Главная страница
Навигация по странице:

Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6. В. Г. Потемкин



Скачать 14.83 Mb.
Название В. Г. Потемкин
Анкор Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6.doc
Дата 26.04.2017
Размер 14.83 Mb.
Формат файла doc
Имя файла Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6.doc
Тип Книга
#3790
страница 17 из 50
1   ...   13   14   15   16   17   18   19   20   ...   50

5. Линейные сети


Обсуждаемые в этой главе линейные нейронные сети по своей структуре аналогичны персептрону и отличаются лишь функцией активации, которая является линейной. Выход линейной сети может принимать любое значение, в то время как выход персептрона ограничен значениями 0 или 1. Линейные сети, как и персептроны, способны решать только линейно отделимые задачи классификации, однако в них используется другое правило обучения, основанное на методе наименьших квадратов, которое является более мощным, чем правило обучения персептрона. Настройка параметров выполняется таким образом, чтобы обеспечить минимум ошибки. Поверхность ошибки как функция входов имеет единственный минимум, и определение этого минимума не вызывает трудностей. В отличие от персептрона настройка линейной сети может быть выполнена с помощью как процедуры адаптации, так и процедуры обучения; в последнем случае используется правило обучения WH (Widrow – Hoff).

Кроме того, в главе рассматриваются адаптируемые линейные нейронные сети ADALINE (ADAptive Linear Neuron networks), которые позволяют корректировать веса
и смещения при поступлении на вход каждого нового элемента обучающего множества. Такие сети широко применяются при решении задач обработки сигналов и в системах управления. Основополагающей работой в этой области является книга Уидроу и Хоффа [45], в которой они и ввели сокращение ADALINE для адаптируемых линейных нейронов.

По команде help linnet можно получить следующую информацию об М-функциях, входящих в состав ППП Neural Network Toolbox и относящихся к построению линейных нейронных сетей:


Linear networks

Линейные сети

New networks

Формирование нейронной сети

newlind

Формирование линейного слоя

newlin

Формирование адаптируемого линейного слоя

Using networks

Работа с нейронной сетью

sim

Моделирование сети

init

Инициализация сети

adapt

Процедура адаптации

train

Процедура обучения

Weight functions

Функции взвешивания

dotprod

Скалярное произведение

Net input functions

Функции накопления

netsum

Сумма взвешенных входов

Transfer functions

Функции активации

purelin

Линейная

Initialization functions

Функции инициализации

initlay

Послойная инициализация

initwb

Инициализация весов и смещений

initzero

Инициализация нулевых весов и смещений

Performance

Функции оценки качества сети

mse

Среднеквадратичная погрешность

Learning

Функции настройки параметров персептрона

learnwh

Правило настройки WH

Adaption

Функции адаптации

adaptwb

Функция адаптации весов и смещений

Training

Функции обучения

trainwb

Функция обучения весов и смещений

Analysis functions

Функции анализа

maxlinlr

Оценка максимального значения параметра настройки

Demonstrations and applications

Демонстрационные примеры

demolin1

Пример функционирования линейной сети

demolin2

Обучение линейного нейрона

demolin3

Обучение линейного слоя

demolin4

Задача линейной аппроксимации

demolin5

Задача с неполными данными

demolin6

Задача с линейно зависимыми данными

demolin7

Оценка влияния параметра скорости настройки

demolin8

Адаптируемый линейный слой

applin1

Задача предсказания

applin2

Задача адаптивного предсказания

applin3

Идентификация линейной системы

applin4

Адаптивная идентификация линейной системы


Следует обратить внимание, что в версии ППП Neural Network Version 3.0.1 (R11)
не представлен демонстрационный пример demolin3.
1   ...   13   14   15   16   17   18   19   20   ...   50
написать администратору сайта