3.10.5. Моделирование сети (использование сети для решения задачи)

Чтобы применить обученную сеть для обработки данных, необходимо воспользоваться функцией Y=sim(net,p), где p – набор входных векторов, Y – результат анализа в виде набора выходных векторов. Например, пусть С = 0.2, A = 0.8, S = 0.7, тогда

p=0.2*exp(-((x-0.8).^2/0.7));

p=p'; Y=sim(net,p)

Получаем:

Y = 0.2048 (C) 0.8150 (A) 0.7048 (S) Результат весьма близок к правильному (0.2; 0.8; 07). Рисунок 8 – Анализ работы сети

(0, 1) интервалында табылған Y-тың функциялардың мәндері бойынша A және C-тiң параметрлерiнiң мәнiн есептейтін көп қабатты нейрондық желіні құрыңыз және үйретіңіз ( 0 ден 1 дейін диапазонында A және C мәндерінің өзгеруі мүмкін) Жұмыс варианттары

Вариант	1	2	3
Функция

4	5	6	7

8	9	10

Бақылау сұрақтары Нейрожелілік әдістің негізгі кезеңдерін атап өтіңіз Әр кезеңдегі жұмысты түсіндіріңіз.Қателерді кері бағытпен тарату алгоритмін сипаттап беріңіз? Дәуiр дегеніміз не?

1. Қателiктi керi бағытпен тарату әдiсі бойынша нейрожеліні үйрету үшін Matlab-тың қандай функциялары арналған (жасау, үйрену, қолдану, бағалау)?

4 Лабораторная работа № 4 нс с радиальными базисными функциями

(4 часа)

4.1 Цель работы: Получить практические навыки создания и использования НС с радиальными базисными элементами для решения задач аппроксимации и регрессии.

4.2 Сеть с радиальными базисными функциями

В сетях с радиальными базисными функциями используется подход, основанный на разбиении пространства гиперсферами. Каждый нейрон-радиальный элемент задается центром (некоторой разделяющей окружности) и радиусом (отклонением кривой разделения). По аналогии с обычным нейроном координаты центров радиальных элементов можно рассматривать как "веса", а радиус как "смещение".

НС с радиальными базисными элементами имеет один промежуточный слой, состоящий из радиальных элементов, каждый из которых воспроизводит гиперсферу, и выходной слой, состоящий из элементов с линейными функциями активации. Для моделирования любой функции достаточно взять определенное количество радиальных элементов.

НС с радиальными базисными элементами имеют ряд преимуществ. Они моделируют произвольную функцию с помощью всего одного промежуточного слоя, и обучаются на порядок быстрее, чем НС персептронного типа.

В ыражение для суммарного входа нейрона с радиальными базисными функциями отличается от суммарного входа обычных формальных нейронов (см. рисунок 9). Элемент на рисунке берет входной вектор p, однострочную матрицу весов входов w и вычисляет евклидово расстояние между ними Евклидово расстояние D между двумя векторами X и Y :

D = sum((x-y).^2).^0.5).

Рисунок 9 – Радиальный базисный нейрон

Радиальная базисная функция имеет максимум, равный 1, когда ее аргумент равен 0 (см. рисунок 10).

Когда расстояние между w и p уменьшается, выход функции возрастает. Таким образом, радиальный базисный нейрон действует как детектор, который выдает 1 только в том случае, когда вход p равен вектору весов w. Смещение b позволяет настраивать чувствительность радиального базисного нейрона. Например, если нейрон имеет смещение b=0,1, то он будет давать на выходе 0,5 для любого вектора p, расстояние от которого до вектора весов w составляет 8,33 (0,833/b).

Произвольная криволинейная функция может быть аппроксимирована комбинацией радиальных базисных функций:

,

где _i(x) – радиальная базисная функция (см. рисунок 11).

>> x = –5:0.01:5; %%

>> plot(x,(1/4)*radbas(x+2)+radbas(x–1));.