Министерство образования и науки
Российской Федерации
Федеральное агентство по образованию
Государственное образовательное учреждение
высшего профессионального образования «Алтайский
государственный технический университет
им. И.И. Ползунова»
Факультет Информационных технологий и бизнеса
Кафедра Информационных технологий
Кривобоков Д.Е.
Методические указания по выполнению лабораторных работ
по дисциплине
«Интеллектуальные средства измерений»
Барнаул 2013
Нейросетевые системы обработки информации
Лабораторная работа №1
Цель: познакомиться со средой разработки и обучения нейросетевых систем NeuroPro.
Задание на лабораторную работу:
смоделировать предложенный вариант функциональной зависимости;
определить область существования аргументов;
сгенерировать обучающую (100 позиций) и тестирующую выборку (10 позиций) из неповторяющихся значений;
создать в среде NeuroPro нейросеть, обучить её;
исследуя различные структуры сети, сделать вывод о влиянии количества нейронов и слоев на ошибку.
Описание программы NeuroPro 0.25
Работа с нейронными сетями в программе возможна только в рамках некоторого нейропроекта. Сначала создается нейропроект, после его создания в него можно вставлять нейронные сети и работать с последними. Созданный нейропроект может быть сохранен на диске.
Большинство операций с нейронными сетями требуют присутствия подключенного к нейропроекту файла данных. Для подключения файла данных или его замены необходимо его открыть. Открытый файл данных отображается в собственном окне, где предоставляется возможность его редактирования (рисунок 1)
Рисунок 1 – Открытие файла данных
При закрытии окна файла данных подключение к нейропроекту завершается.
При подключенном файле данных можно проводить операции создания новых нейросетей, их обучения, тестирования и упрощения.
В дальнейшем возможна работа с сохраненными файлами нейропроекта. Для создания новой нейронной сети необходимо в окне нейропроекта заполнить диалог создания нейронной сети (рисунок 2). Созданную нейронную сеть можно далее обучать, тестировать, упрощать и сохранять на диске вместе с нейропроектом.
Рисунок 2 – Создание нейросети
Для обучения активной в данный момент в нейропроекте нейронной сети необходимо выбрать пункт меню Нейросеть/Обучение (рисунок 3). Если подключенный к нейропроекту файл данных не содержит необходимых полей (а это возможно, когда мы создаем сеть по одному файлу данных, а далее пробуем ее обучить, тестировать или упрощать по данным из другого файла), то выдается сообщение о несовместимости нейросети и файла данных. Если же в файле данных имеются все необходимые поля и он не пустой, то запускается процесс обучения сети. При этом на экран выводится окно обучения и упрощения сети, где пользователь имеет возможность наблюдать процесс обучения и при необходимости самостоятельно завершить обучение нажатием кнопки «Завершить».
Рисунок 3 – Запуск обучения нейросети
Обучение прекращается при достижении нулевого значения средней оценки на задачнике, в случае невозможности дальнейшего улучшения оценки либо при аварийных ситуациях (нулевой или бесконечный шаг в направлении оптимизации).
Имея нейронную сеть, можно посмотреть, насколько точно она прогнозирует значения выходных полей в файле данных. Для этого проводим тестирование нейронной сети (рисунок 3). Результат тестирования сети выводится в окно тестирования сети (рисунок 4).
Рисунок 4 – Результат тестирования нейросети
Возможно тестирование сети на другом файле данных. Для этого необходимо сначала подключить к проекту другой файл данных (рисунок 1), а затем протестировать сеть.
Результат тестирования можно сохранить в текстовом файле на диске. Далее этот файл можно обрабатывать в другой программе.
Для вычисления показателей значимости входных сигналов нейронной сети необходимо выбрать пункт меню Нейросеть/Значимость входов. Вычисленные показатели значимости выводятся в окно значимости входных сигналов сети (рисунок 5).
Если окно значимости входов отображено на экране и для данной нейронной сети запускается процесс упрощения, то окно значимости динамически изменяет отображаемые данные после каждого перерасчета показателей значимости входных сигналов (при каждом шаге упрощения – после исключении входного сигнала, нейрона или синапса, либо после бинаризации синапса).
Рисунок 5 – Определение значимости входов нейросети
Использование метода двойственности позволяет достаточно просто получать показатели значимости входных сигналов и элементов сети – по существу, вычисленные в линейном приближении абсолютные величины изменения функции оценки при удалении из сети элемента или входного сигнала. Эти показатели значимости усредняются по всем векторам задачника и по нескольким точкам в пространстве настраиваемых параметров.
