Функция изучения веса Kohonen
[dW,LS] = learnk(W,P,Z,N,A,T,E,gW,gA,D,LP,LS)
info = learnk('code
')
learnk
функция изучения веса Kohonen.
[dW,LS] = learnk(W,P,Z,N,A,T,E,gW,gA,D,LP,LS)
берет несколько входных параметров,
W |
|
P |
|
Z |
|
N |
|
A |
|
T |
|
E |
|
gW |
|
gA |
|
D |
|
LP | Изучая параметры, ни один, |
LS | При изучении состояния, первоначально должен быть = |
и возвращается
dW |
|
LS | Новое состояние изучения |
Изучение происходит согласно learnk
изучение параметра, показанного здесь с его значением по умолчанию.
LP.lr - 0.01 | Скорость обучения |
info = learnk('
возвращает полезную информацию для каждого code
')code
символьный вектор:
'pnames' | Имена изучения параметров |
'pdefaults' | Параметры изучения значения по умолчанию |
'needg' | Возвращается 1, если эта функция использует |
Здесь вы задаете случайный вход P
, выход A
, и матрица веса W
для слоя с двухэлементным входом и тремя нейронами. Также задайте скорость обучения LR
.
p = rand(2,1); a = rand(3,1); w = rand(3,2); lp.lr = 0.5;
Поскольку learnk
только потребности эти значения, чтобы вычислить изменение веса (см. “Алгоритм” ниже), используйте их, чтобы сделать так.
dW = learnk(w,p,[],[],a,[],[],[],[],[],lp,[])
Подготовить веса слоя i
из пользовательской сети, чтобы учиться с learnk
,
Установите net.trainFcn
к 'trainr'
. (net.trainParam
автоматически становится trainr
параметры по умолчанию.)
Установите net.adaptFcn
к 'trains'
. (net.adaptParam
автоматически становится trains
параметры по умолчанию.)
Установите каждый net.inputWeights{i,j}.learnFcn
к 'learnk'
.
Установите каждый net.layerWeights{i,j}.learnFcn
к 'learnk'
. (Каждый вес, изучающий свойство параметра, автоматически установлен в learnk
параметры по умолчанию.)
Обучать сеть (или позволять ему адаптироваться),
Установите net
.
trainParam
(или net.adaptParam
) свойства, как желаемый.
Вызовите train
(или adapt
).
learnk
вычисляет вес изменяют dW
для данного нейрона от входа P
нейрона, выход
A
, и скорость обучения LR
по данным Kohonen, изучающего правило:
dw = lr*(p'-w)
, если a ~= 0
; = 0, в противном случае
Kohonen, T., самоорганизующийся и Ассокиэтив-Мемори, Нью-Йорк, Springer-Verlag, 1984