home *** CD-ROM | disk | FTP | other *** search
/ HPAVC / HPAVC CD-ROM.iso / pc / SNNSV32.ZIP / SNNSv3.2 / examples / laser.README < prev    next >
Encoding:
Text File  |  1994-04-25  |  4.0 KB  |  105 lines
  1. =============================================================================
  2.     README file for the example files laser.xxx
  3. =============================================================================
  4.  
  5.  
  6. Description:    extended hierarchical Elman network
  7. ============    for the task to predict the intensity of a NH3-laser
  8.  
  9. The task of this partially recurrent network is to predict the light
  10. intensity of an NH3-laser in its chaotic state.  This data was taken
  11. from the Santa Fe Time Series Analysis and Prediction Competition,
  12. time series A. The data is described in more detail there.
  13.  
  14. Here it suffices to say that the data values were originally integeger
  15. values in the range [0..255] which were scaled linearly by division by
  16. 255, to fit them to the range [0..1] of the standard logistic
  17. activation function used in this network.
  18.  
  19. The single input unit is assigned the laser intensity at the current
  20. time t and the network predicts the laser intensity at time t+1 at its
  21. output unit.
  22.  
  23. See the user manual for a more detailed description of extended
  24. hierarchical Elman networks and their usage.
  25.  
  26.  
  27. Network-Files:    laser.net
  28. ==============
  29.  
  30. This network file contains a trained elman network for the task to
  31. predict the predict the intensity of a NH3-laser as stated above.
  32. The network consists of the following layers
  33.     1 input unit
  34.     8 hidden units in hidden layer 1
  35.     8 context units in context layer 1
  36.     8 hidden units in hidden layer 2
  37.     8 context units in context layer 2
  38.     1 output unit
  39.  
  40. All feedforward-layers (input, hidden 1, hidden 2, output) are fully
  41. connected, each hidden unit has a fixed connection to its context unit,
  42. each context unit is connected to every hidden unit with the
  43. corresponding layer number, 
  44. each context unit has a fixed recursive connection to itself.
  45.  
  46. The configuration file for this network is laser.cfg (one 2D display
  47. only).
  48.  
  49.  
  50. Pattern-Files:    laser_999.pat
  51. ==============    laser_1000.pat
  52.  
  53. These files contain 999 resp. 1000 training patterns with one input
  54. and one output unit each. They are the scaled data of the laser
  55. intensity prediction time series described above.  The pattern files
  56. differ only in the number of patterns they contain, indicated in the
  57. name of the pattern file.
  58.  
  59.  
  60. Hints:
  61. ======
  62.  
  63. The easiest way to create hierarchical Elman networks is with the BIGNET
  64. panel from the info panel. All network parameters can then be
  65. specified in a special Elman network creation panel called
  66. with the respective button in the BIGNET panel.
  67.  
  68. If you want to train your own Elman network from scratch,
  69. note to set the proper initialization function and initialization
  70. parameters.
  71.  
  72. Remember to set the update function to JE_Order or JE_Special,
  73. depending on your task (see the SNNS user manual for more details).
  74.  
  75. You may choose between four different learning functions. The network
  76. shown here was trained for 10000 cycles with JE_BP (Backpropagation
  77. for Jordan and Elman networks) with a learning rate of 0.2.
  78.  
  79. The behaviour of this network can very nicely be visualized with the
  80. network analyzer tool which can be called from the info panel with the
  81. GUI button as ANALYZER. Then proceed as follows:
  82. Press ON and LINE (so that both buttons are highlighted) from the
  83. buttons at the right.
  84. Press SETUP and choose T-Y graph from the network analyzer setup panel.
  85. Choose the following values for axis, min, max, unit, grid:
  86.     t    0.0,  1000, - ,  10
  87.     y    0.0,  1.0,  18,  10
  88.  
  89. This specifies the display area to be a time series with y values in
  90. the range [0, 1] and the outputs of neuron 18 for y (the single output
  91. unit of the hierarchical elman network).
  92.  
  93. Choose m-test: 100 in this network analyzer setup panel to test 100
  94. patterns in a multiple inputs test sequence (You may also choose to test
  95. more or less input patterns.
  96.  
  97. Finally, press the button M-TEST to test the trained network for the
  98. number of input patterns specified. The predicted time series is then
  99. displayed in the network analyzer tool.
  100.  
  101.  
  102. =============================================================================
  103.     End of README file
  104. =============================================================================
  105.