Искусственные нейронные сети. Сивохин А.В - 63 стр.

UptoLike

ВУЗ: 

ПГУ | Пенза

Составители: 

Рубрика: 

63
рекурентного соотношения
)1()(2)(
−
+
=
tptpty , выполнив сле-
дующие действия:
1.
Так как для динамических сетей групповой способ представле-
ния обучающего множества не используется, подготовить данные
для последовательной адаптации в виде массивов ячеек значений
входа и цели:
P = {-1/2 1/3 1/5 1/4); % – значения входа p(t);
T = {-1 1/6 11/15 7/10}; % – значения цели y(t).
2. Выполнить адаптацию и построение графиков
net = newlin([-1 1], 1, [0 1], 0.5); % – help(newlin);
P
i
= {0}; % – начальное условие для линии задержки;
net.IW{1} = [0 0]; % – веса для основного и задержанного входов;
net.biasConnect = 0; % – значение смещения;
EE = 10; i = 1;
while EE > 0.0001
[net, a{i}, e{i}, pf] = adapt(net, P, T);
W(i, :) = net.IW{1,1};
EE = mse(e{i});
ee(i) = EE;
i = i +1;
end
W(22, :)
a{22}
EE
subplot(3,1,1)
for i = 1:1:22, plot(i, cell2mat(a{i}), ′k′)
hold on
end;
xlabel(′′), ylabel(′Выходы a(i)′), grid 
рекурентного соотношения y (t ) = 2 p(t ) + p(t − 1) , выполнив сле-
дующие действия:
   1. Так как для динамических сетей групповой способ представле-
ния обучающего множества не используется, подготовить данные
для последовательной адаптации в виде массивов ячеек значений
входа и цели:

  P = {-1/2 1/3 1/5 1/4); % – значения входа p(t);
  T = {-1 1/6 11/15 7/10}; % – значения цели y(t).
  2. Выполнить адаптацию и построение графиков

  net = newlin([-1 1], 1, [0 1], 0.5); % – help(newlin);
  Pi = {0};      % – начальное условие для линии задержки;
  net.IW{1} = [0 0]; % – веса для основного и задержанного входов;
  net.biasConnect = 0; % – значение смещения;
  EE = 10; i = 1;
  while EE > 0.0001
  [net, a{i}, e{i}, pf] = adapt(net, P, T);
  W(i, :) = net.IW{1,1};
  EE = mse(e{i});
  ee(i) = EE;
  i = i +1;
  end
  W(22, :)
  a{22}
  EE
  subplot(3,1,1)
  for i = 1:1:22, plot(i, cell2mat(a{i}), ′k′)
  hold on
  end;
  xlabel(′′), ylabel(′Выходы a(i)′), grid


                                63

Страницы