Entrenamiento En Matlab Para Redes Neuronales

%Algoritmo de Entrenamiento de BACKPROPAGATION para Redes Neuronales

%por Paul Acquatella B.

%Creado: 27 Enero 2009

function entrenamiento = backpropagation(X,D,L,rate,alfa,dmse)

%% 1. Inicializacin Y Clculo de Parmetros

%Parmetros del algoritmo

mse = Inf; %Asumiendo Pesos Iniciales Malos

epoch = 1;

%Se calculan los tamaos respectivos de las matrices

[N,P] = size(X); %Numero de Patrones P y Entradas N

[Q,Pd] = size(D); %Numero de Patrones P y Salidas Q

depth = length(L); %Profundidad de la red - nro capas

%Inicializar Matriz de Pesos para cada capa en el rango [-1,1]

W = cell(1,depth-1); %Pre-alocacion de la matriz de pesos

for m = 1:depth-2

W{1,m} = [-1+2*rand(L(1,m+1),L(1,m)+1)];

end

W{end} = [-1+2*rand(L(end),L(end-1)+1)];

%Inicializar Matrices de los delta-pesos de ajuste

dW = cell(1,depth-1); %Pre-alocacion de los delta pesos

for m = 1:depth-1

dW{m} = zeros(size(W{m}));

end

%Inicializar los campos locales inducidos 'v'

v = cell(1,depth); %Pre-alocacion de los campos locales

for i=1:depth-1;

v{i} = [zeros(L(i),1); 1];

end

v{end} = zeros(L(end),1);

%Inicializar las salidas 'y' de cada capa

y = cell(1,depth-1); %Pre-alocacion de las salidas locales

for i=1:depth-2;

y{i} = zeros(L(i+1),1);

end

y{end} = zeros(L(end),1);

%% 2. Clculo Forward y Backward para cada epoch

while (mse > dmse) && (epoch <= 10000)

e = zeros(Q,P);

err = zeros(1,P);

for p = 1:P

%Clculo Forward capa-por-capa para cada patrn p

v{1}(1:end-1) = X(:,p);

for i = 1:depth-1

y{i} = W{i}*v{i};

if i < depth-1

v{i+1}(1:end-1) = tansig(y{i}); %Clculo de la salida

else

v{i+1} = tansig(y{i}); %Clculo de la salida

end

end

%Clculo de la seal de error

e(:,p) = D(:,p)-v{end};

%Clculo de la energa del error

if size(D,1) == 1

err(1,p)=0.5*(e(:,p).^2);

elseif size(D,1) > 1

err(1,p)=0.5*sum(e(:,p).^2);

end

%Clculo Backward capa-por-capa para cada patrn p

delta = e(:,p).*(tansig('dn',y{end}));

%Ajuste de pesos

...