Descripcion de funciones

DESCRIPCIÓN DE LAS FUNCIONES UTILIZADAS EN MATLAB
1. Red tipo Perceptrón: Las siguientes son las herramientas de redes neuronales del Matlab 5.3: utilizadas en el entrenamiento de las redes neuronales correspondientes a las aplicaciones del proceso de detección de obstáculos de un robot y Control de cambio de giro de un motor trifásico.
* newp: Crea una red tipo Perceptrón, que requierelas siguientes entradas:
NET = NEWP(PR,S,TF,LF)
PR : Rx2 matriz de valores máximos y mínimos para los R elementos de entrada.
S : Número de neuronas.
TF : Función de Transferencia, en este caso 'hardlims'.
LF : Función de aprendizaje, para este caso 'learnp'.
* rands: Función simétrica que inicializa aleatoriamente los valores de pesos y ganancias de una red con valores entre -1 y 1;requiere de la estructura
rands(S,PR), generando una matriz de dimensiones S x PR.
* adapt: Permite a una red neuronal adaptarse a los patrones de entrada, esta función tiene la siguiente sintaxis:
[net,Y,E,Pf,Af] = adapt(NET,P,T,Pi,Ai)
net : Red que va a crearse
P : Entradas a la red; deben aparecer en forma de un arreglo de matrices.
T : Salidas esperadas de la red, si no seespecifican son ceros por defecto.
Pi : Condiciones de retardo para la entrada inicial, por defecto son ceros.
Ai : Condiciones de retardo para la capa inicial, por defecto ceros
* net.adaptParam.passes: Número de iteraciones que utiliza el programa.
2. Red tipo Adaline: Las siguientes son las funciones de las herramientas de Redes Neuronales del Matlab utilizadas en el entrenamiento delfiltro adaptivo diseñado con base en una red Adaline.
* newlin: Función para crea una red tipo Adaline, que requiere las siguientes entradas:
NEWLIN(PR,S,ID,LR)
R: Matriz de Rx2 que contiene los valores máximos y mínimos de cada uno de los R elementos de entrada.
S : Número de neuronas
ID : Arreglo que contiene los valores de los retardos, por defecto todos sus valores son cero.
LR : Ratade aprendizaje, por defecto = 0.01
* net.inputWeights{1,1}.delays: Especifica los retardos iniciales
* net.adaptParam.passes: Número máximo de iteraciones
* [net,y,E,pf,af]=adapt(net,p,T,pi): Comando de entrenamiento de la red; requiere como entradas la red creada anteriormente, los patrones de entrada, las salidas esperadas y los retardos iniciales, retorna el estado final de lared, los valores obtenidos para cada patrón de entrada con sus correspondientes errores así como los valores finales de los retardos.
3. Red tipo Backpropagation: La red neuronal Backpropagation presenta una gran variedad de opciones de configuración, dependiendo de la necesidad de aprendizaje y de la aplicación que se este desarrollando.
* newff: Crea una red tipo Backpropagation, requiereque le sean especificados los siguientes parámetros
newff: (PR,[S1 S2...SNl],{TF1 TF2...TFNl},BTF,BLF,PF)
PR : Rx2 Matriz de valores máximos y mínimos de cada uno de las R neuronas de entrada.
Si : Número de neuronas para cada una de las capas.
TFi : Función de transferencia a utilizar en cada una de las capas, por defecto utiliza tansig
BTF : Algoritmo de entrenamiento a utilizar, pordefecto utiliza trainlm
BLF : Función de actualización de los pesos, por defecto utiliza learngdm.
PF : Función para evaluar el desempeño de la red, por defecto utiliza mse.
Los siguientes fueron los algoritmos de entrenamiento que se utilizaron en el ejemplo de control de voltaje por inyección de reactivos en una barra remota y en la aplicación de predicción de consumo de carga durante susrespectivos procesos de aprendizaje hasta que se encontró uno que brindara un aprendizaje óptimo, para cada uno de ellos utilizando la red Backpropagation:
3.1 Traingd: Algoritmo de pasos descendientes, que actualiza pesos y ganancias variándolos en la dirección negativa del gradiente de la función del error. Es un algoritmo de aprendizaje muy lento, que requiere de la siguiente sintaxis:
*...