1.Мета роботи.
2.Аналіз вихідних даних.
3.Побудова моделі прогнозу.
4.Оцінка адекватності.
5.Висновки.
4.6 Контрольні запитання і завдання
1. З яких елементів складається нейронна мережа?
2. Перерахуйте види алгоритмів навчання нейронних мереж.
3. Які бувають види активаційної функції?
4. Які є умови зупинки навчання мережі?
5. Чим керує параметр „Швидкість навчання”?
5 Побудова моделі прогнозування техніко-економічної інформації в іус та її інтерпретація
5.1 Мета роботи
Одержати навички роботи з пакетом прикладних програм DEDUCTOR для прогнозування тимчасових рядів. Провести інтерпретацію моделі прогнозу й оцінити її адекватність.
5.2 Методичні вказівки з організації самостійної роботи студентів
Вивчити вимоги з підготовки до виконання даної лабораторної роботи у відповідності до конспекту лекцій, літературні джерела приведені в конспекту лекцій з рекомендаціями щодо їх використання, а також послідовність самостійного вивчення необхідних розділів для виконання лабораторних робіт. Таблиці експериментальних даних для проведення лабораторних робіт видає викладач.
Студент повинен знати методи прогнозування техніко-економічної інформації та її інтерпретацію, вміти використовувати ППП Deductor.
До проведення лабораторної роботи студент повинен досконало вивчити об’єкт дослідження.
В процесі проведення лабораторної роботи студент повинен виконати наукові дослідження щодо використання структури моделі прогнозування.
5.3 Опис лабораторної установки
Лабораторна робота виконується в діалоговому режимі з використанням ЕОМ IBM PC з такими характеристиками:
персональний комп'ютер з мікропроцесором Intel частотою понад 400 МГц, накопичувачем на гнучких дисках високої щільності та жорстким диском;
пам'ять комп'ютера: оперативна пам'ять понад 64 Мбайт, на жорсткому диску понад 1,5 Гбайт вільного простору;
операційна система Windows 98 або Windows 2000.
Оперативний обмін інформацією з ЕОМ здійснюється за допомогою відеотерминального пристрою і пакета прикладних програм Deductor. Кількість застосовуваних технічних засобів забезпечує індивідуальний режим виконання лабораторної роботи.
5.4 Порядок виконання роботи і методичні вказівки з її виконання
5.4.1 Перевірка якості функціонування навченої нейронної мережі
Після навчання виходимо з Майстра навчання і попадаємо в основне вікно програми, що тепер має такий вигляд.
Тут присутні вихідні дані навчальної вибірки і значення, отримані за допомогою навченої нейронної мережі(значення цільових функцій, середньоквадратична помилка і т.д.).
Рисунок 5.1
За отриманими результатами навчання(якість апроксимації) можна побудувати графік, що містить вихідні дані навчальної вибірки й отримані за допомогою навченої нейронної мережі.
Рисунок 5.2
Також можна побудувати графік, на якому найкраще видно помилку апроксимації – необхідно вибрати як параметр по осях Х и Y значення вихідної змінної.
Рисунок 5.3
По завершенні процесу навчання, користувач може проконтролювати його результати. У процесі експерименту мережа повинна відповісти користувачеві на питання «що, якщо?». Таким чином, можна не тільки оцінити правильність роботи навченої НМ, але і досліджувати її поводження в конкретних ситуаціях. Для цього в модулі Neural Analyzer передбачене вікно експерименту. Щоб відкрити вікно експерименту.
Рисунок 5.4
Потрібно вибрати команду Вид /Експеримент або клацнути по кнопці Вікно експерименту на панелі інструментів. У вікні експерименту можна вводити дані для визначення відповідного їм результату на виході НМ. При цьому, для кожного з вхідних полів мережі представлених у графі Поле вікна експерименту потрібно заповнити графові Значення. Для цього досить клацнути мишею у відповідній комірці і ввести необхідне значення. Щоб мережа розрахувала результат досить клацнути по кнопці Розрахувати або скористатися клавішею(F9), після чого графа Значення буде заповнена для цільових (вихідних ) полів.
У вікні експерименту можна автоматично заповнювати вхідні поля значеннями з навчальної або робочої вибірки. Для використання навчальної вибірки досить клацнути по кнопці, а для робочої – кнопка дозволяє відкрити список доступних робочих вибірок і вибрати ту, з якої варто взяти значення. За замовчуванням значення беруться з поточної вибірки, тобто тієї, вікно якої в даний момент відкрито. Якщо жодне вікно робочої вибірки не відкрито , то при спробі звертання до даної команди видається повідомлення «Немає відкритих вікон». При звертанні як до навчальної, так і до робочої вибірки, значення будуть узяті з того запису у вибірці, що позначена покажчиком, тобто є поточною. Робота з вікном експерименту може проводитись за допомогою контекстного меню, яке викликається правою кнопкою миші при вказівці на поле вікна.
