm) BLF: funcin de aprendizaje (default=learngdm) PF: funcin del error (default=mse) newff: crea y devuelve en Red una red MLP con algoritmo de aprendizaje BP
Matlab
En el rea de trabajo dar el comando demo 4 ToolBoxes\NeuralNetworks\Perceptrons
Demo1: Limites de decisin de un Perceptron Demo2: Perceptron Learning Rule
Matlab
En el rea de trabajo dar el comando nntool
Matlab Tutoriales
4 http://www.eecs.umich.edu/~someshs/nn/m
atlab_nn_starter.htm