ЛР / Лабораторная №7 по ТИДЗ ИСТ-223

ФЕДЕРАЛЬНОЕ АГЕНТСТВО СВЯЗИ

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ

«САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ТЕЛЕКОММУНИКАЦИЙ ИМ. ПРОФ. М.А. БОНЧ-БРУЕВИЧА»

(СПбГУТ)

Кафедра безопасности информационных систем

ОТЧЁТ

по лабораторной работе №7 на тему:

«Решение задачи регрессии с помощью нейронной сети»

по дисциплине «Теория информации, данные, знания»

Выполнили студенты группы ИСТ-223

___________/Хакова Ю./

___________/Коваленко А./

Принял: ___________/ Новиков Е.А./

Методика исследования.

Исходные данные в соответствии с вариантом задания:

• Метод оптимизации – adam

• Число скрытых нейронов – 30

• Шаг градиентного спуска – 0,01

1. Заданной функцией является синус. При представлении данной функции нейронной сетью без обучения она выдаёт абсолютно неподходящий график (Рисунок 1).

Рисунок 1. Предсказание сети без обучения.

После обучения нейронной сетью она начинает выдавать более подходящие графики. Минимальное значение скрытых нейронов, при котором сеть выдаёт наиболее удовлетворяющий результат ( Рисунок 2) является 28.

Рисунок 2. Предсказание сети при 28 скрытых нейронов.

2. Наилучшим значением шага градиентного спуска в данном случае можно выделить 0,005. При этом значении шага график имеет отклонения, но не такие значительные (Рисунок 3).

Рисунок 3. Предсказание сети при шаге спуска 0,005.

3-4. Далее нейронная сеть изменяется для предсказания уже функции 2^x*sin(2^-x). К этой функции вычисляется метрика. Путём подбора обнаружены количество скрытых нейронов – 30, шаг градиента спуска – 0,01, и количество эпох – 2000, при которых значение метрики не превышает значения 0,03 (Рисунок 4).

Рисунок 4. Предсказание сети метрики.

Выводы.

При выполнении данной работы были освоены навыки решения задач регрессии с помощью нейронной сети.

САНКТ-ПЕТЕРБУРГ 2024