- •В. Г. Потемкин
- •Предисловие
- •Введение
- •Используемые обозначения
- •Часть 1. Ппп Neural Network Toolbox
- •1. Система matlab 6
- •1.1. Операционная среда matlab 6
- •Командное окно
- •Окно предыстории
- •Окно запуска
- •Окно текущего каталога
- •Окно рабочей области
- •Справочная подсистема
- •1.3. Демонстрационные примеры ппп nnt
- •2. Модель нейрона и архитектура сети
- •2.1. Модель нейрона
- •2.1.1. Простой нейрон
- •2.1.2. Функция активации
- •2.1.3. Нейрон с векторным входом
- •2.2. Архитектура нейронных сетей
- •2.2.1. Однослойные сети
- •2.2.2. Многослойные сети
- •2.2.3. Сети с прямой передачей сигнала
- •2.3. Создание, инициализация и моделирование сети Формирование архитектуры сети
- •Инициализация сети
- •Моделирование сети
- •3. Обучение нейронных сетей
- •3.1. Процедуры адаптации и обучения
- •Явление переобучения
- •Свойство обобщения
- •3.1.1. Способы адаптации и обучения
- •Адаптация нейронных сетей
- •Xlabel(''), ylabel('Выходыa(I)'),grid
- •Xlabel(''), ylabel('Весавходовw(I)'),grid
- •Xlabel(' Циклы'), ylabel('Ошибка'),grid
- •Xlabel(''), ylabel('Выходыa(I)'),grid
- •Xlabel(''), ylabel('Весавходовw(I)'),grid
- •Xlabel('Циклы'), ylabel('Ошибка'),grid
- •Xlabel(''), ylabel('Выходыa(I)'),grid
- •Xlabel(''), ylabel('Весавходовw(I)'),grid
- •Xlabel('Циклы'), ylabel('Ошибка'),grid
- •Обучение нейронных сетей
- •3.2. Методы обучения
- •3.2.1. Обучение однослойной сети
- •3.2.2. Обучение многослойной сети
- •Метод обратного распространения ошибки
- •Характеристика методов обучения
- •3.3. Алгоритмы обучения
- •3.3.1. Градиентные алгоритмы обучения Алгоритм gd
- •Алгоритм gdm
- •Алгоритм gda
- •Алгоритм Rprop
- •3.3.2. Алгоритмы метода сопряженных градиентов
- •Алгоритм cgf
- •Алгоритм cgp
- •Алгоритм cgb
- •Алгоритм scg
- •3.3.3. Квазиньютоновы алгоритмы Алгоритм bfgs
- •Алгоритм oss
- •Алгоритм lm
- •3.3.4. Алгоритмы одномерного поиска
- •Алгоритм gol
- •Алгоритм bre
- •Алгоритм hyb
- •Алгоритм cha
- •Алгоритм bac
- •3.3.5. Расширение возможностей процедур обучения
- •Переобучение
- •Метод регуляризации
- •Формирование представительной выборки
- •Предварительная обработка и восстановление данных
- •Пример процедуры обучения
- •4. Персептроны
- •4.1. Архитектура персептрона
- •4.2. Модель персептрона
- •Моделирование персептрона
- •Инициализация параметров
- •4.3. Процедуры настройки параметров
- •Правила настройки
- •Процедура адаптации
- •5. Линейные сети
- •5.1. Архитектура линейной сети
- •5.2. Создание модели линейной сети
- •5.3. Обучение линейной сети
- •Процедура настройки
- •Процедура обучения
- •5.4. Применение линейных сетей Задача классификации векторов
- •Фильтрация сигнала
- •Предсказание сигнала
- •Подавление шумов
- •Многомерные цифровые фильтры
- •6. Радиальные базисные сети
- •Модель нейрона и архитектура сети
- •Создание сети
- •Радиальная базисная сеть с нулевой ошибкой
- •Итерационная процедура формирования сети
- •Примеры радиальных базисных сетей
- •6.1. Сети grnn
- •Архитектура сети
- •Синтез сети
- •6.2. Сети pnn
- •Архитектура сети
- •Синтез сети
- •7. Сети кластеризации и классификации данных
- •7.1. Самоорганизующиеся нейронные сети
- •7.1.1. Слой Кохонена
- •Архитектура сети
- •Создание сети
- •Правило обучения слоя Кохонена
- •Правило настройки смещений
- •Обучение сети
- •7.1.2. Карта Кохонена
