% wczytanie środowiska, wyłączenie ostrzeżeo oraz uruchomienie skróconego zapisu liczb
clear all
nntwarn off
format compact
% wczytanie danych, zapis do zmiennych: P danych wejściowych, T danych wyjściowych
file = dlmread ('od0do1.txt',',');
P = file(:,1:6)';
T = file(:,7)';
% inicjalizacja zmiennych pomocniczych, zostaje wypełniona danymi podczas wykonywania 10 eksperymentów dla każdej pary neuronów
PROC_TMP=zeros(1,10); % procent nauczenia dla każdego eksperymentu
EPOCH_TMP=zeros(1,10); % ilośd przebytych epok podczas nauki dla każdego eksperymentu
SSE_TMP=zeros(1,10); % wartośd błędu średniokwadratowego dla każdego eksperymentu
% inicjalizacja tablic dla danych zapisywanych do plików
wyniki_pelne=[];
odpowiedzi=[];
% główna pętla algorytmu
for S1=1:10:120, % początek : krok : docelowa liczba
for S2=1:10:S1,
for lr_inc=1.03:0.01:1.07, % lr_inc - współczynnik wzrostu prędkości uczenia (domyślnie 1.05)
for lr_dec=0.6:0.05:0.8, % lr_dec - współczynnik redukcji prędkości uczenia (domyślnie = 0.7)
for max_err=1.02:0.01:1.06, % max_err- maksymalna wartośd współczynnika błędu (domyślnie = 1.04)
for eksperyment=1:1:10,
% deklaracja częstotliwości odświeżania, maksymalnej ilości epok możliwych do przebycia, % błędu granicznego oraz współczynnika uczenia
disp_freq=100;
max_epoch=20000;
err_goal=.25;
lr=.001;
% inicjalizacja parametrów dla funkcji trainbpa
TP = [disp_freq , max_epoch , err_goal , lr, lr_inc, lr_dec, max_err] ;
% inicjalizacja współczynników wagowych i przesunięd w sieci jednokierunkowej (do 3 warstw)
[W1,B1,W2,B2,W3,B3] = initff(P,S1,'tansig',S2,'tansig',T,'purelin') ;
% wywołanie funkcji uczącej trainbpa, opisanej poniżej
[W1,B1,W2,B2,W3,B3,TE,TR] = trainbpa(W1,B1,'tansig',W2,B2,'tansig',W3,B3,'purelin',P,T,TP) ;
% symulacja sieci jednokierunkowej (do 3 warstw)
A3 = simuff(P,W1,B1,'tansig',W2,B2,'tansig',W3,B3,'purelin') ;
% obliczenie różnicy błędu oczekiwanego od otrzymanego
E = T-A3;
% obliczenie sumy kwadratów błędów
SSE = sumsqr(E);
% wyświetlenie aktualnych wartości obliczonej i wzorcowej
[T' A3' (T-A3)' (abs(T-A3)>0.5)']
%obliczenie procentowej wartości uczenia się sieci
proc=100*(1-sum((abs(T-A3)>.5)')/length(T));
% tworzenie macierzy pełnych wartości po każdym eksperymencie oraz ich zapis do pliku
wyniki_pelne=[S1 S2 eksperyment lr_inc lr_dec max_err proc lr TE SSE]
dlmwrite('wyniki_pelne_s1s2eks10_01.txt', wyniki_pelne, '-append', 'delimiter', '\t');
% wypełnienie danymi po wykonywaniu każdego eksperymentu dla wszystkich par neuronów
PROC_TMP(1,eksperyment)=proc;
EPOCH_TMP(1,eksperyment)=TE;
SSE_TMP(1,eksperyment)=SSE;
end
% obliczenie najmniejszej wartości błędu średniokwadratowego oraz ilości epok podczas nauki
sse_best=min(SSE_TMP);
epoch_best=min(EPOCH_TMP);
% obliczenie średniej wartości procentu nauczenia, ilości epok podczas nauki oraz błędu średniokwadratowego
PROC_SR=mean(PROC_TMP);
EPOCH_SR=mean(EPOCH_TMP);
SSE_SR=mean(SSE_TMP);
% tworzenie macierzy uśrednionych wartości oraz ich zapis do pliku
odpowiedzi=[S1 S2 sse_best epoch_best PROC_SR EPOCH_SR SSE_SR lr_inc lr_dec max_err];
dlmwrite('odpowiedzi_s1s2eks10_01.txt', odpowiedzi, '-append', 'delimiter', '\t');
end
end
end
end
end