3. Пример решения типовой задачи

Рассмотрим сеть Хопфилда [1] с четырьмя нейронами и определим четыре точки равновесия:

T = [+1 -1; -1 +1; +1 +1; -1 -1];

T=T';

plot(T(1,:),T(2,:),'rh','MarkerSize',13), hold on;

axis([-1.1 1.1 -1.1 1.1]);

title('Hopfield Network State Space');

xlabel('a(1)');

ylabel('a(2)');

net = newhop(T);

[Y,Pf,Af] = sim(net,4,[],T);

Y

Pf

Af

pause

color = 'rgbmy';

for i=1:25

a = {rands(2,1)};

[y,Pf,Af] = sim(net,{1 20},{},a);

record=[cell2mat(a) cell2mat(y)];

start=cell2mat(a);

plot(start(1,1),start(2,1),'kx',record(1,:),

record(2,:), color(rem(i,5)+1),'LineWidth',5)

end

На рис. 13 показано поведение обученной сети при случайных начальных условиях a.

Рис. 13. Поведение сети Хопфилда при случайных начальных условиях a

4. Отчёт о выполнении работы

Отчёт о выполнении лабораторной работы №4 должен быть выполнен на листах формата А4 и содержать следующие результаты:

1. Исходные данные;

2. Текст программы с подробными комментариями;

3. Результаты моделирования (рис. 13);

4. Контрольный пример;

5. Краткие письменные ответы на контрольные вопросы, содержащиеся в приложении.

Контрольные вопросы для лабораторной работы № 8

1. Искусственный интеллект. Его истоки и проблемы.

2. Нейрофизиологические данные об обработке информации в биологических системах.

3. Искусственный нейрон. Идея и техническая реализация.

4. Модели нейронов. Типичные виды функций активации нейрона.

5. Многослойный персептрон.

6. Однонаправленные многослойные сети. Алгоритм обратного распространения ошибки.

7. Вывод конкретных формул алгоритма обратного распространения ошибки для двухслойных сетей с малым числом нейронов (2-3).

8. Градиентные методы. Алгоритм наискорейшего спуска. Недостатки метода. Метод моментов.

9. Радиальные нейронные сети. Обучение. Область применения.

10. Рекуррентные сети. Ассоциативная сеть Хопфилда. Обучение. Распознавание образов.

11. Сеть встречного распространения.

12. Обучение слоя Кохонена. Решение задач кластеризации.

13. Статистический подход к обучению нейронной сети. Машина Больцмана и ее модификации.

14. Применение нейронных сетей. Сбор данных для нейронных сетей.

15. Задача регрессии и прогнозирования временных рядов.

16. Основные характеристики пакета MATLAB. Простейшие вычисления. Работа с массивами. Графики функций. Сессия. М-файлы. Mat-файлы.

17. Нейронные сети в пакете MATLAB.