Слишком большая скорость обучения

Линейный нейрон обучен находить решение минимальной ошибки для простой задачи. Нейрон обучается со скоростью обучения, большей, чем та, которая предложена MAXLINLR.

X задает два шаблона входа с 1 элементом (векторами-столбцами). T задает соответствующие 1-элементные цели ( векторы-столбцы).

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

ERRSURF вычисляет ошибки для нейрона с областью значений возможных значений веса и смещения. PLOTES строит график этой поверхности ошибки с контурным графиком под. Лучшими значениями веса и смещения являются те, которые приводят к самой низкой точке на поверхности ошибки.

w_range = -2:0.4:2;
b_range = -2:0.4:2;
ES = errsurf(X,T,w_range,b_range,'purelin');
plotes(w_range,b_range,ES);

MAXLINLR находит самую быструю стабильную скорость обучения для настройки линейной сети. NEWLIN создает линейный нейрон. Чтобы увидеть, что происходит, когда скорость обучения слишком велик, увеличьте скорость обучения до 225% от рекомендуемого значения. NEWLIN принимает эти аргументы: 1) Rx2 матрица минимальных и максимальных значений для R входа элементов, 2) Количество элементов в векторе выхода, 3) Вход векторе задержки и 4) скорости обучения.

maxlr = maxlinlr(X,'bias');
net = newlin([-2 2],1,[0],maxlr*2.25);

Переопределите параметры обучения по умолчанию, установив максимальное количество эпох. Это гарантирует прекращение обучения:

net.trainParam.epochs = 20;

Чтобы показать путь обучения, мы будем обучать только одну эпоху за раз и вызывать PLOTEP каждую эпоху (код не показан здесь). График показывает историю обучения. Каждая точка представляет эпоху, и синие линии показывают каждое изменение, сделанное 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 epoch < 20
   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 train выводит обученную сеть и историю производительности обучения (tr). Здесь ошибки строятся относительно эпох обучения.

plotperform(tr);

Теперь мы можем использовать SIM, чтобы протестировать ассоциатор с одним из исходных входов, -1.2, и увидеть, вернет ли он цель, 1.0. Результат не очень близок к 0,5! Это связано с тем, что сеть обучалась со слишком большой скоростью обучения.

x = -1.2;
y = net(x)

y = 2.0913