nauka sieci

n = -5:0.1:5;

%plot(n, hardlim(n));

%n = -5:0.1:5;
%plot(n, purelin(n));
%plot(n, tansig(n));

%n = -5:0.1:5;
%plot(n, logsig(n));

%pojedynczy neuron, 2 wejscia
% + jedno wejscie jest stale

%argumenty newp:
%zakresy danych wejsciowych
%ilosc neuronow
%funkcja
%net = newp([-2 2; -2 2 ], 1, 'hardlim');
%net = newp([-2 2; -2 2 ], 1, 'logsig');
%net = newp([-2 2; -2 2 ], 1, 'purelin');
%net = newp([-2 2; -2 2 ], 1, 'tansig');

%net = newp([-2 2; -2 2 ], 1, 'hardlim');
%net.IW{1, 1} = [ 1 1 ];
%IW input wieght
%pierwsza warstwa 4 neurony, druga 1
%net=newff([0 3; 0 3 ], [ 4, 1 ], {'hardlim', 'hardlim'});
net=newff([0 5; 0 5 ], [ 3, 1 ], {'hardlim', 'hardlim'});
net.IW{1,1}= [-1 -3;-1 1; 3 1];
net.b{1}=[13; 1; -7];
net.LW{2,1}=[1,1,1];
%druga warstwa waga
net.b{2}=[-2.5];
%net.b{1} = -1;
%podanie wagi dla wejscia stalego (wyraz wolny)
[ X Y ] = meshgrid(0:0.1:5);
Z = X;
%2 argumenty, siec i dane wejsciowe
Z(:) = sim(net, [X(:)'; Y(:)']);
surf(X,Y,Z);

%za po moca pojedynczego neurona mozna zroibc linowy podzial przestrzeni

%dzielmy tak, zeby kwadrat mial 1 a reszta plaszczyzny 0

x=-1:0.05:1;
x2=-1:0.01:1;
y=sin(3*pi*x).^(2).*sin(pi*x);
y2=sin(3*pi*x2).^(2).*sin(pi*x2);

net=newff([-1 1],[30 1], {'tansig' 'purelin'}, 'trainlm');
net.trainParam.epochs=500;
net.trainParam.show=50;
net.trainParam.goal=0.0000001;
net=init(net);
net=train(net, x, y);
z = sim(net, x2);
plot(x2, y2, 'r', x ,y, 'gO', x2, z, 'b');