Моделювання нейронного фільтра в MatLab

МІНІСТЕРСТВО ОСВІТИ І  НАУКИ УКРАЇНИ

Кафедра  Інформаційних  Технологій

 

 

 

 

КУРСОВАРОБОТА

(пояснювальна записка)

з дисципліни

«Нечітка математика та нейронні мережі»

 

Тема: Моделювання нейронного фільтра в MatLab.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Київ 2012

Кафедра інформаційних технологій   Завдання на виконання  курсової роботи       Тема курсової роботи: Моделювання нейронного фільтра в MatLab. Програмна реалізація у середі MatLab.   Вимоги до курсового  проекту: схема алгоритму згідно з ДСТУ, лістинг програми; використання підпрограм; виведення результату на екран;                     Завдання видала: _______________    Завдання прийняв  до виконання _______________
Змн.	Арк.	№ докум.	Підпис	Дата
Розробив						Літ.				Листів
Перевірила
Реценз.
Н. Контр.
Затверд.

 

 

РЕФЕРАТ

 

Вданій курсовій роботірозглянута задача проектування системи керування роботою ліфта. Ця задача була спроектованазвикористанням засобів RationalRose. Пояснювальна записка містить 17 листів, 4рисункита3використаних джерела.

ІНФОРМАЦІЙНА  СИСТЕМА, МОДЕЛЬ, ДІАГРАМА ПОСЛІДОВНОСТІ, БАЗА ДАНИХ, ДІАГРАМА АКТИВНОСТІ, ДІАГРАМА КЛАСІВ, ДІАГРАМА ВАРІАНТІВ ВИКОРИСТАННЯ, КЛАС, АТРИБУТ, ТИП ДАНИХ.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

ЗМІСТ

 

ВСТУП……………………………………………………………………… 4

1. АНАЛІЗ ПРЕДМЕТНОЇ ОБЛАСТІ…………………………………… 6

1.1. Опис основних елементів моделі………………………………. 6

1.2. Опис варіантів функціонування системи……………………….. 7

2. ПОБУДОВА ДІАГРАМ ПРОЕКТОВАНОЇ МОДЕЛІ…………….…… 8

2.1.Створення діаграми варіантів використання……………………… 8

2.2. Створення  діаграми послідовності……………………………… 9

2.3. Створення  діаграми класів………………………………………… 11

2.4. Створення  діаграми активності………………………………. 14

ВИСНОВКИ ТА РЕКОМЕНДАЦІЇ…………………………………... 16

СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ…………………………... 17

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

ВСТУП

 

Идея  нейронных сетей родилась в рамках теории искусственного интеллекта, в  результате попыток имитировать  способность биологических нервных  систем обучаться и исправлять ошибки, моделируя низкоуровневую структуру  мозга. Структурной единицей, из которойсостоит любая нейронная сеть, является нейрон.

Искусственная нейронная сеть — это некоторая математическая абстракция, способная обучаться на примерах и решать неформализованные задачи.

ИНС представляет собой совокупность искусственных нейронов, организованных слоями. При этом выходы нейронов одного слоя соединяются с входами нейронов другого слоя.

Искусственный нейрон имитирует свойства биологического нейрона. Биологический нейрон состоит из тела диаметром от 3 до 100 мкм, содержащего ядро (с большим количеством ядерных пор) и другие органеллы (в том числе сильно развитый шероховатый ЭПР с активными рибосомами, аппарат Гольджи), и отростков. Выделяют два вида отростков:

• Аксон— обычно длинный отросток, приспособленный для проведения возбуждения от тела нейрона.
• Дендриты— как правило, короткие и сильно разветвлённые отростки, служащие главным местом образования влияющих на нейрон возбуждающих и тормозных синапсов (разные нейроны имеют различное соотношение длины аксона и дендритов).

Нейрон  может иметь несколько дендритов  и обычно только один аксон. Один нейрон может иметь связи с 20-ю тысячами других нейронов. Кора головного мозга человека содержит 10—20 миллиардов нейронов.

