Beruflich Dokumente
Kultur Dokumente
Mayo 2007
llamada
nntool.
Al
tipiar
nntool
en
el
la
cual
permite
realizar
las
funciones
antes
sealadas.
En la figura 1, se presenta el Network/Data Manager
(Entrenador de Datos y Redes).
entradas
bien
sea
para
entrenamiento,
prueba
funcionamiento.
Targets: Almacena la (s) matriz (es) que utilizar la red
como
salidas
bien
sea
para
entrenamiento,
reentrenamiento.
Input Delay States: Estados de retardos de las entradas,
por defecto son cero.
Networks: Espacio para construir las redes.
Output:
Son
las
salidas
generada
por
la
red
al
ser
seccin
Networks
and
Data
permite
acceder
comandos
Import
Export,
permiten
importar
clic
sobre
Input
en
la
parte
de
abajo
Figura 2
En esta ventana name es el campo correspondiente al
nombre de la variable, y a la derecha se encuentra Data
Type, donde se elige el tipo de dato al cual pertenece la
variable: si son entradas (Input), objetivos (Targets),
estados de retardo de la entrada (Input Delay States) y
as con cada una de los otros tipos de datos que deseemos
crear.
En
el
campo
value
se
escribe
la
matriz
con
los
para crearla.
El
procedimiento
expuesto
anteriormente
se
debe
Entonces
aparecer
el
siguiente
cuadro
(figura 3):
Figura 3.
En donde:
Network Name: Es el nombre de la red.
Network Type: Es el tipo de red, por ejemplo: perceptrn,
backpropagation, mapas de kohonen, Adaline entre otros.
Inputs ranges: valores mximos y mnimos de las entradas,
es decir, el rango de la variable.
Training function: Funcin de entrenamiento.
Adaption learning function: Funcin de aprendizaje para
adaptacin.
Performance function: Funcin de desempeo de la red.
Number of layer: Numero de capas
Properties for layer n: Propiedades para la capa numero
(se especifica el nmero de la capa):
Numbers
of
neuron:
Numero
de
neurona
para
la
capa
seleccionada
Transfer
function:
Funcin
de
transferencia
para
las
que
se
desea
entrenar
una
red
para
A
0
0
0
0
0
0
0
0
1
1
1
1
1
1
1
1
Patrones de salidas
X
Y
0
0
1
1
1
1
0
0
1
1
0
0
0
0
1
1
1
1
0
0
0
0
1
1
0
0
1
1
1
1
0
0
D
0
1
0
1
0
1
0
1
0
1
0
1
0
1
0
1
Tabla 1
Se
comenzar
por
realizar
las
matrices
de
los
de
variables
de
que
entrada
correspondientes
las
existan.
tendr
cuatro
En
este
cuatro
(4)
ejemplo
(4)
variables
la
filas
y
sus
el
nmero
de
variables
el
nmero
de
P1
P2
P3
P4
P5
P6
P7
P8
P9 P10
A 0
Patrones
P2
P3
P4
P5
P6 P7
X 0
Y 0
P8
P9
capa
de
salida:
tendr
tantas
neuronas
como
Fig. 4
Una
vez
proceder
diseada
la
introducirse
arquitectura
en
Matlab
al
de
la
igual
red,
que
se
los
de
Matlab
usted
entrar
al
panel
Figura 5
principal
10
Figura 6
Al hacer clic en Launch Pad , a travs de la barra
buscar
abrir
Neural
Network
Toolbox
(Caja
de
figura 7 :
Figura 7
11
Figura 8
Haciendo clic en el botn
, introducimos el
Figura 9
12
esta forma:
Figura 10
Si
desea
MatrizEntrada
observar
si
almacen
los
realmente
valores
la
variable
introducidos,
13
Figura 11
Desplegndose as la siguiente ventana:
Figura 12
De la misma manera se procede para introducir la
Matriz_Objetivo. Al finalizar, la vista es la siguiente:
14
Figura 13
A continuacin se proceder con la creacin de la
red.
Haciendo
clic
sobre
el
botn
se
Figura 14
en donde se realizar el vaciado de las especificaciones
de la red. El nombre de la red ser Red_XOR, los rangos
de
entrada
pueden
seleccionar en
ser
automticamente
al
matriz_Entrada,
en
procederemos
colocar
tomados
Number
las
of
layers
se
colocar
especificaciones
para
cada
15
figuras
se
muestran
los
pasos
seguir
para
la
configuracin de la red:
Paso 1
Figura 15
producindose el siguiente cambio en Input ranges
Figura 16
Como se explic en prrafos anteriores, Input ranges
toma los valores mximos y mnimos de las variables de
entrada, en este caso debe existir 4 rangos ya que se
tienen cuatro variables de entrada (A,B,C,D). El comando
Get from input realiza una inspeccin sobre la matriz de
entrada por cada fila a fin de determinar los valores
mximos y mnimos de las variables de entrada.
