ASIGNATURA:INTRODUCCIONALAINTELIGENCIAARTIFICIAL

DPTO. DE INGENIERA ELCTRICA

FACULTADDEINGENIERA,CIENCIASYADMINISTRACIN
UNIVERSIDADDELAFRONTERA

Laboratorio N 2: Redes Neuronales Artificiales

PROBLEMA DE REGRESIN
SetieneunproblemaderegresinenelquesedeseadisearunaredneuronaldetipoMLPcon
algoritmodeaprendizajebackpropagationqueaprendaareconocerlafuncinquesubyacelos
datos que estn en la siguiente figura 1. Esto significa que la red debe eliminar el ruido que
contaminalaseal.

Figura1.Y:Conjuntodedatosformadospor100muestrasdelaseal.
La figura 1 muestra una seal sinusoidal contaminada con ruido aleatorio de media cero y
desviacinestndar0.2(verANEXOI).LasealestalmacenadaenelarchivoSeal.mat,que
contienelasealcompletaY:funcinsinusoidal+error(100muestras).ApartirdeYUd.debe
extraerlossiguientesconjuntos.
Ytrain:Conjuntodeentrenamiento(lasprimeras80muestrasparesdeY)
Yval:Conjuntodevalidacin(lasprimeras80muestrasimparesdeY)
Ytest:Conjuntodetest(las20ltimasmuestrasdeY)

TAREA:
Implementarunalgoritmoquerealicelassiguientesacciones:
A/CargarlosdatosdelarchivoSeal.matenelambientedeMatlaboutilizarlasealYparaformar
losconjuntosdeentrenamiento,validacinytestantessealados.
B/Representargrficamentelosdatosdelostresconjuntos.
C/DisearunaRedNeuronalArtificialqueaprendalasealentregada.Paraestorecuerdelas
etapasdeldiseodelared:
1.Definirlosconjuntosdedatos
preprocesamientoydepuracindelosdatos
transformacindelosdatos(extraccindecaractersticas)
normalizacin(encasonecesario)
determinarlosconjuntosdeentrenamiento,validacinytest.
2.Definirtipoyestructuradelared
tipoderedyalgoritmodeaprendizaje
nmerodeentradasysalidas
nmerodeneuronasenla(s)capa(s)oculta(s)
funcionesdeactivacinencadacapa
funcindeentrenamiento
3.EntrenaryValidar
Ajustedeneuronasenlacapaoculta.
realizaralmenos10partidasdesdediferentesconjuntosdepesosiniciales
Evaluareldesempeodelamquinaylosresultadosdeaprendizajedelconjuntodevalidaciny
test,utilizandoalgunaotodaslasmtricasdelanexoImsabajo.
D/Escribirunbreveinformedelproceso:Archivoword

de2a3pginasquedebecontener:
- Planteamiento del problema
- Descripcin de la Solucin propuesta
- Resultados obtenidos
- Discusin y Conclusiones (dificultades encontradas, logros alcanzados, evaluacin general de la
solucin propuesta). Qu se puede concluir del rendimiento del conjunto de test?

ANEXOI
DATOS:LasmuestrasdelasealYquesepresentanenlafigura1sonlasquesemuestrasenla
siguiente matriz. En ella la secuencia de muestras est en las filas de cada columna
(Muestra1=0.9575;Muestra2=0.7868;etc.).
Y:
0.9575
0.7868
0.9036
1.1145
0.6609
0.7211
0.5028
0.1431
-0.3206
-0.4953
-0.3624
-0.5779
-0.6889
-0.9547
-0.7512
-0.7646
-0.8738
-0.551
-0.8069
-0.5511

-0.2365
-0.206
0.397
0.6242
0.5844
0.4494
0.8652
0.3891
0.7013
1.2391
0.6916
0.2934
0.4456
0.0658
0.0773
-0.3407
-0.244
-0.4452
-0.6826
-0.8303

-0.7584
-0.7972
-0.6989
-0.4512
-0.5325
-0.35
-0.026
0.0575
0.1231
0.6662
0.617
0.5003
0.7327
0.7682
0.3639
0.4205
0.2079
0.5054
0.1146
0.1162

-0.1678
-0.3602
-0.6977
-0.659
-0.9897
-0.9158
-0.88
-0.6678
-0.8689
-0.6498
-0.2156
0.1838
0.2065
0.2669
0.4989
0.6565
1.0547
0.7811
0.9449
0.7345

0.5252
0.5684
0.5204
-0.1028
-0.2099
-0.2627
-0.3401
-0.7185
-0.7956
-0.6699
-1.0133
-0.6125
-0.5739
-0.7024
-0.3444
-0.0653
-0.0274
0.2592
0.3341
0.4885

ANEXOII
Evaluacin de un modelo de Regresin:
La evaluacin de los modelos de regresin se basa en evaluar cuan parecidas son las curvas que
forman los datos que se estn comparando. Por un lado se tiene los N valores reales de la
curva, tambin llamados valores observados (oi) o experimentales y por otro, se tiene los N
valores obtenidos por el modelo, tambin llamados valores predichos (p i). Varios ndices
permiten evaluar la cercana de las dos curvas. Algunos de ellos son:

1.- Error Cuadrtico Medio (MSE),

1 N
(oi pi ) 2
N i 1
Este ndice suma punto a punto el cuadrado de los errores obtenidos por las seales comparadas.
MSE

2.- ndice de Acuerdo (IA),

N

IA 1

(o

pi )

'
i

(o

p )

i 1
N

i 1

'
i

oi' oi om

pi' pi om
2

donde om es el valor medio

de los valores observados.

3.- Raz Cuadrtica media (RMS),

N

RMS

(o p )
i 1

o
i 1

, Root Mean Square.

2'
i

4.- Desviacin Estndar de los Residuos (RSD),

N

RSD

(o p )
i 1

, Residual Standard Deviation.

(Index of Agreement)

5.- Coeficiente de correlacin (CC),

CC

donde om y p m son los valores medios

i 1

de los valores observados y predichos

respectivamente.

(oi om )( pi pm )
N

(oi om ) 2
i 1

( p
i 1

pm ) 2

Este ndice independiza la correlacin de las magnitudes de los datos comparados.

6.- Symmetric mean absolute percentage error (SMAPE).

SMAPE

y i yi
1 n
*100

n i1 y i yi / 2

eslasalidasimulada.
y i eslasalidadeseada.