Математическая модель искусственного нейрона была предложена У. Маккалоком и У. Питтсом вместе с моделью сети, состоящей из этих нейронов. Авторы показали, что сеть на таких элементах может выполнять числовые и логические операции. Практически сеть была реализована Фрэнком Розенблаттом в 1958 году как компьютерная программа, а впоследствии как электронное устройство — персептрон. Первоначально нейрон мог оперировать только с сигналами логического нуля и логической единицы, поскольку был построен на основе биологического прототипа, который может пребывать только в двух состояниях — возбужденном или невозбужденном. Развитие нейронных сетей показало, что для расширения области их применения необходимо, чтобы нейрон мог работать не только с бинарными, но и с непрерывными (аналоговыми) сигналами. Такое обобщение модели нейрона было сделано Уидроу и Хоффом, которые предложили в качестве функции срабатывания нейрона использовать логистическую кривую.

 

Целью выполнения курсового проекта является расширение теоретических и закрепление практических знаний, полученных в ходе аудиторных и самостоятельных занятий.

Для достижения поставленной цели необходимо решить следующие задачи:

• самостоятельное изучение специальной литературы
• изучение встроенных инструментальных средств системы для математических расчетов MATLAB
• рассмотрение возможностей и особенностей базового программного обеспечения из состава NeuralNetworkToolbox (NNT) ПС MATLAB 6
• практическое применение ППП NeuralNetworkToolbox (NNT) ПС MATLAB 6 при проектировании вероятностной нейронной сети

 

 

 

 

1. АНАЛІЗ ПРЕДМЕТНОЇ ОБЛАСТІ

 

1. Описосновних понять

 

Нейрон состоит  из нескольких частей:

 

S – сома (тело нейрона);

x1, x2, x3,…,xn–дендриты (вход);

y – аксон (выход);

На вход искусственного нейрона поступает  некоторое множество сигналов, каждый из которых является выходом другого  нейрона.

Точка соединения  аксона первого нейрона с дендритом  другого нейрона называется синапс. Каждый дендрит имеет некоторый вес (W1, W2…), который называется синаптическим весом.

Текущее состояние нейрона  определяется как взвешенная сумма  его входов:

 

 

Эта сумма  получила название  потенциал нейрона. Потенциал нейрона сравнивается с некоторой заданной пороговой величиной W0.

ЕслиS ≤W₀, то нейрон не срабатывает.В противном случае вычисляется функция активации:

y = f(S).

Функция активации f может быть различных видов.

 

Линейная функция

Сигнал  на выходе нейрона линейно связан со взвешенной суммой сигналов на его входе.

f(x) = tx,

где t - параметр функции.

В искусственных нейронных сетях со слоистой структурой нейроны с передаточными функциями такого типа, как правило, составляют входной слой. Кроме простой линейной функции могут быть использованы её модификации. Например, полулинейная функция (если её аргумент меньше нуля, то она равна нулю, а в остальных случаях, ведет себя как линейная) или шаговая (линейная функция с насыщением), которую можно выразить формулой:

При этом возможен сдвиг функции по обеим  осям (как изображено на рисунке).

Недостатками  шаговой и полулинейной активационных  функций относительно линейной можно  назвать то, что они не являются дифференцируемыми на всей числовой оси, а, значит, не могут быть использованы при обучении по некоторым алгоритмам.

 

Пороговая функция

Другое  название - Функция Хевисайда. Представляет собой перепад. До тех пор пока взвешенный сигнал на входе нейрона не достигает некоторого уровня T — сигнал на выходе равен нулю. Как только сигнал на входе нейрона превышает указанный уровень — выходной сигнал скачкообразно изменяется на единицу. Самый первый представитель слоистых искусственных нейронных сетей — персептрон состоял исключительно из нейронов такого типа. Математическая запись этой функции выглядит так:

Здесь T = − w₀x₀ — сдвиг функции активации относительно горизонтальной оси, соответственно под x следует понимать взвешенную сумму сигналов на входах нейрона без учёта этого слагаемого. Ввиду того, что данная функция не является дифференцируемой на всей оси абсцисс, её нельзя использовать в сетях, обучающихся по алгоритму обратного распространения ошибки и другим алгоритмам, требующим дифференцируемости передаточной функции.

