Hold off

8. Оценить значения параметров настройки для двух значений цели goal:

net.IW{1, 1} = 1; net.b{1} = -1;

net.trainParam.epochs = 50;

net.trainParam.goal = 0.001; % – первое значение;

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

net.IW{1, 1}, net.b{1} % - [-0.22893] [0.70519];

net.trainParam.goal = 0.00001; % – второе значение

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

net.IW{1, 1}, net.b{1} % – [-0.22785] [0.72495]

Задание 4. Сформировать линейную сеть с одним нейроном, одним входом, принимающим значения из диапазона [-1, 1], и линией задержки типа [0 1 2] для воспроизведения заданного отклика некоторой системы, выполнив следующие действия:

1. Создать линейную сеть заданной архитектуры с параметром скорости настройки, равным 0,01:

net = newlin([-1 1], 1, [0 1 2], 0.01);

Gensim(net).

2. Сформируем две обучающие последовательности:

Р1 = {0 –1 1 1 0 –1 1 0 0 1};

Т1 = {0 –1 0 2 1 –1 0 1 0 1};

Р2 = {1 0 –1 –1 1 1 1 0 –1};

T2 = {2 1 –1 –2 0 2 2 1 0}.

3. Выполнить обучение для последовательностей Р1 и Т1:

net = train(net, P1, T1);

net.IW{1, 1}, net.b{1}, % – [0.875] [0.8875] [-0.1336] [0.0619];

Y1 = sim(net, [P1 P2]);

4. Выполнить обучение сети на всем объеме обучающих данных:

net = init(net);

P3 = [P1 P2];

T3 = [T1 T2];

net.trainParam.epochs = 200;

net.trainParam. goal = 0.01;

net = train(net, P3, T3);

net.IW{1, 1}, net.b{1} % – [0.9242] [0.9869] [0.0339] [0.0602]

Y3 = sim(net, P3) % – дискретная модель:

% Y_k = 0.9242r_k+0.9869 r_k-1+0.0339 r_k-2+0.0602.

5. Построить графики отклика Т3 и приближений Y1 и Y3:

plot(0:0,01:20, T3, 'G'), hold on % – зеленый;

plot(0:0,01:20, Y1, 'B'), hold on % – синий;

plot(0:0,01:20, Y3, 'R'), hold off % – красный.

Задание 5. Сформировать линейную сеть из одного нейрона и одного входа, который обеспечивает для заданного входа Р, близкий к цели Т, выполнив следующие команды:

P = 0:3;

T = [0.0 2.0 4.1 5.9]; % – зависимость t = 2p;

net = newlind(P, T);