Сделай Сам Свою Работу на 5
 

Команды, функции и операторы ППП Neural Network Toolbox

Функции формирования сетей

Операторы Назначение
network Создание шаблона нейронной сети
Персептрон
newp Создание персептрона
Линейные сети
newlin Создание линейного слоя
newlind Создание линейного слоя путем решения линейного уравнения
Многослойные сети
newff Создание сети прямой передачи
newfftd Создание сети прямой передачи с запаздыванием
newcf Создание каскадной сети прямой передачи
Радиальные базисные сети
newrb Создание радиальной базисной сети
newrbe Создание радиальной базисной сети с нулевой ошибкой
newgrnn Создание обобщенной регрессионной сети
newpnn Создание вероятностной нейронной сети
Сети для решения задач классификации
newlvq Создание нейронной сети для решения задач классификации
Самоорганизующиеся сети
netwc Создание конкурирующего слоя Кохонена
newsom Создание самоорганизующейся сети Кохонена
Рекуррентные сети
newhop Создание сети Хопфилда
newelm Создание сети Элмана

Функции активации и их производные

compet Конкурирующая функция активации
hardlim Функция активации с жесткими ограничениями
hardlims Симметричная функция активации с жесткими ограничениями
logsig Логистическая сигмоидальная функция активации
poslin Положительная линейная функция активации
purelin Линейная функция активации
radbas Радиальная базисная функция активации
satlin Линейная функция активации с ограничениями
satlins Симметричная линейная функция активации с ограничениями
softmax Конкурирующая функция активации с мягким максимумом
tansig Гиперболическая тангенциальная функция активации
tribas Треугольная функция активации
dhardlim Производная функции активации с жесткими ограничениями
dhardlms Производная симметричной функции активации с жесткими ограничениями
dlogsig Производная логарифмической функции активации
dposlin Производная положительной линейной функции активации
dpurelin Производная линейной функции активации
dradbas Производная радиальной базисной функции активации
dsatlin Производная линейной функции активации с жесткими ограничениями
dsatlins Производная линейной функции активации с симметричными жесткими ограничениями
dtansig Производная функции активации гиперболического тангенса
dtribas Производная треугольной функции активации типа

Функции взвешивания и расстояний



boxdist Максимальное координатное смещение
dist Евклидово расстояние
dotprod Скалярное произведение
ddotprod Производная скалярного произведения
linkdist Расстояния связи между нейронами слоя
mandist Расстояние суммарного координатного смещения
negdist Отрицательное евклидово расстояние
normprod Нормированное скалярное произведение

Функции накопления

netsum Сумма взвешенных входов
netprod Поэлементное произведение взвешенных входов
dnetsum Производная суммы взвешенных входов
dnetprod Производная поэлементного произведения взвешенных входов

Функции инициализации

init Инициализация нейронной сети
initcon Инициализация равных смещений
initlay Функция готовности сети к инициализации
initnw Функция инициализации слоя по алгоритму NW (Нгуена – Видроу)
initwb Функция готовности слоя к инициализации
initzero Инициализация нулевых значений весов и смещений
midpoint Инициализация матрицы средних значений
randnс Инициализация случайной матрицы с нормированными столбцами
randnr Инициализация случайной матрицы с нормированными строками
rands Инициализация случайных весов/смещений
revert Возвращение к ранее установленным значениям весов и смещений

Функции адаптации и обучения

adapt Адаптация параметров сети
adaptwb Функция установки режима адаптации
train Обучение нейронной сети
trainb Групповое обучение нейронной сети
trainbfg Алгоритм обучения Бройтона, Флетчера, Гольдфарба и Шано BFGS)
trainbr Алгоритм обучения BR с регуляризацией по Байесу
traincgb Алгоритм обучения CGB на основе метода сопряженного градиента с об­рат­ным распространением и рестартами в модификации Пауэла – Биеле
trainc Обучение нейронной сети c циклическим представлением входа
traincgf Алгоритм Флетчера – Ривса CGF
traincgp Алгоритм Полака – Рибейры CGP
traingd Алгоритм градиентного спуска GD
traingda Алгоритм градиентного спуска с выбором параметра скорости настройки GDA
traingdm Алгоритм градиентного спуска с возмущением GDM
traingdx Алгоритм градиентного спуска с возмущением и адаптацией параметра скорости настройки GDX
trainlm Алгоритм Левенберга – Марквардта LM
trainoss Одношаговый алгоритм метода секущей OSS
trainr Обучение нейронной сети в режиме случайного представления входа
trainrp Пороговый алгоритм обратного распространения ошибки Rprop
trains Адаптивное обучение нейронной сети с последовательным представлением входов
trainscg Алгоритм обучения SCG

