Искусственные нейронные сети. Сивохин А.В - 57 стр.

UptoLike

ВУЗ: 

ПГУ | Пенза

Составители: 

Рубрика: 

57
SCG – алгоритм Молера.
Квазиньютоновскими алгоритмами являются:
DFGS – алгоритм Бройдена, Флетчера, Гольдфарба и Шанно;
OSS – одношаговый алгоритм метода секущих плоскостей (алго-
ритм Баттини);
LM – алгоритм Левенберга–Марквардта;
BR – алгоритм Левенберга–Марквардта с регуляризацией по Байесу.
В процессе работы алгоритмов минимизации функционала ошиб-
ки часто возникает задача одномерного поиска минимума вдоль за-
данного направления. Для этих целей используется метод золотого
сечения
GOL, алгоритм Брента BRE, метод половинного деления и
кубической интерполяции
HYB, алгоритм Чараламбуса CHA и алго-
ритм перебора с возвратом
BAC.
Практические задания
Задание 1. Адаптировать параметры однослойной статической
линейной сети с двумя входами для аппроксимации линейной зави-
симости вида
21
2 ppt +=
, выполнив следующие действия:
1.
С помощью конструктора линейного слоя
net = newlin(PR, s, id, lr),
где PR – массив размера Rx2 минимальных и максимальных значе-
ний для
R векторов входа; s – число нейронов в слое; id – описание
линий задержек на входе слоя;
lr – параметр скорости настройки,
сформировать линейную сеть:
net = newlin([-1 1; -1 1], 1, 0, 0).
2. Подготовить обучающие последовательности в виде массивов
ячеек, используя зависимости
21
2 ppt
+
=
и четыре пары значений
1
p и
2
p (произвольные):
P = {[-1; 1] [-1/3; 1/4] [1/2; 0] [1/6; 2/3]};
T = { -1 -5/12 1 1 }.
3. Для группировки представления обучающей последовательно-
сти преобразовать массивы ячеек в массивы чисел: 
   SCG – алгоритм Молера.
   Квазиньютоновскими алгоритмами являются:
   DFGS – алгоритм Бройдена, Флетчера, Гольдфарба и Шанно;
   OSS – одношаговый алгоритм метода секущих плоскостей (алго-
ритм Баттини);
   LM – алгоритм Левенберга–Марквардта;
   BR – алгоритм Левенберга–Марквардта с регуляризацией по Байесу.
   В процессе работы алгоритмов минимизации функционала ошиб-
ки часто возникает задача одномерного поиска минимума вдоль за-
данного направления. Для этих целей используется метод золотого
сечения GOL, алгоритм Брента BRE, метод половинного деления и
кубической интерполяции HYB, алгоритм Чараламбуса CHA и алго-
ритм перебора с возвратом BAC.

                 Практические задания
   Задание 1. Адаптировать параметры однослойной статической
линейной сети с двумя входами для аппроксимации линейной зави-
симости вида t = 2 p1 + p2 , выполнив следующие действия:
   1. С помощью конструктора линейного слоя
                      net = newlin(PR, s, id, lr),
где PR – массив размера Rx2 минимальных и максимальных значе-
ний для R векторов входа; s – число нейронов в слое; id – описание
линий задержек на входе слоя; lr – параметр скорости настройки,
сформировать линейную сеть:
                  net = newlin([-1 1; -1 1], 1, 0, 0).
   2. Подготовить обучающие последовательности в виде массивов
ячеек, используя зависимости t = 2 p1 + p2 и четыре пары значений
p1 и p2 (произвольные):
              P = {[-1; 1] [-1/3; 1/4] [1/2; 0] [1/6; 2/3]};
              T = { -1       -5/12        1         1     }.
   3. Для группировки представления обучающей последовательно-
сти преобразовать массивы ячеек в массивы чисел:


                               57

Страницы