Utp ia_sl4 la rna perceptron
Upcoming SlideShare
Loading in...5
×

Like this? Share it with your network

Share
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Be the first to comment
    Be the first to like this
No Downloads

Views

Total Views
1,459
On Slideshare
165
From Embeds
1,294
Number of Embeds
5

Actions

Shares
Downloads
7
Comments
0
Likes
0

Embeds 1,294

http://utpiayse.blogspot.com 1,229
http://www.utpiayse.blogspot.com 55
http://www.slideee.com 6
http://utpiayse.blogspot.com.br 3
http://utpiayse.blogspot.com.ar 1

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
    No notes for slide

Transcript

  • 1. Ing. José C. Benítez P. Inteligencia Artificial (W0I9) La RNA Perceptron Laboratorio: 4
  • 2.  Objetivo  Fundamento teórico: La RNA Perceptron.  Implementación de la RNA Perceptron.  Conclusiones.  Tarea. Las RNA Perceptron 2
  • 3. Objetivo  Revisar los conceptos de las RNA Perceptron.  Mediante el Toolbox de Redes Neuronales de MatLab se implementara algunas Perceptron.  Identificar el proceso de implementación de una RNA.  Al final del laboratorio el alumno debe presentar un documento grafico en word con el desarrollo del laboratorio y adjuntar sus fuentes que le han ayudado a fortalecer sus destrezas en el presente laboratorio.  Presentar las fuentes y el informe en USB. 3
  • 4.  El Perceptron es una RNA que está en capacidad de realizar separaciones lineales veamos como se puede realizar un problema de estos con ayuda del toolbox de redes neuronales del MATLAB  Entre las funciones utilizadas por el MATLAB para el Perceptron se tienen:  NEWP – Crea el Perceptron.  PLOTPV - Grafica los vectores de entrada cuando la salida es 1/0.  PLOTPC - Grafica la línea de clasificación que genera el Perceptron.  TRAIN - Entrena la red con el algoritmo del Perceptron.  SIM - Simula o prueba la red. Las RNA Perceptron 4
  • 5. 1. Gráfica de patrones de aprendizaje: Los patrones de aprendizaje se utilizarán para entrenar las redes neuronales. En Matlab: >> X=[1 1 0 0; 1 0 1 0]; %Posibles entradas en la RNA >> D=[1 0 0 0] %Es el resultado de la función lógica AND >> plotpv(X,D) %Grafica los patrones de aprendizaje. Nos mostrará el gráfico mostrado. Las RNA Perceptron Como se puede observar, MATLAB grafica los puntos dados en el vector X y le asigna un símbolo para la clasificación dependiendo de la salida deseada, en esta caso: Para salida deseada cero (0) = o Para salida deseada uno (1) = + 5
  • 6. 2. El problema de función lógica AND La función lógica se define como: X=[1 1 0 0; 1 0 1 0] % Las dos variables lógicas. D=[1 0 0 0] % El resultado de hacer AND con las dos variables lógicas Solución: Pasos para resolver este problema con el MATLAB : a. Definición del problema b. Inicialización de la RNA c. Entrenamiento de la RNA d. Validación de la RNA Las RNA Perceptron X D 6
  • 7. a. Definición del problema Se debe proporcionar a la RNA la información necesaria para que puede llevar la tarea con éxito. Se debe definir los patrones de aprendizaje de la RNA que se van a utilizar en el proceso de entrenamiento. En MATLAB esto se hace definiendo dos matrices una para las entradas (X) y otra para las salidas (D) donde cada patrón de aprendizaje se define por columnas. En Matlab: >> X=[0 0 1 1 ; 0 1 0 1 ] ; % Definición de la función lógica AND >> D=[0 0 0 1] ; %Las salidas Para ver la gráfica de estos patrones se usa el comando plotpv >> plotpv(X,D) Las RNA Perceptron 7
