Искусственные нейронные сети. Сивохин А.В - 61 стр.

  subplot(3,1,1)
  for i = 1:1:30, plot(i, cell2mat(a{i}), ′k′),
  hold on
  end;
  xlabel(′′), ylabel(′Выходы a(i)′)
  grid
  subplot(3,1,2)
  plot(0:30, [[0 0]; W], ′k′)
  xlabel(′′), ylabel(′Веса входов W(i) ′)
  grid
  subplot(3,1,3)
  for i = 1:30, E(i) = mse(e{i}); end
  semilogy(1:30, E, ′+k′)
  xlabel(′Циклы′), ylabel(′Ошибка′), grid

   10. Адаптировать рассматриваемую модель статической сети для
аппроксимации той же зависимости и с теми же требованиями к по-
грешности, используя групповой способ представления обучающей
последовательности:

  P = [-1 -1/3 1/2 1/6; 1 1/4 0 2/3];
  T = [-1 -5/12 1 1];
  net = newlin([-1 1; -1 1], 1, 0, 0, 0.2);
  net = IW{1} = [0 0]; % – присваивание начальных весов;
  net.l{1} = 0;            % – присваивание начального смещения;
  net.inputWeughts{1,1}.learnParam.lr = 0.2;
  EE = 10;
  i = 1;                  % – для подсчета количества циклов;
  while EE > 0.0017176
       [net, a{i}, e{i}, pf] = adapt(net, P, T);


                                     61