Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
1 “ Neural Network Toolbox de MATLAB” Instructor: Juan Carlos Moctezuma Eugenio Ciencias Computacionales - INAOE Septiembre 2006 1 Juan Carlos Moctezuma EugenioNeural Network Toolbox Agenda 1. Introducción a las Redes Neuronales Artificiales 2. Introducción al Neural Network Toolbox 3. Redes Perceptrón 4. Redes Backpropagation 5. Redes Recurrentes tipo Hopfield 6. Laboratorios 2 2 Juan Carlos Moctezuma EugenioNeural Network Toolbox Introducción Los sistemas de cómputo de hoy en día, son exitosos en la resolución de problemas matemáticos o científicos, pero definitivamente tienen una gran incapacidad para interpretar el mundo tal y como nosotros los humanos lo hacemos, más específicamente como nuestro cerebro lo hace. Características del cerebro humano: � Su robustez y tolerancia a fallas, mueren neuronas sin afectar su desempeño � Flexibilidad, se ajusta a nuevos ambientes por medio de un proceso de aprendizaje, no hay que programarlo � Puede manejar información difusa � Es altamente paralelo � Es pequeño y compacto 3 Juan Carlos Moctezuma EugenioNeural Network Toolbox Las redes neuronales artificiales han surgido como un intento de desarrollar sistemas que emulen estas características del cerebro De esta forma podemos definir a las redes neuronales artificiales (RNA) como modelos matemáticos ó computacionales inspirados en sistemas biológicos, adaptados y simulados en computadoras convencionales Las características más importantes de las RNA son: � Habilidad de Aprendizaje. Las RNA pueden modificar su comportamiento en respuesta al medio ambiente. � Generalización. Una vez entrenada, una RNA es, hasta cierto grado, insensible a variaciones pequeñas en sus entradas. Esto es, las RNA producen sistemas capaces de manejar el mundo "imperfecto" en que vivimos. � Abstracción. Algunas RNA son capaces de abstraer la esencia de una serie de entradas. Se pueden abstraer patrones perfectos de modelos distorsionados. 3 4 Juan Carlos Moctezuma EugenioNeural Network Toolbox Modelo computacional El elemento más básico del cerebro es la neurona, la cual por si sola no hace mucho pero juntamos millones de ellas entonces se vuelven poderosas El modelo computacional de una neurona artificial es una imitación del proceso de una neurona biológica 5 Juan Carlos Moctezuma EugenioNeural Network Toolbox ∑ X1 X2 Xp TF Wk1 Wk2 Wkp Uk Threshold yk Modelo desglosado de la neurona La neurona esta constituida por: lazos sinápticos (X*W), mezclador lineal (U) y una función de activación (TF) 4 6 Juan Carlos Moctezuma EugenioNeural Network Toolbox Función de Transferencia Es quizás la característica principal de las neuronas, la que mejor define el comportamiento de la misma. Se encarga de calcular el nivel o estado de activación de la neurona en función de la entrada total 7 Juan Carlos Moctezuma EugenioNeural Network Toolbox Modelo de una capa Dentro de una red neuronal, los elementos de procesamiento se encuentran agrupados por capas, una capa es una colección de neuronas; de acuerdo a la ubicación de la capa en la RNA, ésta recibe diferentes nombres: � Capa de entrada � Capa oculta � Capa de salida 5 8 Juan Carlos Moctezuma EugenioNeural Network Toolbox Modelo de una red multicapa Una red multicapa simplemente es una red que contiene varias capas en su estructura, la forma en que las capas se encuentran conectadas es fundamental para poder clasificar a la red 9 Juan Carlos Moctezuma EugenioNeural Network Toolbox Agenda 1. Introducción a las Redes Neuronales Artificiales 2. Introducción al Neural Network Toolbox 3. Redes Perceptrón 4. Redes Backpropagation 5. Redes Recurrentes tipo Hopfield 6. Laboratorios 6 10 Juan Carlos Moctezuma EugenioNeural Network Toolbox Neural Network Toolbox El Neural Network Toolbox de MATLAB modela solo abstracciones simples de los modelos de redes biológicas. Comúnmente se entrenan por aprendizaje supervisado, aunque también soporta el aprendizaje no supervisado y el diseño directo 11 Juan Carlos Moctezuma EugenioNeural Network Toolbox Modelo de la neurona en MATLAB 7 12 Juan Carlos Moctezuma EugenioNeural Network Toolbox MATLAB cuenta con una gran variedad de funciones de transferencia dependiendo el fin para el que va a ser utilizada la red, aquí presentamos 6 funciones: Funciones de Transferencia 13 Juan Carlos Moctezuma