- •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
Методичні рекомендації по вирішенню задачі та вимоги до звіту
Кожен з експериментів можна розбити на кілька етапів. Перший етап - формування навчальної вибірки. На цьому етапі
визначається вигляд представлення історичних і прогнозованих даних та здійснюється формування наборів, що подаються на вхідні нейрони, і відповідних їм наборів, що знімаються з виходів мережі. Більшість дослідів повинна прогнозувати не фактичний курс, а його відносну зміну. Відносна зміна курсу визначається за формулою:
ВЗKt = (Kt+1 − Kt ) / Kt |
(4) |
Для автоматизації процесу формування навчальних вибірок використовувати пакет MS EXCEL.
Другим етапом є навчання НМ на основі сформованої на першому етапі навчальної вибірки. Якість навчання характеризується помилкою навчання, обумовленою сумарним квадратичним відхиленням значень на виходах НМ у навчальній вибірці від реальних значень, отриманих на виходах НМ. Критерій припинення навчання - проходження мережею 1500 ітерацій чи зменшення помилки на виходах мережі на два порядки, у порівнянні з первинною помилкою. У тому випадку, якщо при проведенні досліду не відбулося зменшення помилки на два порядки, навчання зупинити за першим критерієм.
На третьому етапі провести тестування навчання мережі. На вхід подати порядку 4 - 5% наборів з навчальної вибірки і визначити якість розпізнавання мережі. Дослід вважається успішним, якщо відносна вірогідність розпізнавання образів не менша 80%.
На четвертому етапі провести симуляцію прогнозування. На вхід мережі подавати набори, що не були внесені в навчальну вибірку, але результат по них (прогноз) відомий.
Результати успішних дослідів привести в таблицях. Кожну з таблиць розділити на дві частини. У першій розмістити результати тестування навчання, у другий - результати симуляції прогнозування. Перший стовпець у таблиці опису дослідів містить номер набору в тестовій чи симуляційній вибірці. Інші стовпці містять результати експериментів. У них може знаходитися знак *, чи пари цифр. Знак * означає, що даний набір розпізнаний правильно. Цифри в рядку позначають, що при розпізнаванні відбулася помилка. Перша цифра позначає номер нейрона, що відповідає теоретичному значенню змінної, а друга - фактичному.
Лабораторна робота № 8
41
Тема: Нейронні мережі. Побудова та навчання нейромережі для розпізнавання образів.
Мета: Ознайомитися з мережами Хопфілда та Хемінга. Створити їх програмну реалізацію для розпізнавання символів українського алфавіту.
Теоретичні відомості Нейронні мережі Хопфілда і Хемінга
Серед різних конфігурацій штучних нейронних мереж (НМ) зустрічаються такі, при класифікації яких за принципом навчання не підходять ні навчання з учителем, ні навчання без учителя. У таких мережах вагові коефіцієнти синапсів розраховуються тільки один раз перед початком функціювання мережі на основі інформації про опрацьовувані дані, і все навчання мережі зводиться саме до цього розрахунку. З одного боку, пред’явлення апріорної інформації можна розцінювати, як допомогу вчителя, але з іншого боку – мережа фактично просто запам’ятовує зразки до того, як на її вхід надходять реальні дані, і не може змінювати свою поведінку, тому говорити про ланку зворотнього зв’язку з учителем не приходиться. З мереж з подібною логікою роботи найбільш відомі мережа Хопфілда і мережа Хемінга, що звичайно використовуються для організації асоціативної пам’яті.
Структурна схема мережі Хопфілда приведена на рис.7. Вона складається з одного шару нейронів, число яких є одночасно числом входів і виходів мережі. Кожен нейрон зв’язаний синапсами з всіма іншими нейронами, а також має один вхідний синапс, через який здійснюється введення сигналу. Вихідні сигнали утворюються на аксонах.
Задача, розв’язувана даною мережею, формулюється в такий спосіб. Відомий деякий набір двійкових сигналів (зображень, звукових оцифровок, інших даних, що описують деякі об’єкти чи характеристики процесів), що вважаються зразками. Мережа повинна вміти з довільного неідеального сигналу, поданого на її вхід, виділити (“згадати” за частковою інформацією) відповідний зразок (якщо такий є) чи “дати висновок” про те, що вхідні дані не відповідають жодному зі зразків. У загальному випадку, будь-який сигнал може бути описаний
вектором X = {xi : i = 0,...,n −1} , n – число нейронів у мережі і розмірність вхідних і вихідних векторів. Кожен елемент xi дорівнює або +1, або -1. Позначимо вектор, що описує k-ий зразок, через Xk , а його компоненти, відповідно, −xki ; k = 0,...,m −1 ; m – число зразків. Коли мережа розпізнає зразок на основі пред’явлених їй даних,
42
її виходи будуть містити саме його, тобто Y = Xk , де Y – вектор вихідних значень мережі: Y = {yi : i = 0,...,n −1} . У
протилежному випадку, вихідний вектор не співпаде з жодним зразковим.
Якщо, наприклад, сигнали являють собою деякі зображення, то, відобразивши в графічному вигляді дані з виходу мережі, можна буде побачити картину, що цілком збігається з одним із зразків (у випадку успіху) чи ж “вільну імпровізацію” мережі (у випадку невдачі).
43