Ранжируя входные сигналы и элементы сети по показателям значимости, получаем наборы входных сигналов и элементов, исключение которых почти не ухудшит точность решения задачи нейронной сетью. Исключая из сети эти наименее значимые входы и элементы и доучивая сеть, можно получить нейронную сеть с минимальным набором входных сигналов и элементов, правильно решающую задачу.
Не все входные сигналы сети и синапсы нейронов необходимы для правильного решения сетью задачи. Упрощение нейронной сети на основе вычисленных показателей значимости позволяет отсеять малозначимые, «шумовые» входные сигналы, и оставить элементы, действительно необходимые для правильного решения задачи.
В настоящей программе реализованы развитые возможности по упрощению нейронных сетей на основе вычисляемых показателей значимости. Основной целью создания данной программы являлось предоставление возможностей по приведению нейронной сети к логически прозрачному виду, когда по структуре сети становится возможным прочитать навык, сформированный нейронной сетью в процессе обучения, и построить явный алгоритм решения задачи.
Возможно, описать процесс решения нейронной сетью задачи в виде пересылки, суммирования и преобразования большого числа сигналов, но содержательная интерпретация крайне затруднена. Проводя же процесс упрощения нейронной сети по некоторым правилам, можно получить логически прозрачную сеть. Часто можно достаточно сильно упростить сеть без ухудшения точности решения задачи. Основными результатами проведения процесса упрощения сети являются следующие:
сокращается число входных сигналов сети. Если правильно решить задачу можно на основе меньшего набора входных данных, то это может в дальнейшем сократить временные и материальные затраты на сбор информации;
нейронную сеть более просто можно будет реализовать на аппаратной платформе;
сеть может приобрести логически прозрачную структуру. Известно, что почти невозможно понять, как обученная нейронная сеть решает задачу. После упрощения нейронная сеть становится достаточно обозримой и можно попытаться построить алгоритм решения сетью задачи на основе графического представления или вербального описания структуры сети.
Для упрощения нейронной сети имеются следующие операции в меню «Нейросеть» (рисунок 1):
сокращение числа входных сигналов – удаление наименее значимых входных сигналов;
сокращение числа нейронов – удаление наименее значимых нейронов сети;
сокращение числа синапсов – удаление наименее значимых синапсов сети;
сокращение числа неоднородных входов – удаление наименее значимых неоднородных входов нейронов сети;
равномерное упрощение сети – сокращение числа приходящих на нейроны сети сигналов до задаваемого пользователем;
бинаризация синапсов сети – приведение значений весов синапсов и неоднородных входов нейронов к выделенным значениям.
Упрощение нейронной сети проводится до тех пор, пока возможно обучение нейронной сети до нулевой средней оценки. Текущая информация выводится в окно обучения и упрощения сети. Упрощение может прекратиться, когда уже все синапсы, подлежащие упрощению или бинаризации, соответственно удалены или бинаризованы.
Нейрон сети считается удаленным, когда у него нет ни одного входного сигнала или сигнал данного нейрона не используется нейронами следующего слоя. Поэтому, нейроны сети можно удалять, не вводя специальной операции, а пользуясь только удалением сигналов и синапсов. Однако в программе реализована и операция по целенаправленному исключению нейронов из сети.
Как показывает опыт, простое сокращение числа синапсов может удалять как наименее значимые входы, так и «лишние» нейроны сети. Однако для более простого понимания навыка решения задачи, заложенного в нейронную сеть, часто бывает необходимо упрощать сеть по более сложным правилам, в первую очередь равномерно прореживая структуру синапсов сети, а только потом удалять наименее значимые входы и элементы сети.
Вербализация осуществляется для подготовки обученной и упрощённой нейросети к реализации в программном коде или в виде специализированного электронного устройства, а также для использования результатов в виде явных знаний. Вербализация — минимизированное описание работы синтезированной и уже обученной нейронной сети в виде нескольких взаимозависимых алгебраических или логических функций. Для получения вербального описания текущей нейронной сети необходимо выбрать пункт меню Нейросеть/Вербализация. Вербальное описание сети выводится в окно вербального описания сети. На основе вербального описания можно попытаться восстановить набор правил, используемых сетью для правильного решения задачи. На рисунке 6 представлен пример вербального описания нейросети.
