Порядок виконання роботи

1. Створіть узагальнено-регресійну нейронну мережу (НМ) з ім'ям а для апроксимації функції вигляду y=x² на відрізку [-1, 1], використовуючи наступні експериментальні дані:

x = [-1 -0.8 -0.5 -0.2 0 0.1 0.3 0.6 0.9 1],

y = [1 0.64 0.25 0.04 0 0.01 0.09 0.36 0.81 1].

Процедура створення і використання даної НМ описується таким чином:

% Задання вхідних значень

P = [-1 -0.8 -0.5 -0.2 0 0.1 0.3 0.6 0.9 1];

% Задання вихідних значень

T = [1 0.64 0.25 0.04 0 0.01 0.09 0.36 0.81 1];

% Створення узагальнено-регресійної НМ з відхиленням 0,01

a = newgrnn (P, T, 0.01);

% Опитування НМ

Y = sim (a, [-0.9 -0.7 -0.3 0.4 0.8])

2. Визначте точність апроксимації з отриманих даних. Спробуйте поліпшити якість апроксимації, реалізувавши мережу з радіальними базисними елементами, використовуючи функцію newrb.

3. Порівняйте роботу різних мереж для завдань апроксимації.

4. Запустіть графічний редактор NNTool та створіть для тих самих вхідних даних та цільової функції нейронну радіально-базисну мережу з нульовою помилкою (Radial basis (exact fit)) та радіально-базисну мережу з мінімальним числом нейронів (Radial basis (fewer neurons)).

5. Виконавши експорт (Export…) розроблених мереж до робочої області, перевірте правильність їх роботи, задавши в командному рядку MatLab дані для опитування.

6. Порівняйте результати роботи мереж, розроблених програмно та за допомогою графічного інтерфейсу NNTool.

7. Отримайте графіки цільових функцій та результати, що видала мережа. Зробіть порівняльний аналіз усіх отриманих графіків.

8. Побудуйте лінійну нейронну мережу, що дозволяє прогнозувати майбутнє значення сигналу (функції часу), що описується співвідношенням x(t)=cos(4πt), який піддається дискретизації з інтервалом 0,01с. Використовувати нижченаведений лістинг.

t=0:0.01:5

x=cos(t*4*pi)

plot(t,x)

q=length(x)

p=zeros(5,q)

p(1,2:q)=x(1,1:(q-1))

p(2,3:q)=x(1,1:(q-2))

p(3,4:q)=x(1,1:(q-3))

p(4,5:q)=x(1,1:(q-4))

p(5,6:q)=x(1,1:(q-5))

s=newlind(p,x)

y=sim(s,p)