Обучение персептрона с использованием нормированной функции настройки

plotpv(p,a);

circle = findobj(gca,'type','line');

set(circle,'Color','red');

.

Подключим «hold», чтобы предыдущий график не стирался. Добавим набор обучения и классифицирующую линию на график.

hold on;

plotpv(P,T);

plotpc(net.IW{1},net.b{1});

holdoff;

Наконец, Увеличиваем интересующую область.

Персептрон правильноклассифицируетнашу новуюточку (она красная) как категорию "ноль" (представленнуюввидекруга), и нет "один"(представленнуюввидеплюса). Персептрон учитсяправильнов гораздоболее короткие сроки, несмотря на выброс (сравните с "выбросом входных векторов" демо).

axis([-2 2 -2 2]);

 

2.3 Программный код

 

P = [ -0.5 -0.5 +0.3 -0.1 -40; ... %определяет последовательность входа для 5 векторов

-0.5 +0.5 -0.5 +1.0 50];

T = [1 1 0 0 1]; % определяет последовательность цели (категорию вектора)

plotpv(P,T); % графическое представление входных целевых векторов

net = newp([-40 1;-1 50],1,'hardlim','learnpn');

hold on

linehandle = plotpc(net.IW{1},net.b{1});

E = 1;

net.adaptParam.passes = 3; % разрешаетадаптациюсети

while (sse(E))

   [net,Y,E] = adapt(net,P,T);

linehandle = plotpc(net.IW{1},net.b{1},linehandle);

drawnow;

end

p = [0.7; 1.2];

a = net(p);

plotpv(p,a);

circle = findobj(gca,'type','line');

set(circle,'Color','red');

hold on;

plotpv(P,T);

plotpc(net.IW{1},net.b{1}); %изображение линии классификации в векторном пространстве перцептрона

holdoff;

axis([-2 2 -2 2]); % устанавливает масштаб по осям x, y для активного графического окна.

 

Заключение

 

В ходе работы была достигнута цель выполнения курсового проекта - расширение теоретических и закрепление практических знаний, полученных в ходе аудиторных и самостоятельных занятий по дисциплине Интеллектуальные информационные системы.

Для достижения поставленной цели были решины следующие задачи:

• самостоятельно изучена специальная литература;
• изучены встроенные инструментальные средства системы для математических расчетов MATLAB;
• рассмотрены возможности и особенности базового программного обеспечения из состава ППП NeuralNetworkToolbox (NNT) ПС MATLAB 6;

 

Список литературы

 

1. Мартынов Н. Н. Введение в MATLAB 6.х. – М. :Кудиц-образ, 2002. – 347 с.
2. Минский, М., Пейперт, С. Персептроны. — М.: Мир, 2007. — 261 с.

 

3. Семенов Н.А. Интеллектуальные информационные системы: Учебное пособие. 1-е изд. Тверь: ТГТУ, 2004.  100 с.

 

4. Цисарь И. Ф. MATLABSIMULINK – лаборатория экономиста. - М. :Анкил, 2001. - 102 с.

 

5. Медведев В. С., Потемкин В. Г. Нейронные сети. MATLAB 6. – М. : Диалог-МИФИ, 2002. – 489 с.

 

6. Галушкин А. И. Теория нейронных сетей. – М. : Журн. “Радиотехника”, 2000. – 415 с.

 

7. Каллан Р. Основные концепции нейронных сетей. – М. И др. : Вильямс, 2001. – 287 с.

 

8. Круглов В. В. Искусственные нейронные сети : Теория и практика. – М. : Горячая линия-Телеком, 2002. – 381 с.