Изучение и создание нейронных сетей в системе matlab
MATLAB как пакет прикладных программ для решения задач технических вычислений и одноимённый язык программирования, используемый в этом пакете. Создание нейронной сети в графическом интерфейсе. Экспортирование созданной нейронной сети в рабочую область.
| Рубрика | Программирование, компьютеры и кибернетика |
| Вид | контрольная работа |
| Язык | русский |
| Дата добавления | 30.05.2016 |
| Размер файла | 2,0 M |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
Министерство образования и науки Российской Федерации
Филиал Федерального государственного бюджетного образовательного учреждения высшего профессионального образования
"Удмуртский Государственный Университет" в городе Воткинске
Кафедра "Информатика и математика"
Контрольная работа
по дисциплине: «Нечеткая логика»
тема: «Изучение и создание нейронных сетей в системе matlab»
Выполнил:
студент гр. ЗС-Вт-2307000-44,44(к)
Смирнова О.П.
Проверил:
Е.А. Кучерова
Воткинск 2015
1. Создание нейронной сети в графическом интерфейсе NNTool
Создадим, используя графический интерфейс пользователя, нейронную сеть, которая вычисляет операцию 4x І+2 , при задании вектора входа
X= [3.83 3.33 3.02 2.9 2.75 2.45 ]
И вектора цели
Y=[47.69 46.35 38.48 36.10 32.25 26.01]
Для открытия основного интерфейса необходимо в командном окне ввести команду matlab нейронный сеть
>>nntool
Выполнение команды приведет к открытию окна Network/Data Manager (рисунок 1)
Рисунок 1
Сформируем последовательность входов и целей в рабочей области GUI-интерфейса, используя окно Create New Data.
С этой целью сначала нажмем кнопку New Data, далее в поле Name окна Create New Data введем сначала имя переменной X, затем в области значений Value вектор значений [-1 - 0.8 - 0.5 - 0.2 0 0.1 0.3 0.6 0.9 1] и, используя кнопки выбора типа данных (в правой части окна), укажем тип переменных (Inputs -- Входы).
Ввод завершим нажатием кнопки Create.
Аналогичную операцию проделаем для вектора Y, с указанием (с помощью кнопки Targets), что это -- вектор целевых данных.
Создадим новую нейронную сеть.
Для этого в окне Network/Data Manager нажмем кнопку New Network.
В открывшемся окне Create New Network (рисунок 2) выберем нейронную сеть типа feed-forward backprop с прямой передачей сигнала и с обратным распространением ошибки.
Рисунок 2
При создании сети сохраним ей имя, даваемое по умолчанию (network1).
Диапазон входов определим (в окне Create New Network) с помощью опции Get from input.
Количество нейронов (Number of neurons) первого слоя (Layer 1) установим равным двум.
Остальные установки при создании сети оставим по умолчанию.
Создание сети завершим нажатием кнопки Create.
После этого в окне Network/Data Manager, в области Networks появится имя новой созданной сети -- network1. Выберем это имя с помощью мышки, что приведет к активизации всех кнопок указанного окна (рисунок 3).
Рисунок 3
Выполним инициализацию сети, с помощью кнопки Reinitialize Weights Это приведет к открытию диалоговой панели Network: network1 (рисунок 4)
Для установления диапазонов входа и инициализации весов используем кнопки Set input Ranges и Initialize Weights. Если требуется вернуться к прежним диапазонам, то следует выбрать кнопки Revert input Ranges (Вернуть диапазоны) и Revert Weights (Вернуть веса).
Для обучения созданной сети, выбирается закладка Train в панели Network: network1 и открывается новая диалоговая панель (рисунок 5)
Рисунок 4.
Рисунок 5. Обучение нейронной сети.
Панель имеет две закладки:
1) Training Info (Информация об обучении);
2) Training Parameters (Параметры обучения);
Применяя эти закладки, можно установить имена последовательностей входа и цели (на вкладке Training Info -- в левой ее части необходимо указать X и Y), а также значения параметров процедуры обучения (на вкладке Training Parameters.
Далее нажимаем кнопку Train Network, что вызовет обучение сети. Качество обучения сети можно посмотреть на графике во время обучения. По оси Y отображается среднеквадратическая ошибка, а по оси X - итерации обучения.
Результаты обучения можно просмотреть в окне Network/Data Manager, активизируя имена последовательностей выходов network1_outputs или ошибок network1_errors, и используя кнопку View (рисунок 6).
Рисунок 6. Результаты обучения.
Для просмотра структурной схемы сети необходимо, выбрав имя сети (network1), воспользоваться кнопкой View (рисунок 7).
Рисунок 7. Схема созданной сети.
Дальше экспортируем созданную нейронную сеть в рабочую область системы MATLAB (нажав кнопку Export и далее, в открывшемся окне Export or Save from Network/Data Manager, -- кнопки Select All и Export) (рисунок 8).
Рисунок 8. Экспорт нейронной сети.
Получить информацию о весах и смещениях в рабочем окне системы можно выполнив команду:
>> network1.IW{1,1},network1.b{1}
И команду:
>> network1.IW{2,1},network1.b{2}
Теперь можно построить модель НС в среде Simulink (рисунок 8) и отобразить ее схему, используя команду:
>> gensim(network1)
Рисунок 8. Среда Simulink
Размещено на Allbest.ru
...Подобные документы
Понятие искусственного нейрона и искусственных нейронных сетей. Сущность процесса обучения нейронной сети и аппроксимации функции. Смысл алгоритма обучения с учителем. Построение и обучение нейронной сети для аппроксимации функции в среде Matlab.
