- •Оглавление
- •1. Асоціативне неконтрольоване навчання
- •3. Зміст звіту по практичній роботі
- •Варіанти завдань
- •Аудиторна робота
- •Результат роботи:
- •2. Конкурентні нейронні мережі («Шар і мапа Кохонена»)
- •3. Зміст звіту по практичній роботі
- •Варіанти завдань: кластеризація даних
- •Аудиторна робота
- •1 % Self Organizing Feature Maps sofm (Kohonen networks)
- •3. Конкурентні нейронні мережі («Бінарний класифікатор сигналів екг на основі lvq»)
- •3. Зміст звіту по практичній роботі
- •Варіанти завдань
- •Аудиторна робота
- •1. %Learning Vector Quantization
- •Література
- •4. Нейронні мережі Гросберга
- •Аудиторна робота
- •1. Leaky integrator
- •2. Shunting network demonstration
- •3. Перший та другий шари мережі Grossberg
- •4. Налаштування ваги
- •Art-1 мережі розпізнавання зображень ()
- •3. Зміст звіту по практичній роботі
- •Варіанти завдань: класифікація зображень
- •Аудиторна робота
- •Листинг программы (matlab)
- •Результаты работы программы
- •Мережa Хопфiлда як асоціативна пам'ять ()
- •Варіанти завдань
- •Аудиторна робота
- •7.Рбф-мережа (робота № 5)
- •Варіанти завдань
- •Подбор параметров радиальной функции для каждого радиального нейрона (центр delta и параметр ширины b)
- •Подбор параметров радиальной функции для каждого радиального нейрона (центр с и параметр ширины b)
- •Ортогонализация по методу наименьших квадратов:
- •Работа первого и второго слоев:
- •Адаптация нелинейных параметров радиальных функций всех нейронов первого слоя сети:
- •8.Мережа з використанням га
Результат роботи:
Shape/Texture/Weight/Pineapple?=__1 1 -1 ;0
a=1 1 -1
W2=0 0 0
Shape/Texture/Weight/Pineapple?=__-1 1 -1 ;0
a=-1 1 -1
W2=0 0 0
Shape/Texture/Weight/Pineapple?=__1 1 -1 ;0
a=1 1 -1
W2=0 0 0
Shape/Texture/Weight/Pineapple?=__1 1 -1 ;0
a=1 1 -1
W2=0 0 0
Shape/Texture/Weight/Pineapple?=__-1 -1 1 ;1
a=-1 -1 1
W2=-0.2 -0.2 0.2
Shape/Texture/Weight/Pineapple?=__-1 -1 1 ;1
a=-1 -1 1
W2=-0.36 -0.36 0.36
Shape/Texture/Weight/Pineapple?=__-1 1 -1 ;0
a=-1 1 -1
W2=-0.36 -0.36 0.36
Shape/Texture/Weight/Pineapple?=__-1 -1 1 ;1
a=-1 -1 1
W2=-0.488 -0.488 0.488
Shape/Texture/Weight/Pineapple?=__-1 -1 1 ;1
a=-1 -1 1
W2=-0.5904 -0.5904 0.5904
Shape/Texture/Weight/Pineapple?=__1 1 -1 ;0
a=1 1 -1
W2=-0.5904 -0.5904 0.5904
Shape/Texture/Weight/Pineapple?=__-1 -1 1 ;1
a=-1 -1 1
W2=-0.67232 -0.67232 0.67232
Shape/Texture/Weight/Pineapple?=__-1 -1 1 ;1
a=-1 -1 1
W2=-0.73786 -0.73786 0.73786
Shape/Texture/Weight/Pineapple?=__-1 -1 1 ;1
a=-1 -1 1
W2=-0.79028 -0.79028 0.79028
Shape/Texture/Weight/Pineapple?=__-1 -1 1 ;1
a=-1 -1 1
W2=-0.83223 -0.83223 0.83223
Shape/Texture/Weight/Pineapple?=__1 1 -1 ;0
a=1 1 -1
W2=-0.83223 -0.83223 0.83223
Shape/Texture/Weight/Pineapple?=__-1 -1 1 ;1
a=-1 -1 1
W2=-0.86578 -0.86578 0.86578
Shape/Texture/Weight/Pineapple?=__-1 -1 1 ;1
a=-1 -1 1
W2=-0.89263 -0.89263 0.89263
Shape/Texture/Weight/Pineapple?=__-1 -1 1 ;1
a=-1 -1 1
W2=-0.9141 -0.9141 0.9141
Shape/Texture/Weight/Pineapple?=__1 -1 -1 ;0
a=1 -1 -1
W2=-0.9141 -0.9141 0.9141
Shape/Texture/Weight/Pineapple?=__-1 1 -1 ;0
a=-1 1 -1
W2=-0.9141 -0.9141 0.9141
Shape/Texture/Weight/Pineapple?=__-1 -1 1 ;1
a=-1 -1 1
W2=-0.93128 -0.93128 0.93128
Shape/Texture/Weight/Pineapple?=__-1 -1 1 ;1
a=-1 -1 1
W2=-0.94502 -0.94502 0.94502
Shape/Texture/Weight/Pineapple?=__-1 -1 1 ;1
a=-1 -1 1
W2=-0.95602 -0.95602 0.95602
Shape/Texture/Weight/Pineapple?=__1 -1 -1 ;0
a=1 -1 -1
