Poznawanie własności sieci neuronowych w środowisku MATLAB

28 Rozdział 3. Sieci dwuwarstwowe MLP
x
x 1
x 2
x S
0
1
1
w k ,1
1
1
w k ,0
w k ,2
1
w k , S
x
0
1
y
y
y
x
x
1 2
1 1
1 2
k k
x
1 2
K1 S2
2
w k ,1
2
w k ,0
2
w k , k
2
w k , S 2
Rysunek 3.3. Obie warstwy sieci dwuwarstwowej
2
y 1
2
y k
2
y K 2
tworzone są macierze losowych wag o odpowiednich wymiarach.
function [ W1 , W2 ] = init2 ( S , K1 , K2 )
% funkcja tworzy sieć dwuwarstwową
% i wypełnia jej macierze wag wartościami losowymi
% z zakresu od -0.1 do 0.1
% parametry: S - liczba wejść do sieci (wejść warstwy 1)
% K1 - liczba neuronów w warstwie 1
% K2 - liczba neuronów w warstwie 2 (wyjść sieci)
% wynik: W1 - macierz wag warstwy 1 sieci
% W2 - macierz wag warstwy 2 sieci
W1 = ...
W2 = ...
3.2. Symulacja działania sieci
Zadanie 5. Napisz funkcję, która obliczy wyjście Y dwuwarstwowej sieci o macierzach
wag W 1 i W 2 jako odpowiedź na wektor sygnałów wejściowych X podany
na jej wejście. Neurony obu warstw sieci mają sigmoidalną unipolarną funkcję aktywacji
o współczynniku nachylenia równym 5. Nagłówek funkcji dany jest jako:
function [ Y1 , Y2 ] = dzialaj2 ( W1 , W2 , X )
Jak widać, wynikiem funkcji są wektory wyjściowe obu warstw sieci. W zasadzie
funkcja powinna podawać jedynie wyjścia drugiej warstwy, jako odpowiedź
całej sieci. Jednak, jak zobaczymy później, wektor wyjść warstwy pierwszej, będzie
nam potrzebny podczas uczenia sieci.
Obliczanie wyjścia sieci dwuwarstwowej przedstawione jest schematycznie na
rys. 3.4. Dla ułatwienia przy macierzach podano ich rozmiary. Po zaimplemento-