Optimización, redes neuronales y lógica difusaf
Descargar como PPT, PDF0 recomendaciones589 vistas
Este documento resume temas de optimización, redes neuronales y lógica difusa. Brevemente describe métodos de optimización como gradiente descendente y búsqueda de la sección dorada. Luego, explica cómo establecer y entrenar una red neuronal para predecir valores objetivo basados en datos de entrada, incluida la simulación de nuevos datos. Finalmente, introduce conceptos básicos de lógica difusa como clases con fronteras difusas y da un ejemplo de construir un sistema de inferencia difuso para calcular propinas basado en cal
![Simulación
%Nuevo dato (dato 1 que da t = 24)
p1=[0.0663;18;2.31;0;0.5380;6.5750;65.2;4.09;1;296;15.3;396.9;4.98];
%Simular red, considerando dato p1, que da 24.
t1=sim(net,p1)
t1 =
25.9920
% Valor cercano a 24.
%Si cambiamos p1 por p2
p2=[0.0663;18;2.31;0;0.5380;6.5750;65.2;4.09;1.3;296;15.3;396.9;5.98
];
t2=sim(net,p2)
t2 =
25.8227
%Nuevo valor cercano](https://image.slidesharecdn.com/sesin15-optimizacinredesneuronalesylgicadifusaf-121220234151-phpapp02/85/Optimizacion-redes-neuronales-y-logica-difusaf-13-320.jpg)
Optimización, redes neuronales y lógica difusaf
- 1. Optimización, Redes Neuronales y Lógica Difusa. Enero 2009 Dr. Ing. JuanCevallos
- 2. OPTIMIZACION • Gradiente descendente • Método de Newton • Gradiente conjugado • Búsqueda de la sección dorada
- 3. Búsqueda de la Sección Dorada
- 10. Establecer una Función Establecer una función para un conjunto de Q vectores de entrada como columnas en una matriz. Y conjunto de Q vectores objetivo (salida correcta para cada uno de los vectores input)en una segunda matriz. Comandos: %Cargar archivo • >> load house_dataset %Crear red rna • >> net=newfit(houseInputs,houseTargets,20); %Entrenar la Red %Por default algoritmo de entrenamiento de Levenberg Marquardt %60% datos para entrenamiento; 20% validar; 20% test de generalizar • >> net=train(net,houseInputs,houseTargets);
- 13. Simulación %Nuevo dato (dato 1 que da t = 24) p1=[0.0663;18;2.31;0;0.5380;6.5750;65.2;4.09;1;296;15.3;396.9;4.98]; %Simular red, considerando dato p1, que da 24. t1=sim(net,p1) t1 = 25.9920 % Valor cercano a 24. %Si cambiamos p1 por p2 p2=[0.0663;18;2.31;0;0.5380;6.5750;65.2;4.09;1.3;296;15.3;396.9;5.98 ]; t2=sim(net,p2) t2 = 25.8227 %Nuevo valor cercano
- 14. CON INTERFASE GRAFICA DE USUARIO • nntool
- 16. • New
- 19. LOGICA DIFUSA • Es una teoría relacionada a clases de objetos con fronteras no definidas con claridad, en las cuales la pertenencia a una clase es materia de grado / gradación. • La necesidad de precisión sobre los valores puede variar.
- 24. Problema • Propinas a un mesero • Calificación de la calidad del servicio de 0 a 10. • Calificación de la calidad de la comida de 0 a 10. Reglas: 1. Si servicio pobre o comida rancia: propina reducida. 2. Si servicio bueno : propina promedio. 3. Si servicio excelente o comida deliciosa: propina generosa. 4. Propina Promedio = 15%, generosa = 25% y reducida=5%.
- 25. Construir un Sistema de Inferencia Difusa • Fuzzy
- 35. Fin