EugenioNeural Network Toolbox Capa de neuronas en MATLAB Una simple neurona no puede hacer mucho. Sin embargo, muchas neuronas pueden combinarse en una o varias capas y así hacer a la red más poderosa 8 14 Juan Carlos Moctezuma EugenioNeural Network Toolbox Redes Multicapa en MATLAB 15 Juan Carlos Moctezuma EugenioNeural Network Toolbox Redes multicapa (notación abreviada) 9 16 Juan Carlos Moctezuma EugenioNeural Network Toolbox IW – pesos de entradas LW – pesos de capas LWc1,c2 n1,n2 Peso que viene de la neurona n2 de la capa c1 y que va hacia la neurona n1 de la capa c1 Superíndices – información de las capas Subíndices – información de la entrada/neurona fuente y la neurona/salida destino Notación 17 Juan Carlos Moctezuma EugenioNeural Network Toolbox Agenda 1. Introducción a las Redes Neuronales Artificiales 2. Introducción al Neural Network Toolbox 3. Redes Perceptrón 4. Redes Backpropagation 5. Redes Recurrentes tipo Hopfield 6. Laboratorios 10 18 Juan Carlos Moctezuma EugenioNeural Network Toolbox El perceptrón Este tipo de red es ampliamente usado en problemas simples de clasificación de patrones. 19 Juan Carlos Moctezuma EugenioNeural Network Toolbox net = newp (PR, S); PR – matriz de Rx2 a1 b1 a2 b2 aR bR [ai bi] = intervalo de la i–ésima entrada S – números de neuronas Arquitectura del Perceptrón 11 20 Juan Carlos Moctezuma EugenioNeural Network Toolbox Neural Network Object Architecture SubObject Structures Functions Parameters Weight and Biases values Other (User Stuff) architecture: numInputs numLayers biasConnect inputConnect layerConnect outputConnect targetConnect subobject structures: inputs layers outputst targets biases inputWeight layerWeights functions: adaptFcn initFcn performFcn trainFcn parameters: adaptParam: .passes trainParam: .epochs, .goal, .show, .time weight and bias values: IW LW b Objetos tipo red neuronal En MATLAB cuando se crea una red neuronal en realidad lo que se esta creando es un objeto con diferentes campos o propiedades 21 Juan Carlos Moctezuma EugenioNeural Network Toolbox Proceso de Aprendizaje Aprendizaje.- es el proceso mediante el cual la red va modificando sus pesos y ganancias de tal manera que al final del proceso se tiene el comportamiento deseado El proceso de aprendizaje involucra los siguientes pasos: 1. La red neuronal es estimulada por el entorno 2. La red neuronal experimenta cambios como resultado de ese estímulo 3. La red neuronal responde de una nueva forma al entorno, como resultado de los cambios ocurridos en su estructura interna 12 22 Juan Carlos Moctezuma EugenioNeural Network Toolbox Learning Process Learning algorithms (rules) -Calculate net’ output -Comparate with the target -Get Error -Change weights and biases Learning paradigms Enviroment Teacher ∑Learning System + _ Taxonomía del proceso de aprendizaje 23 Juan Carlos Moctezuma EugenioNeural Network Toolbox Reglas de aprendizaje en MATLAB 13 24 Juan Carlos Moctezuma EugenioNeural Network Toolbox P = T = Patrón de entrada Número de entradas Salida deseada para determinado patrón de entrada Número de salidas Tipos de Entrenamiento Inremental Training: Los pesos y ganancias de la red son actualizados o cambiados cada vez que se presenta un patrón de entrada Batching Training: Los pesos y ganancias de la red son cambiados solamente hasta que todos los patrones de entrada han sido presentados 25 Juan Carlos MoctezumaEugenioNeural Network Toolbox Regla de aprendizaje del Perceptrón El perceptrón es un tipo de red de aprendizaje supervisado, es decir, necesita conocer los valores esperados (targets) para cada una de las entradas (a) presentadas Generalmente ocupan funciones de transferencia tipo hardlim y hardlims La regla de aprendizaje que sigue el perceptrón para la actualización de sus pesos es la siguiente: 14 26 Juan Carlos Moctezuma EugenioNeural Network Toolbox Sesión práctica Aprendizaje del Perceptrón y Estructura de las Redes Neuronales en MATLAB 27 Juan Carlos Moctezuma EugenioNeural Network Toolbox sensores Motor chico mediano grande mega Red Neuronal Se desea realizar un clasificador de 4 tipos diferentes de cajas usando 6 sensores Lab 1: Aplicación del Perceptrón 15 28 Juan Carlos Moctezuma EugenioNeural Network Toolbox 1 0 1 1 0 0 M0 1 1 0 0 0 0 M1 Motor Mega111111 Grande111011 Mediano111001 Mediano111010 Chico101001 Chico101010 L0L1H0H1W0W1 Tamaño de