Моделирование искусственных нейронных сетей в системе MATLAB. Часть 1. Введение. Донской Д.А - 32 стр.

UptoLike

ВУЗ: 

ПГУ | Пенза

Составители: 

Рубрика: 

32
Моделируя полученную сеть по каждому входу, получим
a1 = sim(net,p)
a1 =
[0] [0] [1] [1]
Можно убедиться, что не все выходы равны целевым значениям
обучающего множества. Это означает, что следует продолжить на-
стройку персептрона.
Выполним еще один цикл настройки:
[net,a,e] = adapt(net,p,t); a, e
a =
[0] [0] [0] [1]
e =
[0] [1] [0] [0]
twts = net.IW{1,1}, tbiase = net.b{1}
twts =
-2 -3
tbiase =
1
a1 = sim(net,p)
a1 =
[0] [1] [0] [1]
Теперь решение совпадает с целевыми выходами обучающего
множества, и все входы классифицированы правильно.
Если бы рассчитанные выходы персептрона не совпали с целевы-
ми значениями, то необходимо было бы выполнить еще несколько 
  Моделируя полученную сеть по каждому входу, получим

  a1 = sim(net,p)

  a1 =
      [0]      [0]     [1]    [1]


   Можно убедиться, что не все выходы равны целевым значениям
обучающего множества. Это означает, что следует продолжить на-
стройку персептрона.
   Выполним еще один цикл настройки:

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

  a =
        [0]    [0]     [0]    [1]
  e =
      [0]    [1]    [0]    [0]
  twts = net.IW{1,1}, tbiase = net.b{1}
  twts =
      -2    -3
  tbiase =
       1
  a1 = sim(net,p)

  a1 =
      [0]      [1]     [0]    [1]


  Теперь решение совпадает с целевыми выходами обучающего
множества, и все входы классифицированы правильно.
  Если бы рассчитанные выходы персептрона не совпали с целевы-
ми значениями, то необходимо было бы выполнить еще несколько



                             32

Страницы