ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ
ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО
ОБРАЗОВАНИЯ
«Вятский государственный университет» (фгбоу впо «ВятГу»)
Факультет автоматики и вычислительной техники
Кафедра «Электронные вычислительные машины»
РАЗРАБОТКА И ИССЛЕДОВАНИЕ НЕЙРОСЕТЕВЫХ ЭКСПЕРТНЫХ СИСТЕМ НА БАЗЕ СЕТИ ART2 И СЕТИ ВСТРЕЧНОГО РАСПРОСТРАНЕНИЯ
Отчет
Лабораторная работа №8 по дисциплине
«Системы искусственного интеллекта»
Вариант №3
Выполнил студент группы ВМ-51_______________/Гнилуша И.А./
Проверил доцент, к.т.н. кафедры ЭВМ __________/Ростовцев В.С./
Киров 2013
Цель: разработка и исследование нейросетевой экспертной системы (ЭС) на базе нейронной сети АРТ2 и нейронной сети встречного распространения.
Исходные данные
ГИПОТЕЗЫ:
Мотоцикл {Honda_CBR400, Honda_Steed650, Kawasaki_ZZR400, Yamaha_R1, Yamaha_YBR125, ИЖ_Планета, ИЖ_Юпитер}
ПАРАМЕТРЫ:
Максимальная_скорость {110, 120, 125, 140, 180, 315}
Производится_в_данный_момент {да, нет}
Количество_тактов {2, 4}
Расположение_цилиндров {V-образное, Рядное}
Количство_передач_КПП {4, 5, 6}
Тип {Дорожный, Спорт-турист, Супер-спорт, Чоппер}
Символ_производителя {Круглый, Крыло, Название_производителя}
Страна_производитель {Россия/СССР, Япония}
Возможность_установки_бокового_прицепа {Есть, Нет}
Количество_цилиндров {1, 2, 4}
Объем_двигателя {1000, 125, 350, 400, 650}
ОБУЧАЮЩАЯ ТАБЛИЦА:
Входы:
Выходы:
Выполнение лабораторной работы:
Этап 1. Создание нейросетевой ЭС на базе сети встречного распространения
Выбор оптимального количества кластеров (слой Кохонена).
Количество кластеров: 10
Прогнозируемые выходные вектора (результаты, полученные в NeuroPro):
OUT1 |
OUT2 |
OUT3 |
OUT4 |
OUT5 |
OUT6 |
OUT7 |
-1,021 |
-1,02 |
-1,089 |
-1,027 |
-1,026 |
-0,369 |
1,028 |
-0,974 |
-0,991 |
-1,001 |
-0,978 |
0,979 |
-1,056 |
-1,018 |
-1,021 |
-0,936 |
-0,886 |
0,922 |
-0,953 |
-0,974 |
-1,029 |
0,922 |
-0,986 |
-0,926 |
-0,996 |
-0,968 |
-1,032 |
-1,046 |
-0,995 |
1 |
-0,986 |
-0,737 |
-1,024 |
-1,014 |
-1,039 |
Полученные выходные вектора:
Количество кластеров: 5
Прогнозируемые выходные вектора (результаты, полученные в NeuroPro):
OUT1 |
OUT2 |
OUT3 |
OUT4 |
OUT5 |
OUT6 |
OUT7 |
-1,021 |
-1,02 |
-1,089 |
-1,027 |
-1,026 |
-0,369 |
1,028 |
-0,974 |
-0,991 |
-1,001 |
-0,978 |
0,979 |
-1,056 |
-1,018 |
-1,021 |
-0,936 |
-0,886 |
0,922 |
-0,953 |
-0,974 |
-1,029 |
0,922 |
-0,986 |
-0,926 |
-0,996 |
-0,968 |
-1,032 |
-1,046 |
-0,995 |
1 |
-0,986 |
-0,737 |
-1,024 |
-1,014 |
-1,039 |
Полученные выходные вектора:
Количество кластеров: 20
Прогнозируемые выходные вектора (результаты, полученные в NeuroPro):
OUT1 |
OUT2 |
OUT3 |
OUT4 |
OUT5 |
OUT6 |
OUT7 |
-1,021 |
-1,02 |
-1,089 |
-1,027 |
-1,026 |
-0,369 |
1,028 |
-0,974 |
-0,991 |
-1,001 |
-0,978 |
0,979 |
-1,056 |
-1,018 |
-1,021 |
-0,936 |
-0,886 |
0,922 |
-0,953 |
-0,974 |
-1,029 |
0,922 |
-0,986 |
-0,926 |
-0,996 |
-0,968 |
-1,032 |
-1,046 |
-0,995 |
1 |
-0,986 |
-0,737 |
-1,024 |
-1,014 |
-1,039 |
Полученные выходные вектора:
Количество кластеров: 15
Прогнозируемые выходные вектора (результаты, полученные в NeuroPro):
OUT1 |
OUT2 |
OUT3 |
OUT4 |
OUT5 |
OUT6 |
OUT7 |
-1,021 |
-1,02 |
-1,089 |
-1,027 |
-1,026 |
-0,369 |
1,028 |
-0,974 |
-0,991 |
-1,001 |
-0,978 |
0,979 |
-1,056 |
-1,018 |
-1,021 |
-0,936 |
-0,886 |
0,922 |
-0,953 |
-0,974 |
-1,029 |
0,922 |
-0,986 |
-0,926 |
-0,996 |
-0,968 |
-1,032 |
-1,046 |
-0,995 |
1 |
-0,986 |
-0,737 |
-1,024 |
-1,014 |
-1,039 |
Полученные выходные вектора:
Количество кластеров: 3
Прогнозируемые выходные вектора (результаты, полученные в NeuroPro):
OUT1 |
OUT2 |
OUT3 |
OUT4 |
OUT5 |
OUT6 |
OUT7 |
-1,021 |
-1,02 |
-1,089 |
-1,027 |
-1,026 |
-0,369 |
1,028 |
-0,974 |
-0,991 |
-1,001 |
-0,978 |
0,979 |
-1,056 |
-1,018 |
-1,021 |
-0,936 |
-0,886 |
0,922 |
-0,953 |
-0,974 |
-1,029 |
0,922 |
-0,986 |
-0,926 |
-0,996 |
-0,968 |
-1,032 |
-1,046 |
-0,995 |
1 |
-0,986 |
-0,737 |
-1,024 |
-1,014 |
-1,039 |
Полученные выходные вектора:
Вывод: в ходе выполнения лабораторной работы при подборе оптимального количества кластеров (слой Кохонена) было определено:
увеличение количества кластеров до определенного предела дает возможность приблизить выходные вектора к прогнозируемым векторам, если же количество кластеров будут превышать этот определенный предел, то значения выходного вектора будут менее приближены к значениям прогнозируемого вектора;
при увеличении числа кластеров уменьшается средняя ошибка при обучении;
оптимальным количеством кластеров для данной обучающей таблицы оказалось 10 кластеров (при этом количестве кластеров выходной вектор был более приближен к прогнозируемому).