Функции оценки качества обучения

mae Критерий средней абсолютной ошибки
mse Критерий средней квадратичной ошибки
msereg Комбинированный критерий качества
sse Сумма квадратов ошибок обучения
dmae Производная критерия средней абсолютной ошибки
dmse Производная критерия средней квадратичной ошибки
dmsereg Производная комбинированного критерия качества
dsse Производная суммы квадратов ошибок

Функции настройки

learncon Настройка смещений для слоя Кохонена
learngd Настройка методом градиентного спуска
learngdm Настройка методом градиентного спуска с возмущением
learnh Настройка по правилу Хебба
learnhd Настройка по правилу Хебба с затуханием
learnis Настройка по вектору входа
learnk Настройка весов для слоя Кохонена
learnlv1 Настройка весов LVQ-сети по правилу LVQ1
learnlv2 Настройка весов LVQ-сети по правилу LVQ2
learnos Настройка по вектору выхода
learnp Настройка параметров персептрона
learnpn Нормированная функция настройки параметров персептрона
learnsom Настройка весов карты Кохонена
learnwh Настройка методом Видроу – Хоффа
maxlinlr Максимальное значение параметра скорости настройки для линейной сети

Функции одномерного поиска

srchbac Одномерная минимизация на основе метода перебора с возвратами
srchbre Одномерная минимизация методом Брента
srchcha Одномерная минимизация на основе метода Чараламбуса
srchgol Одномерная минимизация методом золотого сечения
srchhyb Одномерная минимизация на основе гибридного метода

Масштабирование и восстановление данных

postmnmx Восстановление данных после масштабирования функцией premnmx
postreg Постпроцессорная обработка выхода сети с расчетом линейной регрессии
poststd Восстановление данных после применения функции prestd
premnmx Приведение данных к интервалу [–1 1]
prepca Выделение главных компонентов
prestd Приведение данных к нормальному закону распределения
tramnmx Масштабирование текущих входов к диапазону [–1 1]
trapca Масштабирование текущих входов с учетом факторного анализа
trastd Масштабирование текущих входов к нормальному закону распределения

