(realiseeritud RM_SANARX_controller.m). Saab valida juhuslikud poolused etalonmudelile JCSTR ei kuulu algselt ANARXi, mittelineaarse süsteemi lineariseerimine sisuliselt. Praktikum 6: Pildituvastus närvivõrkudega Ülesanne lahendatakse kahel meetodil. Mõlemad põhinevad närvivõrgul. Esimene lahendus on supervised learning, närvivõrgule antakse ette etalonväljund. Teine lahendus on selflearning kus närvivõrk ise tuvastab sisendandmetest vastava hulga erinevaid kombinatsioone. Tuvastatavad tähestik ja numbrid on antud failides letters.m ja all_numbers.m. Maatriksis 0-valge, 1-must. 6 letterA = [0 0 1 0 0 ... 0 1 0 1 0 ... 0 1 0 1 0 ... 1 0 0 0 1 ... 1 1 1 1 1 ... 1 0 0 0 1 ... 1 0 0 0 1 ]'; alphabet = [letterA,letterB,letterC... Esimene lahendus:
Vektor antakse ette näiteks pildi alusel, jagades pildi piksliteks ja iga piksli väärtus on vahemikus 0 .. 1, kus 0 tähistab valget ja 1 musta värvi. Ülejäänud väärtused 0 ja 1 vahel on hallskaala. Lahendusmeetodite valik Lahendan ülesande kahel meetodil. Mõlemad põhinevad närvivõrgul. Esimene lahendus on supervised learning, närvivõrgule antakse ette etalonväljund. Teine lahendus on selflearning kus närvivõrk ise tuvastab sisendandmetest vastava hulga erinevaid kombinatsioone. Lahendusmeetodite realiseerimine Esimese lahenduse realisatsioon Fail kreeka_tahestik.m on antud. Sinna lisan lõppu targets maatriksi, mis on ühikmaatriks suurusega 24. Järgmiseks loon närvivõrgu ja treenin selle. Närvivõrk etalonväljundiga on tüüpi FF. Närvivõrku õpetatakse müraga (5%, 10%, 20%, 30%). net=newff(minmax(greek_alphabet),[12 24],{'logsig','logsig'},'traingda') net.trainParam.epochs=5000; net.trainParam.show=25; net
annaabi.ee 
