L. A. Kadirova, A. A. No’monjonov bioinformatika o‘zbekiston Respublikasi vazirligi tomonidan ta’lim yo‘nalishi bo‘yicha darslik sifatida tavsiya etilgan

Ish tartibi
1. Buyruqlar rejimida neyron tarmoq bilan ishlash
Neyron Networks Toolbox paketi funksiyalaridan foydalangan holda tanlangan funksiyani taxminiy baholash uchun neyron tarmoqni o'rganishni amalga oshiramiz . Paket 160 dan ortiq turli funktsiyalarni o'z ichiga oladi, ular neyron tarmoqlarni yaratish, o'qitish va o'rganish imkonini beradi.
Ishni bajarish uchun MATLAB dasturini ishga tushirish va buyruqlar oynasiga o'tish kerak.
Quyidagi eksperimental ma'lumotlardan foydalangan holda [-1, 1] segmentida y \u003d x ² ko'rinishining kirish va chiqishi o'rtasidagi funktsional bog'liqlikni anglab, a nomi bilan umumlashtirilgan regressiya NN (GRNN tipidagi tarmoq) yarataylik : x \u003d [-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].
Yuqoridagi qaramlikni tiklash sifatini y1 = [0,81 0,49 0,09 0,16 0,64] qiymatlariga mos keladigan x1 = [-0,9 -0,7 -0,3 0,4 0,8] nazorat namunasi ma'lumotlari yordamida tekshirishimiz mumkin. Ushbu NAni yaratish va ishlatish tartibi quyidagicha tavsiflanadi:
» x = [-1 -0,8 -0,5 -0,2 0 0,1 0,3 0,6 0,9 1];
>> % Kirish qiymatlarini oʻrnating
>> y = [1 0,64 0,25 0,04 0 0,01 0,09 0,36 0,81 1];
>> % Maqsadli qiymatlarni belgilang
>> a=newgrnn(x, y, 0,01); % 0.01 ogʻish bilan NN yaratish >> Y1 = sim(a,[-0.9 -0.7 -0.3 0.4 0.8]) % Soʻrov NN
Y1 = 0,8200 0,6400 0,0400 0,0900 0,8100
Ko'rinib turibdiki, bu holda yaqinlashuvning aniqligi unchalik yuqori emas edi - maksimal nisbiy yaqinlashish xatosi 30,61% ni tashkil qiladi.
Siz og'ish qiymatini tanlash orqali yaqinlashish sifatini yaxshilashga harakat qilishingiz mumkin, ammo misol sharoitida, newrbe tipidagi radial asosli elementlarga ega tarmoqdan foydalanganda maqbul natijaga osongina erishiladi:
>> a=newrbe(x,y);
>>Yl = sim(a,[-0.9 -0.7 -0.3 0.4 0.8]) % NN soʻrovi
Y1 = 0,8100 0,4900 0,0900 0,1600 0,6400
Ko'rinib turibdiki, newrb tipidagi tarmoqdan foydalanish bu erda nafaqat o'quv majmuasi tomonidan berilgan qiymatlarni interpolyatsiya qilishga, balki hech bo'lmaganda nazorat nuqtalari uchun berilgan bog'liqlikni aniq tiklashga olib keladi. ishlatiladigan ketma-ketlik.
Yaratilgan tarmoqni saqlash ('a') buyruq satrini kiritish orqali keyinroq foydalanish uchun saqlash mumkin; bu a.mat faylini, ya'ni HC nomi va mat kengaytmali faylni yaratadi . Keyingi seanslarda ushbu tarmoq load(a') funksiyasi yordamida yuklanishi mumkin. Tabiiyki, saqlash va yuklash bayonotlarini yozishning boshqa barcha shakllariga ruxsat beriladi.
Keling, chiziqli NN yordamida mavjud eksperimental ma'lumotlardan ba'zi, umuman olganda, noma'lum bog'liqlikni tiklash masalasini ko'rib chiqaylik.
Tajriba ma'lumotlari qiymatlar bilan berilsin
x = [1,0 1,5 3,0 -1,2], y = [0,5 1,1 3,0 -1,0].
Keling, kirish va maqsadli vektorlarni yarataylik:
>> x = [1,0 1,5 3,0 -1,2];
>> y = [0,5 1,1 3,0 -1,0];
Endi chiziqli neyron tarmoq yaratamiz:
>>b=newlind(x,y); % b nomli chiziqli NN yarating
Tarmoqqa kirish qiymati 3,0 (eksperimental ma'lumotlarga ko'ra, bu 3,0 maqsadli qiymatiga to'g'ri keladi) uchun so'rov o'tkazamiz: >> y1 = sim(b, 3,0) % Tarmoq so'rovi y1 = 2,7003
Bu holatda ta'lim namunasiga ko'ra tiklash xatosi 10% ni tashkil qiladi. E'tibor bering, birinchi va ikkinchi misollar sharoitida, yaqinlashish xatosining chegaraviy qiymatini, ayniqsa o'quv ketma-ketligining kirish diapazonidan tashqarida bo'lgan kirish qiymatlari uchun hech qanday baho berish mumkin emas. Afsuski, bu neyron tarmoq modellarining o'ziga xos xususiyati. Neyron tarmoqlari apparati yordamida hal qilingan muammolarning aksariyati uchun - nafaqat tasniflash yoki prognozlash muammolari uchun - olingan echimlarning to'g'riligiga hech qanday ehtimollik bahosini olish mumkin emas.