Динамикалық хаос радиотехникалық генераторлардың негізінде нейрондық торды құру


Кіріспе
1 бөлім. Нейрон моделінің құрылымы
1.1 Нейроннын моделі
1.1.1 Қарапайым нейрон
1.1.2. Активация функциясы
1.1.3. Кіріс векторлы нейрон
1.2. Нейрондық жүйелердің архитектурасы
1.2.1. Бір қабатты жүйе
1.2.2. Көпқабатты жүйелер
1.2.3. Сигналды тікелей жіберу жүйесі
1.3. Желілерді баптандыру(инициализациялау), модельдеу және құру
2 бөлім. Нейрондық жүйелер
2.1 Персептрон
2.2 Сызықты жүйелер
2.3 Радиалды базисті жүйелер
Соңғы уақытта нейрондық жүйелерде ұлкен қызығушылық байқалады. Ол көптеген салаларда қолданыс тапты: медицинада, бизнесте, техникада. Нейрондык жүйелерді басқару, болжау, классификация мәселелерін шешуде қолданылады.
Нейрожүйенің ерекшелігі, ол оқыту механизмінде (механизм обучения) қолданылады. Нейрондық жүйе қолданушысы өкілі деректерді таңдап және оқытылатын алгоритмдерді жібереді. Алгоритм өз бетімен параметрлерді қалыптастырады. Қолданушыға қойылатын негізгі талаптар, бұл – эвритистикалық біілімнің болуы, яғни деректерді дайындау, нейрондық жүйелердің архитектурасын таңдау. Алынған нәтижелерден қорытынды шығару. Айта кететін болсақ, қолданушыға нейрондық жүйе қолдану барысында қойылатын талаптар әлдеқайда аз болып келеді, мысал үшін дәстүрлі әдістерге қарағанда.
Дегенмен, жасанды нейрондық жүйе қарапайым нервтік жүйенің биологиялық моделі бойынша жасалынған.
Нейроннан алынатын сигналдың қарқыны байланыс сызығының белсенділігіне байланысты. Әрбір байланыс сызығының өзіне тән ұзндығы болады. Сол арқылы арнайы химиялық заттар сигнал жібереді.
Көп нейроннын тұрайтын ми өте қиын операцияларды жүзеге асыруға қабілетті. Дәл осындай модельді жасанды нейрондық жүйелер іске асырады.Жасанды нейрондық жүйе сонымен қатар өзара параллельді әрекет ететін қарапайым элементтерден құралған. Нейрондық жүйе функциялары табиғаттағыдай элементтер арасындағы байланыс бойынша анықталады. Байланыс коэффиценттерінің мәндерін өзгерте отырып, нейрондық жүйелерді белгілі бір функцияларды жүзеге асыру үшін оқытуға болады. Әдетте жасанды нейрондық жүйе белгілі бір нақты кірістер мақсатты шығыстарға айнлатындай етіп оқытады. Шығыс және мақсат сигналдарын бір біріне сәйкес келгенше салыстыру арқылы оқытылады.
Жасанды нейрондық жүйе негізінде интеллектуалды жүйелер, бейнелерді таңдауы, бақлаудың орындалуын, ассоциативті жады және басқалардың мәселелерін орындап келе жатыр.

Пән: Физика
Жұмыс түрі: Курстық жұмыс
Көлемі: 18 бет
Бұл жұмыстың бағасы: 700 теңге




ҚАЗАҚСТАН РЕСПУБЛИКАСЫНЫҢ
БІЛІМ ЖӘНЕ ҒЫЛЫМ МИНИСТРЛІГІ
АЛЬ - ФАРАБИ АТЫНДАҒЫ
ҚАЗАҚ ҰЛТТЫҚ УНИВЕРСИТЕТІ

Физика-техникалық факультеті

Қатты дене және бейсызық физика кафедрасы

Дипломдық жұмыс
Динамикалық хаос радиотехникалық генераторлардың негізінде нейрондық торды құру

Орындаушы Жарылғапова Назгүл Алманбетовна
4 курс студенті
Ғылым жетекшісі Ахтанов Саят Нусипжанович
Нормоконтроллер ?
Допущен к защите
зав.кафедрой

