Paso 1: Ordenar la matriz de entrada-salida

 %Se cargan los datos al espacio de trabajo:

>> load -ascii no2.txt

%No se utilizan los primeros 10 datos

>> no2=no2(11:500,:);

%Se definen los datos de entrada:

>> x=no2(:,2:8)';

% Las variables de entrada se dividen en 1/2 para entrenar, 1/4 para validar y 1/4 para comprobar

>> x_entrenar=x(:,1:245);
>> x_validar=x(:,246:369);

>> x_prueba=x(:,370:490);

%Se define la matriz de salida:

>> y=no2(:,1)';

%La cual se normaliza

>>[y_norm,parm_norm] = mapminmax(y); 

% La variable de salida se divide en 1/2 para entrenar, 1/4 para validar y 1/4 para comprobar

>> y_norm_ent=y_norm(:,1:245);

>> y_norm_val=y_norm(:,246:369);

>> y_norm_pru=y_norm(:,370:490);

Paso 2: Importar los datos de entrada-salida al nntool

% Se ejecuta la GUI nntool 

>> nntool

% Se definen las variables de entrada y salida en la ventana que se presenta después de presionar

% Import. Nótese que los datos de salida (target) deben ser normalizados.

Paso 3: Definir la red

% En la ventana principal de nntool se presiona el botón New... , donde se definen los parámetros de la % red: Capa 1: 25 neuronas, Capa 2: 17 neuronas, Capa 3: 8 neuronas y Capa 4: 1 neurona (definido % por el % sistema) Se definen las funciones de activación que se utilizarán en cada capa: tansig

% Se aplicará el entrenamiento basado en Levenberg-Marquard , con factor de aprendizaje variable

% Después de definir los parámetros de la red, se presiona Create

Paso 4: Comprobar que los datos se presentarán de forma adecuada a la red

% Para comprobar la red se presiona Open... después de seleccionar la red creada en la ventana

% principal de nntool. Aparece una nueva ventana donde se presenta un diagrama que describe la

% red. En la nueva ventana se oprime el botón Reinitialize Weights, en la que se presenta una matriz

% donde las filas son equivalentes al número de variables de entrada y sus dos columnas representan % los intervalos de cada variable. Si se oprime el botón View/Edit Weights, se muestran las condiciones % iniciales de los parámetros que serán adaptados. 

Paso 5: Entrenar la red

% Para entrenar la red se selecciona Open... y después Train, definiendo los parámetros de                % entrenamiento. Posteriormente se oprime el botón Train Network, tal y como muestran las siguientes % figuras

Paso 6: Simular la red

% En la ventana de entrenamiento de la red se presiona Simulate, definiendo las variables de entrada  % que se deseen aplicar a la entrada de la red que se ha entrenado previamente. Posteriormente se   % exporta la salida de la simulación al espacio de trabajo y se compara con la salida real del sistema

>> plot(simula_net)
>> hold on
>> plot(y_norm_ent,'g')

Paso 7: Exportar la red al espacio de trabajo

% Se exporta la red (net) al espacio de trabajo, conteniendo la información del valor de los pesos

Paso 8: Generar un bloque de simulink con la red neuronal multicapas (opcional)

% Se puede crear un bloque de simulink con la red, utilizando la función: gensim

Referencia:

Mathworks: Neural Networks Toolbox GUI. 2007.