1 2 3 … М

n₁ n₂ n₃ … n_М

можно рассматривать как слово, кодирующее номер класса. Всего возможно М! перестановок.

Интерпретацию 2-на-2- кодирование используют для улучшения качества распознавания (более точного проведения разделяющей поверхности). В этом случае для распознавания М классов необходимо иметь М(М-1)1/2 нейронов, каждый из которых реагирует только на два класса. Окончательное присваивание элементу i-го номера класса осуществляется с помощью булевой функции. Выходы с нейронов подают на вход элемента, реализующего эту функцию.

Метод корректных (эталонных) образов используется, например, в задачах распознавания изображений. Выходом сети является изображение I’, представляющее собой корректное изображение (эталонное). Таким образом, нейронная сеть на изображение (образ) I (возможно некорректное) формирует эталонный образ I’. Размерность целевого вектора в данном случае определяется размерностью эталонного образа и может совпадать с размерность входного вектора.

Перечень приведенных способов интерпретации ответов НС не является полным. Для каждой предметной области при решении конкретных задач необходимо их экспериментальное исследование.

Параметры формализации

Формальное описание выходного вектора ОВ должно состоять из следующих параметров:

- число классов (образов), задаваемых целевым вектором (если этот параметр возможно определить);

- используемый метод интерпретации целевого вектора и обоснование его выбора;

- формат целевого вектора ОВ, включая параметр его длины;

- таблица соответствия кодов и эталонных образов.

4.2.3. Формальное описание обучающей выборки

Вопрос о том, сколько обучающих примеров нужно иметь для обучения сети, часто оказывается непростым. Известен ряд эвристических правил, связывающих число необходимых примеров с размерами сети. Простейшее из них гласит: число наблюдений должно быть в десять раз больше числа связей в сети. На самом деле это число зависит также от (заранее неизвестной) сложности того отображения, которое нейронная сеть стремится воспроизвести. С ростом количества переменных во входном векторе количество требуемых наблюдений растет нелинейно. При довольно небольшом (например, пятьдесят) числе переменных может потребоваться огромное число наблюдений. Эта трудность известна как "проклятие размерности".

Для большинства реальных задач бывает достаточно нескольких сотен или тысяч наблюдений (примеров ОВ). Для особо сложных задач может потребоваться еще большее количество. Однако очень редко может встретиться задача, где хватило бы менее сотни наблюдений. Если данных меньше сотни, то, возможно, что эксперту недостаточно информации для составления обучающего множества для НС. В этом случае необходимо экстраполировать данные, используя некоторую линейную модель.

Параметрами формального описания обучающей выборки являются:

- размерность выборки m;

- количество примеров (мощность подмножеств), относящихся к различным классам;

- качественное описание этих подмножеств;

- порядок следования примеров по классам.

5. Порядок выполнения работы

5.1. Изучить теоретический материал по формализации задач, решаемых на многослойном персептроне.

5.2. Для заданной преподавателем предметной области выполнить формализацию обучающей выборки. Параметры, которые необходимо внести в формальное описание, перечислены в п.4.

5.3. В табличном редакторе Excel сформировать файл с примерами обучающей выборки. Выделить множества входных и выходных значений. Названия полей целесообразнее обозначать буквами латинского алфавита.

5.4. Сохранить сформированный файл в формате *.dbf или *.db.

5.5. С помощью программы-эмулятора НС NeuroPro создать нейропроект, для этого:

- открыть файл данных (с обучающей выборкой);

- определить входы и выходы нейронной сети согласно варианту;

- задать структуру нейронной сети (можно использовать параметры по умолчанию);

- сохранить нейропроект.