Redes Neuronales Backpropagation

Facultad Ingeniería Electrónica y Mecatrónica
Práctica de Laboratorio Nº16

Redes Neuro_fuzzy
1. Objetivos.
- Analizar una red Neuro_fuzzy usando el método de gradiente descendente.
- Aprender a realizar aplicaciones con redes neuronales
2. Marco teórico
Una red Neuro_fuzzy asocia características de las Redes Neuronales con los
modelos difusos. Tiene como base neuronas independientes asociados a cada clase
de representación de un modelo de reconocimiento de patrones supervisado.
La función de pertenencia asocia los patrones de cada neurona representante de una
clase en el dominio del problema.
Figura 1 Red Neuro_fuzzy Sugeno de Orden Cero
La retropropagación (backpropagation) de errores es un algoritmo de aprendizaje

supervisado que se usa para entrenar redes neuronales artificiales. El algoritmo consiste
en minimizar un error (o suma del error cuadrático) por medio de gradiente
descendiente, por lo que la parte esencial del algoritmo es cálculo de las derivadas
parciales de dicho error con respecto a los parámetros de la red neuronal.
Una red neuronal usando el método de retropropagación permite entrenar mediante un
conjunto de ejemplo (entrada-salida) comúnmente denominado training set. Al haber
aprendido mediante este conjunto, se puede obtener una salida coherente para una
entrada determinada.
Como aplicación se usará el algoritmo de retropropagación con gradiente descendente
ajustando los parámetros de las funciones antecedentes y consecuentes para posicionar
un AGV (Vehículo guiado automáticamente).
3. Procedimiento.
Procedimiento del Sistema de Calidad (PSC) – ISO 9001
Considere que el universo de discurso está definido de 0 a 10 grados y la función de

pertenencia triangular “en posición apropiada” está en 5 grados.
clear all; x= [0: .5 :10]; % entrada

num_pts = size (x,2) ; % # de puntos
a= 5; % altura
b=4; % base
mu_i = trimf(x, [a-b/2 a a+b/2]);
plot(x, mu_i)
title ('En posición apropiada ')
xlabel ('Dirección en Grados ')
ylabel ('Grado de pertenencia ')
Figura 1. Posición del AGV
Para decidir si esta en el blanco indicado (sobre una escala de 1 - 10) considere el
sistema Sugeno de orden cero con una regla y r=10
Si el móvil está esta en posición entonces la "posibilidad de éxito " es 10 (r=10)
Suponer que tenemos experimentalmente calculada la superficie entrada/salida

r= 10; % valor de “r”de la regla Sugeno de orden cero

y_t = mu_i*r; % Posibilidad de éxito
plot (x, y_t);
title ('Superficie de entrada/salida para el móvil');
axis ([-inf inf 0 10.5]);
xlabel ('Dirección (entrada)')
ylabel ('Posibilidad de éxito (salida)')
Figura 2. Dirección deseada del AGV
Los parámetros MF antecedentes de una MF triangular simétrica y los consecuentes “r”

valores serán optimizados usando gradiente descendente.
Usaremos datos de entrada-salida
MF =
a= 3, b=4 y r= 8
PASO1. PASO ADELANTE DE TODAS LAS ENTRADAS PARA CALCULAR LA

SALIDA.
% Parámetros iniciales MF
r=8; % valor inicial de r
a=3; % altura inicial
b=6; %valor inicial de la base
mu_i = trimf(x, [a-b/2 a a+b/2]); % MF inicial

y= mu_i*r; % salida inicial
plot (x, y_t,x,y);
title ('Superficie entrada/salida');
axis ([-inf inf 0 10.5]);
text (2.5, 4.5, 'Inicial')
text ( 4.5, 6, 'Blanco')
xlabel ('Direccion (entrada)')
ylabel ('Posibilidad de éxito(salida)')
Figura 3
PASO 2. CALCULAR EL ERROR Y SSE PARA TODAS LAS ENTRADAS
e= y-y_t
SSE= sum (sum (e.^2))
SSE =
314.5556
PASO 3. CALCULAR LOS VECTORES GRADIENTE ( UNA ENTRADA , UNA

REGLA)
ind = find (abs(x-a) <= (b/2)); % Localiza índices bajo MF
delta_a=r*e(ind).*((2*sign(x(ind)-a))/b); % Deltas para puntos ind.
delta_b=r*e(ind).*((1-mu_i (ind))/b);
delta_r=e(ind).*mu_i(ind);
PASO 4. ACTUALIZAR LOS PARÁMETROS CON LA REGLA DE

ACTUALIZACIÓN.
lr_a=.1;
lr_b=5;
lr_r=10
del_a=-((lr_a/(2*num_pts))*sum(delta_a));
del_b=-((lr_b/(2*num_pts))*sum(delta_b));
del_r=-((lr_r/(2*num_pts))*sum(delta_r))
a= a+del_a;
b= b+del_b;
r= r+del_r;
a=
3.7955
b=
4.3239
c=
5.8409
Veamos si el SSE es mejor

y_new=mu_i*r; %Listo
e=y_t-y_new; %error
SSE(2)= sum (sum (e.^2)) %Suma cuadrado del error
SSE =
3145556 189.1447
El SSE fue reducido de 314 a 190 en un solo paso. Ahora veamos como se entrena
iterativamente un sistema fuzzy.
PASO 5: REPETIR PASOS DEL 1 AL 5
maxcycles=30;
SSEgoal=.5:
for i=2:maxcycles
y_new=mu_i*r; %Salida
e=y_t-y_new; %error
SSE(i)= sum (sum (e.^2)) %Suma cuadrado del error
If SSE(i) < SSE_goal;break;end
ind = find (abs(x-a) <= (b/2));
delta_a=r*e(ind).*((2*sign(x(ind)-a))/b); % Deltas para puntos ind.

delta_b=r*e(ind).*((1-mu_i (ind))/b);
delta_r=e(ind).*mu_i(ind);
del_a=-((lr_a/(2*num_pts))*sum(delta_a));
del_b=-((lr_b/(2*num_pts))*sum(delta_b));
del_r=-((lr_r/(2*num_pts))*sum(delta_r))
a= a+del_a;
b= b+del_b;
r= r+del_r;
Graficar los resultados

plot (x, y_t,x,y_new,x,y);
title ("Superficie de entrada/salida ");
axis ([0 10 0 10.5]);
text (2.5, 4.5, 'Inicial')
text ( 4.5, 6, 'Blanco')
text ( 4, 6.5, 'Final')
xlabel (‘ entrada’);
ylabel (‘salida')
Gráfico del error SSE
Semilogy (SSE); title (‘Registro de entrenamiento SSE’)

xlabel (‘ Epochs’);
ylabel (‘SSE')

Redes Neuronales Backpropagation

Cargado por

Copyright:

Formatos disponibles

Redes Neuronales Backpropagation

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Redes Neuronales Backpropagation

Cargado por

Copyright:

Formatos disponibles

Facultad Ingeniería Electrónica y Mecatrónica

Práctica de Laboratorio Nº16

Figura 1 Red Neuro_fuzzy Sugeno de Orden Cero

La retropropagación (backpropagation) de errores es un algoritmo de aprendizaje

Considere que el universo de discurso está definido de 0 a 10 grados y la función de

clear all; x= [0: .5 :10]; % entrada

Figura 1. Posición del AGV

Si el móvil está esta en posición entonces la "posibilidad de éxito " es 10 (r=10)

Suponer que tenemos experimentalmente calculada la superficie entrada/salida

Procedimiento del Sistema de Calidad (PSC) – ISO 9001

r= 10; % valor de “r”de la regla Sugeno de orden cero

Figura 2. Dirección deseada del AGV

Los parámetros MF antecedentes de una MF triangular simétrica y los consecuentes “r”

PASO1. PASO ADELANTE DE TODAS LAS ENTRADAS PARA CALCULAR LA

mu_i = trimf(x, [a-b/2 a a+b/2]); % MF inicial

PASO 2. CALCULAR EL ERROR Y SSE PARA TODAS LAS ENTRADAS

PASO 3. CALCULAR LOS VECTORES GRADIENTE ( UNA ENTRADA , UNA

PASO 4. ACTUALIZAR LOS PARÁMETROS CON LA REGLA DE

Veamos si el SSE es mejor

PASO 5: REPETIR PASOS DEL 1 AL 5

delta_a=r*e(ind).*((2*sign(x(ind)-a))/b); % Deltas para puntos ind.

Graficar los resultados

Gráfico del error SSE

Semilogy (SSE); title (‘Registro de entrenamiento SSE’)

Procedimiento del Sistema de Calidad (PSC) – ISO 9001

También podría gustarte

Pfad - The Proxy pFad of © 2024 Garber Painting. All rights reserved.

delta_a=re(ind).((2*sign(x(ind)-a))/b); % Deltas para puntos ind.