Ассоциация шаблона, показывающая ошибочную поверхность

Линейный нейрон спроектирован, чтобы ответить на определенные входные параметры с целевыми выходными параметрами.

X задает два входных набора с 1 элементом (вектор-столбцы). T задает связанные цели с 1 элементом (вектор-столбцы).

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

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. Лучший вес и значения смещения - те, которые приводят к самой низкой точке на ошибочной поверхности.

w_range = -1:0.1:1;
b_range = -1:0.1:1;
ES = errsurf(X,T,w_range,b_range,'purelin');
plotes(w_range,b_range,ES);

Figure contains 2 axes objects. Axes object 1 with title Error Surface contains 2 objects of type surface. Axes object 2 with title Error Contour contains 2 objects of type surface, contour.

Функциональный NEWLIND спроектирует y сеть, которая выполняет с минимальной ошибкой.

net = newlind(X,T);

SIM используется, чтобы симулировать сеть для входных параметров X. Мы можем затем вычислить ошибки нейронов. SUMSQR складывает квадратичные невязки.

A = net(X)
A = 1×2

    0.5000    1.0000

E = T - A
E = 1×2

     0     0

SSE = sumsqr(E)
SSE = 0

PLOTES повторно строит ошибочную поверхность. PLOTEP строит "положение" сети с помощью веса и значений смещения, возвращенных SOLVELIN. Как видно из графика SOLVELIN нашел минимальное ошибочное решение.

plotes(w_range,b_range,ES);
plotep(net.IW{1,1},net.b{1},SSE);

Figure contains 2 axes objects. Axes object 1 with title Error Surface contains 6 objects of type surface, line. Axes object 2 with title Error Contour contains 3 objects of type surface, contour, line.

Мы можем теперь протестировать associator с одними из исходных входных параметров,-1.2, и видеть, возвращает ли это цель, 1.0.

x = -1.2;
y = net(x)
y = 1
Для просмотра документации необходимо авторизоваться на сайте