Neuronales Netz - Backpropagation - Mein MATLAB Forum

WICHTIG: Der Betrieb von goMatlab.de wird privat finanziert fortgesetzt. - Mehr Infos...

Partner:

Forum

Option

[Erweitert]

• Diese Seite per Mail weiterempfehlen

Gehe zu:

Neuronales Netz - Backpropagation

Shat

Gast


	Beiträge: ---

	Anmeldedatum: ---

	Wohnort: ---

	Version: ---

Verfasst am: 19.10.2017, 16:42 Titel: Neuronales Netz - Backpropagation

Hallo,
ich arbeite mich gerade in Neuronale Netze ein und versuche eine einfache Gerade mit dem Backpropagation Algorithmus anzulernen. Nun habe ich das Problem, dass ich genau diese Gerade nicht angelernt bekomme. Ich kriege zwar mal bessere und mal schlechtere Ergebnisse wenn ich an meinem Lernkoeffizienten oder den Startwerten der Gewichte rumspiele, nur ist das für mich nicht zielführend. Demnach bin ich derzeitig etwas unsicher ob lediglich die oben genannten Parameter falsch dimensioniert sind oder sich ein Fehler im Code eingeschlichen hat.

Code:

close all;
clear variables;

%--------------------------------------------------------------------------
%Single Layer Perzeptron
%--------------------------------------------------------------------------

InputNeuronen = 1;
HiddenNeuronen = 7;
OutputNeuronen = 1;
Lernkoeffizient = 0.1;
EingangsVektor = [0,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9];
[s1,s2] = size(EingangsVektor);
AusgangsVektor = ones(1,s2);
GewichtsmatrixInputHiddenInit = random('Normal',0,0.3,InputNeuronen,HiddenNeuronen);
GewichtsmatrixHiddenOutputInit = random('Normal',0,0.03,HiddenNeuronen,OutputNeuronen);
Lernvorgaenge = 161;

GewichtsmatrixInputHidden = GewichtsmatrixInputHiddenInit;
GewichtsmatrixHiddenOutput = GewichtsmatrixHiddenOutputInit;
EingangHiddenLayer = zeros(InputNeuronen,HiddenNeuronen);
AusgangHiddenLayer = zeros(InputNeuronen,HiddenNeuronen);
HiddenLayerEingangAbleitung = zeros(InputNeuronen,HiddenNeuronen);
EingangOutputLayer = zeros(OutputNeuronen,1);
AusgangOutputLayer = zeros(OutputNeuronen,1);
OutputLayerEingangAbleitung = zeros(OutputNeuronen,1);
SigmaOutput = zeros(OutputNeuronen,1);
SigmaHidden = zeros(HiddenNeuronen,1);
Error = 0;
ErrorTotal = zeros(Lernvorgaenge,1);
DeltaMatrixOutputGesamt = 0;
DeltaMatrixHiddenGesamt = 0;
summe = 0;

for i=1:1:size(EingangsVektor')
AusgangsVektor(i) = EingangsVektor(i) + random('Normal',0,0.0075);
end

for g=1:1:Lernvorgaenge %Anzahl der Lerndurchgänge
%Zuruekcsetzen aller Variablen zu begin eines Lerndurchgangs
EingangHiddenLayer = zeros(InputNeuronen,HiddenNeuronen);
AusgangHiddenLayer = zeros(InputNeuronen,HiddenNeuronen);
HiddenLayerEingangAbleitung = zeros(InputNeuronen,HiddenNeuronen);
EingangOutputLayer = zeros(OutputNeuronen,1);
AusgangOutputLayer = zeros(OutputNeuronen,1);
OutputLayerEingangAbleitung = zeros(OutputNeuronen,1);
SigmaOutput = zeros(OutputNeuronen,1);
SigmaHidden = zeros(HiddenNeuronen,1);
DeltaMatrixOutputGesamt = 0;
DeltaMatrixHiddenGesamt = 0;
summe = 0;

for k=1:1:size(EingangsVektor')
%--------------------------------------------------------------------------
%Vorwärts
%--------------------------------------------------------------------------

