Plot(xx,v,'ob','MarkerSize',5,'LineWidth',2)



Мы поможем в написании ваших работ!


Мы поможем в написании ваших работ!



Мы поможем в написании ваших работ!


ЗНАЕТЕ ЛИ ВЫ?

Plot(xx,v,'ob','MarkerSize',5,'LineWidth',2)



В результате выполнения программы получаются следующие результаты, отражённые на рис. 3 и 4:

 

Рис. 3. Характеристика точности обучения в зависимости от числа эпох обучения

 

 

Рис. 4. Результаты моделирования сети: + ‑ исходные данные; сплошная линия и символ «о» – результаты моделирования всей зависимости и в контрольных точках

В массиве v содержатся приближённые значения для двух контрольных точек, указанных на графике (рис. 2) xx=[0.61 2.61]. При данных параметрах сети получены значения: v = [1.05 3.35]. Сравнив эти приближённые значения с точными значениями [0.85 3.37], можно сделать вывод о корректности построения нейронной сети.

 

Отчёт о выполнении работы

Отчёт о выполнении лабораторной работы №1 должен быть выполнен на листах формата А4 и содержать следующие результаты:

1. Исходные данные (рис. 2);

2. Текст программы с подробными комментариями;

3. Характеристику точности обучения (рис. 3);

4. Результаты моделирования (рис. 4);

5. Сопоставление результатов в контрольных точках;

6. Краткие выводы о результатах работы.

 


Лабораторная работа № 2

Аппроксимация функции двух переменных

Цель работы

Научиться работать с радиальной базисной сетью, функции newrbe и newrb.

 

Краткие теоретические сведения

Радиальные базисные сети предназначены для аппроксимации функций. Возьмем произвольную непрерывную функцию и представим ее с помощью суммы колоколообразных функций. Аналитически это означает представление f(x) в виде разложения по стандартному набору пространственно локализованных функций:

, (1)

где - веса суммирования отдельных откликов, - центры базисных радиальных функций. Это формула нейронной сети на основе радиальной базисной функции. Расстояние определяется как расстояние в евклидовом пространстве:

. (2)

Функция newrbe формирует радиальную базисную сеть с нулевой ошибкой. Сеть с радиальными базисными функциями представляет собой, как правило, сеть с тремя слоями: обычным входным слоем, скрытым радиальным базисным слоем и выходным линейным слоем. Функция newrb формирует радиальную базисную сеть с ненулевой ошибкой в отличие от newrbe. На рис. 5 показана архитектура радиальной базисной сети.

Рис. 5. Схема архитектуры радиальной базисной сети

Пример решения типовой задачи

Пусть функция задана на промежутках , ; количество точек разбиений по есть nx, а по ny. Тогда, используя следующий алгоритм построения радиальной базисной сети, можно построить график функции :

 

x1=-1.0; x2=+1.0; y1=-1.5; y2=+1.5;

nx=7; ny=9;

step_x=(x2-x1)/(nx-1); step_y=(y2-y1)/(ny-1);

step_min = min(step_x,step_y);

[x,y]=meshgrid([x1:step_x:x2], [y1:step_y:y2]);

z=exp(-x.^2).*exp(-y.^2);

surf(x,y,z), title('PS. Press<enter>');

pause;

xx=reshape(x,1,nx*ny);

yy=reshape(y,1,nx*ny);

zz=exp(-xx.^2).*exp(-yy.^2);

p=[xx; yy];

t=zz;

goal = 0.0371;

spread = 1.0*step_min;

net = newrb(p,t, goal,spread);

net.layers{1}.size

smlt=sim(net,p);

[zz' smlt']

smltr=reshape(smlt,ny,nx);

surf(x,y,smltr), title('AS. Press<enter>');

 

Рис. 6 иллюстрирует график исходной функции .

 

Рис. 6. График исходной функции двух переменных

 

На рис. 7 показана характеристика точности обучения радиальной базисной сети и допустимая среднеквадратичная ошибка сети Goal=0.0371.

 

Рис. 7. Характеристика точности обучения в зависимости от количества эпох обучения

 

На рис. 8 отображён результат аппроксимации нелинейной зависимости, построенный с помощью радиальной базисной функции.

 

Рис. 8. Результат моделирования исходной функции

 

Сопоставляя рис. 6 и рис. 8, можно сделать вывод об удовлетворительности полученных результатов. Лучших результатов можно добиться, варьируя параметры goal и spread.

 

Отчёт о выполнении работы

Отчёт о выполнении лабораторной работы №2 должен быть выполнен на листах формата А4 и содержать следующие результаты:

1. Исходные данные – выбор функции двух переменных и области определения функции, построение графика функции (рис. 6);

2. Текст программы с подробными комментариями;

3. Результаты моделирования (рис. 7, 8);

4. Контрольный пример;

5. Объяснение результатов проделанной работы.

 


Лабораторная работа № 3

Сеть Кохонена, самоорганизующаяся нейронная сеть

Цель работы

Изучить функционирование и процедуру обучения сети Кохонена с помощью функции newc.

 



Последнее изменение этой страницы: 2016-04-23; Нарушение авторского права страницы; Мы поможем в написании вашей работы!

infopedia.su Все материалы представленные на сайте исключительно с целью ознакомления читателями и не преследуют коммерческих целей или нарушение авторских прав. Обратная связь - 34.239.179.228 (0.005 с.)