Поля базы данных (исходные симптомы):
Ответ
MORE1
MORE50 (Входы нейросети)
THIRD
CONC
PREZ
DEPR
VAL2_1
CHAHGES
WAVE
MIST
R_HERO
Поля базы данных (конечные синдромы):
O_HERO (Выход нейросети)
Предобработка входных полей БД для подачи сети:
Ответ=(Ответ-1,5)/0,5
MORE1=(MORE1-0,5)/0,5
MORE50=(MORE50-0,5)/0,5 (Нормализация входных данных)
THIRD=(THIRD-0,5)/0,5
CONC=(CONC-0,5)/0,5
PREZ=(PREZ-0,5)/0,5
DEPR=(DEPR-0,5)/0,5
VAL2_1=(VAL2_1-0,5)/0,5
CHAHGES=(CHAHGES-0,5)/0,5
WAVE=(WAVE-0,5)/0,5
MIST=(MIST-0,5)/0,5
R_HERO=(R_HERO-0,5)/0,5
Функциональные преобразователи: (Функции преобразования для нейронов каждого слоя из трёх)
Сигмоида1(A)=A/(0,1+|A|)
Сигмоида2(A)=A/(0,1+|A|)
Сигмоида3(A)=A/(0,1+|A|)
Синдромы 1-го уровня: (Выражения для формирования выходных значений для нейронов 1-го слоя)
Синдром1_1=Сигмоида1( -0,03863027*Ответ+0,1266906*MORE1-0,2484884*MORE50-0,01392394*THIRD+0,0008851006*CONC+0,04595288*PREZ-0,08859266*DEPR+0,1110525*VAL2_1-0,02590611*CHAHGES+0,01212159*WAVE+0,141569*MIST+0,02680804*R_HERO+0,1270428 )
Синдром1_2=Сигмоида1( -0,0159246*Ответ-0,09550586*MORE1-0,1611389*MORE50-0,08424857*THIRD-0,02799511*CONC+0,01013751*PREZ+0,0265545*DEPR+0,02891569*VAL2_1-0,08297266*CHAHGES+0,04489349*WAVE-0,04222091*MIST-0,04058475*R_HERO+0,01788816 )
Синдром1_3=Сигмоида1( 0,004990925*Ответ-0,02343244*MORE1-0,04417629*MORE50+0,06214007*THIRD-0,01411095*CONC+0,0934852*PREZ-0,07131402*DEPR-0,03634751*VAL2_1+0,04796056*CHAHGES+0,09834826*WAVE+0,0313451*MIST+0,05274608*R_HERO+0,1652511 )
Синдром1_4=Сигмоида1( -0,1194062*Ответ+0,07090259*MORE1-0,00449174*MORE50+0,05181604*THIRD+0,1278129*CONC+0,01234857*PREZ-0,06042231*DEPR-0,2056381*VAL2_1+0,004513431*CHAHGES+0,01632027*WAVE-0,1197849*MIST-0,01650893*R_HERO+0,09338839 )
Синдром1_5=Сигмоида1( -0,2606088*Ответ-0,006943953*MORE1+0,07175393*MORE50-0,08252385*THIRD+0,1179697*CONC+0,1571794*PREZ-0,1156492*DEPR+0,01118669*VAL2_1+0,07146297*CHAHGES-0,09561828*WAVE-0,131753*MIST+0,06621495*R_HERO+0,04550247 )
Синдром1_6=Сигмоида1( -0,2216386*Ответ-0,042571*MORE1+0,1832969*MORE50-0,1656007*THIRD+0,0478223*CONC+0,03229483*PREZ-0,05840575*DEPR+0,02872997*VAL2_1+0,1102708*CHAHGES-0,1079581*WAVE-0,07819709*MIST-0,006195625*R_HERO+0,08015535 )
Синдром1_7=Сигмоида1( 0,1115348*Ответ-0,1354695*MORE1-0,2142722*MORE50-0,06858191*THIRD-0,223246*CONC+0,02158133*PREZ-0,06503332*DEPR-0,08013048*VAL2_1+0,03339043*CHAHGES-0,05898852*WAVE+0,001819497*MIST-0,21017*R_HERO-0,1117288 )
Синдром1_8=Сигмоида1( -0,1278734*Ответ-0,05736638*MORE1+0,04104329*MORE50+0,0226284*THIRD-0,07581101*CONC+0,09195583*PREZ-0,07073306*DEPR+0,06347804*VAL2_1+0,04593088*CHAHGES+0,02499626*WAVE-0,009370065*MIST+0,06800684*R_HERO-0,01213818 )
Синдром1_9=Сигмоида1( 0,07636923*Ответ+0,07927862*MORE1+0,0392926*MORE50-0,07544034*THIRD+0,1061761*CONC-0,10567*PREZ+0,08394437*DEPR+0,005100684*VAL2_1+0,005263366*CHAHGES+0,09960867*WAVE-0,07528628*MIST+0,0476784*R_HERO+0,01009651 )
