Последовательность операций при создании нейронной сети в среде MATLAB ( Neural Networks Toolbox)

Последовательность действий при создании нейронной модели в среде MatLAB можно представить состоящей из следующих основных операций: инициализация, обучение, оценка погрешности модели и использование сети для решения прикладных задач [25].

1. Первый шаг – создание НС:

net=newff(PR, [s1 s2], {‘tansig’ ‘purelin’}); - создание двухслойной НС, первый слой которой состоит из s1 нейронов, а второй – из s2. Как было упомянуто выше, для корректной работы любой НС необходимы активационные функции. Воспользуемся функциями ‘tansig’ (сигмоидальной функцией) и ‘purelin’ (линейной функцией). С помощью оператора net выведем основные операции, выполненные функцией newff при создании сети:

Архитектура НС:   Количество входов Количество слоев Присутствие смещения, веса входа и слоев, выхода и целевых связей. Нули, соответственно, показывают отсутствие вышеупомянутых свойств, а единицы – их наличие. Это изменяемые свойства. Следующие свойства – неизменяемые. Это количество выходов и целей.

net =

Neural Network object:

architecture:

numInputs: 1

numLayers: 2

biasConnect: [1; 1]

inputConnect: [1; 0]

layerConnect: [0 0; 1 0]

outputConnect: [0 1]

targetConnect: [0 1]

numOutputs: 1 (read-only)

numTargets: 1 (read-only)

numInputDelays: 0 (read-only)

numLayerDelays: 0 (read-only)

subobject structures:

inputs: {1x1 cell} of inputs

layers: {2x1 cell} of layers

outputs: {1x2 cell} containing 1 output

targets: {1x2 cell} containing 1 target

biases: {2x1 cell} containing 2 biases

inputWeights: {2x1 cell} containing 1 input weight

layerWeights: {2x2 cell} containing 1 layer weight

functions: Используемые функции

adaptFcn: 'trains'

initFcn: 'initlay'

performFcn: 'mse'

trainFcn: 'trainlm'

parameters:

adaptParam:.passes

initParam: (none)

performParam: (none)

trainParam:.epochs,.goal,.max_fail,.mem_reduc,

.min_grad,.mu,.mu_dec,.mu_inc,

.mu_max,.show,.time

weight and bias values: значения весов

IW: {2x1 cell} containing 1 input weight matrix

LW: {2x2 cell} containing 1 layer weight matrix

b: {2x1 cell} containing 2 bias vectors

other:

userdata: (user stuff)

2. Второй шаг – процесс обучения сети.

Цель обучения состоит в определении весовых коэффициентов синаптических связей. Необходимо выбрать число циклов обучения (epochs) для воспроизведения выходного вектора по заданному входу (матрице входов):

net.trainParam.epochs = 3000; Количество проходов (экспериментов)

net=train(net,X,Y); X,Y – матрицы

Чем больше используется экспериментальных данных при обучении, тем меньше вероятность воздействия погрешности измерений на конечный результат: весовые коэффициенты синаптических связей корректируются до тех пор, пока выходы не стабилизируются или пока не будет пройдено заданное количество циклов обучения.