Способы обучения нейронных сетей правилом Видроу-Хоффа

«ЮГОРСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ»

Институт цифровой экономики

ОТЧЕТ

по лабораторной работе № 5

по дисциплине «Системы искусственного интеллекта»

Выполнил: Студент группы

Проверил: Доцент

Татьянкин В.М.

Дата сдачи: ______        

Оценка: _______________

г. Ханты-Мансийск 2019 г.

Цель: Изучить способ обучения нейронных сетей правилом Видроу-Хоффа.

Задачи:

1. Изучить методическое пособие к лабораторной работе;
2. Сформировать необходимые данные для обучения нейронной сети;
3. Обучить нейронную сеть;
4. Графически отобразить нейронную сеть.

        Ход работы:

Вариант 15

Для выполнения данной лабораторной был использован язык-программирования Matlab.

Чтобы начать обучать нейронную сеть для начала нужно случайным образом сформировать такие данные, как (рисунок 1):

1. Вектора входных сигналов (30 образов);
2. Вектора эталонных значений (30 векторов);
3. Вектора весовых коэффициентов;
4. Пороговые значения для каждого нейрона;
5. Скорость обучения;
6. Среднеквадратичная ошибка.

[pic 1]

Рисунок 1 – Формирование данных для обучения

Далее обучаем и формируем нейронную сеть (рисунок 2).

[pic 2]

Рисунок 2 – Обучение нейронной сети

Графически выводим эталонные значения и результаты обучения (рисунок 3):

[pic 3]

Рисунок 3 – Графический вывод.

Результаты работы (рисунок 4-6):

[pic 4]

Рисунок 4 – Эталонные значения и результат обучения 1-й нейронной сети

[pic 5]

Рисунок 5 – Эталонные значения и результат обучения 2-й нейронной сети

[pic 6]

Рисунок 6 – Эталонные значения и результат обучения 3-й нейронной сети

Заключение:

В результате выполнения данной лабораторной работы был получен навык обучения нейронных сетей с помощью правила Видроу-Хоффа.

Приложения

Приложение А. Код 1-й части варианта

% Чумбаков М.В. 1551б - Вариант 15

% Лабораторная работа 5

% Входных сигналов - 7

% Функция активации - 7 (Биполярная-сигмоидная)

% Выходных сигналов - 2

input_signal = genvyb(zeros(30,7));        % Генерирует входной сигнал

answer = genvyb(zeros(30,2));               % Генерирует ответ

answer = answer';

input_signal = input_signal';

wes_koeff = rand(7,2);                     % Рандомная инициализация матрицы весов

porog = rand(1,2);                          % Пороги

pattern_out = zeros(30,2);                  % Паттерн выходного сигнала

pattern_out = pattern_out';

alpha = 0.9;                                % Скорость обучения                                      

E = 10;                                     % Среднеквадратичная ошибка

Em=0.002;

iter = 1;

k = 1;

% Обучение нейронной сети

while (E > Em)

    if k==31

        k=1;

    end

    E = 0;

    % Вызов функция активации

    for n = 1:30

        for i = 1:7

            input_signal(i,n) = ( 2/(1 + exp(-input_signal(i,n))) )-1;

        end

    end

    for j = 1:2

        % Считаем выходное значение сети

        for i = 1:7

            pattern_out(j,k) = pattern_out(j,k) + wes_koeff(i,j) * input_signal(i,k);

        end

        pattern_out(j,k) = pattern_out(j,k) - porog(j);