Синдром1_10=Сигмоида1( -0,02336719*Ответ-0,04682841*MORE1-0,1297037*MORE50+0,1512037*THIRD+0,04566998*CONC+0,09566402*PREZ-0,07931611*DEPR+0,1167499*VAL2_1+0,03783095*CHAHGES+0,1224115*WAVE-0,1196574*MIST+0,08020139*R_HERO+0,1650162 )
Синдромы 2-го уровня: (Выражения для формирования выходных значений для нейронов 2-го слоя)
Синдром2_1=Сигмоида2( 0,2471666*Синдром1_1-0,01415716*Синдром1_2+0,04499019*Синдром1_3+0,1951965*Синдром1_4+0,08243655*Синдром1_5+0,1193656*Синдром1_6-0,1575967*Синдром1_7-0,06758762*Синдром1_8+0,1578861*Синдром1_9+0,1845255*Синдром1_10+0,09970029 )
Синдром2_2=Сигмоида2( -0,02740077*Синдром1_1+0,1246667*Синдром1_2+0,03017713*Синдром1_3-0,08545513*Синдром1_4+0,1478054*Синдром1_5+0,05178938*Синдром1_6-0,0939142*Синдром1_7+0,1167979*Синдром1_8+0,04443005*Синдром1_9+0,01616846*Синдром1_10-0,02407382 )
Синдром2_3=Сигмоида2( 0,01307902*Синдром1_1-0,04852926*Синдром1_2-0,01223037*Синдром1_3-0,02866904*Синдром1_4-0,09331021*Синдром1_5-0,1074024*Синдром1_6+0,1014128*Синдром1_7+0,04881953*Синдром1_8-0,01577373*Синдром1_9+0,01717005*Синдром1_10-0,09335459 )
Синдром2_4=Сигмоида2( 0,1167275*Синдром1_1-0,07768546*Синдром1_2-0,01028111*Синдром1_3+0,09630746*Синдром1_4+0,05935698*Синдром1_5+0,04084487*Синдром1_6-0,1485111*Синдром1_7+0,07398203*Синдром1_8+0,01313567*Синдром1_9+0,04677051*Синдром1_10+0,0294242 )
Синдром2_5=Сигмоида2( 0,01052438*Синдром1_1+0,07308493*Синдром1_2+0,1139973*Синдром1_3-0,003831538*Синдром1_4+0,09517301*Синдром1_5-0,04290619*Синдром1_6-0,1499392*Синдром1_7-0,05239143*Синдром1_8-0,001943041*Синдром1_9+0,1646316*Синдром1_10-0,03804878 )
Синдром2_6=Сигмоида2( -0,1585493*Синдром1_1+0,0498231*Синдром1_2+0,005580502*Синдром1_3-0,1508825*Синдром1_4-0,1775246*Синдром1_5-0,07059883*Синдром1_6+0,2121176*Синдром1_7+0,02824865*Синдром1_8-0,1074798*Синдром1_9-0,1121886*Синдром1_10-0,06475908 )
Синдром2_7=Сигмоида2( 0,04288778*Синдром1_1-0,09058346*Синдром1_2+0,005908821*Синдром1_3+0,0825197*Синдром1_4+0,09312702*Синдром1_5+0,1010202*Синдром1_6-0,1223529*Синдром1_7-0,02936577*Синдром1_8+0,03758552*Синдром1_9+0,06873708*Синдром1_10-0,04876174 )
Синдром2_8=Сигмоида2( -0,08141203*Синдром1_1+0,07623876*Синдром1_2+0,05507406*Синдром1_3+0,03232983*Синдром1_4-0,1443655*Синдром1_5-0,01655141*Синдром1_6-0,06480977*Синдром1_7-0,06166724*Синдром1_8-0,002842346*Синдром1_9+0,02549558*Синдром1_10+0,06539138 )
Синдром2_9=Сигмоида2( -0,1274747*Синдром1_1-0,02418927*Синдром1_2-0,06141138*Синдром1_3+0,04178425*Синдром1_4+0,004113595*Синдром1_5-0,0002062589*Синдром1_6-0,009167906*Синдром1_7-0,00904591*Синдром1_8-0,14527*Синдром1_9-0,09187588*Синдром1_10-0,193453 )
