Trabalhando
com
o Toolbox
de
Redes
Neurais
Artificiais
do
Matlab
1.
Aprendendo
a
criar
e treinar
uma
rede
neural
Perceptron
de
múltiplas
camadas
(MLP)
A tabela 1 apresenta
as
funções
necessárias
para
criar
, treinar e
simular
uma
rede
neural
MLP
através
do
matlab
.
Tabela
1 -
Funções
matlab
-
toolbox
redes
neurais
-
MLP
Matlab
Função
Objetivo
newff
Criar
uma
rede
MLP
sim
Simular
uma
rede
MLP
train
Treinar
uma
rede
MLP
traingd
Realizar
treinamento
com
Backpropagation
padrão
trainlm
Realizar
treinamento
com
Levenberg-
Maquardt
logsig
Implementa
a
função
de
ativação
sigmoide
tansig
Implementa
a
função
tan
ge
nt
e
hiperbólica
purelin
Implementa
a
função
linear
Exemplo
1:
Neste
exemplo
iremos
aprender
com
criar
uma
rede
MLP
para
um
problema
simples
de
aproximação
de
função,
onde
teremos
uma
entrada
e
uma
saída
para
a
rede
neural
e 9
padrões
de
treino
. A
tabela
2
apresenta
os
padrões
de
entrada
(x)
e
saída
(y)
desejada
para
a
rede
aprender
a
função
y=f{x)
.
Tabela
2 -
padrões
para
treino
da
MLP
Entrada
x
Saída
y
desejada
o o
1 0.
84
2 0.
91
3 0.
14
4
-0
.
77
5
-0
.
96
6
-0
.
28
7 0.
66
8 0.
99
Na
janela
principal
do
matlab
digite
os
seguintes
comandos:
>>p =
[O
J 2 3 4 5 6 7 8] #
aqui
estamos
criando
o
vetor
p
de
entradas
desejadas
para
a
MLP
. O
vetor
de
entradas
deve
conter o
número
de
linhas
igual
ao
número
de
entradas
da
rede
(para
o
exemplo
temos
1
entrada)
e
número
de
colunas igual
ao
número
de
padrões
para
treinamento
(para
o
exemplo
temos
9
padrões)
» t =
[O
0.84
0.91
0.14-0. 77-0.96-0.28
0.66
0.99]
#
aqui
estamos
criando
o
vetor
de
saídas
desejadas
para
a
MLP
.
O vetor
de
saída
deve
conter
o
número
de
linhas
igual
ao
número
de
saídas
da
rede
(para
o
exemplo
temos
1
saída)
e
número
de
colunas
igual
ao
número
de
padrões
para
treinamento
(para
o
exemplo
temos
9
padrões)
>>plot(p,t,
'o1
#
aqui
estamos
mandando
plotar
a
entrada
p
versus
a
saída
t
apenas
para
visualização
da
função
que
a
rede terá
que
aprender
.
>> net = new/f(p,t,5) #
aqui
estamos
criando
uma
rede
MLP
com
o
nome
net.
Passamos
para
a
função
newjf o vetor
de
entrada p e o
vetor
de
saída
t.
Passamos
também
o
número
de
neurônios
que
desejamos
na
camada
escondida,
sendo
que
para
O
exemplo
escolhemos
5
neurônios.
Aqui
usaremos
os
parâmetros
default
para
a
topologia
da
rede
,
que
neste
caso
usa
a
função
tansig
em
todos
neurônios
da
camada
escondida
e a
função
purelin
no
neurônio
da
camada
de
saída.
0 algoritmo
de
treinamento
será
também
o
default
e
no
caso
será
usada
a
função
trainlm.
No
exemplo
2
veremos
como
modificar
estes
parâmetros
default.
