Программное обеспечение процессов и систем. Щеников Я.А. - 35 стр.

UptoLike

ВУЗ: 

СПб ГУАП | Санкт-Петербург

Составители: 

Рубрика: 

35
Функция train обучает заданную сеть net, используя вектор входов
P и вектор выходов T. Результат (структура обученной сети) присваи-
вается переменной net.
Проверка правильности обучения осуществляется с помощью функ-
ции использовании нейронной сети:
Y=sim(net,P)
Результатом является вектор выходов Y как результат воздействия
векторов входа на обученную сеть:
Y =
Columns 1 through 7
–0,9999 –0,5102 –0,2189 –0,0631 –0,0104 0,0077 0,0228
Columns 8 through 11
0,0609 0,1834 0,5371 0,9624
Если сравнить результат с требуемым
T=[–1 –0,51 –0,22 –0,06 –0,01 0 0,01 0,06 0,22 0,51 1]
видно, что точность аппроксимации удовлетворительна. Увеличив чис-
ло скрытых нейронов, можно достигнуть лучших результатов:
Y =
Columns 1 through 7
–1,0000 –0,5100 –0,2200 –0,0600 –0,0100 0,0000 0,0100
Columns 8 through 11
0,0600 0,2200 0,5100 1,0000
Сравним сеть прямого распространения с сетью с радиальными ба-
зисными элементами:
net1=newrbe(P,T)
Обучение сети занимает меньшее время. Проверим результат рабо-
ты сети:
Y=sim(net1,P)
Y =
Columns 1 through 7
–1,0000 –0,5100 –0,2200 –0,0600 –0,0100 0,0000 0,0100
Columns 8 through 11
0,0600 0,2200 0,5100 1,0000
Следовательно, можно сделать вывод, что при одинаковой точности
аппроксимации, сеть с радиальными базисными элементами обучается
быстрее.

Страницы