W2=-0.95602 -0.95602 0.95602
Shape/Texture/Weight/Pineapple?=__-1 -1 1 ;1
a=-1 -1 1
W2=-0.96482 -0.96482 0.96482
%%%%%%%%%%%%%%% working=0 %%%%%%%%%%%%%%%
Shape/Texture/Weight/Pineapple?=__0 0 0 ;1
a=-0.96482 -0.96482 0.96482
W2=-0.96482 -0.96482 0.96482
Shape/Texture/Weight/Pineapple?=__0 0 0 ;0
a=0 0 0
W2=-0.96482 -0.96482 0.96482
Shape/Texture/Weight/Pineapple?=__0 0 0 ;1
a=-0.96482 -0.96482 0.96482
W2=-0.96482 -0.96482 0.96482
Shape/Texture/Weight/Pineapple?=__0 0 0 ;1
a=-0.96482 -0.96482 0.96482
W2=-0.96482 -0.96482 0.96482
Shape/Texture/Weight/Pineapple?=__0 0 0 ;1
a=-0.96482 -0.96482 0.96482
W2=-0.96482 -0.96482 0.96482
Shape/Texture/Weight/Pineapple?=__0 0 0 ;1
a=-0.96482 -0.96482 0.96482
W2=-0.96482 -0.96482 0.96482
Shape/Texture/Weight/Pineapple?=__0 0 0 ;0
a=0 0 0
W2=-0.96482 -0.96482 0.96482
Shape/Texture/Weight/Pineapple?=__0 0 0 ;1
a=-0.96482 -0.96482 0.96482
W2=-0.96482 -0.96482 0.96482
Shape/Texture/Weight/Pineapple?=__0 0 0 ;1
a=-0.96482 -0.96482 0.96482
W2=-0.96482 -0.96482 0.96482
Shape/Texture/Weight/Pineapple?=__0 0 0 ;0
a=0 0 0
W2=-0.96482 -0.96482 0.96482
Shape/Texture/Weight/Pineapple?=__0 0 0 ;1
a=-0.96482 -0.96482 0.96482
W2=-0.96482 -0.96482 0.96482
Shape/Texture/Weight/Pineapple?=__0 0 0 ;0
a=0 0 0
W2=-0.96482 -0.96482 0.96482
Shape/Texture/Weight/Pineapple?=__0 0 0 ;0
a=0 0 0
W2=-0.96482 -0.96482 0.96482
Shape/Texture/Weight/Pineapple?=__0 0 0 ;1
a=-0.96482 -0.96482 0.96482
W2=-0.96482 -0.96482 0.96482
Shape/Texture/Weight/Pineapple?=__0 0 0 ;1
a=-0.96482 -0.96482 0.96482
W2=-0.96482 -0.96482 0.96482
Shape/Texture/Weight/Pineapple?=__0 0 0 ;1
a=-0.96482 -0.96482 0.96482
W2=-0.96482 -0.96482 0.96482
Shape/Texture/Weight/Pineapple?=__0 0 0 ;1
a=-0.96482 -0.96482 0.96482
W2=-0.96482 -0.96482 0.96482
Shape/Texture/Weight/Pineapple?=__0 0 0 ;1
a=-0.96482 -0.96482 0.96482
W2=-0.96482 -0.96482 0.96482
Shape/Texture/Weight/Pineapple?=__0 0 0 ;1
a=-0.96482 -0.96482 0.96482
W2=-0.96482 -0.96482 0.96482
Shape/Texture/Weight/Pineapple?=__0 0 0 ;0
a=0 0 0
W2=-0.96482 -0.96482 0.96482
Shape/Texture/Weight/Pineapple?=__0 0 0 ;1
a=-0.96482 -0.96482 0.96482
W2=-0.96482 -0.96482 0.96482
Shape/Texture/Weight/Pineapple?=__0 0 0 ;1
a=-0.96482 -0.96482 0.96482
W2=-0.96482 -0.96482 0.96482
Shape/Texture/Weight/Pineapple?=__0 0 0 ;1
a=-0.96482 -0.96482 0.96482
W2=-0.96482 -0.96482 0.96482
Shape/Texture/Weight/Pineapple?=__0 0 0 ;1
a=-0.96482 -0.96482 0.96482
W2=-0.96482 -0.96482 0.96482
Shape/Texture/Weight/Pineapple?=__0 0 0 ;1
a=-0.96482 -0.96482 0.96482
W2=-0.96482 -0.96482 0.96482
5. Спроектувати мережу розпізнавання множини векторів-прототипів {p1, …, pQ} та визначити її параметри.Кількість нейронів S дорівнює кількості векторів-прототипів Q, які необхідно розпізнати (тобто S=Q).
% Instar hardlim
clc; close all; clear all;
q=2;r=3;
W=zeros(q,r) % W=[ 0 0 0; 0 0 0]
P(1,:)=[1.000 -1.000 -1.000]; %ORANGE
P(2,:)=[1.000 1.000 1.000]; %APPlE
b=-3; % ||p||*||p||>=-b
a=[0;0]; alfa=0.5;
p0=[1 0] % збуджуючий сигнал + не збуджуючий
w0=3; s1=abs(sum(W(1,:)-P(1,:)));
s2=abs(sum(W(2,:)-P(2,:)));
while (s1 > 10^(-10) && s2 > 10^(-10))
for i=1:2 % zb +(~zb)
a(1)=hardlim(p0(i)*w0+W(1,:)*P(1,:)'+b);
a(2)=hardlim(p0(i)*w0+W(2,:)*P(2,:)'+b);
W(1,:)=(W(1,:)'+alfa*a(1)*(P(1,:)'-W(1,:)'))';
W(2,:)=(W(2,:)'+alfa*a(2)*(P(2,:)'-W(2,:)'))';
end;
s1=abs(sum(W(1,:)-P(1,:)));
s2=abs(sum(W(2,:)-P(2,:)));
end; W
a=[0;0]; a(1)=hardlim(W(1,:)*P(1,:)'+b)