  • 8. La gráfica resultante es la que se muestra y corresponde al patrón de aprendizaje: Las RNA Perceptron 8
  • 9. b. Inicialización de la red neuronal Ahora se crea la RNA, para el caso del Perceptron se usa la función newp de la siguiente manera: >> red = newp([0 1;0 1],1) Donde: red = objeto donde se va almacenar la red creada por el MATLAB [0 1;0 1] = Rango del valor de la entrada de la RNA. El número de filas de esta matriz lo utilizará MATLAB para definir el número de entradas que tiene la RNA. 1 = Número de neuronas que tiene la red neuronal en la capa de salida. Para mayor información: En Matlab: >> help newp Las RNA Perceptron 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. 9
  • 10. Ahora se procederá a generar unos pesos iniciales a la red, este paso no es necesario hacerlo, pero permite generar un Perceptron con una superficie de separación conocida. >> red.iw{1,1}=[1 1]; >> red.b{1}=0.5; >> Pesos=red.iw{1,1}; >> Bias=red.b{1}; Con el siguiente comando se grafica la línea de separación que tiene el Perceptron >>plotpc(Pesos,Bias) Este comando agrega la recta clasificadora al gráfico generado por plotpv, la gráfica quedaría así: Las RNA Perceptron 10
  • 11. c. Entrenamiento de la RNA El entrenamiento de la red se realiza con el comando train el cual implementa un entrenamiento con la regla de aprendizaje tipo Perceptron. En MATLAB: >> red = train(red,X,D) Donde red = red a ser entrenada por el MATLAB. X = Entrada de los patrones de aprendizaje. D = Salida deseada de los patrones de aprendizaje. Las RNA Perceptron 11
  • 12. Al entrenar MATLAB nos grafica la manera como va evolucionando error al transcurrir las iteraciones. Las RNA Perceptron 12
  • 13. Cuando se ha entrenado la red, se puede visualizar en la gráfica donde se muestra la línea clasificadora que la red ha llevado a cabo la tarea. En Matlab: >> figure; >> Pesos=red.iw{1,1}; >> Bias=red.b{1}; >> plotpv(X,D) >> plotpc(Pesos,Bias) Las RNA Perceptron 13
  • 14. d. Validación de la RNA Luego de tener una RNA entrenada se procede a validar si el comportamiento de la misma es correcto o no, para esto se usa el comando sim como se muestra a continuación: >> prueba1=[0;0]; % Patrón de prueba >> % Prueba de la red ante el patrón de prueba “prueba1”. W son los pesos y b el bias de la red entrenada. >> a = sim(red, prueba1) a = 0 >> prueba2=[1;1]; % Otro patrón de prueba “prueba2”. >> a = sim(red, prueba2) a = 1 Como se puede observar el comportamiento de la red es el adecuado por lo que se da por finalizado el entrenamiento. Las RNA Perceptron 14
  • 15. Mostrando la clasificación En Matlab: >> red.iw{1,1} % Nuevos Pesos ans = 2 1 >> red.b{1} %Nuevo Bias ans = -2.5000 >> plotpv(X,D) >> plotpc(Pesos,Bias) Las RNA Perceptron X1 X2 D 0 0 0 0 1 0 1 1 0 1 1 1 15
  • 16. Mostrando la clasificación Las RNA Perceptron 16
  • 17. 3. Un problema de clasificación. La función se define como: Pasos para resolver este problema con el MATLAB : a. Definición del problema b. Inicialización de la RNA c. Entrenamiento de la RNA d. Validación de la RNA Las RNA Perceptron X D X1 X2 D1 D2 0.1 0.2 1 1 0.2 0.1 1 1 -0.9 0.8 1 0 -0.7 -0.8 0 0 0.5 -0.5 0 1 17
  • 18. a. Definición del problema La función se define como: X=[0.1 0.2 -0.9 -0.7 0.5; 0.2 0.1 0.8 -0.8 -0.5] % Las entradas de la RNA. D=[1 1 1 0 0; 1 1 0 0 1] % El resultado deseado de la RNA. En Matlab: >> X=[0.1 0.2 -0.9 -0.7 0.5; 0.2 0.1 0.8 -0.8 -0.5] >> D=[1 1 1 0 0; 1 1 0 0 1] >> plotpv(X,D) Las RNA Perceptron X1 X2 D1 D2 0.1 0.2 1 1 0.2 0.1 1 1 -0.9 0.8 1 0 -0.7 -0.8 0 0 0.5 -0.5 0 1 18
