Искусственные нейронные сети. Сивохин А.В - 79 стр.

             Лабораторная работа № 7

   Исследование линейных нейронных
                сетей
   Цель работы: изучение архитектуры статистических и динамиче-
ских линейных нейронных сетей и специальных функций для их соз-
дания, настройки параметров по методу Вудроу–Хоффа, адаптации и
обучения, ознакомление с демонстрационными примерами и их
скриптами, а также приобретение навыков построения и обучения
линейных сетей для классификации векторов, линейной аппроксима-
ции, предсказания, слежения и фильтрации сигналов, идентификации
и моделирования линейных систем.

              Теоретические сведения
   Линейная сеть – это один слой из S нейронов и R входов, каждый
из которых может состоять из нескольких элементов. Передаточной
функцией каждого нейрона слоя является линейная функция purelin.
Это является единственным отличием линейной сети от персептрона.
Благодаря линейной передаточной функции каждый выход сети мо-
жет принимать любое значение, в то время как выход персептрона
ограничен значениями 1 и 0.
   Линейные сети, как и персептроны, способны решать только ли-
нейно отделимые задачи классификации, однако в них используется
правило обучения по методу Вудроу–Хоффа, основанное на исполь-
зовании функции наименьших квадратов, которое является более
мощным, чем правило обучения персептрона.
   Помимо основных входов нейроны линейной сети имеют вход для
постоянного смещения, равного единице. Элементы входов и смеще-
ния взвешиваются с помощью функции скалярного произведения
dotprod и суммируются с помощью функции накопления netsum.
   Линейная нейронная сеть может быть создана одним из следую-
щих способов:
  net=newlin(PR, S, id, lr),


                               79