Вспомогательные функции

Утилиты вычислений
calca Расчет сигналов сети на заданном интервале времени
calca1 Расчет сигналов сети на одном шаге по времени
calce Расчет ошибок слоя на заданном интервале времени
calce1 Расчет ошибок слоя на одном шаге по времени
calcgx Расчет градиента функционала качества по объединенному вектору весов и смещений
calcjejj Расчет градиента и приближенной функции Гессе для функционала качества
calcjx Расчет функции Якоби функционала качества относительно объединенной матрицы весов и смещений
calcpd Расчет запаздывающих входов сети
calcperf Расчет сигналов и функционала качества слоя
formx Формирование объединенного вектора весов и смещений
getx Извлечение объединенного вектора весов и смещений из описания сети
setx Включение объединенного вектора весов и смещений в описание сети
Операции с массивами и матрицами
cell2mat Преобразование массива числовых ячеек в массив double
combvec Объединение выборок разных размеров
concur Создание группы векторов смещений
con2seq Преобразование группового представления данных в последовательное
ind2vec Преобразование вектора индексов классов в матрицу связности
mat2cell Преобразование числового массива в массив ячеек
minmax Вычисление минимальных и максимальных элементов векторов входа
normc Нормировка матрицы по столбцам
normr Нормировка матрицы по строкам
pnormc Псевдонормировка столбцов матрицы
quant Округление элементов массива до ближайшего кратного базису округления
seq2con Преобразование последовательного представления данных в групповое
sumsqr Сумма квадратов элементов массива
vec2ind Преобразование матрицы связности в вектор индексов классов
Графические утилиты
errsurf Вычисление поверхности ошибок для нейрона с одним входом
hintonw Диаграмма Хинтона для весов
hintonwb Диаграмма Хинтона для весов и смещений
plotep Построение траектории обучения на поверхности ошибки
plotes Построение графика поверхности ошибки для нейрона с одним входом
plotpc Построение разделяющей линии или плоскости в пространстве векторов входа для персептрона
plotperf График функции качества обучения
plotpv Отображение векторов входов и целей в виде маркеров
plotsom Отображение топологии карты Кохонена
plotv Отображение векторов в виде линий
plotvec Отображение векторов входа в виде маркеров
Информация о сети и ее топологии
disp Вывод на экран свойств нейронной сети
display Вывод на экран имени и свойств нейронной сети
gridtop Расчет сетки с прямоугольной топологией
hextop Расчет сетки с гексагональной топологией
randtop Расчет сетки со случайной топологией
Графический интерфейс пользователя
nntool Графический интерфейс пользователя ППП Neural Network Tool
Моделирование нейронных сетей
sim Моделирование нейронной сети
gensim Построение S-модели нейронной сети
gensimm Формирование М-файла для моделирования нейронной сети

Предметный указатель


 


