ГУАП

КАФЕДРА № 82

ОТЧЕТ ЗАЩИЩЕН С ОЦЕНКОЙ

ПРЕПОДАВАТЕЛЬ

доцент, канд. техн. наук				А.Д. Державина
должность, уч. степень, звание		подпись, дата		инициалы, фамилия

ОТЧЕТ О ЛАБОРАТОРНОЙ РАБОТЕ №6

ИНТЕЛЛЕКТУАЛЬНЫЙ АНАЛИЗ ДАННЫХ. МЕТОД НЕЙРОННОЙ СЕТИ

по курсу: ИНТЕЛЛЕКТУАЛЬНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ

РАБОТУ ВЫПОЛНИЛ

СТУДЕНТ гр. №	4116
			подпись, дата		инициалы, фамилия

Санкт-Петербург 2024

Цель работы: изучить использование модели метода нейронных сетей для анализа данных.

Ход работы

Запущен процесс применения метода нейронной сети к набору данных Polynomial (Рисунок 1-3).

Рисунок 1 – Исходный набор данных

Рисунок 2 – Процесс применения модели нейронной сети

Рисунок 3 – Модель нейронной сети

Рисунок 4 – Первый фрагмент описания модели

Рисунок 5– Второй фрагмент описания модели

Рисунок 6- Истинные и предсказанные значения

В некоторых случаях предсказанные значения близки к фактическим, в других есть заметные расхождения.

Взят набор данных о качестве яблок (Рисунок 7). И Запущен процесс применения модели Perceptron (Рисунок 8-10)

Рисунок 7 – Набор данных

Рисунок 8 – Процесс применения модели к набору

Рисунок 9– Предсказанные значения

Рисунок 10 – Статистика

Вывод: в ходе выполнения лабораторной работы изучено использование модели метода нейронной сети.

Ответы на контрольные вопросы:

1. Сколько нейронов у человека?

приблизительно 10,000,000,000

2. Откуда получает входные сигналы искусственный нейрон?

Он получает входные сигналы (исходные данные либо выходные сигналы других нейронов нейронной сети) через несколько входных каналов. Каждый входной сигнал проходит через соединение, имеющее определенную интенсивность (или вес); этот вес соответствует синаптической активности биологического нейрона. С каждым нейроном связано определенное пороговое значение. Вычисляется взвешенная сумма входов, из нее вычитается пороговое значение и в результате получается величина активации нейрона (она также называется пост-синаптическим потенциалом нейрона - PSP).

3. Какую роль играет «функция активации»?

Сигнал активации преобразуется с помощью функции активации (или передаточной функции) и в результате получается выходной сигнал нейрона.

4. В чём особенность рекуррентной нейронной сети?

Если же сеть рекуррентная (т.е. содержит связи, ведущие назад от более дальних к более ближним нейронам), то она может быть неустойчива и иметь очень сложную динамику поведения. Рекуррентные сети представляют большой интерес для исследователей в области нейронных сетей, однако при решении практических задач, по крайней мере до сих пор, наиболее полезными оказались структуры прямой передачи, и именно такой тип нейронных сетей моделируется в пакете RM Neural Networks.

5. Сколько наблюдений нужно иметь для обучения сети?

Вопрос о том, сколько наблюдений нужно иметь для обучения сети, часто оказывается непростым. Известен ряд эвристических правил, увязывающих число необходимых наблюдений с размерами сети (простейшее из них гласит, что число наблюдений должно быть в десять раз больше числа связей в сети). На самом деле это число зависит также от (заранее неизвестной) сложности того отображения, которое нейронная сеть стремится воспроизвести. С ростом количества переменных количество требуемых наблюдений растет нелинейно, так что уже при довольно небольшом (например, пятьдесят) числе переменных может потребоваться огромное число наблюдений. Эта трудность известна как "проклятие размерности".