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.