МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ
ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ
ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ
«САМАРСКИЙ ГОСУДАРСТВЕННЫЙ АЭРОКОСМИЧЕСКИЙ УНИВЕРСИТЕТ
ИМЕНИ АКАДЕМИКА С.П.КОРОЛЕВА
(НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ)» (СГАУ)
Факультет информатики
Кафедра программных систем и технологий
Отчет по лабораторной работе №2
по курсу
«Интеллектуальные системы»
Выполнил: студент группы 6413
Мартынов М.А
Проверил:
к.т.н., доцент Солдатова О. П.
САМАРА 2012
Задание №5
Цель работы. Целью данной лабораторной работы является демонстрация способности нейронной сети решать задачи прогнозирования. Сеть необходимо обучить прогнозированию на основе стохастических рядов и рядов реальных данных на 1-3 шага.
Используемая модель: гипер радиально-базисная сеть.
Задание. Данная лабораторная работа выполняется в несколько этапов:
-
Необходимо выбрать вид стохастического ряда (по одному из законов распределения случайной величины) и тип реальных данных. Примеры реальных данных приведены ниже.
-
Сгенерировать стохастический временной ряд размерностью от 100 до 300 отсчётов, найти реальные данные той же размерности (1 занятие).
-
Написать программу, имитирующую работу радиально-базисной сети и провести первичное обучение сети по одному из градиентных алгоритмов (наискорейшего спуска или наискорейшего спуска с моментом) с использованием метода обратного распространения ошибки.
-
Продемонстрировать работу радиально-базисной сети преподавателю (2 занятие).
-
Исследовать эффективность алгоритма обучения от значения коэффициента обучения.
-
Исследовать зависимость погрешности прогнозирования от способа разделения обучающей выборки на три части: обучающую, тестирующую, контрольную и от дальности прогноза.
-
Исследовать зависимость погрешности прогнозирования от числа нейронов в скрытом слое и от типа функции активации.
-
Составить отчёт, который должен содержать постановку задачи, обучающие выборки, результаты исследований по пунктам 5, 6 ,7 (3 занятие).
Предметная область:
Метеонаблюдения.
Структура гипер радиально-базисной сети
Гипер радиально-базисная сеть сходна по структуре с RBF-сетью, усиленной путем применения масштабирования входных сигналов. Если принять во внимание, что многомерная функция может иметь различный масштаб по каждой оси, с практической точки зрения оказывается полезным уточнить норму масштабирования путем ввода в определение эвклидовой метрики весовых коэффициентов в виде матрицы Q.
Масштабирующая матрица при N-мерном векторе x имеет вид:
При обозначении произведения матриц матрицей корреляции C в общем случае получим:
Так как будет использоваться функция Гаусса с центром в точке и масштабирующей взвешенной матрицы , связанной с i-й базисной функцией, получим обобщенную форму функции Гаусса:
(4.34),
где матрица играет роль скалярного коэффициента стандартной многомерной функции Гаусса, заданной выражением (4.5).
В нашем случае возьмем диагональную матрицу Q.
Структура HRBF-сети с одним выходом представлена на рисунке 1.
Рис. 1 Детальная структура радиальной сети HRBF с произвольной масштабирующей матрицей Q
Обучение сети
Для обучения сети был использован метод обратного распространения ошибки, который относится к классу градиентных алгоритмов обучения с учителем.
Их основу составляет целевая функция, которая для одного обучающего примера имеет вид:
Для нахождения вектора градиента по всем параметрам сети применялась формула:
Тогда аналитические выражения для частных производных описывается, как:
где
i- индекс нейрона скрытого слоя, i=1,2,…,K;
j- индекс компонента входного вектора x, j=1,2,…,N;
r- индекс переменной в компоненте входного вектора , r=1,2,…,N;
– элементы масштабирующей матрицы Q.
При использовании метода наискорейшего спуска формулы для корректировки параметров гипер радиально-базисной сети примут следующий вид:
;;.