Backpropagation no matlab

Backpropagation no matlab
Sumário

Introdução

A rede neural artificial (RNA) do tipo Perceptron de múltiplas camadas (MLP) tem sido o modelo de RNA mais frequentemente utilizado em problemas de classificação de padrões. Dentre as mais importantes características deste tipo de modelo está a excelente capacidade de generalização e a habilidade de realizar aproximação universal de funções (HORNIK et al, 1989).

1. Descrição do algoritmo de Backpropagation

O algoritmo de treinamento de RNAs mais popular é o Backpropagation (BP) que, por ser supervisionado, utiliza pares de entrada e saída (x,) para, por meio de um mecanismo de correção de erros, ajustar os pesos da rede. Formado por duas fases bem definidas chamadas fase forward (responsável por calcular as saídas de cada neurônio para cada padrão de entrada apresentado à rede) e a fase backward (responsável por atualizar os pesos das conexões através da retro-propagação do erro cometido pela rede), o algoritmo Backpropagation é descrito como:

Algoritmo 1 – Pseudocódigo Backpropagation

1. Inicializar com valores aleatórios e pequenos os pesos e bias;

2. Apresentar um padrão de entrada com sua respectiva saída desejada;

3. Propagar esse padrão de camada em camada de forma que seja calculada a saída para cada neurônio da rede;

4. Comparar a saída gerada pela rede com a saída desejada e calcular o erro cometido pela rede para os neurônios da camada de saída;

5. Atualizar os pesos dos neurônios da camada de saída com base no erro cometido por tais neurônios;

6. Até chegar à camada de entrada:
Calcular o erro dos neurônios da camada intermediária baseado no erro cometido pelos neurônios imediatamente seguintes ponderado pelos pesos entre os neurônios da camada atual e os neurônios da camada seguinte.

7. Repetir os passos 2, 3, 4, 5 e 6 até obter um erro mínimo ou atingir um dado número de iterações.

O erro cometido por um