Искусственные нейронные сети. Сивохин А.В - 130 стр.

ответственно dotprod, netsum и logsig. Выходной слой имеет такие
же функции взвешивания и накопления, а функцией активизации для
него является линейная функция purelin. Известно, что сети с такой
архитектурой могут воспроизводить весьма сложные нелинейные
зависимости между входом и выходом сети.
   Настройка параметров нейронной сети, являющейся моделью
объекта, выполняется автономно методом последовательного обуче-
ния с использованием данных, полученных при испытаниях реально-
го объекта. Для обучения сети может быть использован любой из
обучающих алгоритмов для нейронных сетей. Использование кон-
трольного и тестового множеств обучающих данных позволяет из-
бежать явления переобучения сети. Изменяя число нейронов в пер-
вом слое, количество линий задержки на входе и выходе сети, а так-
же интервал квантования, или дискретности, можно обеспечить тре-
буемую точность моделирования управляемого процесса.
   Диалоговая панель для идентификации управляемого процесса
Plant Identification входит в состав всех трёх регуляторов раздела
Control Systems библиотеки нейронных блоков системы Simulink,
является универсальным средством и может быть использована для
построения нейросетевых моделей любых динамических объектов,
которые могут быть представлены блоками этой системы.
   С помощью управляющих элементов панели Plant Identification
можно задать архитектуру нейронной сети, параметры обучающей
последовательности и параметры обучения, а также управлять про-
цессом идентификации и оценивать качество этого процесса.
   Набор управляющих элементов для задания архитектурных па-
раметров нейронной сети следующий:
   1. Size of the Hiden Layer – количество нейронов на входном или
скрытом слое;
   2. No. Delayed Plant Inputs – число линий задержки для входного
слоя;
   3. No. Delayed Plant Outputs – число линий задержки для выход-
ного слоя;




                               130