apsheronsk.bozo.ru/Neural/Hebb_code.html
Пример кода нейронной сети обучающейся без учителя
Краткое описание глобальных переменных:
HEBB, SIGNAL_HEBB, KOHONEN – типы обучения нейросети. Присваивается в переменной LEARNING_TYPE.
Layers – количество слоев нейронной сети, определяется автоматически из заданного массива GNeuro[]. В GNeuro первый элемент – это количество входов, последний – количество выходов нейросети. То, что между – соответственно количество нейронов скрытых слоев. Например:
GNeuro[4, 8, 12, 6] – задает нейросеть с 4 слоями, во входном слое 4 нейрона (которые только распределяют входной сигнал на следующий слой), 8 – количество нейронов в первом скрытом слое, 12 – количество нейронов во втором скрытом слое, 6 – количество нейронов в выходном слое.
GMatrix – матрицы весов сети, первое измерение – номер слоя -1, дальше i и j матрицы.
Input – входной вектор;
Output – выходной (предустановленный – не используется).
Краткое описание функций:
start() – собственно здесь пишется последовательность функций, которые надо выполнять.
SetParams() – установка параметров сети, инициализация матриц.
InitNet() – загоняем рандомом веса синаптических связей нейросети.
Calc() – расчет выхода нейросети по заданному номеру входного образца.
TestCalc() – тестовая, для проверки правильно ли перемножает сеть матрицы и вектора.
SetIO() – установка входов.
Hebb() – здесь в цикле рандомом выбираются примеры для обучения и сеть пытается обучиться.
Если имеются благодарности, то они принимаются на WMR R398365873120
Возможна доработка исходников под конкретную задачу (за отдельную плату).
С Уважением, к.т.н. Шумков Е.А. (КубГТУ)
[email protected]
[CODE title="Реализация многослойного персептрона с обучением по правилу Хебба"]// Реализация многослойного персептрона с обучением по правилу Хебба (MQL4, Metatrader)
[/CODE]
так как код нельзя вставить, прикрепляю его ниже