la caja LargoAltoAncho W1 W0 H1 H0 L1 L0 M1 M0 W0 W1 H0 H1 L0L1 29 Juan Carlos Moctezuma EugenioNeural Network Toolbox Agenda 1. Introducción a las Redes Neuronales Artificiales 2. Introducción al Neural Network Toolbox 3. Redes Perceptrón 4. Redes Backpropagation 5. Redes Recurrentes tipo Hopfield 6. Laboratorios 16 30 Juan Carlos Moctezuma EugenioNeural Network Toolbox Tipo de Red de aprendizaje supervisado que se basa en un algoritmo de gradiente descendiente (LMS Algorithm Widrow-Hoff). El patrón de entrada se propaga por la red hasta generar la salida, después se calcula el error; éstas salidas de error se propagan hacia las neuronas de la capa anterior. Cada neurona solo tiene una contribución del error total El error que genera la red en función de sus pesos es una superficie de n dimensiones, al evaluar el gradiente se obtiene la dirección en la cual la superficie tiene un mayor crecimiento, por lo tanto se toma la dirección opuesta (negativa) para minimizar el error Redes Backpropagation 31 Juan Carlos Moctezuma EugenioNeural Network Toolbox Las funciones de transferencia deben de ser continuas. Además se buscan funciones cuya derivada dependa de la función sin derivar. Arquitectura Backpropagation 17 32 Juan Carlos Moctezuma EugenioNeural Network Toolbox Algoritmo Estándar g k – gradiente α k – learning rate traingd – aprendizaje por gradiente descendiente (Estándar) traingdm – gradiente descendiente con momentum (low-pass filter) traingda, traingdx – gradiente descendiente, variando el learning rate trainlm - Levenberg-Marquardt basado en la matriz Hessiana pero hecha con una aproximación usando la matriz Jacobian Algoritmo Estándar Técnicas Heurísticas Técnicas Optimización Numérica -momentum -lr variable -gradiente conjugado -Newton (Hessian matrix) -Levenberg-M (Jacobian matrix) Algoritmos Backpropagation 33 Juan Carlos Moctezuma EugenioNeural Network Toolbox Redes Backpropagation en MATLAB newff(PR, tam, transfer, train) � PR – matriz de Rx2 en donde se indican los intervalos que pueden tomar las R entradas de la red � tam – número de neuronas de la capa � transfer – función de transferencia expresada como cell array � train – método de entrenamiento de la red 18 34 Juan Carlos Moctezuma EugenioNeural Network Toolbox Pre-procesamiento y Post-procesamiento El entrenamiento en redes neuronales puede volverse más eficiente si realizamos un pre-procesamiento principalmente a entradas y targets Hay veces que antes de entrenar la red es útil escalar las entradas y targets de tal forma que se distribuyan en un rango específico, para esto se usa la función ‘premnmx’ Los datos son “normalizados” en el rango [-1 1] y se deben de usar los datos normalizados para probar la red La función ‘postmnmx’ sirve para que los datos regresen a su estado original Si se quiere aplicar un nuevo set de entradas pero con la distribución de los datos normalizados entonces se ocupa la función ‘tramnmx’ 35 Juan Carlos Moctezuma EugenioNeural Network Toolbox Análisis post-entrenamiento La eficiencia de una red entrenada puede ser medida viendo los errores que arroja la red durante el entrenamiento o bien validando el set de training, pero algunas veces es útil medir la red con más detalle. Una opción es medir la eficiencia por análisis regresivo. “m” y “b” corresponden a la pendiente y a la intersección en el eje de las ordenadas respectivamente, es decir, representan la mejor regresión lineal que relaciona los targets con las salidas de la red “r” es un coeficiente de correlación entre los targets y las salidas, toma valores entre 0 y 1, donde 1 indica una perfecta correlación 19 36 Juan Carlos Moctezuma EugenioNeural Network Toolbox Resultados arrojados por ‘postreg’ 37 Juan Carlos Moctezuma EugenioNeural Network Toolbox Sesión práctica Redes Backpropagation en MATLAB 20 38 Juan Carlos Moctezuma EugenioNeural Network Toolbox Hidden layer (tansig function) Output layer (purelin function) p t p t Lab 2: Aplicación del Backpropagation Se desea realizar un red neuronal la cual se comporte como un aproximador de funciones dado un set discreto de valores de entrada 39 Juan Carlos Moctezuma EugenioNeural Network Toolbox La GUI deberá tener las siguientes características: � Un cuadro de texto para indicar el rango de la función � Un cuadro de texto para indicar la función � Un cuadro de texto que indique