Fabricio

Silva Pires de Camargo 5889175 SEL0421 Sistemas Inteligentes Resultados do EPC2 Atividade I Foram efetuados 5 treinamentos de um nas especificaes desejadas. Os resultados no melhor dos treinamentos so exibidos a seguir. O primeiro deles o grfico do treinamento que obteve o melhor desempenho.

Figura 1 - Erro quadrtico mdio.

O grfico mostra que no melhor caso o algoritmo de treinamento parou aps passar por 114 pocas ao atingir o erro quadrtico mdio menor que o valor proposto de 0,0001. Para o arquivo treinamento.txt o erro relativo mdio foi de 0.0074 ou 0,74%. J quando foi executada a aplicao com o arquivo teste.txt o erro relativo mdio foi 0,0109 ou 1,09%. Com estes resultados, possvel ver que a rede conseguiu generalizar muito bem a funo que foi dada. Os valores que foram estimados na sada da rede neural so condizentes com os valores esperados. Desta forma, esta rede est apta a ser utilizada em novas aplicaes como um aproximador universal da funo que foi proposta no exerccio.

Fabricio Silva Pires de Camargo 5889175 SEL0421 Sistemas Inteligentes Resultados do EPC2 Atividade II Nesta atividade o objetivo descobrir qual a melhor topologia de rede neural a ser utilizada para a soluo de um problema. Foi adotado o mtodo da tentativa e erro neste caso. Foram executados 5 treinamentos para cada topologia e os resultados dos melhores casos esto na tabela abaixo.
Tabela 1 - Resultados das topologias.

RNA Topologia Algoritmo pocas Tempo Erro Trei. Erro Tes. 1 15-0 trainlm 200 11s 2,76% 2,84% 2 20-0 trainlm 200 14s 2,76% 2,81% 3 10-10 trainlm 200 21s 2,99% 3,98% 4 20-10 trainbr 200 65s 0,46% 0,58% 5 20-20 trainlm 99 57s 0,75% 1,51% 6 20-20 trainbr 200 255s 2,58% 2,96% Da anlise da tabela tem-se que a melhor topologia encontrada foi a 4. Esta rede apresenta 20 neurnios na primeira camada oculta e 10 na segunda. Utiliza o algoritmo de retro propagao de regulao Bayesiana. Apesar de que o treinamento se encerra no nmero de pocas e no no erro quadrtico mdio menor do que o pr-estabelecido esta foi a topologia que apresentou a melhor acurcia dentre as testadas. Um grfico que mostra o erro quadrtico mdio pela quantidade de pocas mostrado a seguir:

Figura 2 - Grfico do erro da melhor topologia.

Fabricio Silva Pires de Camargo 5889175 SEL0421 Sistemas Inteligentes Resultados do EPC2 Como descrito anteriormente, neste grfico se observa que a rede chegou s 200 pocas no treinamento sem que o erro quadrtico mdio atingisse o valor de 0,001 que condicionava uma outra parada. importante destacar que a topologia nmero 5 tambm apresentou resultados satisfatrios com tempo de treinamento melhor, com menos pocas e parou de rodar quando o erro quadrtico mdio atingiu 0,001. O grfico do caso 5 mostrado abaixo:

Figura 3 - Erro quadrtico mdio do caso 5.

Fabricio Silva Pires de Camargo 5889175 SEL0421 Sistemas Inteligentes Resultados do EPC2 Questes de reviso Explique o procedimento de validao cruzada e qual a sua importncia. O que overfitting? O procedimento de validao cruzada consiste em tomar uma porcentagem das amostras de uma quantidade total de dados disponveis para fazer o treinamento da rede e o restante dos dados usado para uma fase de testes, onde pode-se validar os dados que a rede deu como resposta, comparando com os resultados esperados a fim de analisar a capacidade de generalizao da rede. Overfitting o aumento indiscriminado do nmero de neurnios ou de camadas intermedirias que pode levar a sada do PMC para um caso de memorizao excessiva. Nas Redes Perceptron Multicamadas para aproximao funcional, quais so os cuidados que devem ser tomados para construir o conjunto de treinamento e de testes? Deve-se assegurar que todas as amostras, que carregam os valores mnimos e mximos de cada varivel de entrada, estejam dentro dos subconjuntos de treinamento. Na fase de operao tambm deve-se garantir que os atuais sinais, referentes a cada uma das variveis de entrada, estejam novamente compreendidos dentro daqueles domnios de definio que foram obtidos a partir dos valores mnimo e mximos dos subconjuntos de treinamento.

Fabricio Silva Pires de Camargo 5889175 SEL0421 Sistemas Inteligentes Resultados do EPC2 Anexos 1 - Programa de treinamento M = load('treinamento.txt'); vet_entrada = [M(:,1:3)]'; vet_desejado = [M(:,4)]'; x1min = min(M(:,1)); x2min = min(M(:,2)); x3min = min(M(:,3)); x1max = max(M(:,1)); x2max = max(M(:,2)); x3max = max(M(:,3)); %Passo 1 - Inicializar a rede net = newff([x1min x1max; x2min x2max; x3min x3max],... [10 20 1],... {'tansig' 'tansig' 'purelin'},'trainbr'); % Passo 2: Definir os Parmetros de Treinamento net.trainParam.epochs = 200; % Nmero de pocas net.trainParam.goal = 1e-4; % Erro final desejado net.trainParam.lr = 0.01; % Taxa de aprendizado net.trainParam.show = 5; % Refresh da tela (pocas) % Passo 3: Treinar a Rede net = train(net, vet_entrada, vet_desejado); save('pmc') 2 Programa de aplicao T = load('teste.txt'); vet_teste_entrada = [T(:,1:3)]'; vet_teste_desejado = [T(:,4)]'; load('pmc') % Passo 4: Testar a Rede vet_saida = sim(net, vet_teste_entrada); saida = [vet_teste_desejado; vet_saida; abs(vet_teste_desejado-vet_saida)]' erro = abs(vet_teste_desejado-vet_saida); erro_medio = mean(erro)