8. Задание

Ознакомьтесь с описанием лабораторной работы.

Следуя рекомендациям пункта 5, создайте новую сеть Кохонена.

Загрузите файл smallir.pat (он был создан вами во время выполнения лабораторной работы №2). При выполнении данной лабораторной работы рекомендуется иметь листинг этого файла, файла iris.pat, а также отчет по лабораторной работе №2. Это поможет вам более наглядно проанализировать работу сети, полученные кластеры и проверить значения кластеров. Хотя, напоминаем еще раз, при решении задачи кластеризации априорные значения кластеров и принадлежность им элементов обычно неизвестны.

Следуя инструкциям пункта 6 обучите сеть. Продемонстрируйте преподавателю структуру сети, график ошибки обучения, окно Частоты побед. Объясните полученные результаты.

Откройте окно Топологическая карта. Выполните анализ кластеров, дайте имена кластерам и образцам, как описано в пункте 7. Сохраните результаты.

Проведите реинициализацию сети. Обучите сеть заново. Просмотрите полученные результаты. Изменилось ли что-либо? Почему?

Проведите обучение сети, задавая другие значения скорости обучения, размера окрестности. Проведите анализ полученных кластеров. Как повлияло изменение этих параметров на результаты работы?

Протестируйте на обученной сети другую последовательность образцов (файл iris.pat, или другая сокращенная последовательность из этого файла). Сделайте выводы.

Представьте в качестве отчета листинги файлов образцов, обученных сетей, графики ошибки обучеия, результаты частот побед и топологические карты с именами элементов по всем проведенным экспериментам.

9. Контрольные вопросы

1. Для решения каких задач применяются самоорганизующиеся карты Кохонена?

2. Каков смысл параметров, передаваемых функции обучения Кохонена?

3. Что такое топологическая карта? Опишите возможности ее использования в системе Trajan.

4. Каким образом можно оценить качество обучения SOM средствами системы Trajan?

Приложение 2. Вопросы контролирующего курса.

Вопросы обучающего курса представлены в следующем формате:

Вопрос

• Правильный ответ

• Неправильный ответ 1

• Неправильный ответ 2

При проведении тестирования ответы перемешиваются.

Список вопросов:

Для обучения сетей Кохонена используется

• обучение без учителя

• обучение с учителем

• смешанное обучение

Самоорганизующиеся карты это название

• сетей Кохонена

• скрытого слоя RBF-сетей

• сетей, способных к обучению без учителя

Какое количество слоев имеют сети Кохонена?

• всегда 2 слоя

• 1-3 слоя

• любое, в зависимости от решаемой задачи

Какой нейрон называется нейроном-"победителем"?

• тот, для которого значение функции близости максимально

• тот, для которого значение функции близости минимально

• нейрон, определяющий класс с максимальным числом образов

Проводится ли коррекция весовых векторов на стадии самообучения сети Кохонена?

• да, нейрона-"победителя" и остальных активных нейронов слоя Кохонена

• да, только нейрона-"победителя"

• нет

Основное назначение сетей радиальных базисных функций

• аппроксимация многомерных функций

• решение задач автоматической классификации

• прогнозирование

Сколько слоев имеют RBF-сети?

• 3

• 2

• в зависимости от решаемой задачи

Радиальные базисные функции вычисляются

• в скрытом слое RBF-сети

• в выходном слое RBF-сети

• перед подачей образов во входном слое RBF-сети

Для чего вводится параметр "лямбда" в RBF-сетях?

• для определения весовых коэффициентов при наличии шума во входных данных

• для вычисления опорных точек

• для предварительной обработки входных векторов

При решении задачи аппроксимации функций необходимо

• минимизировать суммарную ошибку по всем опорным точкам

• чтобы искомая функция f проходила через все опорные точки

• чтобы искомая функция f проходила через все точки обучающей последовательности

Когда достигается лучшее решение задачи аппроксимации при использовании вариационного исчисления?

• когда функционал минимален

• когда функционал максимален

• только когда функционал равен нулю

Когда необходимо введение полинома в аппроксимирующую функцию?

• при использовании некоторых центральных функций, кроме функции Гаусса

• всегда

• только для функции Гаусса

Алгоритм обратного распространения относится к методу обучения

• с учителем

• без учителя

• смешанному

Сколько слоев может содержать персептрон?

• От 1 до бесконечности

• Всегда 3

• Менее двух

Чем определяется принадлежность нейрона к классу входных, выходных или скрытых нейронов?

• Тип нейрона задается явно

• Принадлежность определяется положением нейрона в сети

• Принадлежность определяется номером

На что влияет коэффициент корреляции?

• На скорость обучения и сходимость

• На топологию обученной сети

• На способность сети отсекать глобальные минимумы из дерева решений

Как связаны нейроны в многослойных персептронах?

• нейроны одного слоя только с нейронами прилегающих слоев без рекуррентных связей

• нейроны одного слоя с нейронами прилегающих слоев с обратными связями

• все со всеми

В алгоритме обратного распространения обратно передается

• ошибка между желаемым и реальным выходным значением каждого нейрона выходного слоя

• ошибка между входным значением нейрона входного слоя и выходным значением нейрона выходного слоя

• весовой вектор нейрона выходного слоя

Алгоритм Дельта-правило использует

• производную функции ошибки

• производную взвешенной суммы весов выходного слоя

• сигмоидную функцию ошибки

Что такое емкость нейронной сети?

• число образов, которые она способна научиться распознавать

• число нейронов в сети

• число нейронов в выходном слое сети

RPROP-алгоритм основан на использовании

• значения знака градиента

• значения градиента

• добавления момента

В чем состоит цель обучения репликативной нейронной сети

• чтобы вектор, воспроизводимый выходным слоем сети, совпадал с вектором, поданным на входной слой

• чтобы вектор, воспроизводимый выходным слоем сети, совпадал с ожидаемым выходным вектором

• чтобы вектор, воспроизводимый выходным слоем сети представлял входную информацию в сокращенном виде

Как называется в генетическом алгоритме обмен частями двух индивидов?

• рекомбинация

• мутация

• селекция

В каком случае не используется генетический алгоритм?

• оптимизация объема обучающей последовательности

• оптимизация весовой матрицы

• оптимизация топологии сети

В чем состоит задача классификации образов?

• В указании принадлежности входного образа одному или нескольким предварительно определенным учителем классам

• В исследовании свойств данных, извлечения и сжатия информации

• В автоматическом распределении образов по множеству классов, в зависимости от схожести их входных аттрибутов

По архитектуре связей ИНС могут быть сгруппированы в два класса:

• сети прямого распространения информации и сети с обратными связями

• сети с обратными связями и реккурентные сети

• рекуррентные сети и динамические сети