Poznawanie własności sieci neuronowych w środowisku MATLAB

30 Rozdział 3. Sieci dwuwarstwowe MLP
[ W1przed , W2przed ] = init2 ( 2 , 2 , 1 )
% sprawdzenie działania sieci przed uczeniem
[ Y1 , Y2a ] = dzialaj2 ( W1przed , W2przed , P (:,1) ) ;
[ Y1 , Y2b ] = dzialaj2 ( W1przed , W2przed , P (:,2) ) ;
[ Y1 , Y2c ] = dzialaj2 ( W1przed , W2przed , P (:,3) ) ;
[ Y1 , Y2d ] = dzialaj2 ( W1przed , W2przed , P (:,4) ) ;
Yprzed = [ Y2a , Y2b , Y2c , Y2d ]
[ W1po , W2po ] = ucz2 ( W1przed , W2przed , P , T , 2000 )
% sprawdzenie działania sieci po uczeniu
[ Y1 , Y2a ] = dzialaj2 ( W1po , W2po , P (:,1) ) ;
[ Y1 , Y2b ] = dzialaj2 ( W1po , W2po , P (:,2) ) ;
[ Y1 , Y2c ] = dzialaj2 ( W1po , W2po , P (:,3) ) ;
[ Y1 , Y2d ] = dzialaj2 ( W1po , W2po , P (:,4) ) ;
Ypo = [ Y2a , Y2b , Y2c , Y2d ]
Ciąg uczący składa się teraz z czterech przykładów, zawartych w kolejnych
parach kolumn macierzy P i T. W ćwiczeniu użyjemy najmniejszej możliwej
sieci, która jest w stanie rozwiązać problem XOR. Jest to sieć o dwóch wejściach,
dwóch neuronach w warstwie ukrytej i jednym neuronie wyjściowym. W
dalszej części rozdziału przeanalizujemy możliwości pojedynczych neuronów oraz
sieci wielowarstwowych w zakresie kształtowania granic decyzyjnych, a wtedy dowiemy
się, dlaczego właśnie taka architektura jest konieczna do rozwiązania tego
problemu. Oczywiście w powyższym skrypcie wystarczy zmienić tylko jeden parametr,
aby móc przebadać zachowanie sieci o innej liczbie neuronów w pierwszej
warstwie.
Jak wspomniano wcześniej, w sieciach dwuwarstwowych nie można już przy
pomocy jednego polecenia sprawdzić działania sieci na całym zbiorze uczącym,
czy testującym. Jak widać, trzeba po kolei podawać przykłady na wejście sieci, a
otrzymane wyjścia (tylko warstwy wyjściowej) zebrać w wektor odpowiedzi i porównać
z wektorem wartości żądanych T.