- •Топология карты
- •Функции для расчета расстояний
- •Архитектура сети
- •Создание сети
- •Обучение сети
- •Одномерная карта Кохонена
- •Двумерная карта Кохонена
- •Архитектура сети
- •Создание сети
- •Обучение сети Правила настройки параметров
- •Процедура обучения
- •8. Рекуррентные сети
- •8.1. Сети Элмана
- •Архитектура
- •Создание сети
- •Обучение сети
- •Проверка сети
- •8.2. Сети Хопфилда
- •Архитектура сети
- •Синтез сети
- •9. Применение нейронных сетей
- •9.1. Аппроксимация и фильтрация сигналов
- •9.1.1. Предсказание стационарного сигнала Постановка задачи
- •Синтез сети
- •Проверка сети
- •9.1.2. Слежение за нестационарным сигналом
- •Инициализация сети
- •Проверка сети
- •9.1.3. Моделирование стационарного фильтра
- •Постановка задачи
- •Синтез сети
- •Проверка сети
- •9.1.4. Моделирование нестационарного фильтра
- •Постановка задачи
- •Инициализация сети
- •Проверка сети
- •9.2. Распознавание образов
- •Постановка задачи
- •Нейронная сеть
- •Архитектура сети
- •Инициализация сети
- •Обучение
- •Обучение в отсутствие шума
- •Обучение в присутствии шума
- •Повторное обучение в отсутствие шума
- •Эффективность функционирования системы
- •9.3. Нейронные сети и системы управления
- •9.3.1. Регулятор с предсказанием
- •9.3.2. Регулятор narma-l2
- •9.3.3. Регулятор на основе эталонной модели
- •Часть2. Операторы, функции и команды
- •10. Вычислительная модель нейронной сети
- •10.1. Описание сети Описание архитектуры
- •Функции инициализации, адаптации и обучения
- •10.2. Описание элементов сети
- •Описание входов
- •Описание слоев
- •Описание выходов
- •Описание целей
- •Описание смещений
- •Описание весов входа
- •Описание весов слоя
- •Матрицы весов и векторы смещений
- •Информационные поля
- •11. Формирование моделей нейронных сетей
- •11.1. Модели сетей
- •11.1.1. Однослойные сети Персептрон
- •Линейные сети
- •11.1.2. Многослойные сети
- •Радиальные базисные сети
- •Самоорганизующиеся сети
- •Сети – классификаторы входных векторов
- •Рекуррентные сети
- •11.2. Функции активации
- •Персептрон
- •Линейные сети
- •Радиальные базисные сети
- •Самоорганизующиеся сети
- •Рекуррентные сети
- •11.3. Синаптические функции
- •Функции взвешивания и расстояний
- •Функции накопления
- •11.4. Функции инициализации
- •11.5. Функции адаптации и обучения Функции адаптации
- •Функции обучения
- •Градиентные алгоритмы обучения
- •Алгоритмы метода сопряженных градиентов
- •Квазиньютоновы алгоритмы обучения
- •11.5.1. Функции оценки качества обучения
- •11.6. Функции настройки параметров
- •11.6.1. Функции одномерного поиска
- •11.7. Масштабирование и восстановление данных
- •11.8. Вспомогательные функции
- •Утилиты вычислений
- •Операции с массивами данных
- •Графические утилиты
- •Информация о сети и ее топологии
- •11.9. Моделирование нейронных сетей и система Simulink Функции моделирования сети
- •11.9.1. Применение системы Simulink
- •Библиотеки блоков для моделирования нейронных сетей
- •Построение моделей нейронных сетей
- •Индексный указатель Команды, функции и операторы ппп Neural Network Toolbox
- •Предметный указатель
- •Литература Книги на английском языке:
- •Книги на русском языке:
- •Оглавление
Описание весов слоя
Перечисленные ниже свойства объекта netвключают перечень функций, которые используются для описания весов слоя нейронной сети.
