Jaime jose julca oliva
Inteligencia artificial
11
Feed forward Neural Network Using MATLAB
Paredes Narbasta, Ever Michel
SOLUTION:
1. Entradas y Salidas:
>> P = [-1 -1 2 2;0 50 5]
>> T = [-1 -1 1 1]
2. Creación de la red
REDJRC=network;
REDJRC.numInputs=1;
REDJRC.inputs{1}.size=2;
REDJRC.numLayers=2;
REDJRC.layers{1}.size=3;REDJRC.layers{1}.transferFcn = 'tansig';
REDJRC.layers{2}.size=1;
REDJRC.layers{2}.transferFcn = 'purelin';
REDJRC.inputConnect(1)=1;
REDJRC.inputConnect(2,1)=1;
REDJRC.outputConnect(2)=1;REDJRC.targetConnect(2)=1;
REDJRC.biasConnect=[1;1];
REDJRC.initFcn='initlay';
REDJRC.performFcn='mse';
REDJRC.trainFcn='traingdm';
3. Definición de parámetros de entrenamiento.
Número de épocas(iteraciones):
>> REDJRC.trainParam.epochs=50;
Velocidad de aprendizaje y memento.
>> REDJRC.trainParam.lr=0.3;
>> REDJRC.trainParam.mc=0.6;
4. Entrenar la REDJRC>> REDJRC = train (REDJRC,P,T);
5. Resultados:
TRAINGDM, Epoch 0/50, MSE 1/0, Gradient 3/1e-010
TRAINGDM, Epoch 50/50, MSE 1.97293e-005/0, Gradient 0.0322566/1e-010
TRAINGDM,Maximum epoch reached, performance goal was not met.
6.1. Alternativa Para Mejorar La Performance (entrene para 110 Epochs)
>> REDJRC.trainParam.epochs=110;
6.2.Re-entrenandolo
>> REDJRC = train (REDJRC,P,T);
6. Simular Mi REDJRC
>> Y=sim(REDJRC,P)
7.3.1. Resultado
Y =
-1.0000 -1.0000 1.0000 1.0000
>> [T;Y]ans =
-1.0000 -1.0000 1.0000 1.0000
-1.0000 -1.0000 1.0000 1.0000
7. Reporte
>> save RamosCaceresJorge
8. Pesos y sesgo
>> REDJRC.IWans =
[3x2 double]
[1x2 double]
>> REDJRC.IW{1,1}
ans =
0 0
0 0
0 0
>> REDJRC.b{1}
ans =
0
0
0
Regístrate para leer el documento completo.