A

ADAPT · 320, 475

ADAPTWB · 322, 475

B

BOXDIST · 305, 474

C

CALCA · 420, 478

CALCA1 · 422, 478

CALCE · 424, 478

CALCE1 · 425, 478

CALCGX · 430, 478

CALCJEJJ · 433, 478

CALCJX · 432, 478

CALCPD · 423, 478

CALCPERF · 429, 478

CELL2MAT · 436, 478

COMBVEC · 437, 478

COMPET · 292, 474

CON2SEQ · 438, 478

CONCUR · 439, 478

D

DDOTPROD · 298, 474

DHARDLIM · 282, 474

DHARDLMS · 283, 474

DISP · 454, 479

DISPLAY · 454, 479

DIST · 300, 474

DLOGSIG · 294, 474

DMAE · 381, 476

DMSE · 378, 476

DMSEREG · 379, 476

DNETPROD · 309, 475

DNETSUM · 307, 475

DOTPROD · 298, 474

DPOSLIN · 285, 474

DPURELIN · 284, 474

DRADBAS · 289, 474

DSATLIN · 286, 474

DSATLINS · 288, 474

DSSE · 377, 476

DTANSIG · 296, 474

DTRIBAS · 290, 474

E

ERRSURF · 451, 479

F

FORMX · 426, 478

G

GENSIM · 465, 479

GENSIMM · 470, 479

GETX · 428, 478

GRIDTOP · 457, 479

H

hardlim · 282, 474

hardlimS · 283, 474

HEXTOP · 457, 479

HINTONW · 448, 479

HINTONWB · 449, 479

I

IND2VEC · 440, 478

inIT · 310, 475

inITCON · 318, 475

inITLAY · 312, 475

inITNW · 313, 475

inITWB · 313, 475

inITZERO · 314, 475

L

LEARNCON · 394, 476

LEARNGD · 387, 476

LEARNGDM · 388, 476

LEARNH · 476

LEARNHD · 477

LEARNIS · 395, 477

LEARNK · 392, 477

LEARNLV1 · 389, 477

LEARNLV2 · 391, 477

LEARNOS · 396, 477

LEARNP · 383, 477

LEARNPN · 384, 477

LEARNSOM · 397, 477

LEARNWH · 385, 477

LEARNН · 399

LEARNНD · 401

linkdist · 306, 474

logsig · 294, 474

M

mae · 381, 476

mandist · 303, 475

MAT2CELL · 441, 478

MAXLINLR · 400, 477

midpoint · 315, 475

MINMAX · 441, 478

mSe · 378, 476

mSeREG · 379, 476

N

negdist · 302, 475

netprod · 309, 475

netSUM · 307, 475

netWC · 271, 473

netWORK · 245, 473

neWCF · 260, 473

neWELM · 277, 473

neWFF · 255, 473

neWFFTD · 258, 473

neWGRNN · 267, 473

neWHOP · 280, 473

neWLIN · 250, 473

neWLIND · 253, 473

neWLVQ · 276, 473

NEWP · 248, 473

neWPNN · 269, 473

neWRB · 263, 473

neWRBE · 265, 473

neWSOM · 273, 473

NNTOOL · 459, 479

NORMC · 442, 478

nORMPRod · 299, 475

NORMR · 442, 478

P

PLOTEP · 452, 479

PLOTES · 451, 479

PLOTPC · 446, 479

PLOTPERF · 450, 479

PLOTPV · 445, 479

PLOTSOM · 455, 479

PLOTV · 443, 479

PLOTVEC · 444, 479

PNORMC · 442, 478

POSLIN · 285, 474

POSTMNMX · 413, 477

POSTREG · 415, 477

POSTSTD · 414, 477

PREMNMX · 410, 477

PREPCA · 477

PRESTD · 411, 477

PREРСА · 412

purelin · 284, 474

Q

QUANT · 443, 478

R

RADBAS · 289, 474

RANDN · 475

randnc · 317

randnR · 318, 475

randS · 316, 475

RANDTOP · 458, 479

REVERT · 319, 475

S

satlin · 286, 474

satlinS · 288, 474

SEQ2CON · 438, 479

SETX · 428, 478

SIM · 459, 479

softmax · 293, 474

SRCHBAC · 409, 477

SRCHBRE · 405, 477

SRCHCHA · 408, 477

SRCHGOL · 404, 477

SRCHHYB · 406, 477

sSE · 377, 476

SUMSQR · 443, 479

T

TANSIG · 296, 474

train · 328, 475

trainb · 331, 475

trainbfg · 365, 475

trainbr · 373, 475

trainc · 334, 476

traincgb · 361, 475

traincgf · 356, 476

traincgp · 358, 476

traingd · 344, 476

traingda · 346, 476

TRAINGDM · 348, 476

traingdx · 351, 476

TRAINGSCG · 476

trainlm · 370, 476

trainoss · 368, 476

trainr · 337, 476

trainrp · 353, 476

trains · 325, 476

trainscg · 363

TRAMNMX · 417, 477

TRAPCA · 418, 477

TRASTD · 417, 477

tribas · 290, 474

V

VEC2IND · 440, 479


 


Литература

Книги на английском языке:

1. Battiti R. First and second order methods for learning: Between steepest descent
and Newton’s method. // Neural Computation. 1992. Vol. 4, N 2. P. 141–166.

2. Beale E. M. L. A derivation of conjugate gradients in F. A. Lootsma.// Numerical
methods for nonlinear optimization. London: Academic Press, 1972.

3. Brent R. P. Algorithms for Minimization Without Derivatives. Englewood Cliffs,
NJ: Prentice-Hall, 1973.

4. Brent R. P. Introduction to Non-Linear Estimation. 1985.

5. Caudill M. Neural Networks Primer. San Francisco, CA: Miller Freeman Publications, 1989.

6. Caudill M., Butler C. Understanding Neural Networks: Computer Explorations: Vols. 1, 2. Cambridge, MA: MIT Press, 1992.

7. Chen S., Cowan C. F. N., Grant P. M. Orthogonal least squares learning algorithm for radial basis function networks// IEEE Transactions on Neural Networks. 1991. Vol. 2,
N 2. P. 302-309.

8. Charalambous C. Conjugate gradient algorithm for efficient training of artificial neural networks// IEEE Proceedings. 1992. Vol. 139, N 3. P. 301–310.

9. Dennis J. E., Schnabel R. B. Numerical Methods for Unconstrained Optimization
and Nonlinear Equations. Englewood Cliffs, NJ: Prentice-Hall, 1983.

