Лаб_практикум_ОВИ_03_06_13

16.2.2. Построение гибридной нейронной сети

Построим гибридную нейронную сеть, которая по данным о курсе валюты за четыре банковских дня предсказывает курс на пятый день

(экстраполирует). Используются данные с 01.01.2012 по 10.03.2012 г. о

курсе доллара США. Обучающие данные – с 01.01.2012 по 01.03.2012 г.,

тестирующие – с 1.01.2012 по 9.01.2012 г., проверочные – на 10.01.2012 г.

Создадим файлы данных .dat: training.gat, testing.dat, cheking.dat. В

них будут содержаться данные, необходимые для обучения и проверки нейронной сети. Данные в них – матрицы, в каждой из которых по 5

столбцов – 4 банковских дня (вход) и 1 день (выход). В первом файле – 40

строк, во втором – 4, в третьем – 1.

Файл Training.dat

31.5673 31.6053 31.6117 31.6113 31.6123

31.6053 31.6117 31.6113 31.6123 31.6268

31.6117 31.6113 31.6123 31.6268 31.6302

31.6113 31.6123 31.6268 31.6302 31.6409

………………………………………………………………

31.8382 31.8423 31.8445 31.8424 31.8424

Файл Testing.dat

31.8422 31.8445 31.8424 31.8547 31.8584

31.8423 31.8424 31.8547 31.8584 31.8596

31.8424 31.8547 31.8584 31.8596 31.8578

31.8547 31.8584 31.8596 31.8578 31.8634

Файл Cheking.dat

31.8584 31.8596 31.8578 31.8623 31.8597

Для построения нечетких нейронных сетей в MATLAB используется

редактор Anfis Editor (рис. 16.3).

291

Запустим редактор командой anfisedit.

Рис. 16.3. Главное окно Anfis editor

В меню Load data следует выбрать Training и From disk, нажать кнопку load data. В появившемся окне следует выбрать созданный ранее training.dat.

В меню Load data следует выбрать Testing и From disk, нажать кнопку load data. В появившемся окне следует выбрать созданный ранее testing.dat.

В меню Load data следует выбрать Cheking и From disk, нажать кнопку load data. В появившемся окне следует выбрать созданный ранее cheking.dat.

Данные для обучения и проверки загружены (рис. 16.4).

292

Рис. 16.4. Вид главного окна редактора после загрузки обучающих данных

Далее, установив переключатель меню Generate FIS в положение

Grid partition, следует нажать кнопку Generate FIS (рис. 16.5).

Рис. 16.5. Параметры генерируемой сети

293

В данном случае в модели 4 входных переменных, каждой из которых соответствуют по 3 терма типа gaussmf. Выходная переменная задается линейной функцией.

Нажав на кнопку Structure меню Anfis info, можно увидеть структуру сети (рис. 16.6).

Рис. 16.6. Структура нечеткой нейронной сети

Далее следует выбрать гибридный метод обучения, требуемую ошибку обучения – 0 и количество циклов обучения – 10, как показано на рис. 16.7. Затем следует нажать кнопку Train Now.

Ошибка обучения установилась на уровне 0.00010501.

Проведем тестирование сети. Для этого в разделе Test FIS главного окна следует выбрать соответствующую выборку и нажать кнопку Nest Now. В результате, для обучающих данных ошибка установилась на уровне

0.00014247 (рис. 16.8), для тестирующих данных ошибка установилась на

294

уровне 0.020429 (рис. 16.9), а для проверочных (контрольных) данных ошибка установилась на уровне 0.002094 (рис. 16.10).

Рис. 16.7. Результаты обучения ННС

С помощью команды FIS Properties меню Edit возможно просмотреть полученную нечеткую нейронную сеть как систему нечеткого логического вывода.

Далее экспортируем результаты в рабочую область Export->To workspace.

Воспользуемся командой evalfis для точного определения значения прогноза:

» out=evalfis([31.8584 31.8596 31.8578 31.86], anfis)

out= 31.8568

295

Рис. 16.8. Результаты моделирования ННС для обучающих данных

Рис. 16.9. Результаты моделирования ННС для тестирующих данных

296

Рис. 16.10. Результаты моделирования ННС для контрольных данных

Рис. 16.11. Экспорт результатов

Действительное же значение прогноза равно 31.8597.

В данном случае, по сравнению с обычной нейронной сетью прямого распространения, полученный результат более близок к реальному значению курса валют.

297

16.3. Индивидуальное задание

1.Сформулировать задачу прогнозирования из области вычислительной техники, для решения которой было бы обосновано применение НС и ННС.

2.Сформировать обучающую выборку для НС и ННС.

3.Построить НС и, экспериментируя с количеством нейронов во входных и скрытых слоях, функциями активации, методами обучения,

добиться наилучшего результата по прогнозированию.

