ОНС / лабораторные работы / NeuroPro / HISTORY

Версия 0.25
Дополнения и изменения в сравнении с ранее распространявшейся версией 0.1

- Новый формат файлов проекта. Формат версии 0.1 не поддерживается
- Процесс обучения и упрощения более устойчив к попаданию в локальный
минимум функции оценки
- Кнопка <Копия сети> в окне проекта - создание новой сети по образцу текущей.
В новой сети наследуется структура и подача сигналов текущей сети
- Обработка качественных признаков (дискретнозначных признаков, принимающих
конечное число выделенных значений):
- Переключение между количественным и качественным состоянием для признака
- Определение числа и диапазонов дискретных состояний признака (до 20
состояний для признака), автоматическое формирование набора состояний по
файлу данных
- Отношение предшествования для состояний качественного признака
- Контрастирование входных качественных признаков _по_состояниям_, что
выделяет наиболее значимые дискр. состояния кач. признака
- Кнопка <Обучение сети> в тулбаре
- Переделан алгоритм равномерного упрощения сети - упрощается нейрон с
максимальным числом синапсов, а если таких нейронов несколько - то
выбирается нейрон с наименее значимым синапсом - ранее удалялись синапсы
одного нейрона первого слоя, потом - другого нейрона, далее - нейронов
след. слоя
- Сделана возможность выбора фиксированного набора весов при бинаризации
синапсов:
- -1,1
- -0.5,0.5,-1,1
- -0.25,0.25,-0.5,0.5,-0.75,0.75,-1,1
- -0.1,0.1,-0.2,0.2,...,-0.9,0.9,-1,1
Выбор сохраняется в файле проекта
- Сделан ввод в обучение весов бинаризованных синапсов при переходе от
одного диапазона выделенных значений к другому
- При удалении входного признака теперь можно по желанию пользователя
перестраивать задачник - задачник может расширяться теми примерами,
где отсутствовали значения удаленного признака
- Сделано контрастирование нейронов
- Сделано переименование сети
- Сделана процедура трансляции форматов файлов данных
- Добавлен BFGS-метод оптимизации
- В меню добавлен пункт "Анализ обучающего множества"
- Оценивается константа Липшица обучающей выборки (о том, что это за зверь и
как его использовать - читать книжку Горбань А.Н., Россиев Д.А. "Нейронные
сети на персональном компьютере"), вычисляется минимум нормы разности
входных векторов
- Формируется и отображается набор конфликтных примеров (в расчете
предыдущих величин конфликтные примеры не участвуют)
- Значимости входов можно сохранять в текстовом файле для последующего
импорта в Excel и построения диаграмм там
- Убран переключатель оценки в окне проекта. Теперь для количественных
признаков всегда устанавливается МНК с люфтом, а для качественных -
тот или иной вариант оценки типа расстояния до множества
- Сделано отображение невязки (для количественных полей) и уверенности сети
в ответе (для качественных). Неправильно решенные примеры, неуверенно
решенные примеры и правильно решенные примеры отображаются разными цветами.
Прогноз сети для отсутствующих данных отображается отдельным цветом.
Выводится статистическая информация о числе правильно и неправильно
решенных примеров. Для качественных признаков дополнительно выводится
число правильно и неправильно решенных примеров каждого класса.
Для количественных полей выводятся максимальная и средняя ошибки прогноза.
- Результат тестирования можно сохранять в текстовом файле. Далее этот файл
можно импортировать в Excel и строить графики ошибки прогноза (особенно
полезно, когда таблица данных представляет временной ряд - можно поглядеть
на участки "разладки")
- Добавлено меню для работы с таблицей данных:
- Вставка новой записи
- Добавление записи в конец таблицы
- Удаление текущей записи

Ну и конечно
- Исправлены обнаруженные ошибки
- Внесены новые ошибки :)