Сигмоидная функция

Один  из самых часто используемых, на данный момент, типов передаточных функций. Введение функций сигмоидного  типа было обусловлено ограниченностью  нейронных сетей с пороговой  функцией активации нейронов — при  такой функции активации любой  из выходов сети равен либо нулю, либо единице, что ограничивает использование  сетей не в задачах классификации. Использование сигмоидных функций  позволило перейти от бинарных выходов  нейрона к аналоговым. Функции передачи такого типа, как правило, присущи нейронам, находящимся во внутренних слоях нейронной сети.

 

Линейная  сеть – это один слой из S нейронов и R входов, каждыйиз которых может  состоять из нескольких элементов. Передаточнойфункцией каждого нейронного слоя является линейная функция purelin.Это является единственным отличием линейной сети от персептрона.Благодаря линейной передаточной функции каждый выход сети может принимать любое значение, в то время как выход персептронаограничен значениями 1 и 0.

Линейные  сети, как и персептроны, способны решать только линейно отделимые задачи классификации, однако в них используетсяправило обучения по методуВудроу–Хоффа, основанное на использовании функции наименьших квадратов, которое является болеемощным, чем правило обучения персептрона.

Помимо  основных входов нейроны линейной сети имеют вход дляпостоянного смещения, равного единице. Элементы входов и смещения взвешиваются с помощью функции скалярного произведенияdotprod и суммируются с помощью функции накопления netsum.

Линейная  нейронная сеть может быть создана  одним из следующих способов:

net=newlin(PR, S, id, lr),

net=newlin(PR, S, 0, P),

net=newlind(P, T),

где PR – массив размера R*2 минимальных и максимальных значений для R векторов входа;

S – число  нейронов;

id – описание  линии задержки на входе сети, по умолчанию [0];

lr – параметр  скорости настройки, по умолчанию  0,01;

P – обучающие  последовательности входов размера  R*Q, причем

Q – количество  последовательностей;

Т – последовательность целей для Р размера S*Q;

0 – нуль.

Первый  способ применяется, когда в сеть включаются задержки,т.е. для создания динамических адаптивных линейных нейронныхсетей ADALIN (ADAptureLinearNeuronnetworks), которые позволяют корректировать веса и смещения при поступлении на входкаждого элемента обучающего множества. Такие сети широко применяются при решении задач обработки сигналов и в системахуправления.

Второй  способ формирует линейный слой с  параметром скоростинастройки, гарантирующим  максимальную степень устойчивости дляданного входа Р. В этом случае линии задержки не используются, исеть является статической.

Для первого  и второго способа инициализация  сети проводитсяпри ее создании с  помощью функции initzero. Адаптация  и обучениесети затем осуществляется с помощью функции adaptwb, котораямодифицирует  веса и смещения, используя функцию  Видроу – Хоффаhearnwh до тех пор, пока не будет достигнуто требуемое значение критерия качества обучения в виде средней квадратичной ошибки, вычисляемой  функцией mse.

Третий  способ формирует и настраивает  линейную статическуюсеть, решая систему  линейных алгебраических уравнений  на основеметода наименьших квадратов. Он используется для подбора коэффициентов  аппроксимирующей функции и для идентификации параметров динамических систем в задачах управления. Матричная запись решаемой системы линейных алгебраических уравнений такова:

[W b]*[P;ones]=T,

при этом должно выполняться условие

S*R + S = Q.

Функция learnwh вычисляет приращение весов  входов и смещений по следующим векторным  формулам:

pn = p/(sqrt(1+P(1)^2)+…  +P(R)^2);