лабораторная работа [1,1 M], добавлен 05.10.2010Технологии решения задач с использованием нейронных сетей в пакетах расширения Neural Networks Toolbox и Simulink. Создание этого вида сети, анализ сценария формирования и степени достоверности результатов вычислений на тестовом массиве входных векторов.
лабораторная работа [352,2 K], добавлен 20.05.2013Сущность, структура, алгоритм функционирования самообучающихся карт. Начальная инициализация и обучение карты. Сущность и задачи кластеризации. Создание нейронной сети со слоем Кохонена при помощи встроенной в среды Matlab. Отличия сети Кохонена от SOM.
лабораторная работа [36,1 K], добавлен 05.10.2010Исследование нечеткой модели управления. Создание нейронной сети, выполняющей различные функции. Исследование генетического алгоритма поиска экстремума целевой функции. Сравнительный анализ нечеткой логики и нейронной сети на примере печи кипящего слоя.
лабораторная работа [2,3 M], добавлен 25.03.2014Способы применения нейронных сетей для решения различных математических и логических задач. Принципы архитектуры их построения и цели работы программных комплексов. Основные достоинства и недостатки каждой из них. Пример рекуррентной сети Элмана.
курсовая работа [377,4 K], добавлен 26.02.2015Различные методы решения задачи классификации. Нейросетевые парадигмы, методы обучения нейронных сетей, возникающие при этом проблемы и пути их решения. Описание программной реализации классификатора, его функциональные возможности и результаты обучения.
дипломная работа [1,0 M], добавлен 28.12.2015Математическая модель нейронной сети. Однослойный и многослойный персептрон, рекуррентные сети. Обучение нейронных сетей с учителем и без него. Алгоритм обратного распространения ошибки. Подготовка данных, схема системы сети с динамическим объектом.
дипломная работа [2,6 M], добавлен 23.09.2013Прогнозирование на фондовом рынке с помощью нейронных сетей. Описание типа нейронной сети. Определение входных данных и их обработка. Архитектура нейронной сети. Точность результата. Моделирование торговли. Нейронная сеть прямого распространения сигнала.
дипломная работа [2,7 M], добавлен 18.02.2017Преимущества и недостатки нейронных сетей с радиальными базисными функциями (РБФ). Функции newrbe и newrb для построения РБФ общего вида и автоматической настройки весов и смещений. Пример построения нейронной сети с РБФ в математической среде Matlab.
лабораторная работа [238,7 K], добавлен 05.10.2010Обзор и сравнительный анализ современных математических пакетов. Вычислительные и графические возможности системы MATLAB, а также средства программирования в среде MATLAB. Основные возможности решения задач оптимизации в табличном процессоре MS Excel.
дипломная работа [6,6 M], добавлен 04.09.2014Математическая модель искусственной нейронной сети. Структура многослойного персептрона. Обучение без учителя, методом соревнования. Правило коррекции по ошибке. Метод Хэбба. Генетический алгоритм. Применение нейронных сетей для синтеза регуляторов.
дипломная работа [1,5 M], добавлен 17.09.2013Разработка алгоритма и программы для распознавания пола по фотографии с использованием искусственной нейронной сети. Создание алгоритмов: математического, работы с приложением, установки весов, реализации функции активации и обучения нейронной сети.
курсовая работа [1,0 M], добавлен 05.01.2013Прогнозирование валютных курсов с использованием искусственной нейронной сети. Общая характеристика среды программирования Delphi 7. Существующие методы прогнозирования. Характеристика нечетких нейронных сетей. Инструкция по работе с программой.
курсовая работа [2,2 M], добавлен 12.11.2010Общая характеристика и свойства системы Matlab - пакета прикладных программ для решения задач технических вычислений. Разработка математической модели в данной среде, программирование функций для задающего воздействия. Проектирование GUI-интерфейса.
курсовая работа [1023,2 K], добавлен 23.05.2013Проектирование экспертной системы выбора нейронной сети. Сущность семантических сетей и фреймов. MatLab и системы Фаззи-регулирования. Реализация программы с использованием пакета fuzzy logic toolbox системы MatLab 7. Составление продукционных правил.
курсовая работа [904,4 K], добавлен 17.03.2016Математические модели, построенные по принципу организации и функционирования биологических нейронных сетей, их программные или аппаратные реализации. Разработка нейронной сети типа "многослойный персептрон" для прогнозирования выбора токарного станка.
курсовая работа [549,7 K], добавлен 03.03.2015Описание структурной схемы искусственного нейрона. Характеристика искусственной нейронной сети как математической модели и устройств параллельных вычислений на основе микропроцессоров. Применение нейронной сети для распознавания образов и сжатия данных.
презентация [387,5 K], добавлен 11.12.2015Этапы решения задачи классификации цифр арабского алфавита на основе нейронных сетей: выбор класса, структуры и пакета нейронной сети, ее обучение, требования к информационной и программной совместимости, составу и параметрам технических средств.
реферат [111,6 K], добавлен 19.10.2010Изучение и реализация системы, использующей возможности Microsoft Azure для распределенного обучения нейронной сети. Рассмотрение функционирования распределенных вычислений. Выбор задачи для исследования; тестирование данного программного ресурса.
дипломная работа [2,0 M], добавлен 20.07.2015Методы численного интегрирования. Характеристика основных составляющих структурного программирования. Решение задания на языке высокого уровня Паскаль. Построение графического решения задачи в пакете Matlab. Решение задания на языке высокого уровня C.
курсовая работа [381,7 K], добавлен 10.05.2018
