home *** CD-ROM | disk | FTP | other *** search
/ NetNews Usenet Archive 1993 #1 / NN_1993_1.iso / spool / comp / ai / neuraln / 4801 < prev    next >
Encoding:
Internet Message Format  |  1993-01-11  |  2.4 KB
  1. Path: sparky!uunet!olivea!spool.mu.edu!news.nd.edu!mentor.cc.purdue.edu!noose.ecn.purdue.edu!lips1.ecn.purdue.edu!kavuri
  2. From: kavuri@lips1.ecn.purdue.edu (Surya N Kavuri )
  3. Newsgroups: comp.ai.neural-nets
  4. Subject: A training problem
  5. Message-ID: <1993Jan12.005843.10910@noose.ecn.purdue.edu>
  6. Date: 12 Jan 93 00:58:43 GMT
  7. Sender: news@noose.ecn.purdue.edu (USENET news)
  8. Organization: Purdue University Engineering Computer Network
  9. Lines: 60
  10.  
  11.  
  12.    Here I have a rpoblem with one input and 3 outputs.
  13.    There are twenty training patterns.
  14.  
  15.    Input patterns are:
  16.  
  17.  0.47500000000000
  18.    0.42500000000000
  19.    0.37500000000000
  20.    0.32500000000000
  21.    0.27500000000000
  22.    0.22500000000000
  23.    0.17500000000000
  24.    0.12500000000000
  25.    0.07500000000000
  26.    0.02500000000000
  27.   -0.02500000000000
  28.   -0.07500000000000
  29.   -0.12500000000000
  30.   -0.17500000000000
  31.   -0.22500000000000
  32.   -0.27500000000000
  33.   -0.32500000000000
  34.   -0.37500000000000
  35.   -0.42500000000000
  36.   -0.47500000000000
  37.  
  38.  Output patterns are:
  39.  
  40.  5.22497730616910  -0.27581710755783  -0.47309647675852
  41.    4.65416529622998  -0.18871696832904  -0.32369758936110
  42.    4.08682235275143  -0.11129462234789  -0.19089857834116
  43.    3.52294847573346  -0.04355006961439  -0.07469944369871
  44.    2.96254366517605   0.01451668987146   0.02489981456624
  45.    2.40560792107921   0.06290565610968   0.10789919645370
  46.    1.85214124344295   0.10161682910025   0.17429870196367
  47.    1.30214363226725   0.13065020884318   0.22409833109614
  48.    0.75561508755213   0.15000579533847   0.25729808385113
  49.    0.21255560929758   0.15968358858611   0.27389796022862
  50.   -0.32703480249641   0.15968358858611   0.27389796022862
  51.   -0.86315614782982   0.15000579533847   0.25729808385113
  52.   -1.39580842670266   0.13065020884318   0.22409833109614
  53.   -1.92499163911493   0.10161682910025   0.17429870196367
  54.   -2.45070578506663   0.06290565610968   0.10789919645370
  55.   -2.97295086455776   0.01451668987146   0.02489981456624
  56.   -3.49172687758832  -0.04355006961439  -0.07469944369871
  57.   -4.00703382415831  -0.11129462234789  -0.19089857834116
  58.   -4.51887170426773  -0.18871696832904  -0.32369758936110
  59.   -5.02724051791657  -0.27581710755783  -0.47309647675852
  60.  
  61. The data is so set up that input is orthogonal to outputs 2 and 3
  62.  so that a linear method will not be able to fit this.
  63.  Can you develop a network that will fit this ?
  64.  
  65.  How reliable are the weights connecting to these outputs ?
  66.  (ie., if I use different subsets of inputs, can I expect 
  67.    small fluctuations ?) 
  68.  
  69.  
  70. Surya Kavuri
  71.