10. Elman J. L. Finding structure in time// Cognitive Science. 1990. Vol. 14. P. 179-211.

11. Foresee F. D., Hagan M. T. Gauss-Newton approximation to Bayesian regularization// Proceedings of the 1997 International Joint Conference on Neural Networks. 1997.
P. 1930-1935.

12. Fletcher R., Reeves C. M. Function minimization by conjugate gradients// ComputerJournal. 1964. Vol. 7. P. 149-154.

13. Gill P. E., Murray W., Wright M. H. Practical Optimization. New York: Academic
Press, 1981.

14. Grossberg, S. Studies of the Mind and Brain. Drodrecht, Holland: Reidel Press, 1982.

15. Hagan M. T., Demuth H. B. Neural Networks for Control// Proceedings of the 1999American Control Conference. SanDiego: CA, 1999. P. 1642-1656.

16. Hagan M. T., De Jesus O., Schultz R. Training Recurrent Networks for Filtering
and Control. Ch. 12.// Recurrent Neural Networks: Design and Applications,
L. Medsker, L.C. Jain,Eds. CRC Press, 1999. P. 311-340.

17. Hagan M.T., Menhaj M. Training feedforward networks with the Marquardt algorithm// IEEE Transactions on Neural Networks.1994. Vol. 5, N 6. P. 989–993.

18. Hagan M. T., Demuth H. B., Beale M.H. Neural Network Design. Boston, MA: PWS Publishing, 1996.

19. Hebb D. O. The Organization of Behavior. New York: Wiley, 1949.

20. Himmelblau D. M., Applied Nonlinear Programming. New York: McGraw-Hill, 1972.

21. Hunt K. J., Sbarbaro D., Zbikowski R., Gawthrop P. J. Neural Networks for Control System – A Survey// Automatica. 1992. Vol. 28. P. 1083-1112.

22. Jolliffe I. T. Principal Component Analysis. New York: Springer-Verlag. 1986.

23. Kohonen T. Self-Organization and Associative Memory.2nd ed. Berlin: Springer-Verlag, 1987.

24. Kohonen, T. Self-Organizing Maps, Second Edition. Berlin: Springer-Verlag. 1997.

25. Li J., Michel A. N., Porod W. Analysis and synthesis of a class of neural networks: linear systems operating on a closed hypercube// IEEE Transactions on Circuits and Systems. 1989. Vol. 36, N 11. P. 1405-1422.

26. Lippman R. P. An introduction to computing with neural nets// IEEE ASSP Magazine. 1987. P. 4-22.

27. MacKay D. J. C. Bayesian interpolation// Neural Computation. 1912. Vol. 4. N 3.
P. 415-447.

28. McCulloch W. S., Pitts W. H. A logical calculus of ideas immanent in nervous activity// Bulletin of Mathematical Biophysics. 1943. Vol. 5. P. 115-133.

29. Moller M. F. A scaled conjugate gradient algorithm for fast supervised learning// NeuralNetworks. 1993. Vol. 6. P. 525-533.

30. Murray R. D., Sbarbaro N. D. Neural Networks for Modeling and Control of a Non-linear Dynamic System//Proceedings of the 1992 IEEE International Symposium on IntelligentControl.1992. P. 404-409.

31. Narendra K. S., Mukhopadhyay S. Adaptive Control Using Neural Networks and Approximate Models// IEEE Transactions on Neural Networks. 1997. Vol. 8. P. 475-485.

32. Nguyen D., Widrow B. The truck backer-upper: An example of self-learning in neural networks// Proceedings of the International Joint Conference on Neural Networks. 1989. Vol 2. P. 357-363.

33. Nguyen D., Widrow B. Improving the learning speed of 2-layer neural networks by choosing initial values of the adaptive weights// Proceedings of the International JointConference on Neural Networks. 1990. Vol 3. P. 21-26.

34. Powell M. J. D. Restart procedures for the conjugate gradient method// MathematicalProgramming. 1977. Vol. 12. P. 241-254.

35. Purdie N., Lucas E. A., Talley M. B. Direct measure of total cholesterol and its
distribution among major serum lipoproteins// Clinical Chemistry.1992. Vol. 38, N 9.
P. 1645-1647.

