Информационные системы в науке и производстве

58 % Устанавливаем размерность входа и выхода net = configure(net, inputs, outputs); % Смотрим окончательный вариант сети view(net); % Получаем изначальный выход сети без обучения initial_output = net(inputs); % Устанавливаем метод обучения net.trainFcn = 'trainlm'; % Устанавливаем функцию ошибки net.performFcn = 'mse'; % Обучаем сеть на одном примере net = train(net, inputs, outputs); % Опять подаём вход, но уже на обученную сеть, % сеть должна промоделировать выход [1 2] final_output = net(inputs); Входной вектор будет равен массиву из шести элементов от 1 до 6, т.к. диапазон записывается через «:». Функция network() за-даёт общую структуру сети. В лабораторных работах 2 и 3 можно было наблюдать её в окне мастера nntool или nnstart в виде графо-вой структуры. Рассмотрим более подробно, что означает каждый параметр. Первый параметр означает количество входов (не в смысле размерность входного вектора, а в смысле, – сколько векторов бу-дет подано на вход сети. Допустим, в сверточных сетях обычное дело, что на вход подаётся не один, а два или три массива, каждый из которых как-то связан с дальнейшим слоем). У нас этот пара-метр равен 1. Второй параметр означает количество слоёв в сети. В данном случае имеем двухслойную сеть. Третий параметр – бу-лев вектор, который означает какие нейроны будут иметь смеще-ние, а какие – нет. Т.к. вектор [1; 0], то очевидно, что все нейроны первого слоя будут иметь смещение, а нейроны второго слоя – нет. Четвёртый параметр – это также булев вектор, который означает, – с какими слоями связан вход. В данном случае используется клас-сическая схема, где вход связна только с последующим слоем, а следовательно, вектор [1; 0]. Пятый параметр – это матрица связей между слоями, которая означает, какой слой с каким связан. Она записывается в виде вектора. Имеем [0 0; 1 0], если записать в виде