- •Теоретичні відомості
- •Визначення складу знань та їх розподіл
- •Побудова моделі предметної області
- •Методи побудови системи понять предметної області
- •Методи встановлення взаємозв'язків між поняттями предметної області:
- •Методи встановлення семантичних відношень між поняттями предметної області
- •Контрольні питання
- •Варіанти завдань
- •Побудувати модель визначеної предметної області, використовуючи методи побудови системи понять та встановлення семантичних відношень між поняттями:
- •несправності комп’ютера;
- •Тема: Експертні системи. Побудова баз знань ЕС.
- •Структура експертних систем
- •атрибутивні зв’язки (має властивість, має значення).
- •Семантичні мережі можуть мати складну та громіздку структуру.
- •Рівні представлення і рівні детальності
- •Організація знань у базі знань
- •Контрольні питання
- •Варіанти завдань
- •Теоретичні відомості
- •Контрольні питання
- •Варіанти завдань
- •Теоретичні відомості
- •Рис. 2. Методика розробки ЕС
- •Прототипи і життєвий цикл експертної системи
- •Прикладами областей застосування, що потребують гнучкості з боку створення та поповнення бази знань, є: планування виробництва, проектування і діагностика в області електроніки, обчислювальної техніки та машинобудування.
- •Контрольні питання
- •Варіанти завдань
- •Створити та протестувати прототип ЕС відповідно варіанту. Вказати сильні та слабкі сторони створеного прототипу, шляхи його вдосконалення.
- •Вимоги до експертної системи і звіту
- •Тема: Нейронні мережі. Персептрон. Побудова та дослідження персептрона.
- •Теоретичні відомості
- •Рис. 3. Штучний нейрон
- •Навчання персептрона
- •Розглянемо алгоритм навчання з учителем.
- •Контрольні питання
- •Варіанти завдань
- •Оцінка алгоритму зворотнього поширення
- •Контрольні питання
- •Варіанти завдань
- •Тема: Нейронні мережі. Побудова та навчання нейромережі для вирішення задачі прогнозування.
- •Постановка задачі прогнозування курсу UKB/USD
- •Контрольні питання
- •Методичні рекомендації по вирішенню задачі та вимоги до звіту
- •Тема: Нейронні мережі. Побудова та навчання нейромережі для розпізнавання образів.
- •Рис.7. Структурна схема мережі Хопфілда
- •2. Розраховується новий стан нейронів
- •Рис. 9. Структурна схема мережі Хемінга
- •Алгоритм функціонування мережі Хемінга наступний:
- •Завдання: побудувати ЕС в області медичної діагностики.
- •Частина 1
- •Частина 2
- •Частина 3
- •Частина 4
- •Частина 5
2.Суть алгоритму зворотнього поширення помилки.
3.Вкажіть переваги та недоліки цього алгоритму.
Варіанти завдань
Програмно реалізувати багатошаровий персептрон для розпізнавання цифр. На мові програмування вказаній викладачем реалізувати навчання персептрона методом зворотнього поширення помилки.
Зміст звіту
Звіт про виконання лабораторної роботи повинен містити опис та роздруківку програмної реалізації персептрона, алгоритму його навчання, приклади образів цифр для розпізнавання та результати розпізнавання.
Лабораторна робота № 7
Тема: Нейронні мережі. Побудова та навчання нейромережі для вирішення задачі прогнозування.
Мета: Ознайомитися з постановкою задачі прогнозування та створити програмну реалізацію нейромережі для її вирішення.
Теоретичні відомості Загальний підхід до прогнозування за допомогою нейронних мереж
Для НМ задача прогнозування формалізується через задачу розпізнавання образів. Дані про змінну, що прогнозується, за деякий проміжок часу утворять образ. Клас образу визначається значенням прогнозованої змінної в деякий момент часу за межами даного проміжку, тобто значенням змінної через інтервал прогнозування.
Для прогнозування використаємо метод вікон. Метод вікон припускає використання двох вікон Wi і W0 з фіксованими
розмірами n і m відповідно. Ці вікна здатні переміщатися з деяким
кроком за послідовністю історичних даних, починаючи з першого елемента, і призначені для доступу до даних часового ряду, причому
перше вікно Wi , одержавши такі дані, передає їх на вхід нейронній мережі, а друге - W0 - на вихід. Пари, що виходять на кожному кроці
Wi → W0 |
(1) |
використовуються як елемент навчальної вибірки.
38
Наприклад, нехай є дані про щотижневі продажі моніторів деякої фірми ( k = 16 ):
100 |
94 |
90 |
96 |
91 |
94 |
95 |
99 |
95 |
98 |
100 |
97 |
99 |
98 |
96 |
98 |
(2) |
Задамо |
n = 4 |
, |
m = 1 |
, s = 1 . |
За |
допомогою |
методу |
вікон для |
нейронної мережі буде згенерована наступна навчальна вибірка:
100 94 90 96 →91
94 90 96 91 →94
90 96 91 94 →95
96 91 94 95 →99 (3)
91 94 95 99 →95
і т. д.
Кожен наступний вектор виходить у результаті зміщення вікон Wi і W0 вправо на один елемент ( s = 1 ). Передбачається
наявність прихованих залежностей у часовій послідовності як множини спостережень. Нейронна мережа, навчаючись на цих спостереженнях і відповідно змінюючи свої коефіцієнти, намагається відшукати ці закономірності і сформувати в результаті необхідну функцію прогнозу
P.
Прогнозування здійснюється за тим же принципом, що і формування навчальної вибірки. При цьому виділяються дві можливості: однокрокове і багатокрокове прогнозування.
Багатокрокове прогнозування. Використовується для здійснення довгострокового прогнозу і призначене для визначення основного тренда і головних точок зміни тренда для деякого проміжку часу в майбутньому. При цьому прогнозуюча система використовує
отримані (вихідні) дані для моментів часу k +1, k +2 і т.д. у якості
вхідних даних для прогнозування на моменти часу k +2, k +3 і т.д. Припустимо, система навчилася на часовій послідовності (2).
Потім вона спрогнозувала k + 1 елемент послідовності, наприклад,
рівний 95, коли на її вхід був поданий останній з відомих їй образів (99, 98, 96, 98). Після цього вона здійснює подальше прогнозування і на вхід подається наступний образ (98, 96, 98, 95). Останній елемент цього образу є прогнозом системи.
Однокрокове прогнозування. Використовується для короткострокових прогнозів абсолютних значень послідовності. Здійснюється прогноз тільки на один крок вперед, але використовується реальне, а не прогнозоване значення для здійснення прогнозу на наступному кроці.
39