1 / 5

ASN - cvičení 2 : Ukázky práce s NN-Toolboxem

ASN - cvičení 2 : Ukázky práce s NN-Toolboxem. Postup: 1) MATLAB 2) HELP 3) Full Product Family Help Neural Network Toolbox MATLAB Help Demos Finding Functions

thelma
Download Presentation

ASN - cvičení 2 : Ukázky práce s NN-Toolboxem

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. ASN - cvičení 2 : Ukázky práce s NN-Toolboxem Postup: 1) MATLAB 2) HELP 3) Full Product Family Help Neural Network Toolbox MATLAB Help Demos Finding Functions Demonstrations and Applications Toolboxes Neural Networks NNdemos

  2. Alphabetical List Functions by Category perceptronpro perceptron Distance Functions Learning Functions – learnh (Hebb) Network Use Functions – adapt disp init sim train Performance Function (chybové funkce) mae (mean absolute error) mse ( mean squared error) sse ( sum squared error) Plotting Functions – plotpv (perceptron) Training Functions – trainb (batch-trenink) Transfer Functions randsWeight and Bias Initialization Functions dist Weight Functions (Euclidean) mandist (Manhattan)

  3. nnd nndtoc Demonstrační úlohy • nnd2n1 ukázka formálního neuronu a přenosových funkcí • nnd2n2 ukázka neuronu s 1 vstupním vektorem Perceptron • nnd3pc klasifikace perceptronem • nnd4db ukázka rozhodovací přímky • nnd4pr ukázka algoritmu učení perceptronu • demop1 problém klasifikace se 2 vstupními neurony • demop4 extrémní hodnoty elementů vstupního vektoru • demop5 normování • demop6 ukázka lineárně neseparabilních vektorů

  4. nnd2n1 • lze měnit váhy, prahy a přenosové funkce • názorná ukázka významu prahu • u přenosových funkcí satlin, satlins, logsig, tansig se změnou vah • mění sklon těchto funkcí – to má vliv na úspěšnost a rychlost učení • (hodnota vah blízká 0 vede na menší sklon průběhu funkce a naopak nnd2n2 • je možné měnit více parametrů najednou (váhy, prahy a hodnoty • elementů vstupního vektoru a sledovat hodnotu vástupu pro • různé přenosové funkce Úloha: sestavte tabulku, ze které bude vidět vliv měnících se hodnot jednotlivých parametrů perceptronu (vah, prahů, vstupů a přenosových funkcí)

  5. Perceptron • nnd4dp pouze znázornění rozhodovací přímky • nnd4pr ukazuje rozdíl mezi učením (learning) • a trénováním (training) • ukázka klasifikace do 2 tříd – limitující schopnost • perceptronu • je možné vyzkoušet vliv prahu (bias) a náhodné • inicializace vah (random) • demop1,4,5,6 - u těchto demonstrací je vhodnější volit prostřednictvím • položky DEMOS (animace) • - při spuštění z příkazové řádky se objeví pouze grafická • ukázka a zdrojový kód je nutné vyvolat příkazem • type demop1 (type demop4…)

More Related