neuro_lab3

Оценим результаты прогнозирования:

21

Из рисунка видно, что сначала прогноз достаточно точно совпадает с реальными значениями, постепенно ошибка прогнозирования возрастает. Чтобы уменьшить ошибку, можно взять большее число отсчетов для прогноза (lookahead = 2; 3). Сеть хорошо предсказывает самый первый отсчет (здесь – 8-й), как ей и было задано. Последующие результаты прогнозирования она строит с учетом предсказанного, а не реального значения, например, 9-й отсчет будет получен по 8-му предсказанному сетью и 6 реальным отсчетам.

Получим данные с сайта центрального банка России за некоторый произвольный период, например, 4 года (выбираем на календаре сайта):

Экспортируем полученные данные в xlsx. Откроем скаченный xlsx-файл в Excel. Выделим столбец data и применим к нему: сортировка и фильтр – сортировка от старых к новым, согласимся с:

После этого данные упорядочились от старых к новым. Если в столбце curs данные с запятыми, а не точками, то выделим стобец и применим:

Выбираем «Заменить все». После этого запятые стали точками.

Теперь в Statistica Neural Network создадим таблицу с числом входов 1, выходов 0, наблюдений 1480 (равно числу наблюдений в xslx-файле):

22

Вставим скопированные из столбца curs данные в созданную таблицу:

Создадим многослойный персептрон:

23

После этого первые 7 наблюдений стали верыми в таблице. Сделаем столбец таблицы типа input/output:

Обучим ИНС:

24

Построим прогноз курса доллара:

25

Из рисунка видно, что сеть плохо прогнозирует курс доллара. Возможно, это происходит потому, что между значениями курса доллара нет реальных зависимостей.

3. Решим задачу распознавания 9-ти изображений самолетов.

Откроем файл EXP.exe и создадим оптимальное разбиение (самолеты должны быть узнаваемы, но число ячеек разбиения должно быть минимальным) путем изменения числа элементов разбиения в столбце (Col) и строке (Row), затем «разбить на ячейки» и «оцифровать»:

Для получения данных - результатов оцифровки откроем файл AVIA.csv. Создадим новую таблицу и заполним ее скопированными из файла данными. Добавим в начало таблицы 2 переменные – первая для номера модели (1-9), вторая – для класса модели (0 или 1 – выбираем произвольно). Например, пусть 1, 3, 7 модели относятся к классу 1, остальные – к 0:

Создадим ИНС:

26

27

Обучим ИНС:

28

Получим результаты сравнения оценок моделей и действительных значений номеров моделей и их классов:

Из таблицы видно, что погрешности классификации достаточно велики для 1-го и 9-го номера модели. Для остальных случаев погрешность определения классов и номеров моделей не превышает

4 %.

29