تحلیل یک برنامه متلب که برای شبکه عصبی نوشته شده

[xoncegame]

سلام دوستان.
متاسفانه آشنایی با شبکه های عصبی (مخابرات) ندارم. یه برنامه هست که یکی از دوستان نوشته اما همه قسمت هاشو نفهمیدم . اگه امکانش هست قسمت های design و test و Ml Algorithm رو توضیح بدید، گمونم بدرد دوستان دیگه هم بخوره
عنوان شبیه سازی اینه :
هدف از این شبیه سازی تشخیص دو کلاس شامل الگوهای تصادفی با توزیع گوسی با استفاده از شبکه عصبی چند لایه پرسپترون با قاعده یادگیری پس انتشار خطا است.
m1 = [0,0] , variance= 1 کلاس اول
m2 = [2,0] , variance = 4 کلاس دوم
m همون میانگین هست .
500 الگوی آموزشی ( 250 لگو از هر کلاس ) و 500 الگوی آزمایشی ( 250 الگو از هر کلاس ) تولیدکنید. در صد طبقه بندی صحیح را در شرایط مختلف مورد بررسی قرار دهید
-1 شبکه عصبی با یک لایه پنهان و تعداد نرون های مختلف در لایه پنهان با یک ضریب یادگیری و ضریب ممان صفر و تعداد دوره یادگیری یکسان
-2 شبکه عصبی با یک لایه پنهان 10 نر ون در لایه پنهان با یک ضریب یادگیری و ضریب ممان صفر و تعداد دوره یادگیری مختلف
-3 شبکه عصبی با یک لایه پنهان و 10 نرون در لایه پنهان با ضریب یادگیری مختلف و ضریب ممان صفر
4 شبکه عصبی با یک لایه پنهان و 10 نرون در لایه پنهان با یک ضریب یادگیری و ضریب ممانهای مختلف
5-شبکه عصبی با دو لایه پنهان، هر یک با 10 نرون با یک ضریب یادگیری و ضریب ممان صفرانجام دهید.
-6 شبکه عصبی با مشخصات حالت دوم را با قاعده یادگیری delta-delta انجام دهید.
-7 همچنین این الگوها را با استفاده از روش Maximum-likelihood Classifier طبقه بندی کنید
و رسم منحی برای حالت های 2 و 3 و 4


حالا اینم برنامه ای که یکی از همکلاسیا نوشته :

clc,clear all;close all;
mu1 = [0 0]';
sigma1 = 1;
mu2 = [2 0]';
sigma2 = 2;
Num_Input=500;
Ro = 2;     %Row
Cl = Num_Input; %Coulmn
Num_Epoch =100; %Num of Epochs
mu1 = repmat(mu1,[1 Cl]);
mu2 = repmat(mu2,[1 Cl]);
class1 = normrnd(mu1,sigma1,Ro,Cl);
class2 = normrnd(mu2,sigma2,Ro,Cl);


% fclose(fid1);fclose(fid2);
if(1)
  figure;
  plot(class1(1,:),class1(2,:),'o');
  figure;
  plot(class2(1,:),class2(2,:),'r*');
  figure;
  plot(class1(1,:),class1(2,:),'o');hold on;
  plot(class2(1,:),class2(2,:),'r*');
  axis([-4 10 -6 6]);
end
%% ==============  Design  ================
Input1 = [ones(1,floor(Num_Input/2))*-1;class1(1:floor(Num_Input/2))];
Num_Neuron = 10;
WL1 = 0.1 * rand(3,Num_Neuron)-.05;
WL2 = 0.1 * rand(Num_Neuron,1)-.05;
D=[0,1];   % for Phi=1/1+exp(-V)
Eta = 0.6;  % Rate of Learning
Alpha=0.2;  % Momentom
Del_wl2=0.1 * rand(Num_Neuron,1)-0.05;
Del_wl1=0.1 * rand(Num_Neuron,3)-0.05;
d1=zeros(1,floor(Num_Input/2));d2=zeros(1,floor(Num_Input/2))+1;
data = [ones(1,Num_Input)*-1;class1(:,1:floor(Num_Input/2)),class2(:,1:floor(Num_Input/2));d1,d2];
Learning_Curve = zeros(Num_Epoch,1);
h = waitbar(0,'Please wait...');
for Epoch=1:Num_Epoch
  NN = round(Epoch/Num_Epoch*100);
  waitbar(NN/100);
  Index = randperm(Num_Input);
  Ave_Err=0;
  for i=1:Num_Input
    Idx = Index(i);
    % ====== Forward =========
    V1 = WL1' * data(1:3,Idx);
    Y1=Phi(V1);
    V2 = WL2' * Y1;
    Y2=Phi(V2);
    e=data(4,Idx)-Y2;
    Ave_Err = Ave_Err + e^2;

    % ======= Back ward ===========
    Grad1 = e*Y2.*(1-Y2);
    Del_wl2=Alpha*Del_wl2+Eta*Grad1*Y1;
    WL2=WL2+Del_wl2;

    Grad2 = Grad1*WL2.*Y1.*(1-Y1);
    Del_wl1=Alpha*Del_wl1+Eta*Grad2*data(1:3,Idx)';
    WL1=WL1+Del_wl1';
  end
  Learning_Curve(Epoch) = Ave_Err/Num_Input;
end
close(h) 
MSE = sum(Learning_Curve)/Num_Epoch
figure(1);
plot(1:Num_Epoch,Learning_Curve)
hold on; grid on;
xlabel('Number of Epochs')
ylabel('MSE over Epoch')

%% ========================= Test ============================
Test_Input = [ones(1,Num_Input)*-1;class1(:,floor(Num_Input/2)+1:Num_Input),class2(:,floor(Num_Input/2)+1:Num_Input);d1,d2];

Error = 0;
for i=1:Num_Input
  % ====== Forward =========
  V1 = WL1' * Test_Input(1:3,i);
  Y1=Phi(V1);
  V2 = WL2' * Y1;
  Y2=Phi(V2);
  e=abs(Test_Input(4,i)-Y2);
  if(e>0.5)
    Error = Error+1;
  end

end
Ec = (Num_Input-Error)/Num_Input*100

%% = ================ Ml Algorithm =================
mu1 = [0 0]';
sigma1 = 1;
mu2 = [2 0]';
sigma2 = 2;
r = sqrt(sigma1^2*sigma2^2*(norm(mu1+mu2)^2/(sigma2^2-sigma1^2) + 4*log(sigma2/sigma1))/(sigma2^2-sigma1^2) );
Xc = (sigma2^2*mu1 - sigma1^2*mu2)/(sigma2-sigma1);
Err_ML=0;
for i=1:Num_Input
  if( norm(Test_Input([2 3],i) - Xc )>r ) % Select Class 2
    if(Test_Input(4,i) == 0)
      Err_ML=Err_ML+1;
    end
  else % Select Class 1
    if(Test_Input(4,i) == 1)
      Err_ML=Err_ML+1;
    end
  end
end
Ec_ML = (Num_Input-Err_ML) /Num_Input*100

برای اجرا باید یه m-file کنار برنامه داشته باشین به اسم Phi که برنامش اینه :

function [Y]= Phi(V)
Y = 1 ./ ( 1 + exp(-V) );
% a = 1.7;
% b = 2/3;
% Y = a * tanh( b * V);