  • 19. b. Inicialización de la RNA En Matlab: >> red=newp([-0.9 0.5;-0.8 0.8],2); Las RNA Perceptron X1 X2 D1 D2 0.1 0.2 1 1 0.2 0.1 1 1 -0.9 0.8 1 0 -0.7 -0.8 0 0 0.5 -0.5 0 1 19
  • 20. c. Entrenamiento de la RNA En Matlab: >> red=train(red,X,D); Mostrar los pesos y las bias calculados: >> red.iw{1,1} ans = 0.8000 1.0000 2.2000 -0.3000 >> red.b{1} ans = 0 0 >> Las RNA Perceptron X1 X2 D1 D2 0.1 0.2 1 1 0.2 0.1 1 1 -0.9 0.8 1 0 -0.7 -0.8 0 0 0.5 -0.5 0 1 20
  • 21. d. Validación de la RNA En Matlab: >> prueba1=[0.1;0,2] >> a=sim(red, prueba1) a = 1 1 >> prueba2=[-0.9;0,8] >> b=sim(red, prueba2) b = 1 0 >> prueba3=[-0.5;0,2] >> a=sim(red, prueba3) c = 0 0 Las RNA Perceptron X1 X2 D1 D2 0.1 0.2 1 1 0.2 0.1 1 1 -0.9 0.8 1 0 -0.7 -0.8 0 0 0.5 -0.5 0 1 21
  • 22. Mostrando la clasificación En Matlab: >> Pesos=red.iw{1,1} Pesos = 0.8000 1.0000 2.2000 -0.3000 >> Bias=red.b{1} Bias = 0 0 >> plotpc(Pesos,Bias) Las RNA Perceptron X1 X2 D1 D2 0.1 0.2 1 1 0.2 0.1 1 1 -0.9 0.8 1 0 -0.7 -0.8 0 0 0.5 -0.5 0 1 22
  • 23. Mostrando la clasificación Las RNA Perceptron X1 X2 D1 D2 0.1 0.2 1 1 0.2 0.1 1 1 -0.9 0.8 1 0 -0.7 -0.8 0 0 0.5 -0.5 0 1 23
  • 24. Las RNA Perceptron - Tarea 1. Graficar los patrones de aprendizaje de las funciones lógicas: • OR • NOT • XOR • CONDICIONAL • LA BICONDICIONAL 2. Graficar los patrones de aprendizaje de: X1 X2 D1 D2 -0.5 -1.0 0 1 1.0 1.0 1 1 1.0 0.5 1 0 -1.0 -0.5 0 0 -1.0 -1.0 0 1 0.5 1.0 1 1 24
  • 25. 3. Con ayuda del toolbox de redes neuronales del MATLAB, clasificar usando un Perceptron el siguiente patrón de aprendizaje. X1 X2 D -0.5 -1.0 0 1.0 1.0 1 1.0 0.5 1 -1.0 -0.5 0 -1.0 -1.0 0 0.5 1.0 1 4. Trate de resolver el problema de la XOR con una RNA Perceptron, ¿a que conclusión llega?. Las RNA Perceptron - Tarea 25
  • 26. 5. Diseñe y entrene usando el toolbox de redes neuronales del MATLAB un Perceptron que pueda identificar los números del 0 al 9 donde cada número se puede definir en una matriz de 5*3, por ejemplo el número 2 sería : 1 1 1 0 0 1 1 1 1 1 0 0 1 1 1 6. Modifique el programa del Perceptron presentado de tal forma que permita trabajar un Perceptron de N neuronas en la capa de entrada y de M neuronas en la capa de salida, pruebe el Perceptron codificado con el ejercicio anterior. Las RNA Perceptron - Tarea 26
  • 27. Informe de Laboratorio  El Informe de Laboratorio es un documento gráfico en lo posible y es redactado en Word con el desarrollo del laboratorio.  Niveles de Informe:  Primer nivel: Observaciones. Imágenes con comentarios cortos. Redactar al ir desarrollando el laboratorio. (Requiere desarrollar el laboratorio).  Segundo nivel: Conclusiones. Redactar al terminar el laboratorio.(Requiere haber desarrollado el laboratorio).  Tercer Nivel: Recomendaciones. (Requiere lectura de otras fuentes).  Dentro de su Carpeta Personal del Dropbox crear una carpeta para el laboratorio 4 con el siguiente formato: SIRN_PaternoM_Lab4  Adjuntar fuentes que le han ayudado en esta carpeta creada.  Las fuentes deben conservar el nombre original de archivo y se debe agregar _L4 al final.  Presentar el Informe de Laboratorio 4 en esta carpeta creada. 27
  • 28. Laboratorio 4. Las RNA Perceptron Blog del curso: utpsirn.blogspot.com 28