Обучение персептрона с использованием нормированной функции настройки

Автор работы: Пользователь скрыл имя, 26 Октября 2014 в 17:57, курсовая работа

Краткое описание

Под информационными технологиями понимается совокупность методов, использующих информационные законы, модели и процессы для производства средств и методов работы с информацией. В последнее время в рамках научного направления искусственный интеллект появилось понятие современных информационных технологий, к которым относятся: инженерия знаний, обработка нечеткой информации, мягкие вычисления (softcomputing), нейросетевые технологии, эволюционное моделирование (генетические алгоритмы), многоагентные системы

Содержание

Введение ………………………………………………………………..………. 3
1. Аналитическая часть
1.1 Понятие интеллектуальной информационной системы …….....…. 5
1.2 Понятие нейронных сетей ………………………………….....…….. 8
1.3 Обзор информационных технологий/программных средств для реализации алгоритмов нейронных сетей …………………………………… 11
2. Практическая часть
2.1 Программная среда MATLAB …………………………….….…… 19
2.2 Детальное описание особенностей выполнения демонстрационного примера …………………………………………………….………………….. 25
2.3 Программный код ………………………………………………….. 32
Заключение …................................................................................................... 34
Список литературы …………………………………………………………. 35 

Вложенные файлы: 1 файл

КУРСОВИК ИИС.docx

— 605.51 Кб (Скачать файл)

plotpv(p,a);

circle = findobj(gca,'type','line');

set(circle,'Color','red');

.

Подключим «hold», чтобы предыдущий график не стирался. Добавим набор обучения и классифицирующую линию на график.

hold on;

plotpv(P,T);

plotpc(net.IW{1},net.b{1});

holdoff;

Наконец, Увеличиваем интересующую область.

Персептрон правильноклассифицируетнашу новуюточку (она красная) как категорию "ноль" (представленнуюввидекруга), и нет "один"(представленнуюввидеплюса). Персептрон учитсяправильнов гораздоболее короткие сроки, несмотря на выброс (сравните с "выбросом входных векторов" демо).

axis([-2 2 -2 2]);

 

2.3 Программный код

 

P = [ -0.5 -0.5 +0.3 -0.1 -40; ... %определяет последовательность входа для 5 векторов

-0.5 +0.5 -0.5 +1.0 50];

T = [1 1 0 0 1]; % определяет последовательность цели (категорию вектора)

plotpv(P,T); % графическое представление входных целевых векторов

net = newp([-40 1;-1 50],1,'hardlim','learnpn');

hold on

linehandle = plotpc(net.IW{1},net.b{1});

E = 1;

net.adaptParam.passes = 3; % разрешаетадаптациюсети

while (sse(E))

   [net,Y,E] = adapt(net,P,T);

linehandle = plotpc(net.IW{1},net.b{1},linehandle);

drawnow;

end

p = [0.7; 1.2];

a = net(p);

plotpv(p,a);

circle = findobj(gca,'type','line');

set(circle,'Color','red');

hold on;

plotpv(P,T);

plotpc(net.IW{1},net.b{1}); %изображение линии классификации в векторном пространстве перцептрона

holdoff;

axis([-2 2 -2 2]); % устанавливает масштаб по осям x, y для активного графического окна.

 

Заключение

 

В ходе работы была достигнута цель выполнения курсового проекта - расширение теоретических и закрепление практических знаний, полученных в ходе аудиторных и самостоятельных занятий по дисциплине Интеллектуальные информационные системы.

Для достижения поставленной цели были решины следующие задачи:

  • самостоятельно изучена специальная литература;
  • изучены встроенные инструментальные средства системы для математических расчетов MATLAB;
  • рассмотрены возможности и особенности базового программного обеспечения из состава ППП NeuralNetworkToolbox (NNT) ПС MATLAB 6;

 

Список литературы

 

  1. Мартынов Н. Н. Введение в MATLAB 6.х. – М. :Кудиц-образ, 2002. – 347 с.
  2. Минский, М., Пейперт, С. Персептроны. — М.: Мир, 2007. — 261 с.

 

  1. Семенов Н.А. Интеллектуальные информационные системы: Учебное пособие. 1-е изд. Тверь: ТГТУ, 2004.  100 с.

 

  1. Цисарь И. Ф. MATLABSIMULINK – лаборатория экономиста. - М. :Анкил, 2001. - 102 с.

 

  1. Медведев В. С., Потемкин В. Г. Нейронные сети. MATLAB 6. – М. : Диалог-МИФИ, 2002. – 489 с.

 

  1. Галушкин А. И. Теория нейронных сетей. – М. : Журн. “Радиотехника”, 2000. – 415 с.

 

  1. Каллан Р. Основные концепции нейронных сетей. – М. И др. : Вильямс, 2001. – 287 с.

 

  1. Круглов В. В. Искусственные нейронные сети : Теория и практика. – М. : Горячая линия-Телеком, 2002. – 381 с.

 

 

 

 

 


Информация о работе Обучение персептрона с использованием нормированной функции настройки