Федеральное государственное бюджетное образовательное учреждение высшего образования
«Национальный исследовательский университет «МЭИ» (НИУ «МЭИ»)
Кафедра управления и интеллектуальных технологий
Нейро-нечеткие технологии в задачах управления
Лабораторная работа №1:
Изучение основ применения искусственных нейронных сетей
Выполнили:
Проверил:
Косинский М. Ю.
Москва 2024
Цель работы
Изучение основ работы с искусственными нейронными сетями (ИНС) в среде ППП Simintech.
Ознакомление с принципами работы с искусственными нейронными сетями в ППП Simintech на примере классификации ирисов.
Рис.1. Функциональная схема ИНС в режиме обучения.
Выходные данные:
Рис.2. График точности обучения.
В процессе обучения точность классификации ирисов превысила 95%. Это достаточно высокое значение, поэтому можно утверждать не только о том, что наша нейросеть обучилась, но и о том, что ее архитектура соответствует решаемой задаче.
Исследование влияния изменения количества слоев на качество обучения сети.
Увеличение количества слоев ИНС:
Рис.3. Функциональная схема ИНС с 3 слоями.
Рис.4. График точности обучения для ИНС с 3 слоями.
Уменьшение количества слоев ИНС:
Рис.5 Функциональная схема ИНС с 1 слоем.
Рис.6. График точности обучения для ИНС с 1 слоем.
Экспериментальное изменение количества слоев искусственной нейронной сети показало, что оно сильно влияет на эффективность обучения нейронных сетей. В данном случае лучше всех себя показала схема ИНС с 3 слоями нейронов, т.к. в этом случае НС обучается наиболее быстро и достигает более высоких значений точности, чем, например, схема с 1 слоем нейронов.
Исследование работы обученной нейронной сети
Рис.7. Функциональная схема ИНС в режиме тестирования.
Рис.8. Результат работы ИНС в режиме тестирования
Исследование влияния изменения количества слоев на качество обучения.
Увеличение количества слоев:
Рис.9. Схема ИНС в режиме тестирования с 3 слоями.
Рис.10. Результат работы схемы с 3 слоями.
Увеличение количества слоев:
Рис.11. Схема ИНС в режиме тестирования с 1 слоем.
Рис.12. Результат работы схемы с 1 слоем.
Исследование влияния количества слоев ИНС на качество обучения (на примере собственной ИНС)
Обучение с input22.
Рис.13. Функциональная схема собственной ИНС.
Рис.14. График точности обучения собственной ИНС.
Увеличение количества слоев:
Рис.15. Функциональная схема собственной ИНС с 3 слоями.
Рис.16. График точности обучения собственной ИНС с 3 слоями.
Уменьшение количества слоев:
Рис.17. Функциональная схема собственной ИНС с 1 слоем.
Рис.18. График точности обучения собственной ИНС с 1 слоем.
Тестирование собственной обученной ИНС.
Рис.19. Функциональная схема для тестирования собственной ИНС с 3 нейронами.
Рис.20. Результат работы собственной ИНС с 3 нейронами.
Рис.19. Функциональная схема для тестирования собственной ИНС с 2 нейронами.
Рис.20. Результат работы собственной ИНС с 2 нейронами.
Рис.19. Функциональная схема для тестирования собственной ИНС с 1 нейроном.
Рис.20. Результат работы собственной ИНС с 1 нейроном.
Вывод:
Проанализировав результаты работы ИНС с разным количеством нейронов мы убедились, что увеличение их количества положительно сказывается на точности. Результаты точности обучения ИНС напрямую связанны с количеством ошибок, полученных в результате тестирования. В результате можно утверждать: Точность обучения является достоверным критерием корректной работы ИНС; Увеличение количества нейронов позволяет получить более высокое качество обучения ИНС в рамках поставленной задачи.