- •Міністерство освіти і науки україни
- •Одношаровий персептрон. Алгоритм уідроу-хоффа
- •1 Короткі теоретичні відомості
- •2 Домашнє завдання
- •3 Порядок виконання роботи
- •Контрольні питання
- •Лабораторна робота № 2 повнозв’язні нейронні мережі хопфілда. Псевдоінверсне навчальне правило. Ефект рознасичення
- •1 Короткі теоретичні відомості
- •2 Домашнє завдання
- •3 Порядок виконання роботи
- •Контрольні питання
- •Лабораторна робота № 3 нейронні мережі кохонена, що самоорганізуються: som та lvq
- •1 Короткі теоретичні відомості Нейронна мережа som
- •Інтерпретація результатів класифікації som
- •Нейронна мережа lvq
- •2 Домашнє завдання
- •3 Порядок виконання роботи
- •Контрольні питання
- •Лабораторна робота № 4 багатошаровий персептрон. Узагальнений градієнтний алгоритм навчання
- •1 Короткі теоретичні відомості
- •Так: перейти на крок 11. Ні: перейти на крок 13.
- •Так: закінчення пошуку: немає просування до рішення. Перейти на крок 13.
- •Алгоритми спряжених градієнтів представляють собою підклас методів, які квадратично збігаються. Для алгоритмів спряжених градієнтів крок 6 узагальненого градієнтного алгоритму має вигляд:
- •2 Домашнє завдання
- •3 Порядок виконання роботи
- •Контрольні питання
- •Радіально-базисні нейронні мережі
- •1 Короткі теоретичні відомості
- •2 Домашнє завдання
- •3 Порядок виконання роботи
- •Контрольні питання
- •Евристичні моделі та методи навчання нейронних мереж
- •1 Короткі теоретичні відомості Евристичний алгоритм навчання класифікації двошарового персептрона
- •Евристичний алгоритм навчання класифікації тришарового персептрона
- •Алгоритм навчання шестишарового персептрона
- •2 Домашнє завдання
- •3 Порядок виконання роботи
- •Контрольні питання
- •Література
- •Бовель е.И., Паршин в.В. Нейронные сети в системах автоматического распознавания речи // Зарубежная радиоэлектроника. - 1998. - №4. - c. 50-57
- •Моделювання нейронних мереж у середовищі matlab
2 Домашнє завдання
Використовуючи конспект лекцій і рекомендовану літературу, вивчити евристичні моделі та методи навчання НМ.
Ознайомитися зі складом і порядком виконання роботи.
3 Порядок виконання роботи
3.1 Одержати у викладача варіанти завдань для навчання і моделювання НМ.
Вхідними даними є навчальна і контрольна вибірки (набори пар значень входів і бажаних виходів персептрона).
3.2 Написати і налагодити програму на Паскалі, Сі або Бейсику, що моделює евристичні моделі НМ і реалізує алгоритми їхнього навчання. Передбачити в програмі відображення на екран і запис у файл на диску поточного стану параметрів НМ і результатів їхньої роботи: матриці ваг, помилки класифікації, значення на входах і виході НМ, а також час навчання і класифікації на основі НМ.
3.3 Для відповідних варіанту вхідних даних зробити навчання НМ і зберегти у файлі на диску результати їхньої роботи для навчальної і контрольної вибірок.
3.4. Результати виконання п.п. 3.3 занести в таблицю, стовпці якої повинні мати назви: модель і метод навчання НМ, час навчання, час класифікації, помилка класифікації.
3.5 На основі отриманої таблиці дати порівняльну характеристику моделей і методів навчання НМ.
4 ЗМІСТ ЗВІТУ
4.1 Сформульована мета роботи.
4.2 Опис евристичних моделей НМ і алгоритмів їхнього навчання.
4.4 Опис і текст програми, що реалізує алгоритми 4.2.
4.5 Вхідні дані та результати роботи програми 4.4, таблиця 3.4.
4.6 Аналіз отриманих результатів і висновки. Лаконічні відповіді на контрольні питання.
Контрольні питання
Дайте визначення і поясніть взаємозв'язок понять: НМ, персептрон, класифікація, евристика.
Які задачі можна вирішувати на основі розглянутих евристичних моделей НМ, а які не можна? Обґрунтуйте відповідь. Приведіть приклади.
Поясніть, що означають лінійна роздільність і лінійна нероздільність класів.
Чи завжди збігаються розглянуті евристичні алгоритми навчання НМ?
Порівняєте розглянуті евристичні моделі та алгоритми навчання НМ і відомі вам методи класифікації, а також стандартні моделі та методи навчання НМ.
Література