ВУЗ:
Составители:
2
Цель работы: Знакомство со средствами и методами MATLAB и паке-
та Simulink для моделирования и исследования нейронных сетей. Примене-
ние нейронных сетей для аппроксимации функций.
Используемые средства: Персональный компьютер с инсталлирован-
ной системой MATLAB 6.5 или старшей версии.
ОБЩИЕ СВЕДЕНИЯ
Типичный пример сети с прямой передачей сигнала показан на рисун-
ке. Нейроны регулярным образом организованы в слои. Входной слой слу-
жит просто для ввода значений входных переменных. Каждый из скрытых и
выходных нейронов соединен со всеми элементами предыдущего слоя. Мож-
но было бы рассматривать сети, в которых нейроны связаны только с некото-
рыми из нейронов предыдущего слоя; однако, для большинства приложений
сети с полной системой связей предпочтительнее.
При работе (использовании) сети во входные элементы подаются зна-
чения входных переменных, затем сигналы последовательно отрабатывают
нейроны промежуточных и выходного слоев. Каждый из них вычисляет свое
значение активации, беря взвешенную сумму выходов элементов предыду-
щего слоя и вычитая из нее пороговое значение. Затем значение активации
преобразуются с помощью функции активации, и в результате получается
выход нейрона. После того, как вся сеть отработает, выходные значения эле-
ментов выходного слоя принимаются за выход всей сети в целом.
Вначале сеть настраивается. Процесс настройки сети получил название
«обучение сети». Перед началом обучения связям присваиваются небольшие
случайные значения. Каждая итерация процедуры состоит из двух фаз. Во
время первой фазы на сеть подается входной вектор путем установки в нуж-
ное состояние входных элементов. Затем входные сигналы распространяются
по сети, порождая некоторый выходной вектор. Для работы алгоритма требу-
ется, чтобы характеристика вход-выход нейроподобных элементов была не-
убывающей и имела ограниченную производную. Обычно для этого исполь-
зуют сигмоидную нелинейность.
Цель работы: Знакомство со средствами и методами MATLAB и паке-
та Simulink для моделирования и исследования нейронных сетей. Примене-
ние нейронных сетей для аппроксимации функций.
Используемые средства: Персональный компьютер с инсталлирован-
ной системой MATLAB 6.5 или старшей версии.
ОБЩИЕ СВЕДЕНИЯ
Типичный пример сети с прямой передачей сигнала показан на рисун-
ке. Нейроны регулярным образом организованы в слои. Входной слой слу-
жит просто для ввода значений входных переменных. Каждый из скрытых и
выходных нейронов соединен со всеми элементами предыдущего слоя. Мож-
но было бы рассматривать сети, в которых нейроны связаны только с некото-
рыми из нейронов предыдущего слоя; однако, для большинства приложений
сети с полной системой связей предпочтительнее.
При работе (использовании) сети во входные элементы подаются зна-
чения входных переменных, затем сигналы последовательно отрабатывают
нейроны промежуточных и выходного слоев. Каждый из них вычисляет свое
значение активации, беря взвешенную сумму выходов элементов предыду-
щего слоя и вычитая из нее пороговое значение. Затем значение активации
преобразуются с помощью функции активации, и в результате получается
выход нейрона. После того, как вся сеть отработает, выходные значения эле-
ментов выходного слоя принимаются за выход всей сети в целом.
Вначале сеть настраивается. Процесс настройки сети получил название
«обучение сети». Перед началом обучения связям присваиваются небольшие
случайные значения. Каждая итерация процедуры состоит из двух фаз. Во
время первой фазы на сеть подается входной вектор путем установки в нуж-
ное состояние входных элементов. Затем входные сигналы распространяются
по сети, порождая некоторый выходной вектор. Для работы алгоритма требу-
ется, чтобы характеристика вход-выход нейроподобных элементов была не-
убывающей и имела ограниченную производную. Обычно для этого исполь-
зуют сигмоидную нелинейность.
2
