МИНИСТЕРСТВО ЦИФРОВОГО РАЗВИТИЯ, СВЯЗИ И МАССОВЫХ КОММУНИКАЦИЙ РОССИЙСКОЙ ФЕДЕРАЦИИ

Ордена Трудового Красного Знамени

Федеральное государственное бюджетное образовательное

учреждение высшего образования

Московский Технический Университет Связи Информатики

Факультет

Радио и Телевидение (РиТ)

Кафедра

«Радиотехнические системы (РТС)»

ОТЧЁТ

по лабораторной работе №1

по дисциплине «Системы искусственного интеллекта»

на тему «Изучение искусственных нейронных сетей типа перцептрон»

Выполнили:
Студент группы БРВ2201		Велит А.И.
Студент группы БРВ2201		Мусаев Д.Ш.
Проверили:
Старший преподаватель		Безумнов Д.Н.
Ассистент кафедры РТС		Варламов В.О.

1. ЦЕЛЬ РАБОТЫ

Целью выполняемой лабораторной работы является: изучение искусственных нейронных сетей типа перцептрон; моделирование работы многослойного персептрона в задачах классификации радиосигналов.

2. ЭКСПЕРИМЕНТАЛЬНАЯ ЧАСТЬ

Обучение происходит для многослойного персептрона с одиннадцатью нейронами методом обратного распространения со следующими параметрами:

• Норма обучения равна семи десятым;

• Инерционный коэффициент равен шести десятым.

В качестве активационной функции была выбрана сигмоидальная единичной крутизной.

1. Обучение с двумя слоями

Первая часть обучения – это обучение перцептрона с двумя слоями. Количество эпох варьируется от четырёх до ста. Результаты обучения представлены ниже на рисунках 2.1.1 – 2.1.8.

Рисунок 2.1.1 – Результат обучение для 4-х эпох

Рисунок 2.1.2 – Результат обучение для 6-ти эпох

Рисунок 2.1.3 – Результат обучение для 8-ми эпох

Рисунок 2.1.4 – Результат обучение для 10-ти эпох

Рисунок 2.1.5 – Результат обучение для 12-ти эпох

Рисунок 2.1.6 – Результат обучение для 14-ти эпох

Рисунок 2.1.7 – Результат обучение для 16-ти эпох

Рисунок 2.1.8 – Результат обучение для 100-а эпох

Результаты обучения представлены ниже, в таблице 2.1.1.

Таблица 2.1.1 – Результаты обучения для двух слоёв

ЭПОХИ	КОРРЕКТНО	ОШИБКИ	ПРОЦЕНТ
004	46	15	75,41%
006	46	15	75,41%
008	49	12	80,33%
010	52	09	85,25%
012	52	09	85,25%
014	52	09	85,25%
016	53	08	86,89%
100	58	03	95,08%

График зависимость процента правильных решений от количества эпох обучения представлен на рисунке 2.1.9.

Рисунок 2.1.9 – График зависимости процента правильности от эпох обучения

2. Обучение с четырьмя слоями

Вторая часть обучения – это обучение перцептрона с четырьмя слоями. Количество эпох варьируется от четырёх до ста. Результаты обучения представлены ниже на рисунках 2.2.1 – 2.2.8.

Рисунок 2.2.10 – Результат обучение для 4-х эпох

Рисунок 2.2.11 – Результат обучение для 6-ти эпох

Рисунок 2.2.12 – Результат обучение для 8-ми эпох

Рисунок 2.2.13 – Результат обучение для 10-ти эпох

Рисунок 2.2.14 – Результат обучение для 12-ти эпох

Рисунок 2.2.15 – Результат обучение для 14-ти эпох

Рисунок 2.2.16 – Результат обучение для 16-ти эпох

Рисунок 2.2.17 – Результат обучение для 100-а эпох

Результаты обучения представлены ниже, в таблице 2.2.1.

Таблица 2.2.2 – Результаты обучения для четырёх слоёв

ЭПОХИ	КОРРЕКТНО	ОШИБКИ	ПРОЦЕНТ
004	11	50	18,03%
006	11	50	18,03%
008	11	50	18,03%
010	11	50	18,03%
012	11	50	18,03%
014	11	50	18,03%
016	11	50	18,03%
100	59	02	96,72%

График зависимость процента правильных решений от количества эпох обучения представлен на рисунке 2.2.9.

Рисунок 2.2.18 – График зависимости процента правильности от эпох обучения

Также ниже представлен сравнительный график обучения для различного количества слоёв.

Рисунок 2.2.19 – График зависимости процента правильности от количества эпох для разных слоёв обучения

3. ВЫВОДЫ

В результате выполнения лабораторной работы было установлено, что количество слоёв перцептрона напрямую влияет как на скорость обучения, так и на точность. При этом, на скорость влияние более заметно, чем на точность.

Явно заметно, что перцептрон с двумя слоями обучается до предела статистической ошибки (5% ошибок) быстрее, чем перцептрон с четырьмя слоями: около двадцати пяти эпох для перцептрона с двумя слоями и около шестидесяти пяти эпох для перцептрона с четырьмя слоями. При этом качество обучение различается всего на 1,64% (95,082% для двух слоёв и 96,721% для четырёх слоёв), что не всегда оправдано усложнением модели.

Также можно отметить, что при малом числе эпох обучения, модель с двумя слоями проявляет себя куда лучше (что объясняется повышенной скоростью обучения).

В итоге, модель с двумя слоями показывает худшие результаты обучения, хоть и не значительно, но при этом куда быстрее обучается и является более простой. Так что её использование более рационально, чем модели с четырьмя слоями. Однако всё вышесказанное справедливо для лабораторной работы.

Москва 2025г