You are on page 1of 3

REDES NEURONLES

>> % 1) Cargar en el Workspace el vector de demanda elctrica.


>> % 2) Convertir el vector en un arreglo en celdas con el comando
x=tonndata(vector,0,0);
>> x=tonndata(vector,0,0);
Undefined function or variable 'vector'.

>> x=tonndata(BCS,0,0);
>> % Abrir la aplicacin de Redes Neuronles Artificiales (en las AP, Natual Net
Time Seires)
>> % 4) Cargar los datos en el "tool" y entrenar una red con los parmetros de
su eleccin
>> % (USAR NAR) --> Target: x ; Dar un nmero de Neuronas --> Dar nmero
de delay --> Train
>> % 5) Ya que termin el entrenamiento, realizar clic en el botn "regression"
>> % Si R --> 1 ; es un modelo mejor, si R --> 0 ; utilice otros parmetros para
Nmero de Neurnas y nmero de delays
>> % Un mayor nmero de neurnas requiere un mayor tiempo de
procesamiento; es recomendable que los dalay no superen el valor 20.
>> % Anotar el valor obtenido de R:
>> % Rtraining=0.99356
>> % Rvalidation=0.99297
>> % Rtest=0.99355
>> % Rtotal=0.99347
>> % 6) Seleccionar los ltimos datos de la serie tomada D datos para
completar el delay
>> % a estos ltimos agregue n ceros segn la longitud del pronstico
>> % y=BCS(end-(delay+pronstico):end);
>> % delay es el valor que asigamos anteriormente
>> % el pronstico es el nmero de datos que queremos calcular
>> y=BCS(end-(10+5):end);

>> y1=[y' 0 0 0 0 0]'

y1 =

229
246
252
255
256
256
253
252
254
265
296
296
280
262
243
228
0
0
0
0
0

>> y2=tonndata(y1,0,0);
>> netc=closeloop(net);
>> [xc,xic,aic,tc]=preparets(netc,{},{},y2);
>> yc=(xc,xic,aic);

>> yc=netc(xc,xic,aic);
>> yp=cell2mat(yc)

yp =

271.4222 271.7850 267.3918 260.8030 257.2674 262.0571 272.3358


279.1458 277.2525 270.5182 262.0181