Алматы, 2015
Мазмұны
Кіріспе
1 бөлім. Нейрон моделінің құрылымы
1.1 Нейроннын моделі
1.1.1 Қарапайым нейрон
1.1.2. Активация функциясы
1.1.3. Кіріс векторлы нейрон
1.2. Нейрондық жүйелердің архитектурасы
1.2.1. Бір қабатты жүйе
1.2.2. Көпқабатты жүйелер
1.2.3. Сигналды тікелей жіберу жүйесі
1.3. Желілерді баптандыру(инициализациялау), модельдеу және құру
2 бөлім. Нейрондық жүйелер
2.1 Персептрон
2.2 Сызықты жүйелер
2.3 Радиалды базисті жүйелер

Кіріспе
Соңғы уақытта нейрондық жүйелерде ұлкен қызығушылық байқалады. Ол көптеген салаларда қолданыс тапты: медицинада, бизнесте, техникада. Нейрондык жүйелерді басқару, болжау, классификация мәселелерін шешуде қолданылады.
Нейрожүйенің ерекшелігі, ол оқыту механизмінде (механизм обучения) қолданылады. Нейрондық жүйе қолданушысы өкілі деректерді таңдап және оқытылатын алгоритмдерді жібереді. Алгоритм өз бетімен параметрлерді қалыптастырады. Қолданушыға қойылатын негізгі талаптар, бұл - эвритистикалық біілімнің болуы, яғни деректерді дайындау, нейрондық жүйелердің архитектурасын таңдау. Алынған нәтижелерден қорытынды шығару. Айта кететін болсақ, қолданушыға нейрондық жүйе қолдану барысында қойылатын талаптар әлдеқайда аз болып келеді, мысал үшін дәстүрлі әдістерге қарағанда.
Дегенмен, жасанды нейрондық жүйе қарапайым нервтік жүйенің биологиялық моделі бойынша жасалынған.
Нейроннан алынатын сигналдың қарқыны байланыс сызығының белсенділігіне байланысты. Әрбір байланыс сызығының өзіне тән ұзндығы болады. Сол арқылы арнайы химиялық заттар сигнал жібереді.
Көп нейроннын тұрайтын ми өте қиын операцияларды жүзеге асыруға қабілетті. Дәл осындай модельді жасанды нейрондық жүйелер іске асырады.Жасанды нейрондық жүйе сонымен қатар өзара параллельді әрекет ететін қарапайым элементтерден құралған. Нейрондық жүйе функциялары табиғаттағыдай элементтер арасындағы байланыс бойынша анықталады. Байланыс коэффиценттерінің мәндерін өзгерте отырып, нейрондық жүйелерді белгілі бір функцияларды жүзеге асыру үшін оқытуға болады. Әдетте жасанды нейрондық жүйе белгілі бір нақты кірістер мақсатты шығыстарға айнлатындай етіп оқытады. Шығыс және мақсат сигналдарын бір біріне сәйкес келгенше салыстыру арқылы оқытылады.
Жасанды нейрондық жүйе негізінде интеллектуалды жүйелер, бейнелерді таңдауы, бақлаудың орындалуын, ассоциативті жады және басқалардың мәселелерін орындап келе жатыр.
ППП Neural Network Toolbox қолданушыларға проектілеу әдістерін дамыту және нейрондық жүйелерді қолдану аймағын кеңейту үшін қызмет ететін құрал.
Нейрондық жүйелер көптеген салаларда әр түрлі мәселелерді шешуде қолданылады:
* Космонавтика мен аэронавтикада
* Машина жинау
* Банк ісінде
* Әскери салада
* Электроникада
* Қаржы ісінде
* Сақтандыру саласында
* Өндірісте
* Медицинада
* Мұнайгаз өндірісінде
* Робототехникада
* Деректер жіберуде