Синдром2_10=Сигмоида2( 0,01823949*Синдром1_1+0,08883146*Синдром1_2-0,02312503*Синдром1_3+0,04257577*Синдром1_4+0,007604266*Синдром1_5-0,01040078*Синдром1_6+0,1402343*Синдром1_7+0,1023212*Синдром1_8-0,09394267*Синдром1_9-0,007494524*Синдром1_10-0,002595656 )
Синдромы 3-го уровня: (Выражения для формирования выходных значений для нейронов 3-го слоя)
Синдром3_1=Сигмоида3( 0,1975499*Синдром2_1+0,01281657*Синдром2_2-0,06275571*Синдром2_3-0,003668076*Синдром2_4+0,08042482*Синдром2_5-0,1258621*Синдром2_6+0,08271912*Синдром2_7-0,04083411*Синдром2_8-0,05077522*Синдром2_9-0,07475607*Синдром2_10-0,04058095 )
Синдром3_2=Сигмоида3( 0,0982053*Синдром2_1+0,07407608*Синдром2_2+0,01860268*Синдром2_3+0,08472139*Синдром2_4+0,05309686*Синдром2_5+0,01232933*Синдром2_6+0,04223999*Синдром2_7-0,02982209*Синдром2_8-0,07698738*Синдром2_9-0,09940015*Синдром2_10+0,02955474 )
Синдром3_3=Сигмоида3( 0,09557378*Синдром2_1-0,01478121*Синдром2_2-0,00792642*Синдром2_3+0,08693421*Синдром2_4+0,05781262*Синдром2_5-0,1168337*Синдром2_6-0,04520992*Синдром2_7+0,06224837*Синдром2_8+0,01296874*Синдром2_9-0,02471666*Синдром2_10-0,05311941 )
Синдром3_4=Сигмоида3( -0,002833629*Синдром2_1+0,07900397*Синдром2_2-0,08887402*Синдром2_3+0,1109139*Синдром2_4-0,02425423*Синдром2_5-0,007713033*Синдром2_6-0,04855771*Синдром2_7+0,04266068*Синдром2_8-0,1451142*Синдром2_9-0,06934965*Синдром2_10+0,0198253 )
Синдром3_5=Сигмоида3( -0,1857784*Синдром2_1-0,1599757*Синдром2_2+0,06575767*Синдром2_3-0,04106453*Синдром2_4+0,02576688*Синдром2_5+0,1908526*Синдром2_6+0,08075775*Синдром2_7-0,05928513*Синдром2_8+0,1537116*Синдром2_9+0,04950357*Синдром2_10+0,009068958 )
Синдром3_6=Сигмоида3( 0,1462147*Синдром2_1+0,08205312*Синдром2_2-0,00556959*Синдром2_3+0,1252626*Синдром2_4+0,0851111*Синдром2_5-0,1565838*Синдром2_6+0,1578452*Синдром2_7-0,01441087*Синдром2_8+0,01129804*Синдром2_9-0,07126774*Синдром2_10+0,05504438 )
Синдром3_7=Сигмоида3( 0,001239642*Синдром2_1+0,0561975*Синдром2_2+0,06427779*Синдром2_3+0,01208675*Синдром2_4-0,01252007*Синдром2_5-0,06613245*Синдром2_6+0,04354439*Синдром2_7+0,0450358*Синдром2_8+0,08897647*Синдром2_9-0,08732484*Синдром2_10+0,09621393 )
Синдром3_8=Сигмоида3( -0,2288093*Синдром2_1-0,106012*Синдром2_2+0,00386511*Синдром2_3-0,01121592*Синдром2_4-0,04152698*Синдром2_5+0,08881363*Синдром2_6-0,1496539*Синдром2_7-0,06525789*Синдром2_8+0,09561753*Синдром2_9+0,1365388*Синдром2_10+0,0422678 )
Синдром3_9=Сигмоида3( -0,04905812*Синдром2_1-0,1006272*Синдром2_2-0,1121172*Синдром2_3-0,03404148*Синдром2_4-0,06308*Синдром2_5+0,03840292*Синдром2_6-0,00752757*Синдром2_7-0,1030912*Синдром2_8+0,02232363*Синдром2_9+0,03262006*Синдром2_10+0,08013303 )
Синдром3_10=Сигмоида3( 0,03210859*Синдром2_1-0,05709952*Синдром2_2-0,05851198*Синдром2_3+0,0296002*Синдром2_4+0,05856842*Синдром2_5-0,01245024*Синдром2_6-0,05893718*Синдром2_7-0,08914834*Синдром2_8+9,828576E-6*Синдром2_9+0,04631814*Синдром2_10+0,08356073 )
