Обучение линейного нейрона

Линейный нейрон обучен реагировать на конкретные входы целевыми выходами.

X определяет два одноэлементных входных шаблона (векторы столбцов). T определяет связанные 1-элементные цели (векторы столбцов). Один входной линейный нейрон со смещением y может быть использован для решения этой проблемы.

X = [1.0 -1.2];
T = [0.5 1.0];

ERRSURF вычисляет ошибки для y-нейрона с диапазоном y возможных значений веса и смещения. PLOTES строит график этой поверхности ошибки с контурным графиком y под ним. Наилучшими значениями веса и смещения являются значения, которые приводят к самой низкой точке на поверхности ошибки.

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 стабильную скорость обучения для обучения y линейной сети. Для этого примера эта ставка составит только 40% от этого максимума. NEWLIN создает y линейный нейрон. NEWLIN принимает следующие аргументы: 1) Rx2 матрица значений min и max для R входных элементов, 2) количество элементов в выходном векторе, 3) вектор задержки ввода и 4) скорость обучения.

maxlr = 0.40*maxlinlr(X,'bias');
net = newlin([-2 2],1,[0],maxlr);

Переопределите параметры обучения по умолчанию, задав цель производительности.

net.trainParam.goal = .001;

Чтобы показать путь обучения мы будем тренировать только одну эпоху в y время и звонить ПЛОТЕП каждую эпоху. Сюжет показывает y историю тренировки. Каждая точка представляет эпоху, и синие линии показывают каждое изменение, внесенное правилом обучения (по умолчанию Widrow-Hoff).

% [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;

Функция поезда выводит обученную сеть и историю выполнения обучения (tr). Здесь ошибки нанесены на график относительно тренировочных эпох: Ошибка опустилась до тех пор, пока не опустилась под цель ошибки (черная линия). В этот момент тренировки прекратились.

plotperform(tr);

Теперь используйте SIM-карту для проверки ассоциатора с одним из исходных входов, -1.2, и посмотрите, возвращает ли он целевой объект, 1.0. Результат очень близок к 1, цель. Это можно сделать еще ближе, снизив цель производительности.

x = -1.2;
y = net(x)

y = 0.9817