Tópicos en Sistemas Expertos e

Inteligencia Artificial
clase 6b

Arturo Vilca
avilca@uni.edu.pe
posgrado uni-fiee 2017-2
 Toolbox - Redes Neuronales
• Modelamiento
• Programación
• Toolbox de Redes Neuronales
• El Perceptrón
 Modelo de Redes Neuronales

Xi yj

(i=1 a n) (j=1 a m)
 Configuración
• Cálculo de activación de cada neurona
aj = ∑ xi wij

• Valor de salida de cada neurona

sj = 0 si aj ≤ Ѳj
1 si aj > Ѳj

• Regla de aprendizaje de Widdrow-Hoff

wij(t+1) = wij(t) + (tj-sj)xi
 Red1: perceptron.m
% Programa del Perceptrón
clear all, close all, home

% vectores de entrada y objetivo

X = [ 0 0 1 1;
0 1 0 1 ];

% objetivo (OR lógico)

T = [0 1 1 1];

% recuperación de las dimensiones de las matrices

[r,q] = size(X);
[s,q] = size(T);
 Red1…
% elección de los pesos y el ajuste inicial
w = randn(s,r);
b = randn;

Nep = 100; % número total de épocas de aprendizaje

K = 10; % ganancia de aprendizaje

x1min=-0.5; x1max=1.5; x2min=-0.5; x2max=1.5;

ECM=1; % inicialización
 Red1…
for i=1:Nep
% fin del aprendizaje si ECM=0
if ECM == 0
i=i-1;
break
end

% fase de prueba
% activación
WX = W*X;

% ajuste de bias
WXmasb = WX + b*ones(size(WX));
 Red1…
% cálculo de la salida y del error
salida = WXmasb >= 0;
error = T-salida;

% suma de los cuadrados de los errores

ECM = sum(sum(error.^2));
tr(i) = ECM;

% trazado de la recta de aprendizaje

close all
recta(X,T,W,b,x1min,x1max,x2min,x2max,i)
disp([‘epoca: ' num2str(i) ' ECM : ' num2str(ECM)])
 Red1…
% fase de aprendizaje
dW = K*error*X';
db = error*ones(q,1);
W = W + dW;
b = b + db;
pause
end
 Red1…
% trazado de la evolución de las suma de los
% cuadrados de los errores
figure(2)
plot(tr)
title('suma de cuadrados de errores')
xlabel('epoca')
Grid

disp('prueba sobre el juego [0 1]')

x=[0 1]';
s=(W*x+b>0)
 Red1: recta.m
function recta(X,T,W,b,x1min,x1max,x2min,x2max,i)
% trazado de la recta de separación

[nx,mx]=size(X);
figure(1)
hold on
axis([x1min x1max x2min x2max])
 Red1:recta.m…
for k=1:mx
Tcero=T(k)==0;
if Tcero
plot(X(1,k),X(2,k),'o')
else
plot(X(1,k),X(2,k),'+')
end
title([‘Vectores a clasificar y la recta de separación - época: '
num2str(i)])
xlabel('x1')
ylabel('x2')
grid
end
 Red1:recta.m…
xx=get(gca,'xlim');
y=(-xx*W(1)-b)/W(2);
plot(xx,y,'r')
hold off
NN-ToolBox: Perceptrón
 Funciones
• nnstart Neural network getting started GUI
• nftool Neural network fitting tool
• view View neural network
• fitnet Function fitting neural network
• feedforwardnet Feedforward neural network
• Cascadeforwardnet Cascade-forward neural network
• train Train neural network
• trainlm Levenberg-Marquardt backpropagation
• trainbr Bayesian regulation backpropagation
• trainscg Scaled conjugate gradient backpropagation
• trainrp Resilient backpropagation
• mse Mean squared normalized error performance function
• regression Linear regression
• ploterrhist Plot error histogram
• plotfit Plot function fit
• plotperform Plot network performance
• plotregression Plot linear regression
• plottrainstate Plot training state values
 Función newp
• net = newp(p,t,tf,lf)

NET = newp(P,T,TF,LF) takes these inputs,

P - RxQ matrix of Q1 representative input vectors.
T - SxQ matrix of Q2 representative target vectors.
TF - Transfer function, default = 'hardlim'.
LF - Learning function, default = 'learnp'.
Returns a new perceptron.

The transfer function TF can be HARDLIM or HARDLIMS.

The learning function LF can be LEARNP or LEARNPN.
 newp
>> red = newp([0 1; -2 2],1);
>> P = [0 0 1 1; 0 1 0 1];
>> T = [0 1 1 1];
>> Y = sim(red,P)
Y=
1 1 1 1
>> red.trainParam.epochs = 20;
>> red = train(red,P,T);
>> Y = sim(red,P)
Y=
0 1 1 1
 … newp
clear all pesos=red.iw{1,1};
close all bias=red.b{1};
plotpv(x,t)
x = [0 0 1 1; 0 1 0 1]; plotpc(pesos,bias)
t = [1 1 1 0]; red=train(red,x,t);
plotpv(x,t)
red = newp([0 1;0 1],1); prueba=[0;0];
red.iw{1,1}=[1,1]; a = sim(red,prueba)
red.b{1}=0.5; prueba=[1;1];
pesos=red.iw; a = sim(red,prueba)
figure;
 Función perceptron
• perceptron(hardlimitTF,perceptronLF)
toma una función de transferencia hardlimit y una
función de aprendizaje y retorna un perceptrón

x = [0 0 1 1; 0 1 0 1];
t = [0 1 1 1];
red = perceptron;
red = train(red,x,t);
view(red)
y = red(x);
Red de perceptrones
 feedforwardnet
x = [0 1 2 3 4 5 6 7 8];
t = [0 0.84 0.91 0.14 -0.77 -0.96 -0.28 0.66 0.99];
plot(x,t,'o')
red = feedforwardnet(10);
red = configure(red,x,t);
y1 = red(x)
plot(x,t,'o',x,y1,'x')
red = train(red,x,t);
y2 = red(x)
plot(x,t,'o',x,y1,'x',x,y2,'*')
nnstart