matlab - unemat – campus...

UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT

Faculdade de Ciências Exatas e Tecnológicas – FACET / Sinop

Curso de Bacharelado em Engenharia Elétrica

REDES NEURAIS ARTIFICIAIS (Práticas de Laboratório - Matlab)

Toolbox de Redes Neurais

1º Semestre de 2017

Prof. Dr. André A. P. Biscaro

MATLAB





Introdução ao Matlab Linha de comando

NNTool

Estudo de Casos Análise de Crédito Bancário (Classificação).

Localização de Faltas (Inferência).

Sensação Térmica (Previsão).






MATLAB MATrix LABoratory

Programação baseada em Matrizes

Vetores e escalares são tratados como matrizes (1xN, Nx1, NxN)





Tela Principal





Janelade

Comando





Matrizes no Matlab

Quadro “Melancholia I”, do artista alemão e matemático amador Albrecht Dürer





Quadrado Mágico

Matriz NxN construída a partir de inteiros de 1 a N2 em que as somas das colunas são iguais às somas das linhas.





Quadrado Mágico

Matriz NxNconstruída a partirde inteiros de 1 aN2 em que as somasdas colunas sãoiguais às somas daslinhas.





Definindo uma Matriz

Explicitamente

•Elementos de uma linha são separados por espaços ouvírgulas.

•O final de cada linha é indicado por um ponto-e-vírgula.

•A lista de elementos é delimitada por colchetes [ ].





Janelade

Comando






Introdução ao Matlab Linha de comando

NNTool

Estudo de Casos Análise de Crédito Bancário (Classificação).

Localização de Faltas (Inferência).

Sensação Térmica (Previsão).





Passos para a criação de uma RN

Definição do problema

Definição dos padrões

Inicialização da rede

Definição dos parâmetros de treinamento

Treinamento da rede

Teste da rede






O problema do OU-Exclusivo

x

1

x

2 ‘0’

‘1’











Treinamento da rede

Teste da rede





Definição dos Padrões

x

1

x

2 ‘0’

‘1’






# linhas = # de variáveis# colunas = # de padrões

x

1

x

2 ‘0’

‘1’







x

1

x

2 ‘0’

‘1’












Treinamento da rede

Teste da rede






Perceptron:

ou

ou

net =

newff( P, padrões entrada

T, targets

N_hid camadas escondidas );

net =


T targets );

net =

newp( P, padrões entrada

T targets );





Perceptron:

ou

ou

net =


T, targets

N_hid camadas escondidas );

net =


T targets );

net =

newp( P, padrões entrada

T targets );






MLP:

net =


T, targets

{H1..Hn-1}, camadas escondidas

{TF1..TFn}, func. transf.

BTF, alg. treinamento

BLF alg. aprendizado);






MLP:

Funções de Transferência:

net =

newff(P, padrões entrada

T, targets










MLP:

Algoritmos de Treinamento:

net =

newff(P, padrões entrada

T, targets

[H1..Hn-1], camadas escondidas




• traingd Gradient descent backpropagation

traingdm Gradient descent backpropagation

com momentum

traingda Gradient descent backpropagation

com taxa adaptativa

traingdx Gradient descent backpropagation

com momentum e taxa adaptativa

trainlm Levenberg-Marquardt

backpropagation (default)

trainrp Resilient backpropagation (Rprop)






MLP:

Algoritmos de Aprendizado:

net =


T, targets





• learngd Gradient descent weight and bias learning

function

• learngdm Gradient descent with momentum weight

and bias learning function











Treinamento da rede

Teste da rede





Parâmetros de Treinamento

net.trainParam.epochs

net.trainParam.goal

net.trainParam.lr

net.trainParam.show

net.trainParam.mc

net.trainParam.lr_inc

net.trainParam.lr_dec

net.trainParam.max_perf_inc

Número de epochs

Erro final desejado

Taxa de aprendizado

Atualização da tela

(epochs)

Taxa de momentum

Taxa de incremento

da l.r.

Taxa de decremento

da l.r.

Incremento máximo

do erro





Divide vectors into three sets using specified indices.

net.divideFcn = 'divideind';net.divideParam.trainInd = indTreino;net.divideParam.valInd = indValidacao;net.divideParam.testInd = indTeste;

Divide vectors into three sets using random indices.

net.divideFcn = 'dividerand';net.divideParam.trainRatio: 0.6000;net.divideParam.valRatio: 0.2000;net.divideParam.testRatio: 0.2000;

Divide vectors into three sets using blocks of indices.

net.divideFcn = 'divideblock';net.divideParam.trainRatio: 0.6000;net.divideParam.valRatio: 0.2000;net.divideParam.testRatio: 0.2000;

net.divideFcn = '';

Parâmetros de Treinamento (early stopping)










Treinamento da rede

Teste da rede





Treinando a rede

net = train(net, P, T);










Treinamento da rede

Teste da rede





Testando a rede

C = sim(net, P);





Perceptronbásico

: Rede neural com apenas uma camada de processadores

M-file desenvolvida para o XOR





Multi-layerPerceptron

: Rede neural com umacamada escondida deprocessadores (Multi-LayerPerceptron);

TAXA de APRENDIZADO CONSTANTE, sem

MOMENTUM






Multi-layerPerceptron

: Rede neural com umacamada escondida deprocessadores (Multi-LayerPerceptron);

TAXA ADAPTATIVA e MOMENTUM


matlab - unemat – campus...

Documents