Advertisement
Not a member of Pastebin yet?
Sign Up,
it unlocks many cool features!
- % UCZENIE
- % obrazy 2-wymiarowe (w kolumnach) i ich klasy (należy podać maksymalnie 30 obrazów uczących,
- % pozwalających (wraz z odpowiednią architekturą sieci i jej parametrami) na jak najwierniejsze odwzorowanie
- % zadanej funkcji klasyfikacji gdy x i y sa z przedzialu <0,6>):
- obrazy = [4 2; 4 2.5; 4 2.8; 3 0.8; 2 0.9; 1 0.9; 5 2.9; 5.9 2.9; 3 3.2; 4 3.1; 5.8 3.1; 3 2; 3 1.1; 1 1.1; 3 2.8; 3 ]';
- klasy = [1;1;1;1;1;1;1;1;0;0;0;0;0;0;0]';
- size(obrazy)
- size(klasy)
- net = newff([0 6; 0 6], [8 1], {'tansig' 'tansig'}, 'trainlm');
- net.trainParam.epochs = 500; % liczba epok
- net.trainParam.show = 100; % co ile epok wyswietlac wykres
- net.trainParam.goal=0.0000001; % maksymalny blad aproksymacji
- net = init(net); % inicjacja wag sieci
- net = train(net,obrazy,klasy); % uczenie sieci
- [X,Y] = meshgrid(0:0.1:6);
- ZU = X;
- ZU(:) = sim(net,[X(:) Y(:)]');
- surf(X,Y,ZU);
- title('Klasyfikacja punktow metoda uczenia')
- % srednia roznica pomiedzy funkcja klasyfikacji uzyskana analitycznie i metoda
- % uczenia:
- disp(sprintf('srednia roznica pomiedzy funkcja uzyskana analitycznie i met. uczenia = %f',mean(mean(abs(ZU-ZA)))))
Advertisement
Add Comment
Please, Sign In to add comment
Advertisement