Линейный нейрон обучен найти y групповое решение неопределенной проблемы.
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 параметры обучения 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