六章Matlab与NNT使用範例.pptVIP

第六章Matlab與NNT使用範例  6.1 平行輸入及循序輸入之模擬 6.2 步進學習(Incremental learning)及 批次學習(Batch learning) 6.3 FIR濾波器及newlin的關係 6.4 頻率變動偵測(Frequency variation detection) 6.1 平行輸入及循序輸入之模擬 平行輸入(Concurrent inputs)是指有許多組的輸入送至類神經網路，它的順序不重要。可以看成有這麼多組相同的類神經網路，而每一組輸入加在每一組類神經網路上。循序輸入(Sequential inputs)則與時間有關，第三組一定發生在第二組之後，它們的順序不可任意對調，因此像是在火車站買票的人們，先來先買；插隊或自行對調，可能造成其後面或其中有些人因而買不到票(原來可以的)。不按原輸入順序送入則輸出的結果因之而變。另外兩個要說明的名詞一為動態網路(Dynamic networks)、一為靜態網路(Static networks)。所謂動態網路是指網路中包含有回授或有遲元件者，相反地兩者皆無的網路稱為靜態網路。平行輸入只能用在靜態網路，因為輸入的順序並不重要，但對動態網路，輸入前後關係影響很大，輸出完全大不相同。因此平行輸入加在動態網路上，要特別注意，並且用Cell array表示才正確。 6.1 平行輸入及循序輸入之模擬 平行輸入的範例如下： P=randn(2,4) %產生四組平行輸入(用一般矩陣表示，如[2 4 3.5])。 P = -0.4326 0.1253 -1.1465 1.1892 -1.6656 0.2877 1.1909 -0.0376 net=newlin(minmax(P),1); %產生2-1的ADALINE net.IW{1,1}=[1 2]; net.b{1}=0.5; %設定某組W及b A=sim(net,P) %模擬NN得輸出 A = -3.2637 1.2007 1.7354 1.6139 Q=[P(:,3) P(:,1:2) P(:,4)] %把第三組往前調 Q = -1.1465 -0.4326 0.1253 1.1892 1.1909 -1.6656 0.2877 -0.0376 A=sim(net,Q) %輸出結果相對應往前調 A = 1.7354 -3.2637 1.2007 1.6139 6.1 平行輸入及循序輸入之模擬 其次看看如何模擬循序輸入(用Cell表示，如{2,4,-3.5})： 如果NN中含有延遲輸入則輸入的秩序變成後重要如： P={1 2 3 4 5} %定義P為cell array P = [1] [2] [3] [4] [5] net=newlin([1 5],1,[0 1]); % [1 5]為P中的最小值的最大值，newlin要知道輸入最小、最大值。再下來的1表示輸出層的神經元數目為1。[0 1]表示有遲輸入，如果沒有任何延遲則應寫為[0]，也可以省畧；如果有一個延遲則應寫成[0 1]，若原信號為u[k]，那[0 1]表示除了u[k]外也有u[k-1]一起做輸入，如圖6.1-1所示。如果有兩個輸入延遲一併使用則寫為[0 1 2]，可視為輸入有0延遲即u[k]、1遲u[k-1]、2延遲u[k-2]共三輸入，其架構如圖6.1-2。如果輸入信號的維度為2，其架構会是圖6.1-3型式，此時之W應為1×4的Array(Why?)。 6.1 平行輸入及循序輸入之模擬 6.1 平行輸入及循序輸入之模擬 6.1 平行輸入及循序輸入之模擬 6.1 平行輸入及循序輸入之模擬 % 把所有偏壓b的連線打開如下 net.biasConnect=0; net.IW{1,1}=[1 2]; %設定W A=sim(net,P) %NN結果也用cell array表示 A = [1] [4] [7] [10] [13] Q={1 3 2 4 5} %把2,3的次序對調 Q = [1] [3] [2] [4] [5] A=sim(net,Q) %哇！與上面的結果不一樣 A = [1] [5] [8] [8] [13] P=[1:5] %如