Исследования
-
Исследование
эффективности алгоритма обучения от
значения коэффициента обучения.
Возьмем количество
эпох, равное 1000, 140 обучающих векторов
и 13 нейронов в скрытом слое.
Рисунок
1 – График зависимости СКО от коэффициента
обучения
Минимальное СКО
классификации было получено при
коэффициентах обучения, находящихся в
промежутке от 0,0002 до 0,0025. При значениях
коэффициента обучения меньше 0,0002 СКО
начинало увеличиваться, а при коэффициенте,
большем, чем 0,004 значение выходной
функции сети было близким к нулю.
-
Исследовать
зависимость погрешности прогнозирования
от способа разделения обучающей выборки
Возьмем количество
эпох, равное 1000, коэффициент обучения
0,0023 и 13 нейронов в скрытом слое.
На рисунке 3 видно,
что при 20 – 22х обучающих векторах и
5-7и контрольных за месяц точность
прогнозирования является наилучшей.
Рисунок
2 – График зависимости СКО прогнозирования
от способа разделения входной выборки
-
Исследование
зависимости погрешности прогнозирования
от числа нейронов скрытого слоя.
Рисунок
4 – График зависимости СКО прогнозирования
от количества нейронов в скрытом слое
Как видно на рисунке
4, на однодневный прогноз увеличение
числа нейронов в скрытом слое почти не
сказывается, в то время как на многодневные
прогнозы данное увеличение сказывается
негативно.
Вывод
В ходе работы была
построена гипер радиально-базисная
сеть, прогнозирующая погоду в августе.
Для обучения сети использовался методы
обратного распространения ошибки и
наискорейшего спуска.
При исследовании
данной сети было выявлено, что существует
такие значения коэффициента обучения
при заданном количестве эпох обучения,
что сеть работает с меньшей погрешностью;
был найден оптимальный способ разделения
входной выборки данных, а также было
найдена тенденция при увеличении числа
нейронов в скрытом слое.