36. Riedmiller M., Braun H. A direct adaptive method for faster backpropagation learning: The RPROP algorithm// Proceedings of the IEEE International Conference on Neural Networks. 1993.

37. Rosenblatt F. Principles of Neurodynamics. Washington D. C.: Spartan Press, 1961;
:Пер. с англ. Розенблатт Ф. Принципы нейродинамики. М.: Мир, 1965.

38. Rumelhart D. E., Hinton G. E., Williams R. J. Learning internal representations by error propagation. Еd. by D. E. Rumelhart, J. L. McClelland// Parallel Data Processing. 1986. Vol.1. Cambridge, MA: The M.I.T. Press. P. 318-362.

39. Rumelhart D. E., Hinton G. E., Williams R. J. Learning representations by back-propagating errors// Nature. 1986. Vol. 323. P. 533–536.

40. Soloway D., Haley P. J. Neural Generalized Predictive Control// Proceedingsof the 1996IEEE International Symposium on Intelligent Control. 1996. P. 277-281.

41. Scales L. E. Introduction to Non-Linear Optimization. New York: Springer-Verlag, 1985.

42. Vogl T.P., Mangis J.K. et al. Accelerating the convergence of the backpropagation method// Biological Cybernetics. 1988. Vol. 59. P. 256-264.

43. Wasserman P. D. Advanced Methods in Neural Computing. New York: Van Nostrand Reinhold, 1993.

44. Widrow B., Hoff M .E. Adaptive switching circuits// 1960 IREWESCON ConventionRecord. New York IRE. 1960. P. 96-104.

45. Widrow B., Sterns S. D. Adaptive Signal Processing. New York: Prentice-Hall, 1985.

Книги на русском языке:

46. Беркинблит М. Б. Нейронные сети. М.: МИРОС, 1993.

47. Уоссерман Ф. Нейрокомпьютерная техника. М.: Мир, 1992.

48. Мишулина О. А., Лабинская А. А., Щербинина М. В. Лабораторный практикум
по курсу "Введение в теорию нейронных сетей". М.: МИФИ, 2000. 204 с.

49. Омату С., Халид М., Юсоф Р. Нейроуправление и его приложения. М.: ИПРЖРБ, 2000. 272 с.

50. Тихонов А. Н. О решении некорректно поставленных задач и методе регуляри­зации// Доклады АН СССР. Т.151, № 3. 1963.

51. Лазарев Ю. Ф. MatLAB 5.x. Киев: Издат. группа BHV, 2000. 384 с.

52. Гультяев А. К. Визуальное моделирование в среде MATLAB: Учеб. курс. СПб: Питер, 2000. 432 с.

53. Потемкин В. Г. Инструментальные средства MATLAB 5.х. М.: Диалог-МИФИ, 2000. 336 с.

54. Медведев В. С., Потемкин В. Г. Control System Toolbox. MATLAB 5 для студентов. /Под общ. ред. В.Г. Потемкина. М.:Диалог-МИФИ, 1999. 287 с. (Пакеты прикладных программ; Кн. 1).

55. Рудаков П. И., Сафонов И. В. Обработка сигналов и изображений. MATLAB 5.x /Под общ. ред. В.Г. Потемкина. М.:Диалог-МИФИ, 1999. 287 с. (Пакеты прикладных программ; Кн. 2).

56. Лавров К. Н., Цыплякова Т. П. Финансовая аналитика. MATLAB 6 /Под общ.
ред. В. Г. Потемкина. М.: Диалог-МИФИ, 2001. 363 с. (Пакеты прикладных программ; Кн. 3).

57. Галушкин А.И. Теория нейронных сетей. М.: ИПРЖР, 2000. 416 с.

58. Галушкин А.И. Нейрокомпьютеры. М.: ИПРЖР, 2000. 532 с.


