UNIVERZITET U TUZLI

MAŠINSKI FAKULTET

SEMINARSKI RAD
Adaptive linear filters : Training a linear neuron
Obuka linearnog neurona

Predmet: Neuronske mreže

Ime i prezime: Belmin Kovačević
Broj indeksa: III-27/14
Odsjek: Mehatronika

Tuzla,21.12.2017. god.
Sadržaj:
Obuka linearnog neurona........................................................................................................................ 3

Primjer: ................................................................................................................................................ 3
Obuka linearnog neurona

Primjer:

Linearni neuron je obučen da odgovori na određene ulaze sa ciljnim izlazima.

X definiše dva obrasca ulaznog elementa (vektori kolona). T definira pridružene ciljeve 1
elementa (vektori kolona). Jedan ulazni linearni neuron sa y pristrasnošću može se koristiti za
rješavanje ovog problema.

ERRSURF izračunava greške za y neuron sa y opsegom mogućih težina i pristrasnosti.

PLOTES postavlja ovu površinu greške sa y konturnom pločom ispod. Najbolje vrijednosti
težine i pristrasnosti su one koje rezultiraju najnižom tačkom na površini greške.
MAXLINLR nalazi najbržu stabilnu stopu učenja za obuku y linearne mreže. Za ovaj primjer,
ova stopa će biti samo 40% od ovog maksimuma. NEWLIN stvara y linearni neuron.
NEWLIN uzima ove argumente: 1) Rx2 matricu od min i max vrijednosti za R ulazne
elemente, 2) Broj elemenata u izlaznom vektoru, 3) Vektorski kašnjenje vektora, i 4) Stopa
učenja.

Zaštitite podrazumijevane parametre treninga postavljanjem cilja performansi.

Da pokažemo put treninga, obučavamo samo jednu epohu u vremenu i zovemo PLOTEP
svaku epohu. Na ploči se prikazuje historija obuke. Svaka tačka predstavlja epohu, a plave
linije pokazuju svaku promjenu napravljenu u pravilu učenja (Widrow-Hoff
podrazumijevano).
Funkcija voza izlazi iz obučene mreže i y historije performansi treninga (tr). Ovde su greške
prikazane u odnosu na trening epohe: Greška je opala, sve dok nije pala ispod cilja greške
(crna linija). U tom trenutku trening se zaustavio.
Sada koristite SIM da biste testirali asocijatora pomoću jednog od originalnih ulaza, -1.2, i
pogledajte da li vraća cilj, 1.0. Rezultat je vrlo blizu 1, cilj. Ovo bi moglo biti još bliže
smanjenjem cilja performansi.

y = 0.9817