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.