Notebook "нейронные сети" Глава 2
| Вид материала | Документы |
- Программа дисциплины «Теория нечетких множеств и нейронные сети» Для специальности, 567.45kb.
- Самостоятельная работа по прогнозированию экономических процессов на тему: нейронные, 148.65kb.
- Лекция 2 Лекция «Нейронные сети» Начнем с определения: Искусственные нейронные сети, 131.57kb.
- "Нейроновые сети ", 374.46kb.
- Нейронные сети как механизм представления лексико-семантической информации, 376.06kb.
- Программа, 39.37kb.
- Нейронные сети: алгоритм обратного распространения, 336.15kb.
- Предупреждение. Спасение. Помощь, 3059.76kb.
- Нейрокомпьютерная обработка сигналов и изображений, 184.71kb.
- Нейронные сети: основы теории / А. И. Галушкин. М. Горячая линия Телеком, 2010., 585.42kb.
Функции активации
Персептрон
С282. HARDLIM
Информация о функции активации hardlim:
name = hardlim('name')
dname = hardlim('deriv')
inrange = hardlim('active')
outrange = hardlim('output')
name =
Hard Limit
dname =
dhardlim
inrange =
0 0
outrange =
0 1
Зададим следующий вектор входа функции активации с жесткими ограничениями для слоя из 3 нейронов и рассчитаем векторы выхода A и производной dA_dN:
N = [0.1; 0.8; -0.7]; A = hardlim(N), dA_dN = dhardlim(N,A)
A =
1
1
0
dA_dN =
0
0
0
С283. HARDLIMS
Информация о функции активации hardlims:
name = hardlims('name')
dname = hardlims('deriv')
inrange = hardlims('active')
outrange = hardlims('output')
name =
Symmetric Hard Limit
dname =
dhardlms
inrange =
0 0
outrange =
-1 1
Зададим следующий вектор входа симметричной функции активации с жесткими ограничениями для слоя из 3 нейронов и рассчитаем векторы выхода A и производной dA_dN:
N = [0.1; 0.8; -0.7]; A = hardlims(N), dA_dN = dhardlms(N,A)
A =
1
1
-1
dA_dN =
0
0
0
Линейные сети
С284. PURELIN
Информация о функции активации purelin:
name = purelin('name')
dname = purelin('deriv')
inrange = purelin('active')
outrange = purelin('output')
name =
Linear
dname =
dpurelin
inrange =
-Inf Inf
outrange =
-Inf Inf
Зададим следующий вектор входа линейной функции активации для слоя из 3 нейронов и рассчитаем векторы выхода A и производной dA_dN:
N = [0.1; 0.8; -0.7]; A = purelin(N), A_dN = dpurelin(N,A)
A =
0.1000
0.8000
-0.7000
A_dN =
1
1
1
С285. POSLIN
Информация о функции активации poslin:
name = poslin('name')
dname = poslin('deriv')
inrange = poslin('active')
outrange = poslin('output')
name =
Positive Linear
dname =
dposlin
inrange =
0 Inf
outrange =
0 Inf
Зададим следующий вектор входа положительной линейной функции активации для слоя из 3 нейронов и рассчитаем векторы выхода A и производной dA_dN:
N = [0.1; 0.8; -0.7]; A = poslin(N), dA_dN = dposlin(N,A)
A =
0.1000
0.8000
0
dA_dN =
1
1
0
С286. SATLIN
Информация о функции активации satlin:
name = satlin('name')
dname = satlin('deriv')
inrange = satlin('active')
outrange = satlin('output')
name =
Saturating Linear
dname =
dsatlin
inrange =
0 1
outrange =
0 1
Зададим следующий вектор входа линейной функции активации с ограничениями для слоя из 3 нейронов и рассчитаем векторы выхода A и производной dA_dN:
N = [0.1; 0.8; -0.7]; A = satlin(N), dA_dN = dsatlin(N,A)
A =
0.1000
0.8000
0
dA_dN =
1
1
0
С288. SATLINS
Информация о функции активации satlins:
name = satlins('name')
dname = satlins('deriv')
inrange = satlins('active')
outrange = satlins('output')
name =
Symmetric Saturating Linear
dname =
dsatlins
inrange =
-1 1
outrange =
-1 1
Зададим следующий вектор входа симметричной линейной функции активации с ограничениями для слоя из 3 нейронов и рассчитаем векторы выхода A и производной dA_dN:
N = [0.1; 0.8; -0.7]; A = satlins(N), dA_dN = dsatlins(N,A)
A =
0.1000
0.8000
-0.7000
dA_dN =
1
1
1
Радиальные базисные сети