Моделирование искусственных нейронных сетей в системе MATLAB. Часть 1. Введение. Донской Д.А - 31 стр.

UptoLike

ВУЗ: 

ПГУ | Пенза

Составители: 

Рубрика: 

31
Это совпадает с результатами, полученными при ручном расчете.
Теперь можно ввести второй элемент обучающего множества и т. д.,
то есть повторить всю процедуру ручного счета и получить те же ре-
зультаты.
Но можно эту работу выполнить автоматически, задав сразу все
обучающее множество и выполнив один проход:
clear, net = newp([-2 2;-2 2],1);
net.trainParam.passes = 1;
p = {[2;2] [1;-2] [-2;2] [-1;1]};
t = {0 1 0 1};
Теперь обучим сеть.
[net,a,e] = adapt(net,p,t);
Возвращаются выход и ошибка
a, e
a =
[1] [1] [0] [0]
e =
[-1] [0] [0] [1]
Скорректированные вектор весов и смещение определяем сле-
дующим образом:
twts = net.IW{1,1}, tbiase = net.b{1}
twts =
-3 -1
tbiase =
0 
   Это совпадает с результатами, полученными при ручном расчете.
Теперь можно ввести второй элемент обучающего множества и т. д.,
то есть повторить всю процедуру ручного счета и получить те же ре-
зультаты.
   Но можно эту работу выполнить автоматически, задав сразу все
обучающее множество и выполнив один проход:

  clear, net = newp([-2 2;-2 2],1);
  net.trainParam.passes = 1;
  p = {[2;2] [1;-2] [-2;2] [-1;1]};
  t = {0 1 0 1};


  Теперь обучим сеть.

  [net,a,e] = adapt(net,p,t);


  Возвращаются выход и ошибка

  a, e
  a =
      [1]       [1]     [0]     [0]
  e =
      [-1]       [0]     [0]        [1]


  Скорректированные вектор весов и смещение определяем сле-
дующим образом:

  twts = net.IW{1,1}, tbiase = net.b{1}
  twts =
      -3    -1
  tbiase =
       0



                               31

Страницы