Gensim(net)

net.IW{1, 1}, net.b{1} % – [1.9800] [0.3000];

Y = sim(net, P) % – [0.0300] [2.0100] [3.9900] [5.9700].

Задание 6. Сформировать линейную сеть из одного нейрона и одного входа с двумя элементами для классификации значений входа, выполнив следующие действия:

P = [2 1 -2 -1; 2 -2 2 1];

T = [0 1 0 1];

net = newlin([-2 2; -2 2], 1);

net.trainParam.goal = 0.1;

[net, tr] = train(net, P, T);

net.IW{1, 1}, net.b{1}

A = sim(net, P);

err = T-A % – погрешности сети весьма значительны.

Задание 7. Сформировать линейную сеть из одного нейрона, одного входа и одного выхода для цифровой фильтрации сигнала, выполнив следующие действия:

1. Создать сеть и произвести ее инициализацию:

net = newlin([0 10], 1); % – диапазон входа от 0 до 10;

net.inputWeights{1, 1}.delays = [0 1 2];

net.IW{1, 1} = [7 8 9;] % – произвольная инициализация net.b{1} = [0]; весов и смещения
pi = {1 2}; % – начальные условия на линиях
задержки.

2. Определить входной сигнал и выходной сигнал фильтра в виде последовательности значений:

P = {3 4 5 6}; % – входной сигнал;

T = {10 20 30 40}; % – требуемый выходной сигнал.

3. Промоделировать необученную сеть:

[a, pf] = sim(net, P, pi);

% a = [46] [70] [94] [118] pf = [5] [6].

4. Выполнить адаптацию сети с помощью 10 циклов:

net.adaptParam.passes = 10;

[net, y, E, pf, af] = adapt(net, P, T, pi);

y % - y = [10.004] [20.002] [29.999] [39.998].

Задание 8. Сформировать сеть ADALINE с одним нейроном и одним входом, значения которого изменяются от –1 до +1, двумя линиями задержки и одним выходом для предсказаний значений детерминированного процесса p(t), выполнив следующие действия:

1. Сформировать колебательное звено, реакция которого на ступенчатый сигнал будет использована в качестве детерминированного процесса p(t):

Clear

sys = ss(tf(1, [1 1 1])); % – колебательное звено

time = 0:0.2:10; % – интервал процесса

[Y, time] = step(sys, 0:0.2:10).

2. Сформировать обучающее множество:

p = y(1: length(time)-2)'; % – входной сигнал

t = y(3: length(time))'; % – целевой выход

time = 0:0.2:10;

[Y, time] = step(sys, 0:0.2:10).

3. Сформировать сеть ADELINE и множества Р и Т:

net = newlin([-1 1], 1, [1 2]); % - lr = 0.01;

P = num2sell(p);

T = num2cell(t).

4. Настроить сеть:

pi = {0 0} % – начальные значения для задержек;

net.adaptParam.passes = 5;

[net, Y, E, Pf, Af] = adapt(net, P, T, pi);

Y1 = cat(1, Y{:}) % – массив ячеек в массив чисел.

5. Построить графики:

plot(time, Y1, 'b:', time, P, 'r-', …

xlabel('Время, c'), ylabel('Процессы'))

title('Обучение нейронной сети').

6. Промоделировать сеть ADALINE:

x = sim(net, P);

x1 = cat(1, x{:});

plot(time, x1, 'b', time, p, 'r');

title('Моделирование нейронной сети').