Professional Documents
Culture Documents
Mayo 2007
3
Figura 2
Figura 3.
En donde:
Network Name: Es el nombre de la red.
Network Type: Es el tipo de red, por ejemplo: perceptrón,
backpropagation, mapas de kohonen, Adaline entre otros.
Inputs ranges: valores máximos y mínimos de las entradas,
es decir, el rango de la variable.
Training function: Función de entrenamiento.
Adaption learning function: Función de aprendizaje para
adaptación.
Performance function: Función de desempeño de la red.
Number of layer: Numero de capas
Properties for layer n°: Propiedades para la capa numero
(se especifica el número de la capa):
Numbers of neuron: Numero de neurona para la capa
seleccionada
Transfer function: Función de transferencia para las
neuronas de la capa seleccionada.
7
Tabla 1
A 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1
B 0 0 0 0 1 1 1 1 0 0 0 0 1 1 1 1
C 0 0 1 1 0 0 1 1 0 0 1 1 0 0 1 1
D 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 1
Se plantea ahora la matriz de Objetivos o salidas
deseadas:
Matriz Objetivos = [0 1 1 0 1 0 0 1 1 0 0 1 0 1 1 0; 0 1
1 0 1 0 0 1 1 0 0 1 0 1 1 0]
Matriz Objetivos =
P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12 P13 P14 P15 P16 Patrones
X 0 1 1 0 1 0 0 1 1 0 0 1 0 1 1 0
Y 0 1 1 0 1 0 0 1 1 0 0 1 0 1 1 0
Finalmente se diseñará la estructura que tendrá la
red. Para este ejemplo se utilizará una red multicapa con
las siguientes especificaciones:
2 capas ocultas o intermedias: la primera con 5 neuronas
y la segunda con 3 neuronas.
La función de transferencia de la primera y segunda
capa será del tipo sigmoidal (en matlab corresponde a
logsig)
9
Red Multicapa
Fig. 4
Figura 5
Figura 6
Figura 7
Al hacer doble clic sobre NNTool, se desplegará la
ventana del entrenador de red:
Figura 8
Figura 9
Una vez introducidos los datos se selecciona el tipo
de dato, Inputs (entradas), luego se hace clic sobre la
Figura 10
Si desea observar si realmente la variable
MatrizEntrada almacenó los valores introducidos,
13
Figura 11
Desplegándose así 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 continuación se procederá con la creación de la
Figura 14
en donde se realizará el vaciado de las especificaciones
de la red. El nombre de la red será Red_XOR, los rangos
de entrada pueden ser tomados automáticamente al
seleccionar en Get from input (Obtener de la entrada) la
matriz_Entrada, en Number of layers se colocará 3 y
procederemos a colocar las especificaciones para cada
capa en Properties for: N° de capa, en las siguientes
15
Figura 15
produciéndose el siguiente cambio en Input ranges
Figura 16
Como se explicó en párrafos anteriores, Input ranges
toma los valores máximos y mínimos 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 inspección sobre la matriz de
entrada por cada fila a fin de determinar los valores
máximos y mínimos de las variables de entrada.
16
Paso 2
Asignando las propiedades para cada capa
Figura 17
Figura 18
Figura 19
de donde seleccionando la red neural Red_XOR y haciendo
Figura 20
18
Entrenamiento de la red
El proceso de entrenamiento consiste en lograr que la red
aprenda mediante la escogencia de los parámetros de
entrenamiento que permitan un aprendizaje óptimo. Algunos
de estos parámetros de entrenamiento son: número de
iteraciones, taza o rata de aprendizaje, valor mínimo del
19
Fig. 21
En la parte superior de la ventana (figura 21), se
observan las funciones descritas anteriormente, con un
opción adicional Weights, ésta opción es la que permite
visualizar las matrices de pesos y los vectores umbrales.
Para desplegar cada una de éstas funciones se debe hacer
clic sobre la función a la que se quiere acceder.
A continuación se explicará cada una de ellas:
Función Initialize
Fig. 22
21
Fig. 23
En la ventana de arriba tenemos a Simulation Data (Datos
de la simulación):
Inputs: Entradas a la red a ser simuladas.
22
Función Train
23
Fig. 24
El submenú 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 almacenan las salidas de la red,
además de el error de la misma durante el entrenamiento.
Fig. 25
Fig. 26
En éste submenú (figura 26) Optional Info , presenta un
cuadro para validación de los datos y otro para prueba de
datos, al marcar las casillas se habilitan estas
opciones.
Fig. 27
Función adaptar
Fig. 28
Se proporcionan los nuevos patrones de entrada en Inputs
y los nuevos objetivos en Targets (Figura 28). El cuadro
Adapt results presenta los resultados de la adaptación.
26
Fig. 29