1 бөлім. Нейрон моделінің құрылымы.
1.1 Нейроннын моделі
1.1.1 Қарапайым нейрон
Нейрондық жүйе қарапайым ұяшығы болып нейрон болып табылады. Бір скалярлы кірісті нейронның құрылысы 1.1,а.суретте көрсетілген
1.1 сурет
Скалярлы кіріс p сигналы скалярлы w аймақты коэффицентіне көбейтіледі,нәтижесінде шығатын өлшенген кіріс W x P нейрон активациясы функциясының аргументі болболсаып табылады. Сөйтіп а скалярлы шығысты тудырады.
1.1, в суретінде көрсетіген скалярлы жылжу өлшенген кіріс W x P арқылы есептеледі және f функциясының аргументінің b шамасына жылжуына алып келеді.
Егер нейронның мәні 1-ге тең болатын екінші кіріс сигналы бар болса, жылжу әрекетін салыстыру схемасына сәйкстендіруге болады.
Кірістің нейрон активация n функциясы сол қалпында скалярлы болып қалады, сонымен қатар салыстыру кірісі мен b ығысу шамасының қосындысына тең болады. Ол f активация функциясының аргументі болып табылады. Ал шығыс функциясының активация а сигналы болып табылады. W және b тұрақтылары нейронның скалярлы параметрлері болып есептеледі. Нейрондық желілер негізгі принципі нейрон параметрлерін өзгерту арқылы жүйенің нақты жұмыс атқаруына оқытуға болады. Сонымен қатар жүйенің өзін-өзі жөндейтіндей етіп үйретуге болады.
Нейрондардың жылжу теңдеуі:
a = f(w.*p+b* 1). (1.1)
Жоғарыда көрсетіле кеткендей b жылжуы - нейронныңкіріс болып табылмайтын скалярлы параметрі, ал мұндағы 1-тұрақтысы кіріс болып табылады және жылжуды басқарады
a=w b p1

1.1.2. Активация функциясы
Нейронның активация функциясы әр түрлі болады. F активация функциясы n аргументі және а шығысты сигмоидальді функция тобына кіреді.
Кең таралған функция активациясының 3 түрлі формасын қарастырайық. Hardlim қатал шектеулі функция активациясы. Бұл функция а = hardlim(n) = 1(n) қатынасын сипаттайды және ол 2.2 суретте көрсетілген. Егер n0 ол 0-ге тең, ал n0, онда 1-ге тең.
2.2 сурет
ППП Neural Network Toolbox құрамына қатал шектеулі функция активациясн жүзеге асыратын hardlim M-функциясы кіреді. Операторларды Matlab тілінде
қолдана отырып, омы функцияның графигін құрастыруға болады.
n = -5:0.1:5;
plot(n,hardlim(n),'c+:');
Нәтижесінде -5тен +5ке дейінгі мәндер арасында hardlim функциясының графигін аламыз. (сур. 1.2)
Purelin сызықты активация функциясы. Бұл функция а = purelin(n)=n байланысын сипаттайды. (сур.1,3)
сурет 1.3

Logsig логистикалық активация функциясы. Бұл функция а = logsig(n) = 1(1 + ехр(-n)) байланысын сипаттайды. 1.4 суретінде көрсетілген. Ол сигмоидальді функция тобына кіреді. Және оның аргументі -infinity тен +infinity ке дейінгі диапазон аралығындағы кез келген мәнді қабылдай алады.Ал шығыс 0 мен 1 аралығында ғана өзгереді. ППП Neural Network Toolbox logsig M-функция түрінде берілген. Дифференциалдау қасиетіне байланысты бұл функция жүйелерінде қателіктерді кері тарату негізінде оқытуга қолданылады.
сурет 1.4
Квадрат ішіндегі сурет функция активациясын көрсетеді. Бұл сурет нейрондық жүйелердің құрылымдық схемаларында қолданылады.
ППП Neural Network Toolbox активациясының басқа да функцияларын қамтиды. Matlab тілін қолдана отырып, пайдаланушы өзінің жеке қайталанбас функцияларын жасай алады.

