Министерство цифрового развития, связи и массовых коммуникаций Российской Федерации

Ордена Трудового Красного Знамени Федеральное государственное бюджетное образовательное учреждение высшего образования «Московский технический университет связи и информатики» (МТУСИ)

Факультет: Радио и телевидения

Кафедра: РТС

Дисциплина: Системы искусственного интеллекта

Лабораторная работа №2

Проверили:

Безумнов Д. Н.

Варламов В. О.

Москва 2025

Содержание

1. Постановка задачи …………………………………………………………… 3

2. Выполнение …………………………………………………………………...3

3. Выводы …………...………………………………………………………….. 9

1. Постановка задачи

Цель работы: Изучение методов кластерного анализа в системах искусственного интеллекта.

Вариант 2:

Таблица 1 – Исходные данные:

№ варианта	Метод объединения	Метрика
2	Уорда	Квадрат евклидова расстояния

2. Выполнение

Путем перебора шагов кластеризации установлено минимальное количество кластеров, при котором распознавание типа сигналов производится правильно.

Создать Карту Кохонена, 20 конкурирующих нейронов. Провести обучение со следующими параметрами: одномерная структура конкурирующего слоя, алгоритм обучения – PLSOM, начальный радиус обучения – 4, минимальный радиус обучения – 1, число эпох: 1000, 500, 100, 50, 10.

Затем повторить для алгоритма обучения “Классический” (SOM): первая константа скорости – 10, вторая константа скорости – 2, начальный радиус обучения – 1, скорость измерения радиуса обучения – 0.

Результат распознания выборки:

Обучение методом PLSOM

Обучение методом SOM

Таблица 2 – Доля корректно распознанных объектов

Число эпох	Доля корректно распознанных объектов
	Алгоритм PLSOM	Алгоритм классический (SOM)
1000	60/61 = 0.983	56/61 = 0.918
500	58/60 = 0.966	60/61 = 0.984
100	60/61 = 0.984	58/61 = 0.951
50	60/61 = 0.984	57/61 = 0.934
10	53/61 = 0.868	54/61 = 0.885

Рис. 1 – График зависимости доли корректно распознанных объектов от числа эпох обучения

3. Выводы

Для алгоритма PLSOM:

Наилучшие результаты (0.984) достигаются уже при 50-100 эпохах.При дальнейшем увеличении числа эпох до 500-1000 качество немного снижается (0.966-0.983).При малом количестве эпох (10) наблюдается значительное падение качества (0.868).

Для классического SOM:

Пиковое качество (0.984) достигается при 500 эпохах.При меньшем количестве эпох качество постепенно возрастает.При увеличении до 1000 эпох наблюдается снижение качества (0.918) - возможное переобучение.

Сравнительный анализ:

PLSOM быстрее достигает высокого качества (уже при 50 эпохах).Классический SOM требует больше эпох для достижения максимального качества.PLSOM демонстрирует более стабильные результаты на больших эпохах.Оба алгоритма показывают схожее максимальное качество (0.984). PLSOM предпочтительнее, так как он обеспечивает лучшее качество по сравнении с SOM при меньших вычислительных затратах.