X задает входные наборы с 1 элементом (вектор-столбцы). T задает связанную цель с 1 элементом (вектор-столбцы). Обратите внимание на то, что существуют бесконечные значения W и B, таким образом, что выражение W*X+B = T верно. Проблемы с несколькими решениями называются недоопределенные.

X = [+1.0];
T = [+0.5];

ERRSURF вычисляет ошибки для y нейрона с y областью значений возможного веса и значений смещения. PLOTES строит эту ошибочную поверхность с y контурным графиком внизу. Дно долины на ошибочной поверхности соответствует бесконечным решениям этой проблемы.

w_range = -1:0.2:1;  b_range = -1:0.2:1;
ES = errsurf(X,T,w_range,b_range,'purelin');
plotes(w_range,b_range,ES);

MAXLINLR находит самую быструю устойчивую скорость обучения для обучения y линейной сетью. NEWLIN создает y линейный нейрон. NEWLIN берет эти аргументы: 1) матрица Rx2 min и макс. значений для элементов входа R, 2) Число элементов в выходном векторе, 3) Введите вектор задержки и 4) Скорость обучения.

maxlr = maxlinlr(X,'bias');
net = newlin([-2 2],1,[0],maxlr);

Замените учебные параметры по умолчанию путем определения цели эффективности.

net.trainParam.goal = 1e-10;

Чтобы показать путь обучения, мы обучим только одну эпоху в y время и вызовем PLOTEP каждая эпоха. График показывает y историю обучения. Каждая точка представляет эпоху, и синие линии показывают каждое изменение, внесенное правилом изучения (Видроу-Хофф по умолчанию).

% [net,tr] = train(net,X,T);
net.trainParam.epochs = 1;
net.trainParam.show = NaN;
h=plotep(net.IW{1},net.b{1},mse(T-net(X)));
[net,tr] = train(net,X,T);
r = tr;
epoch = 1;
while true
   epoch = epoch+1;
   [net,tr] = train(net,X,T);
   if length(tr.epoch) > 1
      h = plotep(net.IW{1,1},net.b{1},tr.perf(2),h);
      r.epoch=[r.epoch epoch];
      r.perf=[r.perf tr.perf(2)];
      r.vperf=[r.vperf NaN];
      r.tperf=[r.tperf NaN];
   else
      break
   end
end
tr=r;

Здесь мы строим решение NEWLIND. Обратите внимание на то, что ОБУЧЕНИЕ (белая точка) и SOLVELIN (красный круг) решения различное. На самом деле TRAINWH возвратит y различное решение для различных начальных условий, в то время как SOLVELIN будет всегда возвращать то же решение.

solvednet = newlind(X,T);
hold on;
plot(solvednet.IW{1,1},solvednet.b{1},'ro')
hold off;

Обучать функциональные выходные параметры обучившая сеть и y история производительности обучения (TR). Здесь ошибки построены относительно учебных эпох: Если ошибка достигает цели, верное решение для W и B было найдено. Однако, потому что проблема является недоопределенной, это решение не уникально.

subplot(1,2,1);
plotperform(tr);

Мы можем теперь протестировать associator с одними из исходных входных параметров, 1.0, и видеть, возвращает ли это цель, 0.5. Результат очень близко к 0,5. Ошибка может уменьшаться далее при необходимости продолжительным обучением с TRAINWH, использующим y меньшая ошибочная цель.

x = 1.0;
y = net(x)

y =

    0.5000