1.1.3. Кіріс векторлы нейрон
1.5 суретте p1,p2 ... .pn R элементтер мен бір векторлы P шығыс векторы көрсетілген. Мұндағы әрбір элементті сәйкесінше w11,w12 ... .w1R - ге көбейтіледі, және өлшенген мәндер сумматорға жіберіледі. Олардың қосындысы W жолының P кіріс векторына скалярлы көбейтіндісіне тең болады.
сурет 1.5
Нейронның кірістердің қосындысымен өлшенетін b жылжуы бар. Нәтижесіндегі n қосынды:
n=w11p1+w12p2 + ... +w1RpR+ b (1.3)
F активация функциясының аргументі болып табылады. Matlab тілінде мынадай түрде жазылады:
n= W*p + b. (1.4)
Үстінде көрсетілген нейронның құрылымында көптеген артық бөлшектер бар.
Көп нейроннан тұратын жүйелерді қарастырғанда нейронның үлкейтілген құрылымдық сұлбасы қолданылады.(сур.1.6)
сурет 1.6
Суретте нейронның кірісі қара вертикальді сызық түрінде көрсетілген. Ол R кіріс элементінің санын көрсетеді. P кіріс векторының өлшемі p символының астында жазылады және Rx1-ге тең. Кіріс векторы ұзындығы R ұзындықты W жол-векторына көбейтіледі. Айта кеткендей, 1 тұрақтысы скалярля жылжу b-ға көбейтілетін кіріс ретінде қарастырылады. Нейронның активация функциясының n кірісі b жылжуы мен WxP көбейтіндісі мен қосындысы болып табылады. Бұл қосынды f активация функциясына айналады және шығыс кезінде нейронның а шығысын аламыз. Мұндағы а-скалярлы шама болып табылады. 1.6 суретінде көрсетілген құрылымдық сұлба жүйе қабаты деп аталады. Қабат W салмақ, b жылжу WxP көбейту операциясымен f активация функциясмен қосындысы арқылы сипатталады. Р кіріс векторы әдетте қабат сипаттамасына кіреді.
Үлкейтілген құрылымдық сұлбада активация функциясының түрін көрсету үшін арнацы графикалық символдар қолданылады. Олардың кейбір түрлері 1.7 суретінде көрсетілген. а- баспалдақты, б- сызықты, в- логистикалық.
сурет 1.7

1.2. Нейрондық жүйелердің архитектурасы
Нейрондық жүйелер бір немесе бірнеше қабаттан тұруы мүмкін. Және оларды сәйкесінше бір қабатты және көп қабатты деп ажыратамыз.
1.2.1. Бір қабатты жүйе
R кіріс элементтері мен S-нейрондардан тұратын бір қабатты жүйенің схемасы көрсетілген. (2.8 сурет)
сурет 2.8
Бұл жүйедегі әрбір вектордың элементі нейронның барлық шығысымен байланысты, және бұл байланыс W массасының матрицасы арқылы беріледі. Сонымен қатар әрбір і-ші нейрон скалярлы шығыс n(i)-ді қалыптастыратын элементтердің жиынтығы болып табылады. n(i) скалярлы функциясының жиынтығы қабаттың п функция активациясының S-элементтік шығыс векторына қосылады.Нейронның қабат шығысы а баған-векторын қалыптастырады, осыдан, нейрон қабатының сипаттамасы мынадай болады:
a = f(W*p+b). (2.5)
Қабаттағы R шығыстың саны Sнейронның санымен сәйкес келмеуі мүмкін. Алайда нейрондардың құрылымдық қабаттарын басқа активация функциясын қолданып (2.8 суреттегідей)жасауға болады. Екі жүйенің де кірістері өзгермейді. Кіріс вектор элементтері жүйеге W масса матрицасы арқылы жіберіледі:
(2.6)
W матрицасының жол индексі нейрон салмағының бағытталуын кқрсетеді, ал баған индекстері - бұл салмақтың кірісінің көзі болып табылады. Осыдан, салмақ матрицасының элементі w12 = W(l, 2) бірінші нейрон жіберу кезінде кірістің екінші элементін көбейтетін коэффицент. S нейрондардан тұратын бірқабатты жүйе үшін үлкейтілген құрылымдық сұлба 2.9 суретте көрсетілген:
2.9 сурет
Мұндағы р- Rx1 кіріс векторының өлшемі, w - SxR салмақ матрицасының өлшемі, a,b,n- Sx1өлшемді вектор.

