MATLAB è Simulink íà ðóññêîì

https://hub.exponenta.ru/
 

Математика\Neural Network Toolbox Перейти на страницу содержания раздела

Список функций Neural NetworkToolbox: Функции тренировки

  В оглавление \ К следующему разделу \ К предыдущему разделу

TRAINC
Функция тренировки с использованием
циклических приращений

Синтаксис:

[net,tr,Ac,El] = trainc(net,Pd,Tl,Ai,Q,TS,VV,TV)
info = trainc(code)

Описание:

TRAINC не вызывается непосредственно. Для вызова функции необходимо вызвать TRAIN для сети, при определении которой свойство NET.trainFcn property установлено как 'trainc'.

TRAINC тренирует сеть с помощью правила обучения весов и смещений, при этом модификация производится после каждого предъявления входа.

TRAINC(NET,Pd,Tl,Ai,Q,TS,VV,TV)

Входные параметры:

  • NET – нейронная сеть;
  • Pd - векторы входных задержек;
  • Tl - векторы эталонов слоя;
  • Ai - начальные условия входных задержек;
  • Q - размер пакета;
  • TS - временные шаги;
  • VV - игнорируется;
  • TV - игнорируется.

Выходные параметры:

  • NET – тренированная сеть;
  • TR - запись, включающая параметры тренировки;
  • TR.epoch – количество эпох тренировки;
  • TR.perf – параметр тренировки;
  • Ac - суммарные выходы слоя;
  • El - ошибки слоя.

Тренировка реализуется в соответствии с параметрами функции обучения TRAINC. Эти параметры вместе с их значениями по умолчанию перечислены ниже:

  • net.trainParam.epochs – (100) - Максимальное количество эпох тренировки;
  • net.trainParam.show – (25) - Количество эпох между графиками;
  • net.trainParam.goal – (0) - Условие остановки по отклонению от эталона;
  • net.trainParam.time – (inf) - Максимальное время тренировки в секундах.

Размерности переменных:

  • Pd - NoxNixTS массив ячеек, каждый элемент которого P{i,j,ts} - матрица DijxQ;
  • Tl - NlxTS массив ячеек, каждый элемент которого P{i,ts} - матрица VixQ или [];
  • Ai - NlxLD массив ячеек, каждый элемент которого Ai{i,k} - матрица SixQ;

где

  • Ni = net.numInputs,
  • Nl = net.numLayers,
  • LD = net.numLayerDelays,
  • Ri = net.inputs{i}.size,
  • Si = net.layers{i}.size,
  • Vi = net.targets{i}.size,
  • Dij = Ri * length(net.inputWeights{i,j}.delays).

TRAINC не использует контрольных и тестовых векторов, так как параметры VV и ТV игнорируются.

TRAINC(CODE) возвращает полезную информацию для каждой из строк CODE:

  • 'pnames' - Имена параметров тренировки;
  • 'pdefaults' – Параметры тренировки по умолчанию.

Использование.

Стандартную сеть, которая использует TRAINC можно создать с помощью функций NEWP.

Для того, чтобы создать пользовательскую сеть, которую необходимо тренировать с помощью TRAINC, нужно:

1) Установить NET.trainFcn как 'trainc'. Тем самым значения NET.trainParam будут значениями по умолчанию для функции TRAINC.

2) Задать обучающие функции NET.inputWeights{i,j}.learnFcn.

3) Задать обучающие функции NET.layerWeights{i,j}.learnFcn.

4) Задать обучающие функции NET.biases{i}.learnFcn. (Параметры обучения весов и смещений будут автоматически выбраны как значения по умолчанию для выбранных обучающих функций.)

Для того, чтобы обучить сеть, нужно:

1) Установить необходимые значения для свойств NET.trainParam.

2) Установить необходимые значения параметров обучения весов и смещений.

3) Вызвать функцию TRAIN.

Тренировка останавливается, если выполняется одно из следующих условий:

1) Достигнуто максимальное значение количества эпох “EPOCHS".

2) Превышено значение максимального времени тренировки “TIME".

3) Эффективность функционирования достигнет значения “GOAL".

  В оглавление \ К следующему разделу \ К предыдущему разделу

 

Поиск по сайту:


Система Orphus