PROGRAMA DE INGENIERÍA ELECTRÓNICA

UNIDADES TECNOLÓGICAS DE SANTANDER

PERCEPTRON MULTICAPA

M.Sc. Hernando González Acevedo

TRABAJO PREVIO

Investigar los siguientes temas:

• Proceso de coagulación, floculación y sedimentación en el tratamiento de agua potable
• Test Jarras
• Instrumentación que se utiliza para registrar el caudal, el PH, el color, la turbiedad y la
conductividad del agua. ¿En que unidades se expresa cada variable?

Nota. En el informe se debe indicar las referencias bibliográficas, según norma Incontec.

ALGORITMO PERCEPTRON MULTICAPA

1. Defina las ecuaciones que determinan la variación de los pesos y umbrales de una red neuronal con la
siguiente configuración:
• Una capa de entrada con dos neuronas.
• Dos capas ocultas con tres y cuatro neuronas respectivamente.
• Dos neuronas en la capa de salida.

2. Implemente una función en Matlab para evaluar una red perceptron multicapa. Los parámetros de
entrada a la función son los siguientes:
• Vector con los datos de entrenamiento
• Número de iteraciones.
• El error medio cuadrático
• La tasa de aprendizaje

La función debe retornar los pesos y umbrales de las neuronas asociadas a cada capa.

3. Entrene una red neuronal de forma que aproxime a las funciones de la ecuación uno, donde x y y son
números reales que varían de -0.5 a 0.5. Asuma un valor de la tasa de aprendizaje de 0.05, un error
de 1e-6 y 10000 iteraciones.

F1( x, y ) = x * y F 2( x, y ) = x + y Ecu (1)

4. Dibuje la arquitectura de la red neuronal que obtuvo a partir de la evaluación del algoritmo del numeral
anterior. Indique los pesos y umbrales asociados a cada neurona.

5. Valide el comportamiento de la red neuronal para un nuevo vector x y y, diferente a los datos de
entrenamiento. Calcule el error medio cuadrático por medio de la función mse de Matlab.

6. Asuma 10 valores diferentes para la tasa de aprendizaje y entrene nuevamente la red, fijando como
error 1e-6 y el número de iteraciones en 10000. Grafique los resultados de la etapa de validación y
calcule el error medio cuadrático, para cada valor de la tasa de aprendizaje.

7. Trace la curva, tasa de aprendizaje vs. error medio cuadrático. Analice el efecto de modificar este
parámetro en el proceso de entrenamiento de la red neuronal.
8. A partir de la función newff de Matlab entrene una red perceptron multicapa para solucionar la
ecuación (1), manteniendo la misma arquitectura: red neuronal con dos capas ocultas, cada una con
tres y cuatro neuronas respectivamente. Compare los resultados con el algoritmo que implementó en
el numeral tres.

SISTEMA AUTOMÁTICO DE DOSIFICACIÓN

9. Determine el mínimo y el máximo de cada variable que se utiliza para determinar el nivel de
dosificación de sulfato de aluminio durante el proceso de sedimentación de residuos en el agua.
Normalice los datos del archivo a partir de la ecuación 2.

VARIABLE MÍNIMO MÁXIMO

PH
Caudal [L/sg]
Color [UPC]
Turbiedad [NTU]
Conductividad [uS/Cm]
Sulfato Aluminio [mg/L]

x − min( x)
xnorm = (2)
max( x) − min( x )

10. A partir de la toolbox de Matlab, configure una red perceptron multicapa con las siguientes
características:
• Una capa oculta con función de activación logsig
• Una capa de salida con función de activación purelin
• Error medio cuadrático de 1e-7
• Número de interacciones 20000.
Entrene una red perceptrón multicapa que permita definir el nivel de sulfato de aluminio que se debe
agregar al agua, utilizando los datos de los años 2007 y 2008. Asuma 10 valores diferentes de
neuronas para la cada oculta, entrene la red y valídela a partir de los datos del año 2009. Complete la
tabla 2, en la cual el error medio cuadrático es el error que se obtiene con los datos de validación a
través de la función mse de Matlab.

DATOS DE VALIDACIÒN
NÚMERO DE NEURONAS DE LA CAPA ERROR MEDIO CUADRÀTICO PROMEDIO DEL ERROR MEDIO
OCULTA (mse) CUADRÀTICO (mse)

Nota. Para cada valor de neuronas de la capa oculta repita tres veces el procedimiento.

11. Trace la curva, número de neuronas vs. error medio cuadrático, con los datos del numeral
anterior. Analice el efecto de aumentar el número de neuronas de la capa oculta.

12. Configure una red perceptron multicapa con las siguientes características:
• Dos capas ocultas con función de activación logsig.
• Una capa de salida con función de activación purelin.
• Error medio cuadrático de 1e-7
 • Número de interacciones 20000.

Modifique el número de neuronas de la primera y segunda capa, y entrene la red neuronal a partir de
los datos de los años 2007 y 2009. Complete la siguiente tabla, utilizando los datos del año 2009, para
5 combinaciones que hubieran alcanzado el error establecido durante la etapa de entrenamiento.

DATOS DE VALIDACIÒN
NÚMERO DE NEURONAS DE
NÚMERO DE NEURONAS DE ERROR MEDIO PROMEDIO DEL ERROR
LA SEGUNDA CAPA
LA PRIMERA CAPA OCULTA CUADRÀTICO (mse) MEDIO CUADRÀTICO (mse)
OCULTA

Nota. Para cada valor de neuronas de la capa oculta repita tres veces el procedimiento.

13.¿Qué efecto tiene aumentar el número de neuronas de la primera y segunda capa de la red neuronal?

14.Conclusiones