1.2.2. Көпқабатты жүйелер
Бірнеше қабатты желіні қарастырайық. Қабаттың кіріс салмағының кірісіне байланысын салмақ матриасы деп, ал қабаттан бөліетін сигналға арналған салмақ матрицасын шығыс қабаттың салмағы деп атаймыз. Енді, нейрондық жүйелерде әр түрлі салмақ пен элементтерге арналған адресаттарды көрсету үшін жоғарғы жағына индекстерді қоямыз. Біріншіден, біз көпқабатты жүйенің бір қабатын қарастырып кетейік:
сурет 2.10
Кірістермен байланысқан салмақ матрицасын IW11 деп белгілейік, жоғарысындағы индекстер кіріс көзі бірінші қабат екенін , және де бірінші индекс адресатын көрсетеді.
Алдағы уақытта матрицалар үшін кіріс және шығыс қабаттың матрицалары IW(Input Weight) және LW(Layer Weight) деп белгіленеді.
Егер жүйе бірнеше қабаттан тұратын болса, онда әрбір қабат өзінің салмақ матрицасы W, жылжу векторы b және шығыс векторы a болады. Келесі суреттен үш қабаттан тұратын жүйенің структуралық схемасы мен теңдеуі көрсетілген:
сурет 2.11
Жоғарыда көрсетілген жүйеде R кіріс , бірінші қабатта S1 нейрон, екінші қабаттан S2 тұрады. Әрбір қабат әр түрлі нейродардан тұруы мүмкін. Әр бір нейронға жлжу үшін тұрақты кіріс сигнал 1 берілген. Алдыңғы қабаттың шығысы келесі қабаттың кірісі болады. Содан, 2-ші қабат жүйенің бір қабаты ретінде қарастырылса, S1 кіріс, S2 нейрон және S1 х S2 салмақ матрицасы W2 болады.
Көпқабатты жүйелердің қабаты әр түрлі атқ ие болуы мүмкін. Жүйенің шығысын қалыптастыратын қабат шығыс қабат деп аталады. Ал қалған қабаттар жасырынды қабат деп аталады. Жоғарыда көрсетілген үшқабатты жүйе шығыс қабат(3 қабат) және ә жасырын қабат ( 1 және 2 қабат). Дәл осы жүйенің кеңейтілген структуралық схемасы:

2.12 сурет
Үшінші қабаттың шығысы а3 у арқылы белгіленетінін байқаймыз. Бұл шығыс қабат жүйенің соңғы шығысы екенін көрсетеді.
Көп қабатты жүйелердің мүмкіндіктері зор. Мысалы, бірінші қабаты сигмоидальды, ал екінші қабат- сызықты активация функциясынан құралған екі қабатты жүйе кез келген функцияның апроксимация дәлдігін онай анықтап бере алады.
Қорытындылай келе, нейрон функциясының активация кірісі өлшенген кірістің салмағы мен жылжуын анықтайды. Нейронның шығысы нейронның кірісіне және активация функциясының тұріне байланысты. Жалғыз бір нейрон қиын тапсырмаларды орындай алмайды, бірақ бірнешеуін біріктірсе көп мүмкіндіктерге ие бола алады.
Жылжуы бар жүйелер кірісі мен шығыстың арасында күрделі байланыстарды қалыптастыра алады. Мысалы, жылжуы жоқ нейрон кірісіне нөльді берсе, онда активация функциясының кірісі нөльге тең болады.
Көп жағдайда жүйелерде сызықты емемс сигмоидальды активация функциясы логикалық (2.7 сур.) немесе гиперболикалық тангенс (2.13 сур.) түрінде беріледі.
2.13 сурет
Егер көпқабатты жүйенің соңғы қабаты осындай активация функциясын пайдаланса, жүйенің шығысы шектеулі болады. Қабаттың шығысында сызықты нейрон қолданылса, онда жүйенің шығысы кез келген мәнді қабылдайды. ППП NNT-да осындай активация функциясы бар. Оны алу үшін:
имя_функции_активации('deriv')
Например, обращение вида
tansig(`deriv')
ans = dtansig
гиперболикалық тангенсті есептейтін М-функция, dtansig.

