Professional Documents
Culture Documents
cada una de las redes. Para los vectores secuenciales, el orden en que
aparecen los vectores es importante.
Para configurar esta red de alimentacin directa lineal, utilice los siguientes
comandos:
net = linearlayer;
net.inputs{1}.size = 2;
net.layers{1}.dimensions = 1;
`
La entrada de P debe ser una serie de clulas, donde cada elemento de la
matriz contiene los dos elementos de las dos secuencias que se producen al
mismo tiempo:
P = {[1 4] [2 3] [3 2] [4 1]};
Red personalizada
Antes de poder construir una red que necesita saber lo que parece. Para los
propsitos drsticos (y para dar a la caja de herramientas de un
entrenamiento) Esta seccin le gua a travs de la creacin de la red salvaje
y complicada se muestra a continuacin.
Propiedades Arquitectura
El primer grupo de propiedades que se muestra est etiquetado
propiedades de arquitectura. Estas propiedades le permiten seleccionar el
nmero de entradas y capas y sus conexiones.
Nmero de entradas y capas. Las dos primeras propiedades que se
muestran en el grupo dimensiones son numInputs y numLayers. Estas
propiedades le permiten seleccionar el nmero de entradas y capas que
desea que la red tiene.
net =
dimensions:
numInputs: 0
numLayers: 0
Conexiones sesgo. Tipo de red y pulse Intro para ver sus propiedades de
nuevo. La red tiene ahora dos entradas y tres capas.
net =
Neural Network:
dimensions:
numInputs: 2
numLayers: 3
Tambin podra definir esas conexiones con una sola lnea de cdigo.
net.biasConnect = [1; 0; 1];
Entrada y la capa Peso Conexiones. La matriz de conexin de entrada es 3por-2, que representa la presencia de conexiones de dos fuentes (las dos
entradas) a tres destinos (las tres capas). Por lo tanto, net.inputConnect (i, j)
representa la presencia de una conexin de entrada de peso va a la capa isima de la entrada de orden j.
Para conectar la primera entrada a la primera y segunda capas, y la
segunda entrada a la segunda capa (como se indica por el diagrama de red
del cliente), el tipo de
net.inputConnect(1,1) = 1;
net.inputConnect(2,1) = 1;
net.inputConnect(2,2) = 1;
Nmero de salidas
Tipo de red y pulse Intro para ver las propiedades actualizadas. Los ltimos
tres propiedades de la arquitectura son los valores de slo lectura, lo que
significa que sus valores estn determinados por las decisiones tomadas por
otras propiedades. La primera propiedad de slo lectura en el grupo
dimensin es el nmero de salidas:
numOutputs: 2
Entradas
Cuando se establece el nmero de entradas (net.numInputs) a 2, la
propiedad insumos se convierte en una serie de clulas de dos estructuras
de entrada. Cada estructura de entrada i-simo (net.inputs {I}) contiene
propiedades adicionales asociados con la entrada i-simo.
Para ver cmo se disponen las estructuras de entrada, el tipo
net.inputs
ans =
[1x1 nnetInput]
[1x1 nnetInput]
Salidas. Utilice esta lnea de cdigo para ver cmo la propiedad de salida
se dispone:
net.outputs
ans =
[]
[1x1 nnetOutput]
[1x1 nnetOutput]
Tenga en cuenta que las salidas contiene dos estructuras de salida, uno para
la capa 2 y una para la capa 3. Esta disposicin se produce
automticamente cuando net.outputConnect est ajustado en [0 1 1].
Ver estructura de salida de la segunda capa con la siguiente expresin:
net.outputs{2}
ans =
Neural Network Output
name: 'Output'
feedbackInput: []
feedbackDelay: 0
feedbackMode: 'none'
processFcns: {}
processParams: {1x0 cell array of 0 params}
processSettings: {0x0 cell array of 0 settings}
processedRange: [3x2 double]
processedSize: 3
range: [3x2 double]
size: 3
userdata: (your custom info)
Especificar lneas de retardo del grifo 'los pesos de acuerdo con el diagrama
de red mediante el establecimiento de cada propiedad pesos retrasos:
net.inputWeights{2,1}.delays = [0 1];
net.inputWeights{2,2}.delays = 1;
net.layerWeights{3,3}.delays = 1;
Funciones de red
Escriba red y pulse Intro de nuevo para ver el siguiente conjunto de
propiedades.
functions:
adaptFcn: (none)
adaptParam: (none)
derivFcn: 'defaultderiv'
divideFcn: (none)
divideParam: (none)
divideMode: 'sample'
initFcn: 'initlay'
performFcn: 'mse'
performParam: .regularization, .normalization
plotFcns: {}
plotParams: {1x0 cell array of 0 params}
trainFcn: (none)
trainParam: (none)
Cada una de estas propiedades define una funcin para una operacin de
base de la red.
