このページの内容は最新ではありません。最新版の英語を参照するには、ここをクリックします。
線形ニューロンの学習
ターゲット出力を使用して特定の入力に応答するように線形ニューロンの学習を行います。
X は、2 つの 1 要素入力パターン (列ベクトル) を定義します。T は、関連する 1 要素ターゲット (列ベクトル) を定義します。y バイアスをもつ単一入力の線形ニューロンを使用してこの問題を解くことができます。
X = [1.0 -1.2]; T = [0.5 1.0];
ERRSURF は、可能な重みとバイアスの値の y 範囲を使用して y ニューロンの誤差を計算します。PLOTES は、この誤差曲面と、その下の y 等高線図を併せてプロットします。最適な重みとバイアスの値は、誤差曲面の最低点が得られる値です。
w_range = -1:0.2:1; b_range = -1:0.2:1;
ES = errsurf(X,T,w_range,b_range,'purelin');
plotes(w_range,b_range,ES);
MAXLINLR は、y 線形ネットワークの学習のための最速かつ安定した学習率を求めます。この例では、学習率はこの最大値の 40% のみになります。NEWLIN は y 線形ニューロンを作成します。NEWLIN は、次の引数を取ります。1) R 個の入力要素の最小値と最大値の R 行 2 列の行列、2) 出力ベクトルの要素数、3) 入力遅延ベクトル、4) 学習率。
maxlr = 0.40*maxlinlr(X,'bias');
net = newlin([-2 2],1,[0],maxlr);
性能目標を設定して既定の学習パラメーターをオーバーライドします。
net.trainParam.goal = .001;
学習のパスを示すために、y 時間で 1 エポックのみ学習させ、エポックごとに PLOTEP を呼び出します。プロットは学習の y 履歴を示します。各点はエポックを表し、青い線は学習規則 (既定では Widrow・Hoff) によって行われる各変更を示します。
% [net,tr] = train(net,X,T); net.trainParam.epochs = 1; net.trainParam.show = NaN; h=plotep(net.IW{1},net.b{1},mse(T-net(X))); [net,tr] = train(net,X,T); r = tr; epoch = 1; while true epoch = epoch+1; [net,tr] = train(net,X,T); if length(tr.epoch) > 1 h = plotep(net.IW{1,1},net.b{1},tr.perf(2),h); r.epoch=[r.epoch epoch]; r.perf=[r.perf tr.perf(2)]; r.vperf=[r.vperf NaN]; r.tperf=[r.tperf NaN]; else break end end
tr=r;
学習関数は、学習済みネットワークおよび学習性能 (tr) の y 履歴を出力します。ここでは誤差が学習エポックに対してプロットされています。誤差は、誤差の目標 (黒い線) を下回るまで減少しました。その時点で学習は停止しました。
plotperform(tr);
次に、SIM を使用して、元の入力の 1 つである -1.2 でアソシエーターをテストし、ターゲットである 1.0 を返すかどうかを確認します。結果はターゲットの 1 に非常に近くなっています。これは、性能目標を下げることでさらに近づけることが可能です。
x = -1.2; y = net(x)
y = 0.9817