1.2.3. Сигналды тікелей жіберу жүйесі
Logsig активация функциясы бір қабатты S нейронды жүйе (R кірісі бар) 2.14 суретте көрсетілген:

2.14 сурет
Бұл кері байланысы жоқ жүйе сигналды тікелей жіберу жүйесі деп аталады. Бұндай жүйелер көбіне бір немесе бірнеше жасырын нейрон қабаттары бар сигмоидальды активация функциясы болады.
Жақсырақ түсіну үшін, екіқабатты желіні қарастырайық:
2.15 сурет
Бұл жүйе функияның аппроксимациясы үшін қолданыла алады.

1.3. Желілерді баптандыру(инициализациялау), модельдеу және құру
Желі архитектурасын қалыптастыру нейрондық жүйелердің жұмысында бірінші - жүйенің моделін құру. Сигналды тікелей жіберу жүйесін құру. Сигналды тікелей жіберу жүйесін құру үшін ППП NNT- да newff функциясын пайдаланамыз. Ол 4 кіріс және 1 шығыс аргументі- network объектісі.
Бірінші кіріс аргумент - әр кіріс вектор элементтің min немесе max мәндерінің Rx2 өлшем массиві; екінші - әрбір қабат үшін нейрон саны; үшінші - әр қабат үшін активация функцияының ұяшық массиві;төртінші - оқытылатын функция аты. Мысалы, келесі оператор сигналды тікелей жіберу жүйесін құрады:
net = newff([-1 2; 0 5],[3,1],{`tansig',`purelin'},'trai ngd');
Бұл жүйе [-1 2] және [0 5] мәндерін қабылдайтын екі элементтен тұратын 1 кіріс векторын пайдаланады; бірінші қабатта 2 қабаттан тұратын 3 нейрон және екінші қабатта 1 нейрон. Tansig-бірінші қабатта, purelin-екінші қабатта,traingd-оқытылуда қолданылатын функция.
Newff М-функциясы жүйенің архитектурасын құрып қана қоймай, сонымен қатар салмағы мен жылжуын инициалдайды. Бірақ кей жағдайларда жүйе инициализациясының арнайы редуралары керек ететін кездер болады.

Жүйені баптандыру (инициализациялау)
Жүйенің архитектурасы құрылғаннан кейін, бастапқы салмақ пен жылжудың мәндері берілу керек, яғни жүйе баптандырудан өту керек. Ондай операция init командасы арқылы беріледі.
net = init(net)
Инициализациялау тәсілі net.initFcn және net,layers{i}.initFcn параметрлерді таңдауына байланысты. Олар инициализация функциясын қалыптастырады. Rand функциясын қолдана отырып, бірінші қабаттың салмағы мен жылжуын баптандыру үшін келесі операторларды енгізу керек:
net.layers{1}-initFcn = 'initwb';
net.inputWeights{l,1}.initFen = 'rands';
net .biases{1,1}.initFcn = 'rands';
net.biases{2,1}.initFcn = 'rands';
net = init(net);

Жүйені модельдеу
Статикалық жүйелер. Статикалық нейрондық жүйелер өзінің құрамында кері байланыс пен кешігу элементтерінің болмацымен ерекшеленеді. Дәйекті берілетін векторларды бір уақытта немесе құрама вектор ретінде қарастыруға болатындықтанолардың әрекеті кіріс вектордың түрінен тәуелсіз болады. Сондақтан статикалық жүйелер моделі ретінде төменгі суреттегі жүйені қарастырайық:

Бұл екі кіріс векторлы және активация функциясы сызықты болатын бір қабатты жүйе болып табылады. Ондай жүйені құру үшін ППП NNT-дағы newlin М-функциясы пайдаланады. Онда әрбір кіріс элементтің максималды және минималды мәнін беру керек. Біздің жағдайда олар -1 мен 1 ге және қабат саны 1-ге тең.
net = newlin([-l 1;-1 1],1);
Салмақ матрицасы мен жылжуды W = [1 2], b = 0 ге тең етіп алып, осы мәндерді жүйенің құрылымына пайдаланайық.
net.IW(1,1) = [1 2]; % Присваивание значений весов
net.b(1) = 0; % Присваивание значения смещения
Айталық, жүйеге дәйекті төрт кіріс векторы берілсін:

Жүйе статистикалық болғандықтан, оларды сандық массив түрінде келтіріп аламыз:
Р = [-1 0 0 1; 0 -1 1 -1];
Енді жүйені модельдеуге болады:
А = sim(net,P) % Моделирование сети net с вектором входа Р и выходом A
А = -1 -2 2 -1

Динамикалық жүйе. Жүйеде кешіктіру жолағы болған кезде, жүйенің кірісін белгілі бір уақытта берілетін векторладың дәйектілігі ретінде қарастырамыз.
Оны байқау үшін қарапайым кешігу жолағы бар 1 элементті сызықты жүйені қарастырайық.

