gn="justify"> weightFcn, мають той же зміст і можуть приймати такі ж значення, що і відповідні параметри для
net.inputWeights {1,1}. . Виконати один цикл адаптації мережі з нульовим параметром швидкості налаштування:
[net1, a, e,] = adapt (net, P, T,);. IW {1,1}% - матриця ваг після адаптації;% - чотири значення виходу; % - чотири значення помилки.
6. Ініціалізувати нулями ваги входів і зміщень і задати параметри швидкості налаштування для них відповідно 0.2 і 0:
net.IW {1} = [0 0];. b {1} = 0;. inputWeights {1,1}. learnParm.lr = 0.2;. biases {1} . learnParam.lr = 0.
Нульове значення параметра швидкості налаштування для зміщення обумовлено тим, що задана залежність 2 Січень t = 2 p + p не має постійної складової.
. Виконати один цикл адаптації з заданим значенням параметра швидкості адаптації:
[net1, a, e] = adapt (net, P, T);. IW {1,1}% - значення ваг в мережі net1 змінилися;% - чотири значення виходу мережі net1;% - чотири значення помилки мережі net1.
8. Виконати адаптацію мережі net за допомогою 30 циклів:
for i = 1:30,
[net, a {i}, e {i}] = adapt (net, P, T); (i, :) = net.IW {1,1};; mat (a {30})% - значення виходу на останньому циклі; mat (e {30})% - значення помилки на останньому циклі; (30, :)% - ваги після 30 циклів; (cell2mat (e {30}) % - функція помилок: 0.0017176.
Тут cell2mat - функція перетворення масиву числових осередків у масив чисел, а mse - функція середньоквадратичної помилки.
. Побудувати графіки залежності значень виходів мережі і вагових коефіцієнтів, а також середньоквадратичної помилки від числа циклів, використовуючи функцію subplot для розподілу екрану на вікна: subplot (3,1,1)
for i = 1:1:30, plot (i, cell2mat (a {i}),? k?), on; (??), ylabel (? Виходи a ( i)?) (3,1,2) (0:30, [[0 0]; W],? k?) (??), ylabel (? Веса входів W (i)?) (3,1, 3) i = 1:30, E (i) = mse (e {i}); end (1:30, E,? + k?) (? Цикли?), ylabel (? Помилка?), grid
10. Адаптувати розглянуту модель статичної мережі для апроксимації тієї ж залежності і з тими ж вимогами до похибки, використовуючи груповий спосіб представлення навчальної послідовності:
P = [-1 -1/3 1/2 1/6; 1 1/4 0 2/3]; = [-1 -5/12 1 січня]; = newlin ([-1 1; -1 1], 1, 0, 0, 0.2); = IW {1} = [0 0];% - присвоювання початкових ваг;. l {1} ​​= 0;% - присвоювання початкового зміщення;. inputWeughts {1,1}. learnParam.lr = 0.2; = 10; = 1;% - для підрахунк...
