2.3 Расчет количества нейронов во внутренних слоях

Оценим количество весов:

m = 1, n =4, N = 20

Рассчитаем количество нейронов в скрытых слоях

Принимаем N=40

2.4 Результат работы нейросети

Создаём сеть

Рисунок 5 – Создание сети

Для обучения сети использовался набор параметров, приведенный в таблице 1. Используем обучение данным из базы данных (Рисунок 6).

Рисунок 6 – Обучение сети

Значимость входов представлена на рисунке 7.

Рисунок 7 – Значимость входов

Результат работы программы для трехслойной сети представлен на рисунке 8.

Рисунок 8 – Результат работы программы

Результат работы программы для четырехслойной сети представлен на рисунке 9.

Рисунок 9 – Результат работы программы

Выводы

В рамках данной курсовой работы была программно реализована нейронная сеть типа «многослойный персептрон», была разработана топология нейронной сети для прогнозирования выбора токарных станков. В качестве входных параметров использовались:

- диаметр над суппортом;

- диаметр над станиной;

- длина изделия.

Для обучения использовался метод обратного распространения ошибки.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

1. Википедия. Свободная энциклопедия [Электронный ресурс]: Искусственная нейронная сеть. – Электрон дан. – Режим доступа:http://ru.wikipedia.org/wiki/Искусственная_нейронная_сеть. – Загл. с экрана.

2. Методические указания по выполнению лабораторных и самостоятельных работ по дисциплине «Системы искусственного интеллекта»для студентов специальности 7.080402 "Информационные технологии проектирования" / сост.: В. И. Юдин, О. А. Лябик. – Краматорск: ДГМА, 2007.– 108 с.

3. www.AIportal.ru. Портал искусственного интеллекта. [Электронный ресурс]: Многослойный персептрон. – Электрон дан. – Режим доступа:http://www.aiportal.ru/articles/neural-networks/multi-perceptron.html. – Загл. с экрана.