Оглавление

 

ПРЕДИСЛОВИЕ.. 3

Введение.. 5

Часть 1. ППП Neural Network Toolbox.. 9

1. Система MATLAB 6. 9

1.1. Операционная среда MATLAB 6. 9

1.2. GUI-интерфейс для ППП NNT.. 17

1.3. Демонстрационные примеры ППП NNT.. 31

2. МОДЕЛЬ НЕЙРОНА И АРХИТЕКТУРА СЕТИ.. 33

2.1. Модель нейрона.. 33

2.1.1. Простой нейрон. 33

2.1.2. Функция активации. 34

2.1.3. Нейрон с векторным входом.. 35

2.2. Архитектура нейронных сетей.. 36

2.2.1. Однослойные сети. 36

2.2.2. Многослойные сети. 38

2.2.3. Сети с прямой передачей сигнала. 41

2.3. Создание, инициализация и моделирование сети.. 42

3. Обучение нейронных сетей.. 47

3.1. Процедуры адаптации и обучения. 47

3.1.1. Способы адаптации и обучения. 52

3.2. Методы обучения. 61

3.2.1. Обучение однослойной сети. 61

3.2.2. Обучение многослойной сети. 62

3.3. Алгоритмы обучения. 66

3.3.1. Градиентные алгоритмы обучения. 67

3.3.2. Алгоритмы метода сопряженных градиентов. 75

3.3.3. Квазиньютоновы алгоритмы.. 81

3.3.4. Алгоритмы одномерного поиска. 86

3.3.5. Расширение возможностей процедур обучения. 88

4. Персептроны... 102

4.1. Архитектура персептрона.. 103

4.2. Модель персептрона.. 104

4.3. Процедуры настройки параметров. 107

5. Линейные сети.. 115

5.1. Архитектура линейной сети.. 116

5.2. Создание модели линейной сети.. 117

5.3. Обучение линейной сети.. 118

5.4. Применение линейных сетей.. 122

6. Радиальные базисные сети.. 131

6.1. Сети GRNN.. 140

6.2. Сети PNN.. 144

7. Сети кластеризации и классификации данных.. 147

7.1. Самоорганизующиеся нейронные сети.. 147

7.1.1. Слой Кохонена. 148

7.1.2. Карта Кохонена. 155

7.2. LVQ-сети.. 167

8. Рекуррентные сети.. 175

8.1. Сети Элмана.. 175

8.2. Сети Хопфилда.. 181

9. Применение нейронных сетей.. 188

9.1. Аппроксимация и фильтрация сигналов. 188

9.1.1. Предсказание стационарного сигнала. 188

9.1.2. Слежение за нестационарным сигналом.. 192

9.1.3. Моделирование стационарного фильтра. 194

9.1.4. Моделирование нестационарного фильтра. 197

9.2. Распознавание образов. 199

9.3. Нейронные сети и системы управления. 204

9.3.1. Регулятор с предсказанием.. 204

9.3.2. Регулятор NARMA-L2. 204

9.3.3. Регулятор на основе эталонной модели. 204

Часть 2. Операторы, функции и команды... 204

10. Вычислительная модель нейронной сети.. 204

10.1. Описание сети.. 204

10.2. Описание элементов сети.. 204

11. Формирование моделей нейронных сетей.. 204

11.1. Модели сетей.. 204

11.1.1. Однослойные сети. 204

11.1.2. Многослойные сети. 204

11.2. Функции активации.. 204

11.3. Синаптические функции.. 204

11.4. Функции инициализации.. 204

11.5. Функции адаптации и обучения. 204

11.5.1. Функции оценки качества обучения. 204

11.6. Функции настройки параметров. 204

11.6.1. Функции одномерного поиска. 204

11.7. Масштабирование и восстановление данных.. 204

11.8. Вспомогательные функции.. 204

11.9. Моделирование нейронных сетей и система Simulink.. 204

11.9.1. Применение системы Simulink. 204

Индексный указатель.. 204

Предметный указатель.. 204

Литература.. 204

Оглавление.. 204

 


[1] Сигмоидальной (S-образной) функцией называется непрерывная функция, имеющая две горизонтальные асимптоты и одну точку перегиба.

 



©2015- 2022 stydopedia.ru Все материалы защищены законодательством РФ.