Professional Documents
Culture Documents
Objetivo
Oferecer ao aluno uma introduo ao software MATLAB e ao toolbox de Redes Neurais, descrevendo comandos dicas e exemplos de utilizao.
Ambiente MATLAB
MATLAB MATrix LABoratory Programao baseada em Matrizes Vetores e escalares tambm podem ser considerados matrizes, 1xN, Nx1, 1x1
Janela de Histrico
Operaes em Matrizes
: transposio de uma matriz
>> A A = 16 3 2 13
5 10 11 8
9 6 7 12
4 15 14 1
Indexao de Matrizes
Matriz Bidimensional: A(i,j) o elemento A(i,j) da i-sima linha, j-sima coluna
A = 16 5 9 4 3 10 6 15 2 11 7 14 13 8 12 1
A(2,3) = 11
Indexao de Matrizes
Soma dos Elementos da 2a Linha: >> A(2,1) + A(2,2) + A(2,3) + A(2,4) ans = 34
Redimensionamento Automtico
>> X = A; >> X(5,5) = 29 X = 16 3 2 5 10 11 9 6 7 4 15 14 0 0 0
13 8 12 1 0
0 0 0 0 29
O Operador : e Matrizes
A(1:m, n) primeiros m elementos da n-sima n): coluna A(:, n) todos os elementos da n-sima coluna n): A(:, end) todos os elementos da ltima coluna end): A(m, 1:n) primeiros n elementos da m-sima 1:n): linha A(m, :) todos os elementos da m-sima linha :): A(end,:): A(end,:) todos os elementos da ltima linha
O Operador : e Matrizes
>> A(:,4) ans = 13 8 12 1 >> A(:,end) ans = 13 8 12 1
OU
Definindo os Padres
>> angulo=-pi:pi/15:pi; >> seno=sin(angulo);
1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1 -4
-3
-2
-1
Funes de Ativao
purelin logsig tansig satlin(s) Linear Sigmide Tangente hiperblica Linear com saturao
Algoritmos de Treinamento
traingd 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)
net.trainParam.lr_inc = 1.05; Taxa de incremento da lr net.trainParam.lr_dec = 0.7; Taxa de decremento da lr net.trainParam.max_perf_inc = 1.04; Incremento mximo do erro
10 Training-Blue Goal-Black
10
-1
10
-2
10
-3
10
-4
500
1000
2000
2500
3000
-3
-2
-1
-3
-2
-1
Validao
Dividir os padres disponveis em trs conjuntos:
treinamento (70%): matrizes Ptrain, Ttrain teste (20%): matrizes Ptest, Ttest validao (10%): matrizes Pvalid, Tvalid
Validao
Gera conjunto de treinamento:
>> angulo=-pi:pi/15:pi; >> seno=sin(angulo);
Validao
-3
-2
-1
Validao
Treina a rede neural incluindo a validao como critrio de parada
>> net=newff([minmax(angulo)] ,[15,1], {'tansig','tansig'},'traingdm'); >> net.trainParam.show = 25; >> net.trainParam.epochs = 300000; >> net.trainParam.max_fail = 50; >> [net,tr]=train(net,p,t,[],[],val);
Validao
Treina a rede neural incluindo a validao como critrio de parada
10
0
10 Training-Blue Validation-Green
-1
10
-2
10
-3
10
-4
10
-5
10
-6
4 5 6 100000 Epochs
10 x 10
4
Validao
Treina a rede neural incluindo a validao como critrio de parada
1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1 -4
-3
-2
-1
Definindo os Padres
Definindo os Padres
Definindo os Padres
Definindo os Padres
Exportando os Dados
Exportando os Dados