SII_2_LABA
.docxМинистерство цифрового развития, связи и массовых коммуникаций РФ. Ордена Трудового Красного Знамени федеральное государственное бюджетное
образовательное учреждение высшего образования
«Московский технический университет связи и информатики» Факультет РиТ
Кафедра РТС
Лабораторная работа №2
Выполнили студенты
Группы БРА2101
Самуилов О.С
Епифанов Г.Ю.
Проверил:
Чиров Д.С.
Москва 2024
Цель работы:
Изучение методов кластерного анализа в системах искусственного интеллекта.
Выполнение:
Оптимальное количество кластеров
PLSOM алгоритм обучения
Карта Кохонена
1000 эпох
Средняя дисперсия 0.009
Найдено кластеров 12
Средняя дисперсия по всем кластерам 0.0089
500 эпох
Средняя дисперсия 0.014
Найдено кластеров 11
Средняя дисперсия по всем кластерам 0.0136
100 эпох
Средняя дисперсия 0.022
Найдено кластеров 10
Средняя дисперсия по всем кластерам 0.0224
50 эпох
Средняя дисперсия 0.021
Найдено кластеров 10
Средняя дисперсия по всем кластерам 0.0213
10 эпох
Средняя дисперсия 0.059
Найдено кластеров 8
Средняя дисперсия по всем кластерам 0.0594
SOM алгоритм обучения (классический)
Карта Кохонена
1000 эпох
Средняя дисперсия 0.022
Найдено кластеров 12
Средняя дисперсия по всем кластерам 0.022
500 эпох
Средняя дисперсия 0.019
Найдено кластеров 10
Средняя дисперсия по всем кластерам 0.0187
100 эпох
Средняя дисперсия 0.021
Найдено кластеров 12
Средняя дисперсия по всем кластерам 0.0212
50 эпох
Средняя дисперсия 0.035
Найдено кластеров 9
Средняя дисперсия по всем кластерам 0.035
10 эпох
Средняя дисперсия 0.072
Найдено кластеров 11
Средняя дисперсия по всем кластерам 0.0715
График зависимости доли корректно распознанных объектов от числа эпох обучения.
П.1.14
Минус иерархического метода в том, что нельзя использовать при большом количестве данных, и получение результатов происходит в ручном режиме.
Плюс самоорганизующегося метода в том, что получение результатов происходят в автоматическом режиме
Вывод:
С увеличением количества эпох PLSOM демонстрирует устойчивое улучшение качества распознавания и достигает 100% при 1000 эпохах, в то время как SOM выходит на плато при более низкой точности.
Это позволяет предположить, что модель PLSOM лучше подходит для задач, требующих высокой точности и длительного обучения, тогда как SOM может быть эффективной при ограниченных ресурсах и меньшем количестве эпох.