16
Paso 2
Asignando las propiedades para cada capa
Figura 17
Figura 18
17
Figura 19
de donde seleccionando la red neural Red_XOR y haciendo
clic en la opcin
Figura 20
18
el
nmero
de
variables
de
entradas
que
asocian
las
entradas
con
la
primera
capa
para
nuestro
caso
ste
vector
tendr
tres
(3)
elementos.
LW{3,2}= Corresponde a la matriz de pesos que asocia las
salidas de la capa 2 con las entradas de la capa 3 o de
salida. Contendr 6 elementos.
b{3}= Corresponde al vector umbrales de la capa 3, en
nuestro caso ste vector tendr 2 elementos.
Ms adelante se ver la forma de acceder a cada
matriz de pesos y los vectores umbrales.
Entrenamiento de la red
El proceso de entrenamiento consiste en lograr que la red
aprenda
mediante
la
escogencia
de
los
parmetros
de
estos
parmetros
de
entrenamiento
son:
nmero
de
19
gradiente,
mnimo
segn
nmero
aceptable;
el
mximo
los
mtodo
de
fallas
parmetros
algoritmo
permitido,
variarn
que
se
error
ligeramente
utilice
en
el
fase
de
entrenamiento de la red.
Siguiendo
con
el
ejemplo,
se
entrar
en
la
(inicializar),
(entrenar),
Adapt
Simulate
(adaptar).
Antes
(simular),
de
Train
proseguir
su
Se
genera
correspondiente
vector
una
matriz
de
salida,
de
error,
para
una
con
su
matriz
de
entrada suministrada.
Train: Se introducen las matrices que contienen el par de
patrones entrada-salida. Adems se introducen los valores
de los parmetros de entrenamientos.
Adapt:
Permite
el
reentrenamiento
de
la
red,
al
, lo que
20
Fig. 21
En
la
parte
superior
de
la
ventana
(figura
21),
se
Fig. 22
21
Ranges:
Revierte
el
vector
que
contiene
los
Weights:
Acta
de
la
misma
forma
que
Revert
Weights:
Inicializa
de
forma
aleatoria
las
Fig. 23
En la ventana de arriba tenemos
de la simulacin):
Inputs: Entradas a la red a ser simuladas.
22
las
capas
desactivada
de
debido
la
a
red.
que
Esta
no
se
opcin
se
encuentra
introdujeron
en
el
Targets:
Suministrar
casilla se
objetivos.
calcular un
Si
vector de
se
habilita
error que
se
Train
23
Fig. 24
El submen Training Info contiene a la izquierda Training
Data (Datos de entrenamiento), en el cual se suministran
los patrones de entrada-objetivo (Inputs-Targets); y a la
derecha Training Results (Resultados del entrenamiento),
en este cuadro se
Fig. 25
En
este
submen
(figura
25)
de
Training
Parameters
entrenamiento
para
la
red,
continuacin
se
especifican:
Epochs: Corresponde al nmero de iteraciones
Goal: El error mximo permitido
Max_fail:
Corresponde
al
numero
mximo
de
permitido
Min_grad: Corresponde al valor mnimo del gradiente
fallas
24
Mu:
Corresponde
al
valor
asociado
la
taza
de
aprendizaje final
Mu_inc: Corresponde al valor de incremento del mu durante
el entrenamiento
Mu_dec: Corresponde al valor de decremento del mu durante
el entrenamiento
Mu_max: Corresponde al valor mximo que puede alcanzar el
mu.
Show: Intervalo de visualizacin de los resultados
Time: Mximo tiempo de entrenamiento en segundos.
Fig. 26
En ste submen (figura 26) Optional Info , presenta un
cuadro para validacin de los datos y otro para prueba de
datos,
al
marcar
las
casillas
se
habilitan
la
funcin
estas
opciones.
Una
vez
que
se
haya
configurado
entrenamiento
de
la
entrenamiento
aparecer
red,
la
la
curva
red
de
para
comience
error
el
su
versus
25
Fig. 27
Funcin adaptar
Fig. 28
Se proporcionan los nuevos patrones de entrada en Inputs
y los nuevos objetivos en Targets (Figura 28).
El cuadro
26
entre
identificada
capas;
con
la
los
letra
vectores
b{i},
que
corresponde
aparecen
a
los
Fig. 29
En esta pagina se termina la explicacin de cmo
usar la herramienta de redes neurales de Matlab, slo
para redes multicapas del tipo feedforward.
27