Professional Documents
Culture Documents
SUB-OBJETOS
SUB-OBJETOS
ENTRADAS CAPAS SALIDAS SALIDAS DESEADAS UMBRALES PESOS DE LA CAPA DE ENTRADA PESOS DE CAPAS ESCONDIDAS
Tambin se indica la funcin de entrada (el clculo del campo local): net.netInputFcn (para el peceptrn netsum) Los parmetros net.inputWeights y net.layerWeights especifican la funcin de entrenamiento y sus parmetros (y otras cosas). Se dan las funciones de inicializacin, perfomance y entrenamiento y sus parmetros
functions: adaptFcn: initFcn: performFcn: trainFcn: parameters: adaptParam: .passes initParam: (none) performParam: (none) trainParam: .epochs, .goal, .show, .time
Distintas funciones para crear distintos tipo de Redes: newp (perceptrn), newff (feed forward), newlin (neurona lineal)...
adaptFcn
trainParam: .epochs Cantidad de pocas mxima .goal Error mnimo al que se quiere llegar .show Cada cuntas pocas se mostrarn resultados .time
y se actualizar el grfico de entrenamiento Tiempo mximo de entrenamiento
performFcn
Se dispone de unas 20 funciones de entrenamiento (trainFcn), cada una con sus caractersticas de velocidad, requerimientos de memoria, etc.
Otros trainParam (dependiendo del tipo de red creada y de la funcin de entrenamiento o adaptacin) min_grad, mu, mu_dec, mu_inc, mu_max, lr ...
es una matriz celda bidimensional que contiene los pesos de las conexiones entre las entradas y la capa i. contiene la matriz de pesos de las conexiones desde la capa j hacia la capa i. contiene los umbrales de las diferentes capas.
LW (2,1)
LW (3,2)
adapt train
Si los datos de entrenamiento son celdas Si son matrices Modo On-Line Es mucho ms lento que train
Siempre Modo Batch Se dispone de ms cantidad de algoritmos muy eficientes. Exceptuando redes con retardos temporales, siempre es conveniente.
plotpv(P,T)
Hace el grfico de los datos y clases. newP = [1.877 1.443 1.314 1.211 3.333 4.843 2.722 6.513 ] sali = [ 1 0 0 1 ]
P = [0 1 0 1 0 0 1 1] T = [0 1 1 0]
Crea una red feed forward. net = train(net, P, T); salida = sim(net, P);
x1 = [-0.8000 x2 = [-0.4000
0 0.1000
0] 0.0200]
La tercera dimensin tiene una diferencia del 0.02 %. La segunda dimensin tiene una diferencia del 1 %. La primera dimensin tiene una diferencia del 100 %.
Rangos
APLICACIN DE UNA ESTANDARIZACIN ANTERIOR [PN] = trastd(P, meanp, stdp); DES-ESTANDARIZACIN [P, T] = poststd(PN, meanp, stdp, TN, meant, stdt);
APLICACIN DE UNA NORMALIZACIN LINEAL ANTERIOR [PN] = tramnmx(P,minp,maxp); DESNORMALIZACIN [P, T] = postmnmx(PN, minp, maxp, TN, mint, maxt);
MAPE = 100
i =1
MEDICIN DEL ERROR COMETIDO LRi es el valor REAL de la mxima demanda elctrica del da i del ao 1999. LPi es el valor PREDICHO por la red de la mxima demanda elctrica del da i del ao 1999.
Temperatura [C]
31