|
net |
Тип |
Размер, состав |
Значение по умолчанию |
Имя поля | |||
|
.layerWeights{i,j} |
Cell array |
{11} |
{01} |
Описатель весов от слоя j к слою i | |||
|
.delays |
Double array |
1var |
[ ] |
Индикатор линий задержки | |||
|
.initFcn |
Char |
initzero | midpoint | randnc | randnr | rands |
‘ ‘ |
Функции инициализации | |||
|
.learn |
Boolean |
0 | 1 |
0 |
Индикатор настройки | |||
|
.learnFcn |
Char |
learngd | learngdm | learnh | learnhd | learnis | learnk | learnlv1 | learnlv2 | learnos | learnp | learnpn | learnsom | learnwh |
‘ ‘ |
Функции настройки | |||
|
.learnParam |
|
|
[ ] |
Параметры функции настройки | |||
|
.weightFcn |
Char |
dist | dotprod | mandist | negdist | normprod |
‘ ‘ |
Функции взвешивания | |||
|
.size |
Integer >= 0 (только для чтения) |
11 |
0 |
Количество элементов | |||
|
.userdata |
Struct |
11 |
11 |
Информация пользователя | |||
|
|
.note |
Char |
1var |
'Put your custom input information here.' |
Текст |
layerWeights массив ячеек
Описатель весов слоя.Массив размераNlNl, гдеNl– число слоевnumLayersобъектаnet, состоящий из ячеекlayerWeights{i, j}. Каждая ячейка является массивом записей и служит для описания свойств весов, которые формируют матрицу весов. Последняя определяет веса связей слояiсо слоемjсети и согласуется с матрицей связностиlayerConnect(i, j).
delaysиндикатор линий задержки
Описание линий задержки. СвойствоlayerWeights{i, j}.delaysопределяет наличие линий задержки между слоемjи слоемi. Это вектор-строка, элемент которого либо равен 0, либо значению задержки (положительное целое число), причем эти значения могут только возрастать. Длина этого вектора определяет количество задержанных векторов, поступающих на слойi.
initFcn initzero | midpoint | randnc | randnr | rands
Функция инициализации матрицы весов.Это свойство определяет, какая функция инициализацииlayerWeights{i, j}.initFcnприменяется при вызове методаinitдля вычисления матрицы весовLW, связывающей слойi со слоемjпри условии, что свойствоnet.initFcnимеет значениеinitlay, а функция инициализации слояlayers{i}.initFcnимеет значениеinitwb. Пользователь может расширить список применяемых функций инициализации.
learnиндикатор настройки
Индикатор настройки матрицы весов. СвойствоlayerWeights{i, j}.learnуказывает, будет ли матрица весов для слояiнастраиваться в процессе адаптации или обучения при использовании методовadaptилиtrainсоответственно. Значение этого свойства 0 или 1, по умолчанию 0.
learnFcnlearngd | learngdm | learnh | learnhd | learnis | learnk | learnlv1 | learnlv2| learnos | learnp | learnpn | learnsom | learnwh
Функции настройки матриц весов.Это свойство определяет, какая функцияinputWeights{i,j}.learnFcnприменяется при настройке матрицы весов, связывающей слойi со слоемj, при адаптации или обучении с использованием функцийadaptwbиtrainwbилиtrainwb1соответственно. Пользователь может расширить список применяемых функций настройки.
learnParamпараметры функции настройки
Параметры функции настройки. Свойствоbiases{i}.learnParamопределяет набор параметров для используемой функции настройкиlayerWeights{i, j}.learnParam. Узнать набор таких параметров можно, применяя операторhelpв следующей функциональной форме:
help(net.layerWeights{i,j}.learnFcn).
weightFcn dist | dotprod | mandist | negdist | normprod
Функции для применения матриц весов.Это свойство определяет, какая функцияlayerWeights{i, j}.weightFcnприменяется при работе с матрицей весов, связывающей слойi со слоемj, в частности при моделировании нейронной сети с использованием методаsim. Пользователь может расширить список таких функций.
sizeразмер матрицы весов (только для чтения)
Размер матрицы весов. СвойствоinputWeights{i, j}.sizeопределяет размер матрицы весов, связывающей слойiсо слоемj. Это вектор-строка, в которой указано число строк и столбцов матрицы весовLW; первый параметр совпадает с размером слояlayers{i}.size, второй соответствует величине
length(net.layerWeights{i, j}.delays) * net.layers{j}.size.
userdataмассив записей
Поле для записи информации пользователя. Это свойство обеспечивает место для записи информации, относящейся к матрице весов слояiсети. Предусмотрено только одно полеlayerWeights{i,j}.userdata.noteдля записи текста. По умолчанию оно содержит строку 'Putyour custom input information here.' – "Информацию разместите здесь".