Neurona Matlab

REDES NEURONALES EN MATLAB
por Gustavo Meschino © 2006

MatLab Toolbox de Redes Neuronales
Entradas concurrentes REDES ESTÁTICAS Entradas Secuenciales en tiempo REDES DINÁMICAS

SUB-OBJETOS

MatLab Toolbox de Redes Neuronales
Objeto Red número de capas número neuronas por capa conectividad entre capas
{1x1 {1x1 {1x1 {1x1 {1x1 {1x1 {1x1 cell} cell} cell} cell} cell} cell} cell} # # # # ## #

MatLab Toolbox de Redes Neuronales
Las neuronas de una capa tienen todas la misma función de transferencia indicadas en: net.transferFcn (para el peceptrón hardlim)

SUB-OBJETOS

inputs: layers: outputs: targets: biases: inputWeights: layerWeights:

ENTRADAS CAPAS SALIDAS SALIDAS DESEADAS UMBRALES PESOS DE LA CAPA DE ENTRADA PESOS DE CAPAS ESCONDIDAS

También se indica la funciónde entrada (el cálculo del campo local): net.netInputFcn (para el peceptrón netsum) Los parámetros net.inputWeights y net.layerWeights especifican la función de entrenamiento y sus parámetros (y otras cosas). Se dan las funciones de inicialización, perfomance y entrenamiento y sus parámetros
functions: adaptFcn: initFcn: performFcn: trainFcn: parameters: adaptParam: .passes initParam: (none)performParam: (none) trainParam: .epochs, .goal, .show, .time

Distintas funciones para crear distintos tipo de Redes: newp (perceptrón), newff (feed forward), newlin (neurona lineal)...

'trains' 'initlay' 'mae' 'trainc'

Toolbox de Redes Neuronales Funciones seleccionables
initFcn trainFcn función con que se inicializalizan pesos y umbrales. función de entrenamiento Batch. Se da una sola paratoda la red (es la opción que se utiliza) función de entrenamiento Incremental (on line) Se puede dar una función de entrenamiento por cada capa conectada (sin gran aplicación). función de performance, cuantifica un valor para el error que va comentiendo la red. ‘mse’: mean squared error, ‘mae’: mean absolute error, etc.

Toolbox de Redes Neuronales Parámetros seleccionables
adaptParam:.passes Cantidad de “pasadas” para la función ‘adapt’.
Número de épocas.

adaptFcn

trainParam: .epochs Cantidad de épocas máxima .goal Error mínimo al que se quiere llegar .show Cada cuántas épocas se mostrarán resultados .time
y se actualizará el gráfico de entrenamiento Tiempo máximo de entrenamiento

performFcn

Se dispone de unas 20 funciones de entrenamiento (trainFcn), cada una con suscaracterísticas de velocidad, requerimientos de memoria, etc.

Otros trainParam (dependiendo del tipo de red creada y de la función de entrenamiento o adaptación) min_grad, mu, mu_dec, mu_inc, mu_max, lr ...

1

Toolbox de Redes Neuronales Funciones de entrenamiento
trainFcn = ‘traingd’ (demo nnd12sd1) función descenso por el gradiente. Se indica el número de épocas (epochs), cada cuántasiteraciones se muestran los resultados (show), el mínimo esperado para la función de error (goal), el tiempo máximo (time), los gradientes máximos y mínimos admitidos (min_grad, max_grad) y la tasa de aprendizaje (lr). trainFcn = ‘traingdm’ (demo nnd12mo) función descenso por el gradiente con momento. Se indica además el valor de momento (mc). Otra opción permite indicar que si una nuevaevaluación del error es PEOR que otra hallada según el cociente entre ambas (max_perf_inc) los cambios en los pesos se descartan y se hace mc = 0. trainFcn = ‘traingdx’ y trainFcn = ‘traingda’ como las anteriores pero ‘lr’ va disminuyéndose si el error va empeorando de una iteración a la otra (entrena mucho más rápido).

Toolbox de Redes Neuronales Pesos y Umbrales
IW: {1x1 cell} containing 1 inputweight matrix LW: {1x1 cell} containing no layer weight matrices b: {1x1 cell} containing 1 bias vector

IW (i) LW (i,j) b (i)
IW (1)
IW (2) = 0 IW (3) = 0

es una matriz celda bidimensional que contiene los pesos de las conexiones entre las entradas y la capa i. contiene la matriz de pesos de las conexiones desde la capa j hacia la capa i. contiene los umbrales de las diferentes capas.
LW...