Искусственные нейронные сети. Сивохин А.В - 106 стр.

  minU = min(x′)′            % – минимальные значения;
  maxU = max(x′)′            % – максимальные значения;
  v = rand(r,c)*((maxv - minU)*ones(1,c)+minU*ones(1,c));
  t = c*n                    % – число точек;
  v = [v v v v v v];         % – 48 двухэлементных векторов;
  v =v+randn(r,t)*d;         % – координаты точек;
  P = v;        % – векторы с отклонениями (нормальный закон);
  plot (P(1,:),P(2,:), ′+k′)
  title (‘Векторы входа’),xlabel(′P(1,:)′), ylabel(′P(2,:) ′)
  net =newc([-2 12; -1 6],8 0.1);
  wo = net.IW{1,1}           % – веса после инициализации;
  bo = net.b{1}              % – смещения после инициализации;
  co = exp(1)/60             % – начальная активность;
  net.trainParam.epochs = 500;          % – обучение;
  net = train(net, P) , a = sim(net, P), ac = vec2ind(a)
  net.IW{1}                  % – веса после обучения;
  bn = net.b{1}              % – смещения после обучения;
  cn = exp(1)/bn             % – активность после обучения;
  net = newc([-2 12; -1 6], 8 0.1);
  co = exp(1). /net.b{1}     % – начальная активность;
  net.adaptParam.passes = 500;
  [net, y,e] = adapt (net, mat2cell(p)) % – адаптация;
  a = sim(net, P)            % – моделирование после
  ac = vec2ind(a)            % адаптации.

   Задание 3. Построить график приращений вектора смещений и
проанализировать пример democ1.

   Задание 4. С помощью слоя Кохонена произвести кластеризацию
оценок абитуриентов.



                              106