Моделирование нейронных сетей в Matlab. Федотов А.В. - 3 стр.

UptoLike

ВУЗ: 

ОмГТУ | Омск

Составители: 

Рубрика: 

3
Известные типы сетей:
* Однослойный перцептрон;
* Многослойный перцептрон;
* Сеть Хэмминга;
* Сеть Ворда;
* Сеть Хопфилда;
* Сеть Кохонена;
* Когнитрон;
* Неокогнитрон.
ВЫПОЛНЕНИЕ РАБОТЫ
1. Работа с нейронной сетью в командном режиме
Выполним исследование нейронной сети для аппроксимации выбран-
ной функции, используя функции пакета Neural Networks Toolbox . В состав
пакета входит более 160 различных функций, дающих возможность созда-
вать, обучать и исследовать нейронные сети.
Для выполнения работы необходимо запустить MATLAB и перейти в
командное окно.
Создадим обобщенно-регрессионную НС (сеть типа GRNN) с именем
а, реализующую функциональную зависимость между входом и выходом
вида у = х
2
на отрезке [-1, 1], используя следующие экспериментальные дан-
ные:
х = [-1 -0.8 -0.5 -0.2 0 0.1 0.3 0.6 0.9 1],
у = [1 0.64 0.25 0.04 0 0.01 0.09 0.36 0.81 1].
Проверку качества восстановления приведенной зависимости осущест-
вим, используя данные контрольной выборки x1 = [-0.9 -0.7 -0.3 0.4 0.8], ко-
торым соответствуют значения y1 = [0.81 0.49 0.09 0.16 0.64].
Процедура создания и использования данной НС описывается следую-
щим образом:
>> x = [-1 -0.8 -0.5 -0.2 0 0.1 0.3 0.6 0.9 1];
>> % Задание входных значений
>> у = [1 0.64 0.25 0.04 0 0.01 0.09 0.36 0.81 1];
>> % Задание целевых значений
>> a=newgrnn(х,у,0.01); % Создание НС с отклонением
0.01
>> Y1 = sim(а,[-0.9 -0.7 -0.3 0.4 0.8]) % Опрос НС
Y1 =
0.8200 0.6400 0.0400 0.0900 0.8100
Как видно, точность аппроксимации в данном случае получилась не
очень высокой — максимальная относительная погрешность аппроксимации
составляет 30,61 %. 
     Известные типы сетей:
  * Однослойный перцептрон;
  * Многослойный перцептрон;
  * Сеть Хэмминга;
  * Сеть Ворда;
  * Сеть Хопфилда;
  * Сеть Кохонена;
  * Когнитрон;
  * Неокогнитрон.

                        ВЫПОЛНЕНИЕ РАБОТЫ

       1. Работа с нейронной сетью в командном режиме

      Выполним исследование нейронной сети для аппроксимации выбран-
ной функции, используя функции пакета Neural Networks Toolbox . В состав
пакета входит более 160 различных функций, дающих возможность созда-
вать, обучать и исследовать нейронные сети.
      Для выполнения работы необходимо запустить MATLAB и перейти в
командное окно.
      Создадим обобщенно-регрессионную НС (сеть типа GR N N ) с именем
а, реализующую функциональную зависимость между входом и выходом
вида у = х2 на отрезке [-1, 1], используя следующие экспериментальные дан-
ные:
      х = [-1 -0.8 -0.5 -0.2 0 0.1 0.3 0.6 0.9 1],
      у = [1 0.64 0.25 0.04 0 0.01 0.09 0.36 0.81 1].
      Проверку качества восстановления приведенной зависимости осущест-
вим, используя данные контрольной выборки x1 = [-0.9 -0.7 -0.3 0.4 0.8], ко-
торым соответствуют значения y1 = [0.81 0.49 0.09 0.16 0.64].
      Процедура создания и использования данной НС описывается следую-
щим образом:

       >> x = [-1 -0.8 -0.5 -0.2 0 0.1 0.3 0.6 0.9 1];
        >> % Задание входных значений
       >> у = [1 0.64 0.25 0.04 0 0.01 0.09 0.36 0.81 1];
       >> % Задание целевых значений
       >> a=newgrnn(х,у,0.01); % Создание НС с отклонением
0.01
       >> Y1 = sim(а,[-0.9 -0.7 -0.3 0.4 0.8]) % Опрос НС
      Y1 =
      0.8200 0.6400 0.0400 0.0900 0.8100
      Как видно, точность аппроксимации в данном случае получилась не
очень высокой — максимальная относительная погрешность аппроксимации
составляет 30,61 %.
                                        3

Страницы