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 №2
по дисциплине «Системы искусственного интеллекта»
на тему «Изучение методов кластерного анализа»
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. |
ЦЕЛЬ РАБОТЫ
Целью выполняемой лабораторной работы является: изучение методов кластерного анализа в системах искусственного интеллекта.
ЭКСПЕРИМЕНТАЛЬНАЯ ЧАСТЬ
Используемый метод обучения – кластерный анализ, с использованием:
Метод объединения: метод Уорда;
Метрика: Евклидово расстояние.
Все значения были нормированы к интервалу [0…1].
Кластерный анализ
После проведения кластерного анализа(кластеризации) по обучающей выборке, путем перебора было определено, что минимальным количеством кластеров, при котором распознавание типа сигналов производится правильно, является 10:
Рисунок 2.1.1 – Минимальное количество кластеров, необходимое для правильного распознавания типа сигнала
Обучение карты Кохонена по алгоритму PLSOM
Далее производится обучение карты Кохонена с числом конкурирующих нейронов равным 20, одномерной структурой конкурирующего слоя, алгоритмом обучения PLSOM, начальным радиусом обучения 4.0, минимальным радиусом обучения 1.0 и числе эпох обучения – 1000.
Рисунок 2.2.2 – Результаты обучения карты Кохонена
Рисунок 2.2.3 – Результаты распознавания
Число кластеров – 11, количество ошибок – 1.
Обучение карты Кохонена при тех же данных, но с числом эпох 500:
Рисунок 2.2.4 - Результаты обучения карты Кохонена при числе эпох 500
Рисунок 2.2.5 – Результаты распознавания при числе эпох 500
Число кластеров – 11, количество ошибок – 2.
Обучение карты Кохонена при тех же данных, но с числом эпох 100:
Рисунок 2.2.6 - Результаты обучения карты Кохонена при числе эпох 100
Рисунок 2.2.7 – Результаты распознавания при числе эпох 100
Число кластеров – 10, количество ошибок – 3.
Обучение карты Кохонена при тех же данных, но с числом эпох 50:
Рисунок 2.2.8 - Результаты обучения карты Кохонена при числе эпох 50
Рисунок 2.2.9 – Результаты распознавания при числе эпох 50
Число кластеров – 9, количество ошибок – 3.
Обучение карты Кохонена при тех же данных, но с числом эпох 10:
Рисунок 2.2.10 - Результаты обучения карты Кохонена при числе эпох 10
Рисунок 2.2.11 – Результаты распознавания при числе эпох 10
Число кластеров – 9, количество ошибок – 8.
Далее на рисунке 2.2.10 представлен график зависимости доли корректно распознанных объектов от числа эпох обучения.
Рисунок 2.2.12 – График зависимости доли корректно распознанных объектов от числа эпох обучения
Из графика видно, что с увеличением числа эпох модель обучается более эффективно, что приводит к снижению количества ошибок и повышению доли корректно распознанных объектов. Есть период значительного роста с 10 эпох обучения по 50, здесь прирост составляет около 8.2% к числу корректно распознанных объектов, однако после прирост точности с 50 до 1000 эпох составил только 3.3%. При 1000 числе эпох ошибок почти нет и модель распознает 98,4% объектов правильно, что дает наилучший результат. Однако, если вычислительные ресурсы ограничены, уже 50-100 эпох дают очень хороший результат (95%), а разница в 3.3% с лучшим результатом может не окупать десятикратных затрат на обучение.
Обучение карты Кохонена, используя «Классический» алгоритм
Далее производится обучение карты Кохонена с числом конкурирующих нейронов равным 20, используя «Классический» алгоритм с параметрами:
Структура конкурирующего слоя – одномерная;
Первая константа скорости – 10;
Вторая константа скорости – 2;
Начальный радиус обучения – 1;
Скорость изм. рад. обучения – 0.
При числе эпох обучения равным 1000:
Рисунок 2.3.13 – Обучение карты Кохонена по «Классическому» алгоритму, число эпох 1000
Рисунок 2.3.14 – Результаты распознавания при числе эпох 1000
Число кластеров – 10, количество ошибок – 5.
При числе эпох обучения равным 500:
Рисунок 2.3.15 – Обучение карты Кохонена по «Классическому» алгоритму, число эпох 500
Рисунок 2.3.16 – Результаты распознавания при числе эпох 500
Число кластеров – 11, количество ошибок – 5.
При числе эпох обучения равным 100:
Рисунок 2.3.17 – Обучение карты Кохонена по «Классическому» алгоритму, число эпох 100
Рисунок 2.3.18 – Результаты распознавания при числе эпох 100
Число кластеров – 8, количество ошибок – 4.
При числе эпох обучения равным 50:
Рисунок 2.3.19 – Обучение карты Кохонена по «Классическому» алгоритму, число эпох 50
Рисунок 2.3.20 – Результаты распознавания при числе эпох 50
Число кластеров – 12, количество ошибок – 10.
При числе эпох обучения равным 10:
Рисунок 2.3.21 – Обучение карты Кохонена по «Классическому» алгоритму, число эпох 10
Рисунок 2.3.22 – Результаты распознавания при числе эпох 10
Число кластеров – 8, количество ошибок – 16.
Далее представлен график зависимости доли корректно распознанных объектов от числа эпох обучения при использовании алгоритма «Классический».
Рисунок 2.3.23
Из графика видно, что с увеличением числа эпох до 100 модель обучается более эффективно, что приводит к значительному снижению количества ошибок и повышению доли корректно распознанных объектов. Наблюдается период быстрого роста: с 10 до 100 эпох доля правильных ответов выросла с 73,8% до 93,4%, то есть прирост составил почти 20%. Однако после 100 эпох дальнейшее обучение приводит к ухудшению работы модели. При увеличении числа эпох до 500 и 1000 точность снижается до 91,8%, а количество ошибок возрастает. Это указывает на то, что модель начинает переобучаться.
Таким образом, наилучший результат демонстрирует модель, обученная в течение 100 эпох, где достигается пиковая точность в 93,4%. Использование большего числа эпох не только не улучшает, но и ухудшает качество распознавания, что делает нерациональными дополнительные вычислительные затраты.
ВЫВОДЫ
В результате выполнения лабораторной работы были изучены такие методы кластерного анализа в системах искусственного интеллекта, как Кластерный анализ и карты Кохонена.
Также при изучении модели обучения карт Кохонена было произведен анализ двух алгоритмов: «PLSOM» и «Классический» (SOM).
На основе полученных данных можно сделать однозначный вывод о преимуществе алгоритма PLSOM над алгоритмом «Классический» по всем ключевым параметрам.
По скорости обучения: PLSOM демонстрирует значительно более быструю сходимость – уже после 10 эпох обучения он достигает точности 86,9%, в то время как классический SOM показывает только 73,8%. Это преимущество сохраняется на всех этапах обучения.
По стабильности работы: PLSOM показывает монотонное улучшение качества по мере увеличения количества эпох (от 86,9% до 98,36%), тогда как классический SOM страдает от нестабильности - после достижения пика в 93,44% на 100 эпохах его качество снижается до 91,8% при дальнейшем обучении, что свидетельствует о переобучении.
По итоговому качеству: PLSOM достигает максимальной точности 98,36%, что существенно превышает лучший результат классического (93,44%).
Москва 2025г