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

9. Redes Neuronales

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

18. • Train
• Siumulation

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