Materiały pomocnicze do przedmiotu Wspomaganie decyzji i metody sztucznej inteligencji – ćwiczenie 03
Politechnika Łódzka, Instytut Automatyki
1
Ćwiczenie 3.
Zadanie: Korzystając z pakietu Simulink należy zrealizować sieć neuronową przybliżającą obiekt o
równaniach (1). Nauka sieci powinna być przeprowadzona w trybie on-line. Struktura sieci została
przedstawiona na rys 1. Neuronowy model będzie posiadał n=3 wejścia i N=4 neurony z funkcja tansig (tgh –
tangens hiperboliczny) w warstwie ukrytej.
( )
1
2
1
2
2
1
sin
*
4
x
y
u
x
x
x
x
x
=
+
−
−
=
=
&
&
(1)
Rys. 1.
Zadanie zostanie podzielone na dwa etapy: (1) wyznaczenie praw adaptacji wartości wag, (2) implementacja
sieci wraz z mechanizmem adaptacji,
(1) Prawo adaptacji wartości wag
Podczas kolejnych iteracji (k+1, ....) wagi warstwy wyjściowej będą modyfikowane o składnik
ij
w
∆
. W zapisie
wektorowym będzie to
W
W
W
∆
+
=
+
)
(
)
1
(
k
k
,
(2)
gdzie w zależności od przyjętej metody uczenia składnik wyrażenie
W
∆
może być określony różnie. Dla metody
gradientowej składnik ten będzie określony jako
e
∇
⋅
−
=
∆
η
W
,
(3)
gdzie
i-ty neuron
x
j
w
ij
s
i
f
i
w
i
y
Materiały pomocnicze do przedmiotu Wspomaganie decyzji i metody sztucznej inteligencji – ćwiczenie 03
Politechnika Łódzka, Instytut Automatyki
2
∂
∂
∂
∂
∂
∂
=
∇
N
w
e
w
e
w
e
e
,...,
,
2
1
(4)
jest gradientem błędu, a
η
to współczynnik uczenia (na diagramach Simulinka rate).
Błąd e został zdefiniowany jako
(
)
2
2
1
d
y
e
−
=
(5)
Wyjście sieci określa równanie
∑
=
⋅
=
N
i
i
i
w
f
y
1
(6)
w którym f
i
jest wyjściem i-tego neuronu o pobudzeniu s
i
.
( )
i
i
s
tgh
f
=
(7)
∑
=
⋅
=
n
j
ij
j
i
w
x
s
1
(8)
Pochodną cząstkową obliczymy ze wzoru
i
i
w
y
y
e
w
e
∂
∂
∂
∂
=
∂
∂
(9)
gdzie zgodnie z (5) i (6)
d
y
y
e
−
=
∂
∂
(10)
i
i
f
w
y
=
∂
∂
(11)
czyli
(
)
i
i
i
f
d
y
w
y
y
e
w
e
⋅
−
=
∂
∂
∂
∂
=
∂
∂
(12)
W podobny sposób można wyznaczyć aktualizacje wag warstwy ukrytej
ij
ij
w
e
w
∂
∂
⋅
−
=
∆
η
(12)
ij
i
i
i
i
ij
w
s
s
f
f
y
y
e
w
e
∂
∂
∂
∂
∂
∂
∂
=
∂
∂
(13)
gdzie zgodnie z (5), (6), (7), (8)
d
y
y
e
−
=
∂
∂
(14)
Materiały pomocnicze do przedmiotu Wspomaganie decyzji i metody sztucznej inteligencji – ćwiczenie 03
Politechnika Łódzka, Instytut Automatyki
3
i
i
w
f
y
=
∂
∂
(15)
( )
[
]
i
i
i
s
tgh
s
f
2
1
−
=
∂
∂
(16)
j
ij
i
x
w
s
=
∂
∂
(17)
czyli
(
)
( )
[
]
j
i
i
ij
i
i
i
i
ij
x
s
tgh
w
d
y
w
s
s
f
f
y
y
e
w
e
⋅
−
⋅
⋅
−
=
∂
∂
∂
∂
∂
∂
∂
=
∂
∂
2
1
(18)
(2) Implementacja sieci wraz z mechanizmem adaptacji
Schamat uczącej się w trybie on-line sieci neuronowej został pokazany na rysunku poniżej,
gdzie subsystem n1 jest neuronem ze zmieniającymi się wagami o budowie
Materiały pomocnicze do przedmiotu Wspomaganie decyzji i metody sztucznej inteligencji – ćwiczenie 03
Politechnika Łódzka, Instytut Automatyki
4
Bloczki Unit Delay w polu Initial Condition powinny mieć wpisane wyrażenie rand(1). Odpowiada to
początkowym losowym wartościom wag sieci neuronowej. Subsystemy wi2 i wi3 niczym się nie różnią od
subsystemu wi1. Identyczne w budowie są także subsystemu n1, n2, n3, n4.
Materiały pomocnicze do przedmiotu Wspomaganie decyzji i metody sztucznej inteligencji – ćwiczenie 03
Politechnika Łódzka, Instytut Automatyki
5
Budowę warstwy wyjściowej przedstawia rysunek poniżej.
gdzie wagi w1 – w4 zrealizowane są wg schematu
W ramach zajęć należy:
-
sprawdzić jak czas próbkowania wpływa na prace układu
-
sprawdzić jak współczynnik uczenia
η
wpływ na prace układu
-
zmodyfikować algorytm uczenia wag dokładając składnik momentum
-
do układu wprowadzić sygnały progowe zadziałania neuronów (biasy)