Линейному нейрону позволяют адаптироваться так, чтобы, учитывая один сигнал, он мог предсказать второй сигнал.
ВРЕМЯ задает временные шаги этой симуляции. P задает сигнал по этим временным шагам. T является сигналом, выведенным из P путем сдвига его налево, умножения его на 2 и добавления его в себя.
time = 1:0.01:2.5; X = sin(sin(time).*time*10); P = con2seq(X); T = con2seq(2*[0 X(1:(end-1))] + X);
Вот то, как два сигнала построены:
plot(time,cat(2,P{:}),time,cat(2,T{:}),'--') title('Input and Target Signals') xlabel('Time') legend({'Input','Target'})
Линейная сеть, должно быть, коснулась задержки для того, чтобы узнать, что переключенная временем корреляция между P и Т. НЬЮЛИНОМ создает линейный слой. [-3 3] ожидаемый входной диапазон. Второй аргумент является количеством нейронов в слое. [0 1] задает вход того без задержки и один вход с задержкой одной. Последний аргумент является скоростью обучения.
net = newlin([-3 3],1,[0 1],0.1);
АДАПТИРУЙТЕСЬ симулирует адаптивные сети. Это берет сеть, сигнал и целевой сигнал, и фильтрует сигнал адаптивно. Постройте выход Y синего цвета, цель T в красном и ошибке E в зеленом. t=2 сеть изучила отношение между входом и целью и ошибочными спадами около нуля.
[net,Y,E,Pf]=adapt(net,P,T); plot(time,cat(2,Y{:}),'b', ... time,cat(2,T{:}),'r', ... time,cat(2,E{:}),'g',[1 2.5],[0 0],'k') legend({'Output','Target','Error'})