Конечные синдромы: (Выражения для формирования выходных значений для нейронов последнего слоя)
O_HERO=-0,2638967*Синдром3_1-0,1158106*Синдром3_2-0,0824991*Синдром3_3-0,1518189*Синдром3_4+0,3739791*Синдром3_5-0,227757*Синдром3_6+0,04966274*Синдром3_7+0,3209359*Синдром3_8+0,2079269*Синдром3_9+0,2074386*Синдром3_10+0,01948502
Постобработка конечных синдромов:
O_HERO=((O_HERO*1)+1)/2)
а) Результат вербализации до упрощения
Поля базы данных (исходные симптомы):
Ответ
MORE1
MORE50
THIRD
CONC
VAL2_1
MIST
R_HERO
Поля базы данных (конечные синдромы):
O_HERO
Предобработка входных полей БД для подачи сети:
Ответ=(Ответ-1,5)/0,5
MORE1=(MORE1-0,5)/0,5
MORE50=(MORE50-0,5)/0,5
THIRD=(THIRD-0,5)/0,5
CONC=(CONC-0,5)/0,5
VAL2_1=(VAL2_1-0,5)/0,5
MIST=(MIST-0,5)/0,5
R_HERO=(R_HERO-0,5)/0,5
Функциональные преобразователи:
Сигмоида1(A)=A/(0,1+|A|)
Сигмоида2(A)=A/(0,1+|A|)
Сигмоида3(A)=A/(0,1+|A|)
Синдромы 1-го уровня:
Синдром1_1=Сигмоида1( 0,308906*Ответ-0,01520971*MORE1-0,04632438*MORE50-0,02688632*THIRD-0,3333413*CONC-0,01429126*VAL2_1-0,1888484*R_HERO-0,1722811 )
Синдром1_2=Сигмоида1( -0,3176421*MORE50-0,2850057*MIST-0,1159251 )
Синдромы 2-го уровня:
Синдром2_1=Сигмоида2( -0,5035147*Синдром1_1+0,2356088*Синдром1_2+0,1461024 )
Синдромы 3-го уровня:
Синдром3_1=Сигмоида3( -0,4240959*Синдром2_1-0,02329614 )
Синдром3_2=Сигмоида3( -0,4347854*Синдром2_1-0,02251933 )
Конечные синдромы:
O_HERO=0,6804276*Синдром3_1+0,6297109*Синдром3_2-0,0211138
Постобработка конечных синдромов:
O_HERO=((O_HERO*1)+1)/2)
б) Результат вербализации после упрощения
Рисунок.6 – Пример вербального описания нейросети
Пример выполнения работы
Создадим обучающую выборку, для этого зададимся двумя уравнениями, и объединим их в систему:
В программном пакете Excel заполним значения x случайными числами в диапазоне от 0 до 10 и зададим функции. Так как программа NeuroPro в качестве файлов данных (содержащих обучающую выборку для нейронных сетей) использует файлы форматов DBF (форматы пакетов Dbase, FoxBase, FoxPro, Clipper) и DB (Paradox), а Excel данные устаревающие форматы не поддерживает, то установим и воспользуемся специальным макросом XlsToDBF.xla.
Выборка данных, подготовленных для экспорта в формат dbf, выглядят следующим образом:
Рисунок 7 - Данные выборки, подготовленные для экспорта в формат dbf
Таким образом, сгенерировали две выборки размером 100 и 10 не повторяющихся позиций, соответственно – обучающая и тестирующая и преобразовали их в формат dbf.
Создание нейропроекта
Подключим файл данных с обучающей выборкой. Добавим в нейропроект нейронную сеть слоистой архитектуры с числом слоев нейронов от 1 до 10, числом нейронов в слое – до 100 (число нейронов для каждого слоя сети может задаваться отдельно). Обучим нейронную сеть и протестируем, открыв тестирующую выборку.