5. Пример выполнения практического задания

Рассмотрим пример «Прогнозирование потребления электриче­ства». Для начала работы необходимо запустить систему PathFinder, в появившемся окне перейти на вкладку ввода диапазонов данных (Вкладка Datasets). Также для работы необходимо открыть файл Microsoft Excel "PF_tutorial.xls". Таким образом, для правильной работы необходимо, чтобы были открыты оба приложения Microsoft Excel и PathFinder.

Задача данного примера в том, чтобы построить модель ежедневного предельного уровня расхода электричества для компании энергоснабжения.

Входные данные Необходимо использовать максимальную почасовую температуру в течение дня и минимальную почасовую температура в течение дня, а также наиме­нование дня недели.

Обозначения:

PEAK - почасовое необходимое количество электричества в день (в мегаваттах);

minT - почасовая минимальная температура в течение дня (градусы F);

mахТ - почасовая максимальная температура в течение дня (градусы F);

DOW_N1 - воскресенье (0 = нет, 1 = да);

D0W_N2 - понедельник (0 = нет, 1 = да);

DOWN3 - вторник (0 = нет, 1 = да);

DOW_N4 - среда (0 = нет, 1 = да);

DOW_N5 - четверг (0 = нет, 1 = да);

DOW_N6 - пятница (0 = нет, 1 = да);

DOW_N7 - суббота (0 = нет, 1 = да).

5.1. Ввод диапазонов данных.

Имена переменных

Активируйте Microsoft Excel, выберете лист "Varsl". Затем выделите диапазон названия переменных, они обозначены желтым цветом (ячейки А1 к I1). Как только этот диапазон выделен, перейдите к окну PathFinder и щелкните ма­ленькую кнопку с рукой рядом с текстовым полем, названным " Variable names ".

Также необходимо, чтобы текстовое поле с названием "Excel File Name" содер­жало имя файла с расширением (*.xls/). В данном примере это файл PF_tutorial.xls. Если файл Excel указан верно, то поле Variable names заполнится определенным заданным диапазоном (в примере: VARS1! R1C1:R1C9), который содержит имена переменных.

Данные для обучения

Теперь определение диапазона данных для обучения. Необходимо возвратитесь к окну Excel, и выделить диапазон до синей границы (ячейки А2 к I601).

Этот диапазон определяет данные, которые используются в обучающейся ней­ронной сети, чтобы обновлять функцию сети. Далее в окне PathFinder необходимо щелкнуть кнопку с рукой напротив поля с именем от "Training Data". Поле заполниться соответствующим диапазоном. (В примере: VARS1! R2C1:R6O1C9).

Данные для тестирования

Возвращаемся к окну Excel, выделяем диапазон от синей до красной границы (эти данные следуют за данными для обучения).

Переходим обратно к окну PathFinder, и нажимаем кнопку напротив поля с названием " Test data ".

Поле заполниться соответствующим диапазоном. (В примере: VARS1! R6O2C1:R751C9). Данные для тестирования используются в процессе обучения, чтобы определить, когда учебная сессия должна быть остановлена

Данные для проверки

Возвращаемся к окну Excel, и выделяем диапазон до фиолетовой границы (эти данные следуют за данными для тестирования). Переключитесь назад к окну PathFinder, и нажмите кнопку напротив поля с именем " Validate data ". Поле за­полниться диапазоном VARS1! R752C1 :R951С9.

Данные для проверки используются после того, как обучение закончено, чтобы определить, насколько точной получилась модель нейронной сети, есть ли данные пропущенные в процессе обучения.

Данные для вычислений

Возвращаемся к окну Excel, и перемещаемся вниз до последней заполненной строки (ряд 1251). Выделяем 4 заключительных ряда данных (ячейки А1248 к I1251). Это данные для вычислений, используемые в процессе моделирования. Колонка слева это обозначение "критической точки", которая является минимальным/максимальным значением из всех встречающихся в колонке, а также обозначение количества повто­рений данной критической точки.

Например, в колонке (maxt - максимальная температура) минимальное значение, найденное в этой колонке составляет 40 градусов.

Ряд с названием "Scale max" для колонки 2 показывает сколько раз встречается максимальное значение 98 в данной колонке, это число повторений равно 1.

Переходим в окно PathFinder и нажимаем кнопку напротив поля с названием "Scaling data" - диапазон будет заполнен (VARS1! R1248C1:R1251C9).

Результат

В конце мы должны определить диапазон ячеек в Excel для записи прогнозируе­мых значений найденных в процессе работы нейронной сети. Возвратитесь в Excel, и выделите ячейки К752 к К951. Затем в окне Path Finder нажмите на кнопку напро­тив поля с именем "Results"

Теперь окно PathFinder на вкладке Datasets будет выглядеть следующим образом (рис. 8).

Рис.8. Окно PathFinder после заполнения

Примечание: диапазоны данных можно вводить вручную.

Теперь, когда все диапазоны определены, необходимо, чтобы программа прочла данные. В окне PathFinder, необходимо нажать на кнопку "Read From Excel". Про­грамма загрузит данные, и проставит число наблюдений в каждом из этих трех набо­ров данных. Теперь окно должно выглядеть так (рис.9).

Рис.9. Окно PathFinder после загрузки данных из Excel

Обучение нейронной сети

После прочтения данных, нейронная сеть готова к обучению. В окне PathFinder, перейдите на вкладку Variables. Переменные уже определены, они считываются из таблицы Excel, все переменные перечислены в поле Available Variables. Выберите дан­ные для модели. Теперь перейдите на вкладку Design. Здесь определяется архитектура нейронной сети и параметры настройки, связанные с учебным процессом. Исполь­зуйте значения по умолчанию.

Перейдите на вкладку Train. Щелкните на кнопке "Run", которая начинает обуче­ние. Процесс закончен, когда график перестает обновляться.

Окно PathFinder теперь выглядит следующим образом (рис.10)

Рис.10. Результат обучения сети

Проверка функции

Как только обучение окончено, мы можем перейти на вкладку Examine Weight , чтобы увидеть матрицу функций для нашей сети (рис.11). Ячейки - цвет, которых синий со­держат значения наибольших функций, зеленый - средних, и белые - наименьших.

Значение входов

Одного способа недостаточно, чтобы судить об относительных значениях входов. Другой метод, доступный в PathFinder - тест значения. Щелкните на вкладке Significant и нажмите на кнопку "Run".

Рис.11. Матрица функций сети

Применение данных к нейронной сети

Как только сеть обучалась в PathFinder, можно применить получившийся на­бор данных к сети, чтобы увидеть как они обрабатываются. Проверяя получившиеся данные, мы используем данные, которые не использовались в учебном процессе. Пе­реходим на вкладку "Apply" и нажимаем кнопку "Run" (рис.12).

Теперь окно PathFinder выглядит следующим образом, при этом поле "МАРЕ" со­держит средний абсолютный процент ошибки.

Рис.12. Средний абсолютный процент ошибки