Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Введение в нейронные сети. Методические указания к лабораторным работам по дисциплине «Нейроинформатика» для студентов специальности 09.03.02 «Информа
.pdf
Сохранить проект в формате .nnp
Загрузить проект в формате .nnp
Сбросить настройки
Просмотр структуры нейронной сети
Логическая операция «конъюнкция»
Установка значений по умолчанию
Принять изменения
Отмена изменений
Рис.8.1. Вкладка «Проектирование сети»
Главное меню «Нейросимулятора» содержит следующие кнопки (аналогичные кнопки содержат и остальные вкладки «Нейросимулятора»):
Вкладка «Проектирование сети» позволяет выбирать число нейронов
входного, скрытых и выходного слоёв, тип функции активации (для всех скрытых слоёв используется одна и та же функция активации). Вкладка «Проекти-
21
рование сети» представляет структуру нейронной сети, а также ведёт автоматический подсчёт общего числа нейронов и связей.
В качестве функций активации (рис. 8.2–8.5) могут выступать:
1) сигмоидальная функция активации:
Рис. 8.2. График сигмоидальной функции активации
2) функция активации Ле Кана:
Рис. 8.3. График функции активации Ле Кана
3) логарифмическая функция активации:
Рис. 8.4. График логарифмической функции активации
22
4) линейная функция активации,
Рис. 8.5. График линейной функции активации
Вкладка «Обучение» (рис. 8.6 позволяет создать множество обучающих
примеров (или открыть множество обучающих примеров, заранее подготовлен-
ных в MS Excel и сохранённых с расширением .xls, нажав на кнопку ), выбрать алгоритм обучения и параметры обучения нейронной сети и представлена
на рис. 8.6:
Рис. 8.6. Вкладка «Обучение»
23
Вкладка «Обучение» дополнительно содержит следующие кнопки:
Добавить пример
Удалить выбранный пример
Очистить данные
Отправить данные в MS Excel
Обнаружение выбросов
Значимость входов нейронной сети
Скопировать данные из обучающих примеров
Вычислить
Вычислить и округлить
Вкладка «Проверка» (рис. 8.7) позволяет протестировать обученную
нейронную сеть на примерах, которые не участвовали в обучении, а также на
множестве обучающих примеров.
Рис. 8.7. Вкладка «Проверка»
Вкладки «Проверка» и «Прогноз» дополнительно содержит следующие
кнопки:
24
ВАРИАНТЫ ДЛЯ САМОСТОЯТЕЛЬНОЙ РАБОТЫ
1. Интеллектуальный детектор лжи.
2. Интеллектуальный антиспамер.
3. Интеллектуальная система диагностики сложных технических
устройств.
4. Интеллектуальная система диагностики здоровья человека.
5. Интеллектуальная система распознавания автомобильных номерных
знаков.
6. Интеллектуальная система распознавания криминальных ситуаций по
данным видеонаблюдений.
7. Интеллектуальная система оценки жилой недвижимости.
8. Интеллектуальная система оценки стоимости подержанных автомоби-
лей.
9. Интеллектуальная система прогнозирования курсов валют, котировок
акций и ценных бумаг (с учетом влияния различных факторов).
10. Интеллектуальная система оценки банковских рисков.
11. Интеллектуальная система оценки кредитоспособности физических
лиц.
12. Интеллектуальная система выявления клиентов-мошенников страхо-
вых компаний.
13. Интеллектуальная система оценки вероятности банкротств организа-
ций.
14. Интеллектуальная система прогнозирования расхода зданиями тепло-
вой и электрической энергии.
15. Интеллектуальная система прогнозирования индексов потребитель-
ских цен.
16. Интеллектуальная система прогнозирования результатов голосований.
17. Интеллектуальная система прогнозирования результатов выборов
президента страны.
18. Интеллектуальная система прогнозирования результатов выборов в
законодательное собрание области, края.
19. Интеллектуальная система оценки шансов поступления абитуриента в
вуз.
пары.
теля.
20. Интеллектуальная система-советчик выбора профессии.
21. Интеллектуальная система-советчик выбора партнера супружеской
22. Интеллектуальная система прогнозирования пола будущего ребенка.
23. Интеллектуальная система поддержки принятия решений руководи-
25
24. Интеллектуальная система формирования коэффициентов исхода
спортивных матчей (прогнозирование букмекерских коэффициентов).
25. Интеллектуальная система распознавания лиц.
26. Интеллектуальная система прогнозирования результатов автомобиль-
ных гонок, скачек и пр.
27. Интеллектуальная система прогнозирования вероятности дорожно-
транспортных происшествий.
Замечание: допускается, когда студент предлагает тему для самостоя-
тельной работы, однако рекомендуется предварительно определиться с методикой формирования множества обучающих примеров, заблаговременно сообщить преподавателю о своём намерении выполнять лабораторную работу по
своей теме, а также определить совместно с преподавателем возможные изменения требований к оформлению отчёта.
26
ТРЕБОВАНИЯ К ОФОРМЛЕНИЮ ОТЧЁТА
Отчёт по лабораторной работе № 8 должен содержать:
1) Постановку задачи, включающую обоснование выбора данных для
входов и выходов нейронной сети.
2) Обучающее множество примеров в .xls.
3) Описание архитектуры нейронной сети, а также соответствующий
скриншот.
4) Описание параметров обучения нейронной сети.
5) Скриншот кривой сходимости обучения нейронной сети.
6) Результаты этапа тестирования (на обучающей и тестовой выборках).
