Функции моделирования сети

Синтаксис:

[Y,Pf,Af,E,perf] = sim(net,P,Pi,Ai,T)

[Y,Pf,Af,E,perf] = sim(net,{Q TS},Pi,Ai,T)

[Y,Pf,Af,E,perf] = sim(net,Q,Pi,Ai,T)

Описание:

Функция [Y, Pf, Af E, perf] = sim(net, P, Pi, Ai, T) выполняет моделирование нейронной сети и имеет следующие входные и выходные аргументы.

Входные аргументы:

net – имя нейронной сети;

P – массив входов;

Pi – начальные условия на ЛЗ входов, по умолчанию нулевой вектор;

Ai – начальные условия на ЛЗ слоев, по умолчанию нулевой вектор;

T – вектор целей, по умолчанию нулевой вектор.

Выходные аргументы:

Y – массив выходов;

Pf – состояния на ЛЗ входов после моделирования;

Af – состояния на ЛЗ слоев после моделирования;

E – массив ошибок;

perf – значение функционала качества.

Заметим, что аргументы Pi, Ai, Pf и Af являются необязательными и применяются
в случае динамических сетей с ЛЗ.

Входные аргументы P и T могут иметь 2 формата: cell array и double array. Формат cell array наиболее прост для понимания и соответствует последовательному представлению данных.

Последовательное представление данных. Каждую строку массива ячеек можно рассматривать как временную последовательность, и тогда описание многомерной сети может быть выполнено следующим образом:

P – массив ячеек размера Ni´TS, каждый элемент которого P{i, ts} – числовой массив размера Ri´Q;

T – массив ячеек размера Nt´TS, каждый элемент которого P{i, ts} – числовой массив размера Vi´Q;

Pi –массив ячеек размера Ni´ID, каждый элемент которого Pi{i, k} – числовой массив размера Ri´Q;

Ai – массив ячеек размера Nl´LD, каждый элемент которого Ai{i, k} – числовой массив размера Si´Q;

Y – массив ячеек размера No´TS, каждый элемент которого Y{i, ts} – числовой массив размера Ui´Q;

Pf – массив ячеек размера Ni´ID, каждый элемент которого Pf{i, k} – числовой массив размера Ri´Q;

Af – массив ячеек размера Nl´LD, каждый элемент которого Af{i, k} – числовой массив размера Si´Q.

Параметры описания массивов ячеек и их связь с параметрами сети показаны в следующей таблице.

Столбцы массивов начальных условий Pi, Pf, Ai, Af упорядочены следующим образом:

Pi{i, k} – значение начального условия для линии задержки i-го входа в момент времени ts = k – ID;

Pf{i, k} – значение начального условия для линии задержки i-го входа в момент времени ts = TS + k – ID;

Ai{i, k} – значение начального условия для линии задержки i-го слоя в момент времени ts = k – LD;

Af{i, k} – значение начального условия для линии задержки i-го слоя в момент времени ts = TS + k – LD.

Групповое представление данных можно использовать только при адаптации статических сетей (TS = 1). При этом следует помнить, что при переходе от формата последовательного представления данных cell array к формату группового представления double array массив ячеек, содержащий, например, Ni числовых массивов размера Ri´Q преобразуется
в единственный числовой массив размера ´Q.

Следующая таблица поясняет связь этих форм представления.

	Формат
Аргумент	Cell array	Double array
	Size(P)	Size(P{I,1})	Size(P)
P	Ni´1	Ri´Q
T	Nt´1	Vi´Q
Pi	Ni´ID	Ri´Q
Ai	Nl´LD	Si´Q
Y	No´1	Ui´Q
Pf	Ni´ID	Ri´Q
Af	Nl´LD	Si´Q

Функция [Y, Pf, Af, E, perf] = sim(net, {Q TS}, Pi, Ai, T) применяется для моделирования динамических сетей без входов при последовательном представлении данных.

Функция [Y, Pf, Af, E, perf] = sim(net, Q, Pi, Ai, T) применяется для моделирования динамических сетей без входов при групповом представлении данных.

Пример:

Создадим нейронную сеть персептрона с одним слоем и двухэлементным входом
с диапазоном значений [0 1] и одним нейроном:

net = newp([0 1;0 1],1);

Теперь можно промоделировать персептрон, подавая различные последовательности векторов входа: 1 вектор с двумя элементами, группа из двух векторов с тремя элементами, после­дова­тельность из трех векторов, что соответствует различным формам представления данных:

p1 = [.2; .9]; a1 = sim(net,p1)

p2 = [.2 .5 .1 ;.9 .3 .7]; a2 = sim(net,p2)

p3 = {[.2; .9] [.5; .3] [.1; .7]}; a3 = sim(net,p3)

a1 = 1

a2 = 1 1 1

a3 = [1] [1] [1]

В данном случае в качестве результата выводятся только выходы нейрона.

Создадим динамическую однослойную линейную сеть с двумя нейронами, трехэлементным входом с диапазоном значений [0 2] и ЛЗ на входе [0 1]:

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

Линейный слой моделируется с последовательностью из двух векторов входа для заданных по умолчанию начальных условия на ЛЗ:

p1 = {[2; 0.5; 1] [1; 1.2; 0.1]};

[y1,pf] = sim(net,p1)

y1 = [2´1 double] [2´1 double]

pf = [3´1 double]

Затем этот слой моделируется еще для трех векторов, используя состояния на элементах задержки как новые начальные условия:

p2 = {[0.5; 0.6; 1.8] [1.3; 1.6; 1.1] [0.2; 0.1; 0]};

[y2,pf] = sim(net,p2,pf)

y2 = [2´1 double] [2´1 double] [2´1 double]

pf = [3´1 double]

Создадим двухслойную сеть Элмана с одноэлементным входом с диапазоном значений
[0 1], имеющую 3 нейрона с функцией активации tansig в слое 1 и 2 нейрона с функцией активации purelin в слое 2. Сеть Элмана имеет ЛЗ [0 1] при переходе от слоя 1 к слою 2:

net = newelm([0 1],[3 2],{'tansig','purelin'});

Сеть моделируется для трехэлементного вектора входа, используя заданные по умолчанию начальные условия на ЛЗ:

p1 = {0.2 0.7 0.1};

[y1,pf,af,e,perf] = sim(net,p1)

y1 = [2´1 double] [2´1 double] [2´1 double]

pf = Empty cell array: 1–by–0

af =

[3´1 double]

[2´1 double]

e = [2´1 double] [2´1 double] [2´1 double]

perf = 0.8153

[e{:}]

ans =

0.4779 –0.5393 1.0238

–1.0069 –1.3680 –0.6627

Выполним еще 1 шаг моделирования, но теперь для четырехэлементного вектора
входа, используя состояния на элементах задержки как новые начальные условия:

p2 = {0.1 0.9 0.8 0.4};

[y1,pf,af,e,perf] = sim(net,p2,pf,af)

y2 = [2´1 double] [2´1 double] [2´1 double] [2´1 double]

pf = Empty cell array: 1–by–0

af =

[3´1 double]

[2´1 double]

e = [2´1 double] [2´1 double] [2´1 double] [2´1 double]

perf = 0.8560

[e{:}]

ans =

–0.3919 –0.3637 –0.2766 0.2490

–1.2888 –1.3479 –1.3269 –1.0886

Cправкa:

help network/sim

Сопутствующие функции: INIT, ADAPT, TRAIN.

Не нашли, что искали? Воспользуйтесь поиском по сайту: