5. LỌC THÍCH ỨNG
VÍ DỤ LỌC THÍCH ỨNG
Trước tiên chúng ta định nghĩa mới một mạng tuyến tính sử dụng newlin.
Giả sử giá trị vào trong khoảng [0,10]. Bây giờ chúng ta có thể định nghĩa mạng một ngõ ra như sau
net = newlin( [ 0 , 10 ] , 1 );
Chúng ta có thể chỉ ra độ trễ trong đường trễ kết nối net.inputWeights{1,1}.delays=[ 0 1 2 ];
Điều này nói lên rằng đường trễ được kết nối với ma trận trọng số từ những đơn vị trễ thời gian là 0;1 và 2.
Chúng ta có thể cho những trọng số khác nhau và những giá trị ngưỡng : net.IW{1,1}={ 7 8 9 };
net.b{1}= [ 0 ];
Cuối cùng chúng ta định nghĩa những giá trị đầu tiên của những ngõ ra bộ trễ là : pi = { 1 2 }
Chú ý rằng những số này được sắp xếp từ trái qua phải tương ứng với bộ trễ trên hình từ trên xuống dưới. Đến đây là xong phần cài đặt.
Chúng ta vẫn giả sử rằng giá trị vào là chuỗi số vô hướng như sau : p = {3 4 5 6 }
Bây giờ chúng ta có một mạng và một chuỗi giá trị vào. Chúng ta mô phỏng mạng để xem xét giá trị ngõ ra theo thời gian
[ a , pf ] = sim ( net , p , pi ); Và chúng ta thu được kết quả như sau :
a=
[46] [70] [94] [118] và những giá trị cuối cùng của bộ trễ :
pf=
[5] [6]
Trên đây là ví dụ đơn giản có thể kiểm tra bằng tay.
Mạng này có thể được huấn luyện bằng hàm adapt. Ví dụ như chúng ta muốn mạng tạo ra
chuỗi giá trị 10, 20, 30 và 40 : T={ 10 20 30 40 }
Trước tiên chúng ta xét bộ trễ có 10 khối. net.adaptParam.passes = 10;
Sau đó chúng ta huấn luyện :
[net , y , E pf , af ] = adapt(net , p , T , pi);
Lệnh này trả về những trọng số cuối cùng, ngưỡng, và chuỗi ngõ ra như sau :
{ }{}1 {}1 . 7046 . 5 1053 . 3 5059 . 0 1 , 1 . b net bias wts IW net wts = = = bias = -1.5993 y= [11.8558] [20.7735] [29.6679] [39.0036]
Phần 3_Chương 4 : Bộ lọc tuyến tính thích ứng