Контрольний приклад. 
Програмна інженерія

Класифікація за допомогою персептрона. У приведеній нижче програмі - матриця, стовпці якої відповідають 4-м вхідним векторам, — вектор, елементи якого указують на приналежність відповідного вектора нульовому або першому класу.

>>% Завдання вхідних векторів з вказівкою їх приналежності одному з двох класів.

>> P=[-0.5 -0.5 +0.3 -0.1; -0.5 +0.5 -0.5 +1.0];

>>T=[1100];

>>plotpv (P, T);

>>% Графічне представлення початкових векторів.

>>% Створення персептрона з вказівкою меж змін входів і 1 нейроном.

>> My_net=newp ([-1 1;-1 1], 1);

>>E=1;

>>My_net=init (My_net); % Ініціалізація персептрона.

>>% Організація циклу адаптивної настройки персептрона з висновком графіка розділяючої.

>>% лінії.

>>while (sse (E)).

[My_net, Y, E]=adapt (My_net, P, T);

linehandle=plotpc (My_net.IW{1}, My_net.b{1});

drawnow;

end;

Перевіримо якість створеного класифікатора. З цією метою подамо на вхід персептрона контрольний вектор p=[0.4; 0.5] і проаналізуємо реакцію мережі.

>>p=[0.4; 0.5]; % завдання контрольного вектора.

>>a=sim (My_net, p); % моделювання мережі.

>>a.

a=.

>> побудова графіка, що відображає реакцію мережі.

>> plotpv (p, a);

>>hold on.

>>plotpv (P, T);

>>plotpc (My_net.IW{1}, My_net.b{1});

>>hold off;

Завдання до виконання лабораторної роботи

Побудувати модель багатошарового персептрона за допомогою пакету Neural Networks Toolbox, що входить до складу системи MATLAB.

Провести класифікацію за допомогою персептрона. Об'єкт класифікації обрати за бажанням.

Контрольні питання:

• 1. Визначення нейронної мережі?
• 2. Основні види функцій активації?
• 3. У чому сенс алгоритму зворотнього поширення похибки?
• 4. За яким оптимізаційним методом функціонує алгоритм?
• 5. Переваги алгоритму зворотнього поширення похибки?