Замечание: эти результаты лучше представить в графической форме в
виде гистограммы, полученной с помощью MS Excel, в которую данные пере-
даны путём нажатия на кнопку «Отправить данные в MS Excel».
7) Результаты этапа оптимизации нейронной сети.
8) График зависимости погрешности обобщения от числа нейронов скры-
того слоя.
Замечание: также приветствуются материалы научноисследовательского характера, например, по определению оптимальной структуры нейронной сети, её параметров, исследование значимости входов на качество решения и т.д.
9) Список используемой литературы в алфавитном порядке.
27
ЗАКЛЮЧЕНИЕ
Разработанные методические указания позволяют ознакомиться с основными понятиями теории нейронных сетей, такие как модель нейрона Маккалока – Питтса, функция активации, алгоритм обучения, нейронная сеть персептрон и т. д. Особенно важным является успешное выполнение лабораторной
работы № 8, позволяющее продемонстрировать полученные знания и умения
работать с нейронными сетями на практике.
28
СПИСОК ЛИТЕРАТУРЫ
Основная часть
1. Ясницкий Л.Н. Искусственный интеллект. Элективный курс: методиче-
ское пособие / Л.Н. Ясницкий, Ф.М. Черепанов. – М.: БИНОМ. Лаборатория
знаний, 2012. – 216 с.
2. Ясницкий Л.Н. Искусственный интеллект. Элективный курс: учебное
пособие / Л.Н. Ясницкий. – М.: БИНОМ. Лаборатория знаний, 2011. – 197 с.
3. Головко В.А. Нейронные сети обучение, организация и применение.
Кн. 4: Учеб. пособие для вузов / Общая ред. А.И. Галушкина. – М.: ИПРЖР,
2001. – 256 с.
Дополнительная и справочная часть
1. Вороновский Г.К. и др. Генетические алгоритмы, искусственные
нейронные сети и проблемы виртуальной реальности / Г.К. Вороновский,
К.В. Махотило, С.Н. Петрашев, С.А. Сергеев. – Ч.: Основа, 1997. – 112 с.
2. Галушкин А.И. Нейрокомпьютеры. Кн.3: Учеб. Пособие для вузов /
Общая ред. А.И. Галушкина. – М.: ИПРЖР, 2000. – 528 с.
3. Горбань А.Н., Хлебопрос Р.Г. Демон Дарвина. Идея оптимальности и
естественный отбор. М.: Наука. Гл. ред. физ.-мат.лит., 1988.
4. Заенцев И.В. Нейронные сети: основные модели. Учебное пособие для
студентов 5 курса. – Воронеж, 1999. – 76 с.
5. Кохонен Т. Ассоциативная память.: Пер. с.англ. – М.: Мир, 1980. –
240 с.
6. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные
нейронные сети: Учеб. пособие. – М.: Издательство Физико-математической
литературы, 2001. - 224 с.
7. Люгер Дж.Ф. Искусственный интеллект: стратегии и методы решения
сложных проблем, 4-е изд.: Пер. с англ. – М.: Изд. Дом «Вильямс», 2003. –
864 с.
8. Методы нейроинформатики / Под. ред. А.Н. Горбаня; отв. за выпуск
М.Г. Доррер. КГТУ, Красноярск, 1998. 205 с.
9. Минский М., Пайперт С. Персептроны.: Пер. с.англ. – М.: Мир, 1971. –
263 с.
10. Нейрокомпьютер. Проект стандарта / Е.М. Миркес – Новосибирск:
Наука, Сибирская издательская фирма РАН, 1998. – 189 с.
11. Нейрокомпьютеры в системах обработки изображений. Кн. 7: Коллек-
тивная монография / Общая ред. А.И. Галушкина. – М.: Радиотехника, 2003. –
192 с. (Нейрокомпьютеры и их применение).
29
12. Нейрокомпьютеры в системах обработки сигналов. Кн. 9: Коллектив-
ная монография / Под ред. Ю.В. Гуляева и А.И. Галушкина. – М.: Радиотехника, 2003. – 224 с.
13. Нейроматематика. Кн. 6: Учеб. Пособие для вузов / Агеев А.Д., Балух-
то А.Н., Бычков А.В. и др.; Общая ред. А.И. Галушкина. – М.: ИПРЖР, 2002. –
448 с. (Нейрокомпьютеры и их применение).
14. Осовский С. Нейронные сети для обработки информации / Пер. с
польского И.Д. Рудинского. – М.: Финансы и статистика, 2002. – 344 с.
15. Рассел С., Норвиг П. Искусственный интеллект: современный подход,
2-е изд.: Пер. с англ. – М.: Изд. Дом «Вильямс», 2006. – 1408 с.
16. Розенблатт Ф. Принципы нейродинамики. Перцептроны и теория
механизмов мозга.: Пер. с англ. – М.: Мир, 1965. – 470 с.
17. Терехов В.А. Нейросетевые системы управления: Учеб. пособие для
вузов / В.А. Терехов, Д.В. Ефимов, И.Ю. Тюкин. – М.: Высш. шк., 2002. – 183 с.
18. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управ-
ления. Кн. 8: Учеб. пособие для вузов / Общая ред. А.И. Галушкина. – М.:
ИПРЖР, 2002. – 480 с. (Нейрокомпьютеры и их применение).
19. Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика. М.:
Мир, 1992.
20. Хайкин С. Нейронные сети: полный курс, 2-е изд., испр.: Пер. с англ. –
М.: ООО «И.Д. Вильямс», 2006. – 1104 с.
30
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]