Post on 06-Jul-2018
8/17/2019 Laboratorio_2c
1/5
ASIGNATURA: INTRODUCCION A LA INTELIGENCIA ARTIFICIAL
DPTO. DE INGENIERÍA ELÉCTRICAFACULTAD DE INGENIERÍA, CIENCIAS Y ADMINISTRACIÓN
UNIVERSIDAD DE LA FRONTERA
Laboratorio Nº 2: Redes Neuronales ArtificialesPROBLEMA DE REGRESIN
Se tiene un problema de regresión en el que se desea diseñar una red neuronal de tipo MLP con
algoritmo de aprendizaje “backpropagation” que aprenda a reconocer la función que subyace los
datos que están en la siguiente figura 1. Esto significa que la red debe eliminar el ruido que
contamina la señal.
Figura 1. Y: Conjunto de datos formados por 100 muestras de la señal.
La figura 1 muestra una señal sinusoidal contaminada con ruido aleatorio de media cero y
desviación estándar 0.2 (ver ANEXO I). La señal está almacenada en el archivo Señal.mat, que
contiene la señal completa Y: función sinusoidal + error (100 muestras). A partir de Y Ud. debe
extraer los siguientes conjuntos.
- Ytrain: Conjunto de entrenamiento (las primeras 80 muestras pares de Y)
- Yval: Conjunto de validación (las primeras 80 muestras impares de Y)
- Ytest: Conjunto de test (las 20 últimas muestras de Y)
8/17/2019 Laboratorio_2c
2/5
TAREA:
Implementar un algoritmo que realice las siguientes acciones:
A/ Cargar los datos del archivo Señal.mat en el ambiente de Matlab o utilizar la señal Y para formar
los conjuntos de entrenamiento, validación y test antes señalados.
B/ Representar gráficamente los datos de los tres conjuntos.
C/ Diseñar una Red Neuronal Artificial que aprenda la señal entregada. Para esto recuerde las
etapas del diseño de la red:
1.- Definir los conjuntos de datos- preprocesamiento y depuración de los datos
- transformación de los datos (extracción de caracterí sticas)
- normalización (en caso necesario)
- determinar los conjuntos de entrenamiento, validación y test.
2.- Definir tipo y estructura de la red
- tipo de red y algoritmo de aprendizaje
- número de entradas y salidas
- número de neuronas en la(s) capa(s) oculta(s)
- funciones de activación en cada capa
- función de entrenamiento3.- Entrenar y Validar
- Ajuste de neuronas en la capa oculta.
- realizar al menos 10 partidas desde diferentes conjuntos de pesos iniciales
- Evaluar el desempeño de la máquina y los resultados de aprendizaje del conjunto de validación y
test, utilizando alguna o todas las métricas del anexo I más abajo.
D/ Escribir un breve informe del proceso: Archivo word de 2 a 3 páginas que debe contener:
- Planteamiento del problema
- Descripción de la Solución propuesta
- Resultados obtenidos- Discusión y Conclusiones (dificultades encontradas, logros alcanzados, evaluación general de la
solución propuesta) ¿Qué se puede concluir del rendimieno del con!uno de es"
8/17/2019 Laboratorio_2c
3/5
ANEXO I
DATOS: Las muestras de la señal Y que se presentan en la figura 1 son las que se muestras en la
siguiente matriz. En ella la secuencia de muestras está en las filas de cada columna
(Muestra1=0.9575; Muestra2=0.7868; etc.).
Y:
0.9575 -0.2365 -0.7584 -0.1678 0.5252
0.7868 -0.206 -0.7972 -0.3602 0.5684
0.9036 0.397 -0.6989 -0.6977 0.5204
1.1145 0.6242 -0.4512 -0.659 -0.1028
0.6609 0.5844 -0.5325 -0.9897 -0.2099
0.7211 0.4494 -0.35 -0.9158 -0.2627
0.5028 0.8652 -0.026 -0.88 -0.3401
0.1431 0.3891 0.0575 -0.6678 -0.7185
-0.3206 0.7013 0.1231 -0.8689 -0.7956
-0.4953 1.2391 0.6662 -0.6498 -0.6699
-0.3624 0.6916 0.617 -0.2156 -1.0133
-0.5779 0.2934 0.5003 0.1838 -0.6125
-0.6889 0.4456 0.7327 0.2065 -0.5739
-0.9547 0.0658 0.7682 0.2669 -0.7024
-0.7512 0.0773 0.3639 0.4989 -0.3444
-0.7646 -0.3407 0.4205 0.6565 -0.0653
-0.8738 -0.244 0.2079 1.0547 -0.0274
-0.551 -0.4452 0.5054 0.7811 0.2592
-0.8069 -0.6826 0.1146 0.9449 0.3341
-0.5511 -0.8303 0.1162 0.7345 0.4885
8/17/2019 Laboratorio_2c
4/5
ANEXO IIE#$lu$ci%n de un modelo de Re&resi%n'
!a evaluación de los modelos de regresión se basa en evaluar cuan parecidas son las curvas "ue
forman los datos "ue se est#n comparando Por un lado se tiene los $ valores reales de la
curva, tambi%n llamados valores observados (oi) o e&perimentales y por otro, se tiene los $
valores obtenidos por el modelo, tambi%n llamados valores predic'os (p i) arios ndices
permiten evaluar la cercana de las dos curvas *lgunos de ellos son+
(.) Error Cu$dr*ico +edio ,+-E/
∑=
−= N
i
ii po N
MSE ,
-)(,
.ste ndice suma punto a punto el cuadrado de los errores obtenidos por las se/ales comparadas
0.) Índice de Acuerdo ,IA/
∑
∑
=
=
−
−
−= N
i
ii
N
i
ii
po
po
IA
,
-00
,
-
)(
)(
,
observadosvaloreslosde
mediovaloreles donde
0
0
m
mii
mii
o
o p p
ooo
−=
−=
(1nde& of *greement)
1.) R$23 Cu$dr*ic$ medi$ ,R+-/
∑
∑
=
=
−
= N
ii
N
i
ii
o
po
RMS
,
0-
,
-)(
/ Root 2ean S"uare
4.) Des#i$ci%n Es*nd$r de los Residuos ,R-D/
N
po
RSD
N
i
ii∑=
−
= ,
-)(/ Residual Standard Deviation
8/17/2019 Laboratorio_2c
5/5
5.) Coe6iciene de correl$ci%n ,CC/
∑∑
∑
==
=
−−
−−
= N
i
mi
N
i
mi
N
i
mimi
p poo
p poo
CC
,
-
,
-
,
)()(
))((
menterespectiva
predic'osyobservadosvaloreslosde
mediosvaloreslossonydonde mm po
.ste ndice independiza la correlación de las magnitudes de los datos comparados
7.) -8mmeric me$n $9solue percen$&e error ,-+APE.
( ) ,334
-56
6,
,∑= +
−=
n
i ii
ii
y y
y y
nSMAPE
y6 es la salida simulada.
i y es la salida deseada.