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 №3

по дисциплине «Системы искусственного интеллекта»

на тему «Изучение искусственных нейронных сетей с радиально-базисными функциями»

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 на базе нейронов с радиально-базисными функциями; построение гибридных сетей.

2. ЭКСПЕРИМЕНТАЛЬНАЯ ЧАСТЬ

   1. Обучение РБФ-сети с одинаковой дисперсией всех кластеров

Первоначально производится обучение РБВ-сети с равной дисперсией у всех кластеров. Для этого необходимо подобрать оптимальные значения порога и дисперсии, при которых количество корректно распознанных объектов максимально.

Изначально значения порога равно 0.2, а дисперсии – 0.01. При таких значениях не один объект не был распознан правильно.

Рисунок 2.1.1 – Результаты обучения РБФ-сети при заданных параметрах

В результате дальнейших экспериментов было выяснено, что максимальное пороговое значение, при котором появляются результаты – это 0.113, а минимальное – 0.01. При этом, методом подбора не удалось определить влияние значения дисперсии на результат, как и добиться процента корректно распознанных объектов выше 19.672%. Поэтому значение дисперсии было выбрано 0.2505, как середина предлагаемого диапазона.

Рисунок 2.1.2 – Результаты обучения РБФ-сети на левой границе правильного порога

Рисунок 2.1.3 – Результаты обучения РБФ-сети на правой границе правильного порога

Ниже представлены таблица и график полученных результатов корректности распознавания объектов.

Рисунок 2.1.4 – Результаты многократного обучения РБФ-сети

2. Обучение «Карты Кохонена» методом PLSOM

Далее необходимо обучить карту Кохонена и выписать значения дисперсий для каждого кластера объектов. Результаты обучения представлены ниже.

Рисунок 2.2.5 – Результаты кластеризации карты Кохонена

Результаты измерения дисперсии для каждого из объектов представлены в таблице ниже:

Таблица 2.2.1 – Дисперсии для каждого параметра, полученные картой Кохонена

ПАРАМЕТР	ДИСПЕРСИЯ
apoc1	0,0258
apoc2	0,0171
apoc3	0,0236
apoc4	0,0385
apoc6	0,0055
apoc7	0,0107
apoc8	0,0477
apoc9	0,0562
apoc10	0,0477
apoc-non	0,0039

3. Гибридное обучение РБФ-сети

Необходимо повторить пункт 2.1, но теперь в качестве дисперсий указать значения из пункта 2.2. Результат обучения представлен на рисунке ниже.

Рисунок 2.3.6 – Результаты гибридного обучения РБФ-сети

3. ВЫВОДЫ

В результате лабораторной работы было установлено, что обучение РБФ-сети с одинаковой дисперсией для всех классов – почти бессмысленное занятие: хотя и возможно обучение с положительными результатами, сам результат скорее отрицательный (около 20% корректно распознанных данных). При этом во время выполнения работы была обнаружена аномалия обучения, если можно так выразиться: обучение давало положительные результаты в очень малом диапазоне значения порога принятия решения, а изменение значения дисперсии не влияло на результат вовсе. Аномально то, что дисперсия является одним главных параметров Нормального распределения, кое и лежит в основе РБФ‑сети.

Гибридное обучение РБФ‑сети оказалось куда более эффективным, даже несмотря на ошибки при кластеризации исходных данных.

Москва 2025г