Таким образом, линейные динамические нейронные сети могут быть адаптированы для решения задач фильтрации временных сигналов. Для сетей такого класса часто используется название

ADALINE (ADaptive LInear NEtwork) – адаптируемые линейные сети.

Порядоквыполненияработы

1. Для заданного преподавателем варианта задания (таблица) разработать адапт руемую линейную сеть в системе MATLAB, выполнить ее настройку с точностью 0,01 по выходному сигналу.

2. Выполн ть модел рование созданной адаптируемой линейной сети с векторами входа з о учающего множества и вычислить ошибки сети.

3. Осуществ ть моделирование настроенной нейронной сети для пяти новых наборов входных векторов и проверить правильность решения

51

Практическое занятие № 10

Построение нейросетевой модели с применением пакета MATLAB

Цель работы: научиться построению, обучению и использованию искусственной нейронной сети (ИНС) для предсказания сигналов.

СибАДИОсновные сведения

Пакет MATLAB позволяет создавать модель ИНС, поскольку в его состав вход т Neural Network Toolbox. Рассмотрим пример построен я, обучен я и использования ИНС, предсказывающей стационарный с гнал. Пусть задан гармонический сигнал с круговой частотой 4 π 1/с (2 Гц) длительностью 5 с. Дискретный сигнал Т получен в результате квантования исходного сигнала по времени с частотой 40 Гц (такт д скретности 0.025 с) (рис. 1)

>> time =0:0.025:5; T=sin(time*4*pi); >> stairs(time,T);

>> axis([0 5 –1 1]), xlabel(`time, c`), ylabel(`T`)

Рис. 1. График дискретного сигнала T

Требуется предсказать значение ук на выходе сети в момент tK , используя 5 последних значений сигнала Т в качестве входа. В математическом смысле это задача экстраполяции сигнала на один шаг вперед. С позиции теории нейронных сетей это задача настройки параметров и обучения сети.

52

СибАДИРис. 2. Архитектура полученной нейронной сети

Сформируем обучающее множество следующим образом. Входная последовательность Р1 определена на интервале от 0 до 1 с имеет длину Ql, a каждый вектор входа состоит из пяти компонентов, соответствующих запаздывающим значениям сигнала Т; целевой вектор Т1 сформирован из значений сигнала Т, начиная с шестого; контрольное подмножество Т2 формируется из значений сигнала Т на интервале от 3 до 5 с

>>Q= length(T); h= 0.025; Q1= 1/h;

>>P1= zeros(5,Q1);

>>P1(1,1:Q1)=T(1,1:Q1);

>>P1(2,2:Q1)=T(1,1:(Q1-1));

53

>>P1(3,3:Q1)=T(1,1:(Q1-2));

>>P1(4,4:Q1)=T(1,1:(Q1-3));

>>P1(5,5:Q1)=T(1,1:(Q1-4));

>>T1=T(1,6:(Q1+5)); T2=T(1,3/h:Q);

еть для решения этой задачи должна состоять из одного нейрона с пятью входами:

сети с факт ческ м значением сигнала Т

>> figure(1),clf, Q1=40; >> a= sim(net,P1(:,1:Q1)); >> t1=6:Q1+5;

>> plot(time(t1),a,'*r', time(1:Q1+5),T(1,1:Q1+5)) >> xlabel('Time, c');

>> grid on

Рис. 3. Проверка работы сети с обучающим подмножеством

Проверим теперь работу сети, используя контрольное множество Т2. Определим длину входной последовательности N1, равную 20, и построим реакцию сети:

>>N1=20;

>>Tt=T2(1,1:N1);

>>P2(1,: )=Tt(1,:);

>>P2(2,2:end)=Tt(1,1:end-1);

54

>> P2(3,3:end)=Tt(1,1:end-2); >> P2(4,4:end)=Tt(1,1:end-3); >> P2(5,5:end)=Tt(1,1:end-4); >> a=sim(net,P2);

>> figure(2),clf

>> h1=plot(time(1:size(P2,2)-5), a(1:end-5),`*`);hold on >> h2=plot(time(1:size(P2,2)-5), Tt(6:end),`r`); grid on

Рис. 4. Проверка ра оты сети с контрольным подмножеством

Как видно из приведенных на рис. 4 графиков, сформированная сеть достаточно точно отслеживает входной сигнал. Таким образом, полученная нейронная сеть свои функции выполняет.

Порядок выполнения работы

1. Для заданного преподавателем варианта создать модель НС, предсказывающей стационарный сигнал вида T=sin(2πNt)+2sin(πNt),

55

Библиографический список

1. Медведев, В.С. Нейронные сети / В.С. Медведев, В.Г. Потемкин. – М. : Диалог МИФИ, 2002.

3. Комашинский, В.И. Нейронные сети и их применение в системах СибАДИуправления связи / В. . Комашинский, Д.А. Смирнов. – М. : Горячая линия –

Телеком, 2002.

56