Establecer la funcin de inicializacin para initlay lo que la red se inicializa
de acuerdo con las funciones de la capa de inicializacin ya establecidos
para initnw, la funcin de inicializacin Nguyen-Widrow.
net.initFcn = 'initlay';
Cada peso de entrada net.IW {i, j}, peso de la capa net.LW {i, j}, y el sesgo
del vector net.b {i} tiene tantas filas como el tamao de la capa i-sima
(net.layers {I} .tamao).
Cada peso de entrada net.IW {i, j} tiene tantas columnas como el tamao
de la entrada de orden j (net.inputs {j} .size) multiplicado por el nmero de
sus valores de retardo (longitud (net.inputWeights {i, j } .delays)).
Compruebe los sesgos y pesos de la red de nuevo para ver cmo han
cambiado:
net.IW{1,1}, net.IW{2,1}, net.IW{2,2}
net.LW{3,1}, net.LW{3,2}, net.LW{3,3}
net.b{1}, net.b{3}
Por ejemplo,
net.IW{1,1}
ans =
-0.3040
0.4703
-0.5423 -0.1395
0.5567
0.0604
0.2667
0.4924
Formacin
Definir la siguiente serie de clulas de dos vectores de entrada (uno con dos
elementos, uno con cinco) por dos pasos de tiempo (por va intranasal, dos
columnas).
X = {[0; 0] [2; 0.5]; [2; -2; 1; 0; 1] [-1; -1; 1; 0; 1]};
Desea que la red para responder a las siguientes secuencias diana para la
segunda capa, que tiene tres neuronas, y la tercera capa con una neurona:
T = {[1; 1; 1] [0; 0; 0]; 1 -1};
[3x1 double]
1.7148]
2.2726]
ans =
Show Training Window Feedback showWindow: true
Show Command Line Feedback showCommandLine: false
Command Line Frequency
show: 25
Maximum Epochs
epochs: 1000
time: Inf
Performance Goal
goal: 0
Minimum Gradient
min_grad: 1e-07
max_fail: 6
mu: 0.001
Mu Decrease Ratio
mu_dec: 0.1
Mu Increase Ratio
mu_inc: 10
Maximum mu
mu_max: 10000000000
[3x1 double]
1.0000]
-1.0000]
La salida de segunda red (es decir, la segunda fila de la matriz de clulas Y),
que es tambin la tercera capa de salida, coincide con la secuencia diana T.
Funciones adaptativas
En esta seccin se presenta la funcin de adaptacin, que cambia los pesos
y sesgos de una red de forma incremental durante el entrenamiento.
= purelin(n) = purelin(Wp + b) = Wp + b
Esta neurona puede ser entrenado para aprender una funcin afn de sus
entradas, o para encontrar una aproximacin lineal a una funcin no lineal.
Una red lineal no puede, por supuesto, se hizo para llevar a cabo un clculo
no lineal.
La matriz de ponderacin W en este caso tiene slo una fila. La salida de red es
= purelin(n) = purelin(Wp + b) = Wp + b
o
= w1,1p1 + w1,2p2 + b
Los tamaos de los dos argumentos para configurar indican que la capa es
tener dos entradas y una salida. tren hace normalmente esta configuracin
para usted, pero esto nos permite inspeccionar los pesos antes del
entrenamiento.
Los pesos y sesgos de red se establecen en cero, de forma predeterminada.
Se puede ver los valores actuales mediante los comandos:
W = net.IW{1,1}
W=
0
Y
b = net.b{1}
b=
0
net.IW{1,1} = [2 3];
net.b{1} = -4;
Puede simular el ADALINE para un vector de entrada particular.
p = [5; 6];
a = sim(net,p)
a=
24
En resumen, se puede crear una red ADALINE con LinearLayout, ajustar sus
elementos como desee, y simular con sim.
{
}{
} {
}
p1,t1 , p2,t2 , pQ,tQ