Процедура настройки посредством прямого расчета.

Пример 1.В отличие от многих других сетей настройка линейной сети для заданного обучающего множества может быть выполнена посредством прямого расчета с использованием newlind, т.е. можно построить поверзность ошибки и найти на этой поверхности точку минимума, которая будет соответствовать оптимальным весам и смещениям для данной сети. Рассмотрим это на следующем примере:

Заданы следующие векторы, принадлежащие обучающему множеству

На рисунке 6.1 показана структурная схема этого линейного нейрона.

Уравнение выхода нейрона: (8.4)

На рисунке 8.2 представлена графическая интерпретация настройки веса и смещения данного нейрона при двух обучающих множеств, которая сводится к построению прямой.

Промоделируем линейную сеть:

Выход сети соответствует целевому вектору, т.е оптимальными весом и смещением нейрона будут

Задание диапазона весов и смещений:

Рисунок 8.1	Рисунок 8.2

Построение графиков для получения значений веса и смещения, поверхности функции ошибки.

Пример 2.Критерий качества обучения:

На рисунке 8.3 линии уровня поверхности функции критерия качества обучения в пространстве параметров сети:

Рисунок 8.3

где «х» на графике отмечены оптимальные значения веса и смещения для данной сети.

Порядок выполнения работы

1. Построить линейную сеть с помощью функции newlind. Промоделировать ее работу и определить значения веса и смещения, варианты задания представлены в таблице 8.1.

Таблица 8.1

Номер варианта	Количество входов – 1; количество нейронов – 1.
Диапазон значений входа	Значения входа персептрона	Целевой выход
Задание №1	Задание №2	Задание №1	Задание №2
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.

2. Построить графики для получения значений веса и смещения, аналогично изображенному рисунку 5.2 и график линий уровня поверхности функции ошибки в программе .

3. Рассчитать значения функции ошибки не менее чем для пяти точек из заданного диапазона сравнить результаты ручных расчетов и расчета, выполненных в программе .

4. Распечатать листинг программы.

5. Составить отчет: цель практического занятия, структурную схему нейронной сети, алгоритм, текст программы и график, выводы.

Практическое занятие №9. Обучение линейной сети.

Цель работы: изучение алгоритма настройки параметров линейных нейронных сетей с помощью процедуры обучения в системе /

-Обучающее правило наименьших квадратов

- Процедура обучения.

- Построений линий уровня и траектории обучения.

Теоретическая часть

Для линейной нейронной сети используется рекуррентное обучающее правило наименьших квадратов, которое является наиболее мощным, чем обучающее правило персептрона. Правило наименьших квадратов, или правило WH (Уидроу-Хоффа), минимизирует среднее значение суммы квадратов ошибок обучения.