koguda katseandmed. Selleks anname süsteemi sisendisse hulga andmeid ja vaatleme süsteemi väljundit iga sisendi korral. Tulemused salvestame ja kasutame närvivõrgu õpetamiseks. 4 td=1 N=size(output,1) P=[output(3:N)';output(2:N-1)';output(1:N-2)'] T=input(2:N-1)' Edasi loome närvivõrgu kolme sisendiga (vahemikus 0..1), ühe peidetud kihiga ja 5 neuroniga peidetud kihis. Aktiveerimisfunktsiooniks peidetud kihis tansig. global net_c net_c=newff([0 1; 0 1; 0 1],[5 1],{'tansig','purelin'}) net_c.trainParam.show=1; net_c.trainFcn='traingd'; % kuna süsteem peab olema adaptiivne (hiljem), siis reaalajas toimiva närvivõrgu puhul sobib hästi. Närvivõrgu treenimine: net_c.trainParam.epochs=5000; net_c=train(net_c,P,T) % P - etalonsisend, T - etalonväljund save temp_net.mat net_c % kui süsteem muutub mittestabiilseks (Liiga suure häiringu tõttu näiteks) siis % load temp_net
Kaalutud summatori sisendis iga sisend korrutatakse läbi vastava kaalukoefitsiendiga. Summatori väljund NET on nende korrutiste summa. Järelikult summatori funktsiooni võib kirjutada järgnevalt: x1 NET = W X = [w1 K wn ] M = w1 x1 + K + wn x n . (1.1) x n Mittelineaarse elemendi funktsiooni nimetatakse aktiveerimisfunktsiooniks (activation function, ). Kaalutud sisendsignaalide summast NET arvutab aktiveerimisfunktsioon neuroni väljundi OUT. OUT=f(NET) (1.2) Tavaliselt, aktiveerimisfunktsioon on pidev mittelineaarne funktsioon, aga mõnedel rakendustel võib ka lineaarne olla. Kõige levinumad aktiveerimisfunktsioonid on sigmoid funktsioonid. Sigmoid funktsioonid on ülemise ja alumise raja (0 ja 1 või -1 ja 1) vahel monotoonselt
Kaalutud summatori sisendis iga sisend korrutatakse läbi vastava kaalukoefitsiendiga. Summatori väljund NET on nende korrutiste summa. Järelikult summatori funktsiooni võib kirjutada järgnevalt: x1 NET = W X = [w1 K wn ] M = w1 x1 + K + wn x n . (1.1) x n Mittelineaarse elemendi funktsiooni nimetatakse aktiveerimisfunktsiooniks (activation function, ). Kaalutud sisendsignaalide summast NET arvutab aktiveerimisfunktsioon neuroni väljundi OUT. OUT=f(NET) (1.2) Tavaliselt, aktiveerimisfunktsioon on pidev mittelineaarne funktsioon, aga mõnedel rakendustel võib ka lineaarne olla. Kõige levinumad aktiveerimisfunktsioonid on sigmoid funktsioonid. Sigmoid funktsioonid on ülemise ja alumise raja (0 ja 1 või -1 ja 1) vahel monotoonselt
annaabi.ee 
