лабы / лаба 2 / 00_лаба_2_2_сии_отчёт

1 ЦЕЛЬ РАБОТЫ

Целью выполняемой лабораторной работы является: изучение методов кластерного анализа в системах искусственного интеллекта.

2 ЭКСПЕРИМЕНТАЛЬНАЯ ЧАСТЬ

Используемый метод обучения – кластерный анализ, с использованием:

•Метод объединения: метод Уорда;

•Метрика: Евклидово расстояние.

Все значения были нормированы к интервалу [0…1].

2.1 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:

1

Рисунок 2.1.1 – Минимальное количество кластеров, необходимое для правильного распознавания типа сигнала

2.2 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 2.2.1 – Результаты обучения карты Кохонена

2

Рисунок 2.2.2 – Результаты распознавания Число кластеров – 11, количество ошибок – 1.

Обучение карты Кохонена при тех же данных, но с числом эпох 500:

Рисунок 2.2.3 - Результаты обучения карты Кохонена при числе эпох 500

Рисунок 2.2.4 – Результаты распознавания при числе эпох 500

Число кластеров – 11, количество ошибок – 2.

3

Обучение карты Кохонена при тех же данных, но с числом эпох 100:

Рисунок 2.2.5 - Результаты обучения карты Кохонена при числе эпох 100

Рисунок 2.2.6 – Результаты распознавания при числе эпох 100

Число кластеров – 10, количество ошибок – 3.

Обучение карты Кохонена при тех же данных, но с числом эпох 50:

4

Рисунок 2.2.7 - Результаты обучения карты Кохонена при числе эпох 50

Рисунок 2.2.8 – Результаты распознавания при числе эпох 50

Число кластеров – 9, количество ошибок – 3.

Обучение карты Кохонена при тех же данных, но с числом эпох 10:

5

Рисунок 2.2.9 - Результаты обучения карты Кохонена при числе эпох 10

Рисунок 2.2.10 – 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.

6

Рисунок 2.2.11 – 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.

2.3 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;

7

•Первая константа скорости – 10;

•Вторая константа скорости – 2;

•Начальный радиус обучения – 1;

•Скорость изм. рад. обучения – 0.

При числе эпох обучения равным 1000:

Рисунок 2.3.1 – Обучение карты Кохонена по «Классическому» алгоритму, число эпох 1000

Рисунок 2.3.2 – Результаты распознавания при числе эпох 1000

Число кластеров – 10, количество ошибок – 5.

При числе эпох обучения равным 500:

8

Рисунок 2.3.3 – Обучение карты Кохонена по «Классическому» алгоритму, число эпох 500

Рисунок 2.3.4 – Результаты распознавания при числе эпох 500

Число кластеров – 11, количество ошибок – 5.

При числе эпох обучения равным 100:

9