el número de neuronas en la capa 1 � Un grupo de radiobuttons que me ofrezca al menos 5 opciones de entrenamiento � Un botón para entrenar la red � Un botón en donde compare la función original con la obtenida por la red neuronal 21 40 Juan Carlos Moctezuma EugenioNeural Network Toolbox Agenda 1. Introducción a las Redes Neuronales Artificiales 2. Introducción al Neural Network Toolbox 3. Redes Perceptrón 4. Redes Backpropagation 5. Redes Recurrentes tipo Hopfield 6. Laboratorios 41 Juan Carlos Moctezuma EugenioNeural Network Toolbox Redes recurrentes tipo Hopfield La principal característica de las redes recurrentes en cuanto a su arquitectura es que poseen retroalimentaciones El toolbox de MATLAB soporta 2 tipos de redes recurrentes: las redes Elman y las redes Hopfield, ésta última será la que estudiaremos en este curso La red Hopfield es usada para almacenar uno o más conjuntos de vectores de equilibrio (stable target vectors). Estos vectores sirven como estados de equilibrio; para cuando se presente una entrada a la red, entonces la salida converge a uno de estos vectores de equilibrio 22 42 Juan Carlos Moctezuma EugenioNeural Network Toolbox Representación gráfica del comportamiento Supongamos que tenemos una red de 2 neuronas (el número de entradas que podemos tener será igual al número de neuronas), además tenemos 2 patrones a grabar [-1 1] y [1 -1] 43 Juan Carlos Moctezuma EugenioNeural Network Toolbox Arquitectura Hopfield Este tipo de red puede grabar (como una memoria) uno o varios patrones de entrada, los cuales son presentados como condiciones iniciales 23 44 Juan Carlos Moctezuma EugenioNeural Network Toolbox Una representación quizá más desglosada de la arquitectura Hopfield sería la siguiente: Xo X X1 n-1 n-1X Xo´ X ´ ο n-2 n-1 1 n-2 X´ 1 µ µ µ µ 45 Juan Carlos Moctezuma EugenioNeural Network Toolbox Se calculan los pesos de la red Wij (salida de la j-ésima neurona a la entrada de la i-ésima neurona) Se muestra a la red un patrón de entrada cualquiera (completo o incompleto) La red empieza a iterar hasta que la salida converge (es estable) M = número de clases por aprender Xsi = i-ésimo elemento de la s-ésima clase Entrenamiento de una red Hopfield 24 46 Juan Carlos Moctezuma EugenioNeural Network Toolbox Declarando una red hopfield La declaración y entrenamiento de la red se ejecuta con una sola función que se llama ‘newhop’,en realidad lo que hace esta función es calcular los pesos colocando como condición inicial a la matriz T 10x5 nethop = newhop(T); Y = sim(nethop,{Q TS},{}, {Ai}); Ai = set de entradas a probar Q = Dimensión de Ai TS = número de iteraciones T = 5 patrones a grabar, con 10 entradas 47 Juan Carlos Moctezuma EugenioNeural Network Toolbox Sesión práctica Redes tipo Hopfield en MATLAB 25 48 Juan Carlos Moctezuma EugenioNeural Network Toolbox Patrones a grabar: A, I, E, 1, 2 Red Hopfield Lab 3: Aplicación Hopfield Se desea realizar una red que grabe M patrones de entrada (en este caso serán letras o números) de una matriz de 5x5. Después que se haya entrenado la red se presentarán entradas con ruido (letras mal hechas) de tal forma que la red converja al patrón más parecido (letra más parecida) 49 Juan Carlos Moctezuma EugenioNeural Network Toolbox La red se realizará en una interfaz gráfica de usuario y deberá tener las siguientes especificaciones: � Un cuadro de texto que indique cuantos patrones deseo grabar � Otro cuadro de texto en donde se indique por medio de una matriz de tamaño 5x5 la cual contendrá solo 0’s y 1’s que segmento estará prendido y que segmento estará apagado � Otro cuadro de texto para indicar el número de iteraciones � Un botón que vaya grabando cada patrón introducido por el usuario para que al final se tenga la matriz T � Un botón que sea para entrenar la red � Otro botón que visualice los resultados de la red ya entrenada para así comparar resultados 26 50 Juan Carlos Moctezuma EugenioNeural Network Toolbox Gracias por su atención Otros cursos: - Análisis Numérico y Aplicaciones al Cálculo y Álgebra - Graficación en 2D y 3D - Desarrollo de Interfaces Gráficas de Usuario - Procesamiento de Imágenes - Adquisición de Datos - Adquisición de Imágenes - Diseño de Sistemas Digitales en FPGAs usando MATLAB - Diseño de Sistemas Digitales en FPGAs usando VHDL Para información acerca de los cursos moctezumajc@yahoo.com
Compartir