- •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 моделі НМ Кохонена та алгоритми їхнього навчання.
Використовуючи документацію рекомендованого викладачем програмного засобу, вивчити його архітектуру і компоненти, призначені для моделювання і навчання НМ Кохонена, вводу і виводу даних, підготовки звітів (виводу і відображення результатів роботи).
Ознайомитися зі складом і порядком виконання роботи.
3 Порядок виконання роботи
3.1 Одержати у викладача варіанти завдань для моделювання і навчання SOM і LVQ.
Вхідними даними є: число класів, кількість входів нейронів і розмір мережі (число нейронів); набір пар значень входів xi і бажаних виходів yi; вид метрики SOM.
3.2 Написати і налагодити програму на Паскалі, Сі або Бейсику, що моделює SOM і реалізує алгоритми її навчання. Передбачити в програмі відображення на екран і запис у файл на диску поточного стану параметрів НМ і результатів їхньої роботи: матриці ваг, значення на входах і виходах, тривалість їхнього навчання і роботи.
3.3 Для відповідних варіанту вхідних даних зробити навчання SOM і зберегти у файлі на диску результати її роботи.
3.4 Виконати п.3.3, варіюючи по черзі вид / параметри метрики SOM. Результати занести в таблицю, стовпці якої повинні мати назви: вид метрики, помилка поділу на класи (число помилкових рішень про віднесення екземплярів до вузлів, до яких вони не мають фактичної близькості). Проаналізувати отримані результати і зробити висновки про те, як впливає вид метрики на число помилкових рішень.
3.5 Виконати п.п. 3.3-3.4 для програмного засобу, запропонованого викладачем. Зробити аналіз і дати порівняльну характеристику розробленої Вами програми і програмного продукту, запропонованого викладачем.
3.6 Використовуючи програмний засіб, запропонований викладачем, здійснити моделювання задачі, що відповідає варіанту, для НМ LVQ. Результати занести в таблицю, стовпці якої повинні мати назви: алгоритм навчання, час навчання, помилка навчання, помилка класифікації.
3.7 Для тих же даних, що та у п. 3.6 здійснити моделювання на основі одношарового персептрона і НМ Хопфілда. Результати занести в таблицю.
3.8 Проаналізувати результати виконання п.3.6-3.7 і порівняти можливості НМ LVQ з НМ Хопфілда та одношаровим персептроном.
4 ЗМІСТ ЗВІТУ
4.1 Сформульована мета роботи.
4.2 Короткі теоретичні відомості та опис моделей НМ Кохонена.
4.3 Схеми та опис алгоритмів роботи і навчання НМ Кохонена.
4.4 Опис і текст програми, що реалізує алгоритми 4.3.
4.5 Вхідні дані та результати роботи програми 4.4.
4.6 Вхідні дані та результати роботи з програмним засобом, запропонованим викладачем.
4.7 Аналіз отриманих результатів і висновки. Відповіді на контрольні питання.
Контрольні питання
Дайте визначення понять: нейронна мережа, метрика, асоціативна пам'ять, SOM, LVQ.
Які задачі можна вирішувати на основі SOM і LVQ, а які не можна? Обґрунтуйте і доведіть відповідь. Приведіть приклади.
Порівняєте можливості SOM, НМ Хопфілда та одношарового дискретного персептрона.
Як впливають вид і параметри метрики на точність визначення центрів зосередження екземплярів. Відповідь поясніть і проілюструйте.
Запропонуєте способи обліку апріорної інформації про значимість ознак при навчанні SOM.
Чи доцільно використовувати SOM для попереднього аналізу даних у задачах діагностики і прогнозування?
Запропонуйте стратегію (алгоритм) визначення необхідної кількості нейронів конкуруючого шару LVQ.