Якщо процес навчання нейронної мережі дав прийнятні результати, то мережа є готовою до рішення задач, для яких і була створена . Для цього на її вхід подаються робочі безлічі, а на виході будуть результати обробки вхідних даних відповідно до алгоритму, реалізованим НМ. Надалі ці результати можуть бути представлені у вигляді таблиці, графіка або імпортовані у файли інших форматів. Щоб створити нову робочу вибірку потрібно відкрити файл конфігурації нейромережі (.nrl-файл ) скориставшись командою Файл /Відкрити. При цьому система запросить підтвердження на відкриття навчальної вибірки. Надалі, користувач може піти двома шляхами:
1. Відкрити навчальну вибірку, при необхідності змінити параметри мережі і повторити навчання. Потім у меню Вид вибрати команду Робоча безліч(F7) або скористатися кнопкою на панелі інструментів.
2. При відкритті файлу конфігурації мережі відмовитися від відкриття навчальної безлічі. Тоді система перейде до створення нової робочої вибірки автоматично. В обох випадках на екрані з'явиться вікно.
Рисунок 5.5
В одному сеансі роботи з модулем Neural Analyzer може бути створено кілька робочих вибірок. При цьому кожній робочій вибірці за замовчуванням буде привласнюватися ім'я «Робоча вибірка #» з порядковим номером вибірки. При необхідності можна призначити робочій вибірці інше ім'я. Кожна відкрита робоча вибірка буде відображатися в окремому вікні, у заголовку якого будуть відображатися ім'я поточного файлу конфігурації мережі й ім'я вибірки.
Вікно робочої вибірки містить таблицю, структура якої відповідає конфігурації мережі(описаної в Майстрі навчання і збереженої в nrl-файлі), тобто містити ті ж вхідні і вихідні поля, що і навчальна вибірка. Спочатку, вікно робочої вибірки створюється порожнім – у таблиці немає жодного запису.
Рисунок 5.6
Заповнити таблицю можна двома способами – ввести значення вручну або імпортувати з файлу заданого формату.
Для нашого приклада – series_g_forecast.xls. Цей файл містить значення вхідних параметрів нашої НМ на 1 рік. Тобто, розрахувавши значення виходу ми одержимо прогноз на наступний рік для досліджуваних даних.
Рисунок 5.7
Рисунок 5.8
Виконаємо розрахунок вихідного параметра нашої НМ і побудуємо відповідний графік.
Рисунок 5.9
5.4.2 Перевірка отриманих результатів
Для перевірки результатів прогнозування, отриманих з використанням апарату штучних нейронних мереж, зробимо прогнозування з використанням «класичних» засобів – ППП Statistica.
Виконаємо прогнозування досліджуваного тимчасового ряду використовуючи модуль Time Forecasting(особливості застосування і консультації одержати у викладача). Опустимо опис процедури прогнозування з використанням ППП Statistica і приведемо тільки результати. Графік прогнозу наведений на рисунку нижче.
Рисунок 5.10
Для безпосереднього порівняння результатів, отриманих з використанням ШНМ та ППП Statistica побудуємо спільний графік (наведений нижче).
Рисунок 5.11
На цьому графіку зеленим кольором зображена крива, отримана з використанням НМ, синім – крива, отримана з використанням ППП Statistica, червоним – довірчий інтервал для прогнозу, отриманого з використанням ППП Statistica.
Як видно з графіка результати прогнозування досить схожі. При цьому варто врахувати, що ми практично не підбирали структуру НМ і виконали неретельне навчання НМ.
5.4.3 Оптимізація структури НМ.
Як було зазначено вище, структуру НМ необхідно обирати оптимальну. Це дозволить одержати «прийнятний результат за рахунок мінімальних витрат», а так само забезпечити мінімальну помилку обчислень(«менше обсяг обчислень – менше помилка»).
Для цих цілей необхідно вибрати оптимальну кількість схованих шарів і нейронів у них. Проведемо дослідження з оптимізації структури НМ. Заповнимо наступну таблицю.
Кількість схованих шарів |
Кількість нейронів у схованому шарі |
Максимальна помилка навчання |
Середня помилка навчання |
Досягнута епоха |
|
|
|
|
|
Змінюючи перші два параметри ми оцінюємо якість апроксимації по 3 останнім параметрам. Таким чином, необхідно добутися прийнятного результату за рахунок використання мінімальної кількості схованих шарів і нейронів у схованому шарі.
5.5 Зміст звіту