Redes Neuronales En Matlab

MatLab
Toolbox de Redes Neuronales

REDES
NEURONALES
EN MATLAB

Entradas concurrentes
REDES ESTÁTICAS
Entradas Secuenciales en tiempo
REDES DINÁMICAS

por Gustavo Meschino
© 2006

SUB-OBJETOS

MatLab
Toolbox de Redes Neuronales
Objeto Red

número de capas
número neuronas por capa
conectividad entre capas

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

{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

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

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

También se indica la función de 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:

Toolbox de Redes Neuronales
Funciones seleccionables
initFcn

función con que se inicializalizan
pesos y umbrales.

trainFcn

función de entrenamiento Batch.
Se da una sola para toda la red
(es la opción que se utiliza)

adaptFcn

función deentrenamiento Incremental (on line)
Se puede dar una función de entrenamiento
por cada capa conectada (sin gran aplicación).

performFcn

función de performance, cuantifica un valor
para el error que va comentiendo la red.
‘mse’: mean squared error,
‘mae’: mean absolute error, etc.

Se dispone de unas 20 funciones de entrenamiento (trainFcn),
cada una con sus características develocidad, requerimientos de
memoria, etc.

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

parameters:
adaptParam: .passes
initParam: (none)
performParam: (none)
trainParam: .epochs, .goal,
.show, .time

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

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

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 entrenamientotrainFcn = ‘traingd’ (demo nnd12sd1)
función descenso por el gradiente. Se indica el número de
épocas (epochs), cada cuántas iteraciones 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)
funcióndescenso por el gradiente con momento. Se indica
además el valor de momento (mc). Otra opción permite indicar
que si una nueva evaluación 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.

Toolbox de Redes Neuronales
Pesos y Umbrales
IW: {1x1 cell} containing 1 input weight matrix
LW: {1x1 cell} containing nolayer weight matrices
b: {1x1 cell} containing 1 bias vector

IW (i)

es una matriz celda bidimensional que contiene
los pesos de las conexiones entre las entradas y la capa i.

LW (i,j)

contiene la matriz de pesos de las conexiones
desde la capa j hacia la capa i.

b (i)

contiene los umbrales de las diferentes capas.
LW (2,1)
IW (1)
IW (2) = 0
IW (3) = 0

trainFcn =...