4.Визуализировать полученную структуру НС в системе MATLAB.

5.Построить ННС и, экспериментируя с методами обучения,

количеством функций принадлежности во входном слое, добиться наилучшего результата прогнозирования. Количество входов взять таким же, как и в п. 3 индивидуального задания.

6.Визуализировать полученную структуру ННС в системе MATLAB.

7.Построить систему нечеткого логического вывода для полученной

ННС.

8. Сравнить полученные с помощью НС и ННС результаты

(численно) и сделать выводы.

9. Оформите отчет по лабораторной работе.

298

ТРЕБОВАНИЯ К ОФОРМЛЕНИЮ ОТЧЕТОВ

Отчеты оформляются на украинском языке в редакторе Microsoft Word шрифтом Times New Roman без переносов. Межстрочный интервал – полуторный, абзацный отступ – 1,25 см. Объем отчета – не более 10

печатных страниц. Отчет готовится на листах формата А4, ориентация – книжная. Поля: верхнее, нижнее и правое – по 2,0 см, левое – 3,0 см.

Размеры колонтитулов: верхнего – 0 см, нижнего – 2,0 см. Нумерация выполняется внизу страницы, размер шрифта 14 pt, выравнивание по центру.

В первой строке печатается фамилия и инициалы студента, а также номер академической группы. Размер шрифта 12 pt, полужирный, курсив,

выравнивание по правому краю.

На второй сроке печатается номер работы прописными буквами

(шрифт прямой, полужирный, 14 pt, выравнивание по центру).

Далее печатается тема работы прописными буквами через одну пустую строку после номера работы (шрифт прямой, полужирный, 14 pt,

выравнивание по центру).

Затем печатается цель работы, через одну пустую строку после тема работы. Размер шрифта 14 pt, отступ 1,25 пт, выравнивание по ширине.

Далее печатаются результаты выполнения всех пунктов индивидуального задания. Текст печатается шрифтом – 14 pt, абзацный отступ – 1,25 см, выравнивание по ширине.

В конце приводятся выводы по работе. Они печатаются, через одну пустую строку после результатов выполнения работы. Размер шрифта

14 pt, отступ 1,25 пт, выравнивание по ширине.

299

СПИСОК ЛИТЕРАТУРЫ

1. Ануфриев И. Е. Самоучитель MATLAB 7 / И. Е. Ануфриев,

А. Б. Смирнов, Е. Н. Смирнова. С.Пб. : БХВ-Петербург, 2005. 1104 с.

2. Ануфриев И. Е. Самоучитель MATLAB 5.3/6x / И. Е. Ануфриев.

С.Пб. : БХВ-Петербург, 2004. 736 с.

3.Кетков Ю. MATLAB 6x: программирование численных методов /

Ю. Кетков. С.Пб. : БХВ-Петербург, 2004. 672 с.

4. Борисов В. В. Нечеткие модели и сети / В. В. Борисов,

В. В. Круглов, А. С. Федулов. – М. : Горячая линия Телеком, 2007.

5. Дьяконов В. П. MATLAB 6: учебный курс / В. П. Дьяконов.

–С.Пб. : Питер, 2001. – 592 с.

6.Дьяконов В. П. Математические пакеты расширения MATLAB:

спец. справ. / В. П. Дьяконов, В. В. Круглов. – С.Пб. : Питер, 2001. – 480 с.

7. Чен К. MATLAB в математических исследованиях / К. Чен,

П. Джиблин, А. Ирвинг. – М. : Мир, 2001. – 346 с.

8. Леоненков А. В. Нечеткое моделирование в среде MATLAB и fuzzyTECH / А. В. Леоненков. – С.Пб. : БХВ-Петербург, 2003.

9.Дьяконов В. П. MATLAB 6/6.1/6.5 + SIMULINK 4/5 в математике

имоделировании / В. П. Дьяконов. – М. : СОЛОН-Пресс, 2003. – 565 с.

10.Дьяконов В. П. MATLAB 6.5 SP1/7/7 SP1/7 SP2 + SIMULINK 5/6.

Инструменты искусственного интеллекта и биоинформатики /

В. П. Дьяконов. – М. : СОЛОН-Пресс, 2006. – 456 с.

11. Круглов В. В. Нечёткая логика и искусственные нейронные сети:

Учеб. пособие / В. В. Круглов, М. И. Дли, Р. Ю. Голунов. – М. : Изд-во физико-математической литературы, 2001. – 224 с.

12.Галушкин А. И. Применения нейрокомпьютеров в финансовой деятельности / А. И. Галушкин. – Новосибирск: Наука, 2002. – 215 с.

13.Ефимов Д. В. Нейросетевые системы управления / Д. В. Ефимов.

–М. : Высшая школа, 2002. – 184 с.

300