иси1 / Король_лаб1
.docxМинистерство образования и науки Российской Федерации
Государственное образовательное учреждение высшего профессионального образования «Алтайский государственный технический университет им. И.И. Ползунова»
Факультет информационных технологий
Кафедра информационных технологий
Отчет защищен с оценкой .
Преподаватель Д.Е. Кривобоков
(подпись) (и.о. фамилия)
« » 2014 г.
Отчет
по лабораторной работе № 1
по дисциплине «Интеллектуальные средства измерений»
«Нейросетевые системы обработки информации»
ЛР 200106.01.000 О |
.
Студент группы ИИТ-01 М. П. Король
Преподаватель доцент., к.т.н. Д.Е. Кривобоков
должность, ученая степень и.о., фамилия
БАРНАУЛ 2014
Цель работы:
– 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.
Порядок проведения лабораторной работы
Создадим обучающую выборку на основе системы из двух уравнений:
В Excel заполним значения x случайными числами в диапазоне от 0 до 10 и зададим функции. Получаются две выборки размером 100 и 10 неповторяющихся позиций, соответственно – обучающая и тестирующая. С помощью макроса XlsToDBF.xla преобразуем данные, подготовленные в Excel к формату dbf, воспринимаемому NeuroPro.
Рисунок 1 - Данные выборки, подготовленные для экспорта в формат dbf
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. Обучим нейронную сеть и протестируем, открыв тестирующую выборку.
Попробуем изменять число слоев.
Рисунок 2 – 10 слоев (по 10 нейронов в каждом)
Рисунок 3 – 3 слоя (по 10 нейронов в каждом)
Рисунок 4 – 2 слоя (по 10 нейронов в каждом)
Рисунок 5 – 1 слой из 10 нейронов
Попробуем изменять число нейронов.
Рисунок 6 – 1 слой из 5 нейронов
Рисунок 7 – 2 слоя из 5 и 3 нейронов
Рисунок 8 - 2 слоя (5 и 10 нейронов)
Вывод:
В процессе выполнения лабораторной работы была создана нейронная сеть с разными параметрами структуры в среде NeuroPro.
Изменяя только количество слоёв, не удалось сделать однозначных выводов о влиянии их количества на ошибку, так как результаты изменяются не линейно. В данном примере лучшие результаты наблюдались в сети из двух слоев.
При изменении количества нейронов в одном слое, оказалось, что чем больше нейронов, тем лучше результаты. Для нейронов в двух слоях был выведена закономерность, что результаты лучше всего, когда нейронов во втором слое больше, чем в первом.