for i=1:1:HiddenNeuronen
for j=1:1:InputNeuronen
EingangHiddenLayer(i) = EingangHiddenLayer(i) + EingangsVektor(k) * GewichtsmatrixInputHidden(j,i);
end
AusgangHiddenLayer(i) = 1 / ( 1 + exp(-EingangHiddenLayer(i)) ) ; % Sigmoid Aktivierungsfunktion
HiddenLayerEingangAbleitung(i) = AusgangHiddenLayer(i) * (1 - AusgangHiddenLayer(i));
end

for i=1:1:OutputNeuronen
for j=1:1:HiddenNeuronen
EingangOutputLayer(i) = EingangOutputLayer(i) + AusgangHiddenLayer(j) * GewichtsmatrixHiddenOutput(j,i);
end
AusgangOutputLayer(i,k) = 1 / ( 1 + exp(-EingangOutputLayer(i)) ); % Sigmoid Aktivierungsfunktion
OutputLayerEingangAbleitung(i,k) = AusgangOutputLayer(i,k) * (1 - AusgangOutputLayer(i,k));
end

%--------------------------------------------------------------------------
%Rückwärts
%--------------------------------------------------------------------------

for i=1:1:OutputNeuronen
Error = (EingangsVektor(k) - AusgangOutputLayer(i,k));
ErrorTotal(g) = ErrorTotal(g) + Error;
SigmaOutput(i,k) = OutputLayerEingangAbleitung(i,k) * Error;
end
DeltaMatrixOutput = Lernkoeffizient * SigmaOutput(k) * AusgangHiddenLayer;
DeltaMatrixOutputGesamt = DeltaMatrixOutputGesamt + DeltaMatrixOutput;

for i=1:1:HiddenNeuronen
for j=1:1:OutputNeuronen
summe = summe + SigmaOutput(j,k) * GewichtsmatrixInputHidden(j,i);
end
SigmaHidden(i) = HiddenLayerEingangAbleitung(i) * summe;
end
DeltaMatrixHidden = Lernkoeffizient * SigmaHidden * EingangsVektor(k);
DeltaMatrixHiddenGesamt = DeltaMatrixHiddenGesamt + DeltaMatrixHidden;
end

%--------------------------------------------------------------------------
%Aktualisieren
%--------------------------------------------------------------------------

GewichtsmatrixInputHidden = GewichtsmatrixInputHidden + DeltaMatrixHiddenGesamt';
GewichtsmatrixHiddenOutput = GewichtsmatrixHiddenOutput + DeltaMatrixOutputGesamt';
end

%--------------------------------------------------------------------------
%Plot
%--------------------------------------------------------------------------

Zeit = 1:1:size(EingangsVektor');
ax1 = subplot(2,1,1);
ax2 = subplot(2,1,2);
plot(ax1, Zeit, AusgangsVektor, Zeit,AusgangOutputLayer,'+');
title(ax1, 'Realer Ausgang & Geschätzter Ausgang');
plot(ax2, ErrorTotal);
title(ax2, 'Gesamter Fehler über einen Lerndurchgang');
grid(ax1,'on')
grid(ax2,'on')

Funktion ohne Link?

Das ist das vollständige Skript und sollte ohne Probleme mit copy und paste kompilieren.
Ich wäre sehr dankbar für Hilfe jeglicher Art.


Einstellungen und Berechtigungen
Beiträge der letzten Zeit anzeigen:	Du kannst Beiträge in dieses Forum schreiben. Du kannst auf Beiträge in diesem Forum antworten. Du kannst deine Beiträge in diesem Forum nicht bearbeiten. Du kannst deine Beiträge in diesem Forum nicht löschen. Du kannst an Umfragen in diesem Forum nicht mitmachen. Du kannst Dateien in diesem Forum posten Du kannst Dateien in diesem Forum herunterladen

Impressum | Nutzungsbedingungen | Datenschutz | FAQ |

RSS

Hosted by:

Copyright © 2007 - 2024 goMatlab.de | Dies ist keine offizielle Website der Firma The Mathworks

MATLAB, Simulink, Stateflow, Handle Graphics, Real-Time Workshop, SimBiology, SimHydraulics, SimEvents, and xPC TargetBox are registered trademarks and The MathWorks, the L-shaped membrane logo, and Embedded MATLAB are trademarks of The MathWorks, Inc.