Мысалға, осындай жүйені қарастырайық:
% Создание однослойной линейной сети с линией задержки [0 1]
net = newlin([-l 1],1,[0 11);
Келесі салмақ матрицасы W = [1 2] және жылжуы нөльге тең мәндер берілсін:
net.IW{1, 1} = [1 2]; % Присваивание значений весов
net.biasConnect =0; % Присваивание значений смещений
Мысал ретінде, кірісіміз {-1, -12,12,1} тең болсын, оны массив ячеек түрінде келтірсек:
Р = {-1, -12, 12, 1);
Енді жүйені sim методын пайдаланып, модельдеуге болады:
А = sim(net,P) % Моделирование сети net с входным сигналом Р и выходом А
А = [-1] [-521] [-12] [2]
Биздін жадайда жүйенің шығысы келесідей қалыптасады:
a(t) = p(t) + 2p(t-1).
Кіріс элементтердің жүйелігінің өзгеруі кезінде, шығысқа берілетін элементтердің тәртібі өзгереді.
Егер осы кірістерді желіге бір уакытта беретін болсақ, онда басқа реакцияны аламыз. Ол үшін кіріс векторын келесі түрде қалыптастырамыз:
Р = [-1 -12 12 1];
Жүйені модельдегеннен кейін:
А = sim{net,P) % Моделирование сети
А = -1 -12 12 1
Егер әрбір кірісті бөлек жүйеге беріп, шығысын есептесек, тура осындай нәтижені көрсетеді. Бастапқы кешігу элементтерінің шарты берілгендіктен, өздігінен олар нөлге тең болады. Ондай жағдайда жүйенің шығысы:

Ал егер жүйеге 2 жүйелікті (последовательность) берсе:
P1(1) = [-1], P1(2)=[-l2], P1(3) = [l2], P1(4) = [1];
P2(1) = [1], P2(2) = [12], P2(3) = [-12], P2(4) = [-1].
Бұл жағдайда кіріс Р мәндері ұяшық құрылымы (массив ячеек) түрінде болады:
Р = {[-1 1] [-12 12] [12 -12] [1 -1]};
Енді жүйені модельдеуге болады:
А = sim(net,P); % Моделирование сети net с входным сигналом P и выходом А
Нәтижесінде жүйенің шығысы:
А = {[-1 1] [-52 52] [-12 12] [2 -2]}

2 бөлім. Нейрондық жүйелер
2.1 Персептрон
Нейронның персептроны. Осы бөлімнен бастап нейронды ... жалғасы
Ұқсас жұмыстар
Радиотехникалық динамикалық хаос генераторларының энергетикалық тиімділігін анықтау
Хаосты радиотехникалық генераторлардың жасыру деңгейін анықтау
Үш қабатты нейрондық торды c++ және matlab орталарында модельдеу
Динамикалық қатарларды құру
Кейбір астрофизикалық құбылыстарды динамикалық хаос теориясы әдісімен сипаттау
Хаос генераторлары
Динамикалық ұғым принципімен программа құру технологиясы
Динамикалық күштер
Динамикалық хаостың сипаттамалары
Геллан негізінде гидрофильді композициялық материалдарды құру
Пәндер

Қазақ тілінде жазылған рефераттар, курстық жұмыстар, дипломдық жұмыстар бойынша біздің қор №1 болып табылады.

Байланыс

Qazaqstan
Phone: 777 614 50 20
WhatsApp: 777 614 50 20
Email: info@stud.kz
Көмек / Помощь
Арайлым
Біз міндетті түрде жауап береміз!
Мы обязательно ответим!
Жіберу / Отправить

Рахмет!
Хабарлама жіберілді. / Сообщение отправлено.

Email: info@stud.kz

Phone: 777 614 50 20
Жабу / Закрыть

Көмек / Помощь