Главная > Нейронные сети для обработки информации
НАПИШУ ВСЁ ЧТО ЗАДАЛИ
СЕКРЕТНЫЙ БОТ В ТЕЛЕГЕ
<< Предыдущий параграф Следующий параграф >>
Пред.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
След.
Макеты страниц

Распознанный текст, спецсимволы и формулы могут содержать ошибки, поэтому с корректным вариантом рекомендуем ознакомиться на отсканированных изображениях учебника выше

Также, советуем воспользоваться поиском по сайту, мы уверены, что вы сможете найти больше информации по нужной Вам тематике

ДЛЯ СТУДЕНТОВ И ШКОЛЬНИКОВ ЕСТЬ
ZADANIA.TO

8.4.2. Результаты вычислительных экспериментов

Как мы уже отмечали, сеть RTRN - это частный случай сети Эльмана, в которой веса выходного слоя имеют бинарные значения, т.е. для или 0 для Для изучения возможностей ее практического применения исследовалось функционирование этой сети в качестве системы линейной идентификации динамического объекта, описываемого матричным уравнением состояния [156]:

где

Вектор х называется вектором состояния, у - выходным вектором, а и - вектором возбуждения. Квадратная матрица состояния А имеет размерность матрица

В - размерность а матрица С - размерность . В этом приложении сеть абсолютно линейна (в том числе и скрытые нейроны). При сопоставлении структуры сети (рис. 8.15) со схемой распространения сигналов, соответствующей зависимости (8.44), видно, что матрицу А образуют веса для матрицу В - веса для а матрицу С — единичные или нулевые веса выходного слоя (сеть RTRN состоит из одного слоя, поэтому ее выход могут определять только переменные состояния, а в матрице С ненулевыми, т.е. единичными, могут быть лишь диагональные элементы).

Результаты вычислительных экспериментов можно представить на примере линейной динамической системы третьего порядка с одним входом и двумя выходами, описываемой матрицами А., В и С вида

Для определенных таким образом матриц состояния генерировались обучающие данные в форме последовательности пар “вход - выход” (рис. 8.16), где входной сигнал был случайным, а заданный вектор составлялся из обоих компонентов выходного сигнала и рассчитывался по формуле Вы. Таким образом, реализованная нейронная сеть RTRN имела структуру 4-3-2 (4 входных узла: один для внешнего сигнала и три


Рис. 8.16. (см. скан) Графики обучающих данных (заданные значения) для сети RTRN для примера идентификации матрицы переменных состояния: а) сигналы первого контура; 6) сигналы второго контура

шггекстных узла, 3 скрытых нейрона и 2 выходных нейрона с априори пвестными весами Сеть RTRN обучалась на множестве из 500 пар ашных. Распределение входных данных, использованных для обучения сети, представлено на рис. 8.16. Верхний график представляет заданные значения первого контура, а ннжний график - данные второго контура.

Рис. 8.17. (см. скан) Графики изменения значений отдельных элементов матриц А и В в процессе обучения сети RTRN

На рис. 8.17 показан процесс адаптации трех весов сети, составляющих матрицу В (рис. 8.17а) и девяти весов, составляющих матрицу А (рис. 8.17 б, в, г). Для матрицы А каждый график относится к трем весам соответствующей строки матрицы. Достигнутое состояние с фиксированными значениями весов свидетельствует об успешной адаптации сети в качестве модели динамической системы с заданной временной характеристикой, определенной обучающими данными. Идентифицированные значения матриц А и В имеют вид:

Они отличаются от оригинала, несмотря на то, что характеризуютс такими же временными реакциями (одинаковые временные характеристики может иметь множество систем различной структуры - система идентификации имеет много решений). После обучения сеть подверглась тестированию на данных, основанных на синусоидальном возбуждающем сигнале. Проводимый тест должен был проверить, насколько хорошо сеть отражает свойства динамического объекта, в качестве модели которого она используется. Несмотря на то, что полученные матрицы А и В отличались от значений, при которых генерировались обучающие данные, идентифицированная система демонстрировала такие же свойства, что и оригинальный объект. Временные реакции


Рис. 8.18. (см. скан) Реакция натренированной сети RTRN на синусоидальное возбуждение а) график значений, фактически полученных на двух выводах модели; б) графнж соответствующих погрешностей вычислений

на пороговое, так и на синусоидальное возбуждение с высокой точностью совпадали с ожидаемыми значениями. На рис. 8.18 в качестве примера представлена реакция системы на синусоидальное возбуждение. График на рис. 8.18 а относится к реакции в обоих входных контурах, а график на рис. 8.186 - к разностям по отношению к ожидаемым значениям. Минимальное отклонение реакции модели от реакции объекта не превысило значения 0,005 в обоих контурах, что с учетом амплитуды выходного сигнала, равной 1, может считаться очень хорошим достижением.

1
Оглавление
email@scask.ru