aproximuj funkciu.m

clc;
clear;
% Príklad na aproximáciu nelin. funkcie pomocou NS typu
% MLP siet s 1 vstupom a 1 výstupom
clear
load datafun2

% vytvorenie štruktúry NS
% 1 vstup - x suradnica
% 1 skrytá vrstva s poctom neurónov 25 s funkciou 'tansig'
% 1 výstup s funkciou 'purelin' - y suradnica
% trénovacia metóda - Levenberg-Marquardt
pocet_neuronov=20;
net=fitnet(pocet_neuronov);

% % vyber rozdelenia
net.divideFcn='dividerand'; % náhodné rozdelenie

% net.divideFcn='divideblock'; % blokove

% %net.divideFcn='divideint';  % kazdy n-ta vzorka

% net.divideFcn='dividetrain';  % iba trenovacie

 net.divideParam.trainRatio=0.65;
 net.divideParam.valRatio=0.25;
 net.divideParam.testRatio=0.15;


% net.divideFcn='divideind';      % indexove
% net.divideParam.trainInd=indx_train;
% net.divideParam.valInd=[];
% net.divideParam.testInd=indx_test;


% Nastavenie parametrov trénovania
net.trainParam.goal = 1e-100;     % Ukoncovacia podmienka na chybu
net.trainParam.show = 10;        % Frekvencia zobrazovania priebehu chyby trénovania net.trainParam.epochs = 100;  % Max. po?et trénovacích cyklov.
net.trainParam.epochs =1000;      % maximalny pocet trenovacich epoch.
% Trénovanie NS

net=train(net,x,y);
% Simulácia výstupu NS
outnetsim = sim(net,x);
outnetsim_train = sim(net,x(indx_train));
outnetsim_test = sim(net,x(indx_test));

% vypocet chyby siete

SSE=sum((y-outnetsim).^2)
MSE=SSE/length(y)
MAE=mae(y-outnetsim)

SSE_train=sum((y(indx_train)-outnetsim_train).^2)
MSE_train=SSE/length(y)
MAE_train=mae(y(indx_train)-outnetsim_train)

SSE_test=sum((y(indx_test)-outnetsim_test).^2)
MSE_test=SSE/length(y)
MAE_test=mae(y(indx_test)-outnetsim_test)


% Vykreslenie priebehov
figure
hold on
plot(x,y,'b',x,outnetsim,'-or')
% figure
plot(x,y,'b',x(indx_test),outnetsim_test,'xgreen')
% figure
plot(x,y,'b',x(indx_train),outnetsim_train,'sblack')