1 / 8

Úvod do práce s Neural Network Toolboxem, MATLAB, v. 6.5.0180913, Release 13

Úvod do práce s Neural Network Toolboxem, MATLAB, v. 6.5.0180913, Release 13. prác e s jednoduchými modely nov é metod y vyvinut é v posledních letech demonstračníc úloh y aplikační úlohy HELP základní pojmy. rozdělení funkcí podle typu UNS - Function and network Type.

xyla-thomas
Download Presentation

Úvod do práce s Neural Network Toolboxem, MATLAB, v. 6.5.0180913, Release 13

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. Úvod do práce s Neural Network Toolboxem, MATLAB, v. 6.5.0180913, Release 13 • práce s jednoduchými modely • nové metody vyvinuté v posledních letech • demonstračníc úlohy • aplikační úlohy • HELP • základní pojmy rozdělení funkcí podle typu UNS - Function and network Type

  2. assoclr associativní učení backprop učení zpětného šíření gradientu chyby elman učení Elmanovy rekurentní sítě hopfield Hopfieldovo učení pro rekurentní síť linnet učení lineárního neuronu lvq lineární vektorová kvantizace percept učení Perceptronu radbasis učení sítě s RBF funkcemi selforg samoorganizace Training Functions: trainb trainb trainbr Bayesovská regularizace trainc trainr Trains trains

  3. trainbfg traincgb traincgf traincgp traingd traingda varianty metody zpětného šíření gradientu chyby traingdm traingdx trainlm trainoss trainrp trainscg

  4. Experimentování s aktivačními funkcemi:nnd2n1. Příklad vykreslení skokové aktivační funkce: n = -5: 0.1: 5; plot(n, hardlim(n), ‘C+:); ·        vstup (input) je označen ‘p‘ (obecně je to vektor o R-elementech) ·        váha (weight) je označena ‘w‘ (obecně matice vah W); je-li použita matice vah, představují řádky rozložení neuronů ve vrstvě, sloupce určují připojené vstupy; např. w1,2 určuje, že signál je šířen ze vstupu 2 do neuronu 1) ·        aktivační (přenosová) funkce (transfer function) je označena ‘f’ ·        výstupní hodnota (output) je označen ‘a’ ·        práh (bias) je označen ‘b’.

  5. vrstevnatá UNS: vstupem je vektor p s R-vstupy, matice vstupů s Q-vektory dimenze vstupní matice (R,Q) matice vah W1 má hodnost (S1,R), S1 je počet neuronů v první skryté vrstvě a R je počet vstupů. matice vah W2 má hodnost (S2, S1) kde S1 je počet neuronů v první skryté vrstvě S2 je počet neuronů ve druhé skryté vrstvě resp. ve výstupní vrstvě z každé vrstvy vystupují vektory a pro jednotlivé neurony vrstvy jsou definovány prahy b, které tvoří vektor b, oba mají Si-elementů.

  6. způsob zápisu vektorů a matic: W = [1 2] net.IW{1,1} = [1,2]; b = [0] net.b{1} = 0; vstupní vektory: p1 = [1 2]T p2 = [2 1]T p3 = [2 3]T p4 = [3 1]T P = [p1, p2, p3, p4] = [1 2 2 3; 2 1 3 1]; výstup z neuronové sítě: a = sim (net, P) a = 5 4 8 5

  7. vstupní váhy: input weights IW1,2 net.IW{1,2}(ze vstupu 2 do neuronu1). potenciál neuronu n{1} = net.IW{1,2}*p + net.b{1} Příklad zápisu pro 3-vrstvé (podle značení MATLABu) UNS: ·       pro výstupy z jednotlivých vrstev a1 = f1 (IW1,1 p + b1) a2 = f2 (IW2,1 p + b2) a3 = f3 (IW3,1 p + b3) ·       p pro výstup z celé sítě a3 = f3 (IW3,2 f2 (LW2,1 f1(IW1,1 p + b1) + b2) + b3)

  8. vykreslení aktivačních funkcí: n = -5: 0.1:5;n = -5: 0.1:5; n = -5: 0.1:5; n = -5: 0.1:5; a = purelin(n); a = satlin(n); a = satlins(n); a = tansig(n); plot (n, a) plot (n, a) plot (n, a) plot (n, a) n = -5: 0.1:5;n = -5: 0.1:5; n = -5: 0.1:5; a = hardlim(n); a = radbas(n); a = logsig(n); plot (n, a) plot (n, a) plot (n, a)

More Related