, за одним винятком: відзначивши змінні, слід натиснути кнопку Зберегти (Save). Тоді з'явиться вікно, в якому можна задати ім'я файлу. Його можна вказати без розширення - за умовчанням NNTool прикріпить розширення MAT. Це пов'язано з тим, що NNTool зберігає дані тільки у форматі MAT-файлів (див. Малюнок 10.8).
Малюнок 10.8 Вікно експорту та збереження даних у MAT-файлі
Ми розглянули найпростіші завдання синтезу ланцюгів і обробки сигналів, для вирішення яких застосовувалися найбільш популярні нейронні мережі прямого поширення. Насправді, NNTool дозволяє вирішувати значно ширше коло завдань, надаючи можливість використовувати мережі різноманітних архітектур, з пам'яттю і без, з зворотними зв'язками і без таких. При цьому слід мати на увазі, що успіх багато в чому залежить від розуміння поведінки конструюються мереж та їх апроксимаційних можливостей.
Контрольні питання:
. Як задали вхідні дані для апроксимації
. Яка кількість шарів в нейронної мережі для апроксимації
. Скільки нейронів в шарі для апроксимації
. Опишіть процес експорту та імпорту файлів
Лабораторні роботи №11
«Створення односпрямованої мережі»
Мета заняття - продемонструвати основні етапи реалізації нейронно-мережевого підходу для вирішення конкретного завдання. Можна виділити 4 основних етапи:
Завдання:
. Підготовка даних для тренування мережі.
. Створення мережі.
. Навчання мережі.
. Тестування мережі.
. Моделювання мережі. (Використання мережі для вирішення поставленого завдання.)
. Необхідно змінити значення параметрів С, A і S.
В якості прикладу розглянемо наступну задачу: Задано масив, що складається з декількох значень функції (S gt; 0) на інтервалі (0,1). Створити нейронну мережу таку, що при введенні цих значень на входи мережі на виходах виходили б значення параметрів С, A і S.
Підготовка даних для навчання мережі. У першу чергу необхідно визначитися з розмірністю вхідного масиву. Виберемо кількість значень функції рівним N=21, тобто в якості вхідних векторів масиву використовуємо значення функції y в точках х=0.05;... 1.0. Для навчання мережі необхідно сформувати масив вхідних векторів для різних наборів параметрів С, A і S. Кожен набір цих параметрів є вектором-еталоном для відповідного вхідного вектора.
Для підготовки вхідного і еталонного масивів скористаємося наступним алгоритмом. Вибираємо випадковим чином значення компонент вектора - еталона С, AS і обчислюємо компоненти відповідного вхідного вектора. Повторюємо цю процедуру М раз і отримуємо масив вхідних векторів у вигляді матриці розмірністю NxM і масив векторів - еталонів у вигляді матриці розмірністю в нашому випадку 3хМ. Отримані масиви ми можемо використовувати для навчання мережі.
Перш ніж приступати до формування навчальних масивів необхідно визначитися з деякими властивостями масивів.
Діапазон зміни параметрів С, A, S. Виберемо діапазони зміни параметрів C, A, S рівними (0, 1, 1). Значення, близькі до 0 і сам 0 виключимо у зв'язку з тим, що функція не визначена при S=??0. Друге обмеження пов'язане з тим, що при використанні типових передавальних функцій бажано, щоб компоненти вхідних і вихідних векторів не виходили за межі діапазону (- 1, 1). Надалі ми познайомимося з методами нормировки, які дозволяють обійти це обмеження.
Кількість вхідних і еталонних векторів виберемо рівним М=100. Цього достатньо для навчання, а процес навчання не займе багато часу. Тестові масиви та еталони підготуємо за допомогою програми mas1:% формування вхідних масивів (вхідний масив P) і (еталони T):
P=zeros (100,21);=zeros (3,100);=0: 5.e - 2: 1; i=1: 100=0.9 * rand + 0.1;=0.9 * rand +0.1;=0.9 * rand + 0.1; (1, i)=c; (2, i)=a; (3, i)=s; (i,:)=c * exp (- ((xa). ^ 2/s)) ;;
P=P '.
За допомогою цієї програми формується матриця P з M=100 вхідних векторів-стовпців, кожен з яких сформований з 21 точки вихідної функції з випадково вибраними значеннями параметрів C, A, S, і матриця T еталонів з 100 еталонних векторів-стовпців, кожен з яких сформований з 3 відповідних еталонних значень. Матриці P і T будуть використані при навчанні мережі. Слід зазначити, що при кожному новому запуску цієї програми будуть формуватися масиви з новими значеннями компонентів векторів, як вхідних, так і еталонних.
Створення мережі. Взага...
