Искусственные нейронные сети. Сивохин А.В - 96 стр.

UptoLike

ВУЗ: 

ПГУ | Пенза

Составители: 

Рубрика: 

96
чениях взвешенных входов
± SPREAD. Веса второго слоя устанав-
ливаются равными
Т. Смещения отсутствуют.
Первый слой сети
GRNN – это радиальный базисный слой с чис-
лом нейронов, равными числу элементов
Q обучающего множества.
В качестве начального приближения для матрицы весов выбирается
массив
Р′, смещение для этого слоя устанавливается равным вектор-
столбцу с элементами
0.8326/SPREAD. Функция dist вычисляет рас-
стояние между вектором входа и вектором веса нейрона. Вход пере-
даточной функции равен поэлементному произведению взвешенного
входа сети на вектор смещения. Входом каждого нейрона первого
слоя является значение функции radbas. Если вектор веса нейрона
равен транспонированному вектору входа, то взвешенный вход Ра-
вен 0, а выход равен 1. Если расстояние между вектором входа и век-
тором веса нейрона равно
SPREAD, то выход нейрона будет равен 0.5.
Второй слой сети
GRNN – это линейный слой с числом нейронов,
также равным числу элементов
Q обучающего множества, причем в
качестве начального приближения для матрицы весов
LW{2,1} вы-
бирается массив
Т. Если на вход подается вектор Р
i
, близкий к одно-
му из векторов входа
Р из обучающего множества, то этот вектор
сгенерирует значение выхода слоя, близкое к единице. Это приведет
к тому, что выход второго слоя будет близок к t
i
.
Если параметр влияния
SPREAD мал, радиальная базисная функ-
ция характеризуется резким спадом и диапазон входных значений, на
который реагируют нейроны входного слоя, оказывается весьма ма-
лым. При увеличении этого параметра диапазон увеличивается и вы-
ходная функция становится более гладкой.
Практические задания
Задание 1. Создать обобщенную регрессионную сеть для обу-
чающей последовательности
Р=0:3 и Т[0.0 2.0 4.1 5.9], проанализи-
ровать ее структурную схему и значения параметров вычислитель-
ной модели, выполнить моделирование сети для различных входов,
построить графики и оценить влияние на выходные значения пара-
метра
SPREAD, выполнив следующие команды:
P = 0:3; 
чениях взвешенных входов ± SPREAD. Веса второго слоя устанав-
ливаются равными Т. Смещения отсутствуют.
   Первый слой сети GRNN – это радиальный базисный слой с чис-
лом нейронов, равными числу элементов Q обучающего множества.
В качестве начального приближения для матрицы весов выбирается
массив Р′, смещение для этого слоя устанавливается равным вектор-
столбцу с элементами 0.8326/SPREAD. Функция dist вычисляет рас-
стояние между вектором входа и вектором веса нейрона. Вход пере-
даточной функции равен поэлементному произведению взвешенного
входа сети на вектор смещения. Входом каждого нейрона первого
слоя является значение функции radbas. Если вектор веса нейрона
равен транспонированному вектору входа, то взвешенный вход Ра-
вен 0, а выход равен 1. Если расстояние между вектором входа и век-
тором веса нейрона равно SPREAD, то выход нейрона будет равен 0.5.
   Второй слой сети GRNN – это линейный слой с числом нейронов,
также равным числу элементов Q обучающего множества, причем в
качестве начального приближения для матрицы весов LW{2,1} вы-
бирается массив Т. Если на вход подается вектор Рi, близкий к одно-
му из векторов входа Р из обучающего множества, то этот вектор
сгенерирует значение выхода слоя, близкое к единице. Это приведет
к тому, что выход второго слоя будет близок к ti.
   Если параметр влияния SPREAD мал, радиальная базисная функ-
ция характеризуется резким спадом и диапазон входных значений, на
который реагируют нейроны входного слоя, оказывается весьма ма-
лым. При увеличении этого параметра диапазон увеличивается и вы-
ходная функция становится более гладкой.

                Практические задания
   Задание 1. Создать обобщенную регрессионную сеть для обу-
чающей последовательности Р=0:3 и Т[0.0 2.0 4.1 5.9], проанализи-
ровать ее структурную схему и значения параметров вычислитель-
ной модели, выполнить моделирование сети для различных входов,
построить графики и оценить влияние на выходные значения пара-
метра SPREAD, выполнив следующие команды:
   P = 0:3;



                                96

Страницы