Документация

Сетевая архитектура

Это принято, что существует входной вектор Q / целевые векторные пары. Каждый целевой вектор имеет K элементы. Один из этих элементов равняется 1, и остальные 0. Таким образом каждый входной вектор сопоставлен с одним из K классы.

Первый слой ввел веса, ^IW1,1 (net.IW{1,1}), установлены в транспонирование матрицы, сформированной из пар обучения Q, P'. Когда вход представлен, || dist || поле дает вектор, элементы которого указывают, как близко вход к векторам набора обучающих данных. Эти элементы умножаются, поэлементно, смещением и отправляются в radbas передаточная функция. Входной вектор близко к учебному вектору представлен номером близко к 1 в выходном векторе a1. Если вход близко к нескольким учебным векторам единого класса, он представлен несколькими элементами a1, которые являются близко к 1.

Веса второго слоя, ^LW1,2 (net.LW{2,1}), установлены в матрицу T целевых векторов. Каждый вектор имеет 1 только в строке, сопоставленной с тем конкретным классом входа и 0s в другом месте. (Используйте функциональный ind2vec создать соответствующие векторы.) Умножение Ta1 суммирует элементы a1 из-за каждого K введите классы. Наконец, передаточная функция второго слоя, compet, производит 1 соответствие самому большому элементу n2 и 0s в другом месте. Таким образом сеть классифицирует входной вектор в определенный K класс, потому что тот класс имеет максимальную вероятность того, чтобы быть правильным.

Спроектируйте (newpnn)

Можно использовать функциональный newpnn создать PNN. Например, предположите, что семь входных векторов и их соответствующие цели

P = [0 0;1 1;0 3;1 4;3 1;4 1;4 3]'

который уступает

P =
     0     1     0     1     3     4     4
     0     1     3     4     1     1     3
Tc = [1 1 2 2 3 3 3]

который уступает

Tc =
     1     1     2     2     3     3     3

Вам нужна целевая матрица с 1 с в нужных областях кадра. Можно получить его с функциональным ind2vec. Это дает матрицу с 0s кроме в правильных пятнах. Поэтому выполнитесь

T = ind2vec(Tc) 

который дает

T =
   (1,1)        1
   (1,2)        1
   (2,3)        1
   (2,4)        1
   (3,5)        1
   (3,6)        1
   (3,7)        1

Теперь можно создать сеть и симулировать ее, с помощью входа P убедиться, что это действительно производит правильные классификации. Используйте функциональный vec2ind преобразовывать выход Y в строку Yc ясно дать понять классификации.

net = newpnn(P,T);
Y = sim(net,P);
Yc = vec2ind(Y)

Это производит

Yc =
     1     1     2     2     3     3     3

Вы можете попытаться классифицировать векторы кроме тех, которые использовались, чтобы спроектировать сеть. Попытайтесь классифицировать векторы, показанные ниже в P2.

P2 = [1 4;0 1;5 2]'
P2 =
     1     0     5
     4     1     2

Можно ли предположить, как эти векторы будут классифицированы? Если при запуске симуляцию и строите векторы как прежде, вы добираетесь

Yc =
     2     1     3

Эти результаты выглядят хорошими, поскольку эти тестовые векторы были вполне близко к членам классов 2, 1, и 3, соответственно. Сеть имеет управляемый, чтобы обобщить ее операцию, чтобы правильно классифицировать векторы кроме используемых, чтобы спроектировать сеть.

Вы можете хотеть попробовать demopnn1. Это показывает, как спроектировать PNN, и как сеть может успешно классифицировать вектор, не используемый в проекте.