Нейронные сети и нейроконтроллеры. Бураков М.В. - 53 стр.

UptoLike

Составители:

Рубрика:

Зададим вектор входа и целевой вектор:

>> P = [A B C D];

>> T = [repmat(a,1,length(A)) repmat(b,1,length(B)) ...

repmat(c,1,length(C)) repmat(d,1,length(D))];

С помощью последней команды каждой точке плоскости ставим

в соответствие вектор. Затем создаем и обучаем персептрон:

>> net = newp([–1 2;–1 2],2);

>> net = train(net,P,T);

Процесс обучения персептрона иллюстрирует рис. 2.12.

Таким образом, в рассмотренном примере персептрон имел два

бинарных выхода.

2.3. Линейная нейронная сеть

Линейные нейронные сети, или ADALIN (ADAptive LInear

Neuron networks), по структуре аналогичны персептрону и отли-

чаются лишь функцией активации и алгоритмом обучения. Акти-

вационная функция здесь линейная, а алгоритм обучения – метод

наименьших квадратов (МНК), который является более эффектив-

ным, чем правило обучения персептрона. Линейный нейрон с дву-

мя входами приведен на рис. 2.13.

Рис. 2.12. Изменение ошибки в процессе обучения