Индивидуальные очистные сооружения: К классу индивидуальных очистных сооружений относят сооружения, пропускная способность которых...
История создания датчика движения: Первый прибор для обнаружения движения был изобретен немецким физиком Генрихом Герцем...
Топ:
Оснащения врачебно-сестринской бригады.
Генеалогическое древо Султанов Османской империи: Османские правители, вначале, будучи еще бейлербеями Анатолии, женились на дочерях византийских императоров...
Теоретическая значимость работы: Описание теоретической значимости (ценности) результатов исследования должно присутствовать во введении...
Интересное:
Уполаживание и террасирование склонов: Если глубина оврага более 5 м необходимо устройство берм. Варианты использования оврагов для градостроительных целей...
Средства для ингаляционного наркоза: Наркоз наступает в результате вдыхания (ингаляции) средств, которое осуществляют или с помощью маски...
Как мы говорим и как мы слушаем: общение можно сравнить с огромным зонтиком, под которым скрыто все...
Дисциплины:
2017-06-09 | 363 |
5.00
из
|
Заказать работу |
|
|
Пример 1. Алгоритм обучения и настройки сходится, если задача классификации разрешима.
Проиллюстрируем решение задачи классификации, ранее решенной с помощью персептрона. Используем для этого простейшую линейную сеть, представленную на рисунке 10.1.
Обучающее множество представлено следующими четырьмя парами векторов входов и целей:
(10.1)
Определим линейную сеть с начальными значениями веса и смещения, используемыми по умолчанию, т. е, нулевыми; зададим допустимую погрешность обучения, равную 0.1:
Пороговое значение функции качества достигается за 64 цикла обучения, а соответствующие параметры сети принимают значения:
Выполним моделирование созданной сети с векторами входа из обучающего множества и вычислим ошибки сети:
Построение персептронной нейронной сети для задач классификации разделимых векторов
Пример 2. Заметим, что погрешности сети весьма значительны. Попытка задать большую точность в данном случае не приводит к цели, поскольку возможности линейной сети ограничены. Демонстрационный пример иллюстрирует проблему линейной зависимости векторов, которая свойственна и этому случаю.
Порядок выполнения работы
1. Построить линейную нейронную сеть в программе Matlab и решить задачу классификацию линейно разделимых векторов с точностью и максимальным числом эпох . Варианты задания представлены в таблице 10.1.
Таблица 10.1
Номер варианта | Количество входов – 2; количество нейронов – 1. | ||
Диапазон значений входа | Значения входа | Целевой выход | |
1. | |||
2. | |||
3. | |||
4. | |||
5. | |||
6. | |||
7. | |||
8. | |||
9. | |||
10. |
2. Промоделировать созданную линейную сеть с векторами входа из обучающего множества и вычислить множества ошибки сети.
|
3. Построить персептронную нейронную сеть в программе для того же обучающего множества и с ее помощью решить задачу классификации линейно разделимых векторов.
4. Промоделировать созданную персептронную сети с векторами входа из обучающего множества и вычислить множества ошибки сети.
5. Необходимо сравнить результаты моделирования линейной и персептронной линейными сетями.
6. Необходимо добавить в обучающее множество такой вектор, чтобы образовались линейно неразделимые векторы, а также построить линейную и персептронные сети для решения задачи классификации нового обучающего множества.
7. Промоделировать созданных персептронных сетей с векторами входа из обучающего множества, а также проверить правильность работы сетей.
8. Распечатать листинг программы.
9. Составить отчет: цель практического занятия, структурную схему нейронной сети, алгоритм, расчет настройки сети, текст программы и результаты моделирования, выводы.
Практическое занятие №11
Применение линейных сетей
Цель работы: моделирование адаптируемых линейных сетей в системе и решение с их помощью задач фильтрации сигналов.
- Задача классификации векторов.
- Построение персептронной нейронной сети для задач классификации разделимых векторов.
Теоретическая часть
На рисунке 11. 1 представлена структурная схема цифрового фильтра, отличительной особенностью которого является то, что он включает динамический компонент - линию задержки (ЛЗ) и 1 слой линейной нейронной сети.
Последовательность значений входного сигнала поступает на ЛЗ, состоящую из блока запаздывания; выход ЛЗ - мерный вектор , составленный из значений входа в моменты времени .
|
|
Папиллярные узоры пальцев рук - маркер спортивных способностей: дерматоглифические признаки формируются на 3-5 месяце беременности, не изменяются в течение жизни...
Эмиссия газов от очистных сооружений канализации: В последние годы внимание мирового сообщества сосредоточено на экологических проблемах...
Индивидуальные и групповые автопоилки: для животных. Схемы и конструкции...
Архитектура электронного правительства: Единая архитектура – это методологический подход при создании системы управления государства, который строится...
© cyberpedia.su 2017-2024 - Не является автором материалов. Исключительное право сохранено за автором текста.
Если вы не хотите, чтобы данный материал был у нас на сайте, перейдите по ссылке: Нарушение авторских прав. Мы поможем в написании вашей работы!