II5

Евдокимов Никита

IT-13-1

Вариант 5

Лабораторная работа 5

РАЗРАБОТКА ТОПОЛОГИИ НЕЙРОННОЙ СЕТИ

Цель работы: приобрести навыки по использованию нейропакета NeuroPro и освоить технологию создания, обучения и применения нейронной сети для решения задач предсказания влияния факторов на конечный результат.

Задания для выполнения лабораторной работы

Для заданной предметной области (Книги) выполнить прогноз, исследовать значимость входных параметров сети в зависимости от ее конфигурации.

В лабораторной работе используется эмулятор NeuroPro 0.25, который представляет собой менеджер обучаемых искусственных нейронных сетей.

1. Создаем файл в Microsoft Excel и задаём зависимости: популярность книги, цена и наличие подарка. Далее файл экспортируем в Access и получаем таблицу. (Рис.1)

2. Создаем нейропроект, подключая к нему файл (базу) данных таблица2.dfb (dBase). олучили таблицу с 18 записями нейропроекта.

3. Создаем новую сеть и задаем 2 входа и один выход. Точность – 0,1. (Рис. 2)

4. Задаем структуру сети, добавляем в проект нейронной сети слоистой архитектуры 2 слоя нейронов, число нейронов в слое – 10. (Рис. 3)

Структура сети

Получили нейроную сеть со следующими описательными параметрами, как показано на Рис. 4.

5. Произведем обучение нейронной сети решению задачи прогнозирования. (Рис. 5)

6. Произведем тестирование нейронной сети решению задачи прогнозирования. (Рис. 6)

Тестирование нейронной сети

7. Для упрощения нейронной сети имеются следующие операции в меню “Нейросеть”:

– сокращение числа входных сигналов – удаление наименее значимых входных сигналов (Рис. 7).

Сокращение числа входных сигналов

– сокращение числа нейронов – удаление наименее значимых нейронов сети;

Сокращение числа нейронов

–сокращение числа синапсов – удаление наименее значимых синапсов сети;

Сокращение числа синапсов

–сокращение числа неоднородных входов – удаление наименее значимых неоднородных входов нейронов сети;

Сокращение числа неоднородных входов

– равномерное упрощение сети – сокращение числа приходящих на нейроны сети сигналов до количества, задаваемого пользователем; (Рис. 11)

Равномерное упрощение сети

– бинаризация синапсов сети – приведение значений весов синапсов и неоднородных входов нейронов к выделенным значениям.

Бинаризация синапсов сети

Проведем тестирование по окончанию обучения сети и получим следующий результат.

Результат тестирования сети

Сравнивая значения средней, максимальной ошибок до обучения и после, можно сделать вывод о том, что обученная сеть имеет меньшее значение возможных ошибок, в отличие от первоначального тестирования.

Добавим в таблицу новые данные.

Определим, насколько входные параметры влияют на исход. (Рис. 14)

Значимость входов

Проведем аналогичные действия с 4-х слойной нейронной сетью.

Создание 4-х слойной сети

Обучим созданную сеть.

Рис. 16 Рис.17

Рис. 18 Рис. 19

Рис. 20 Рис. 21

Рис. 22 Рис. 23

Тестирование сети изображено на Рис. 24.

Рис. 24 – Тестирование сети

Совершим повторные действия обучения нейронной сети и получим следующий результат тестирования и значимости. (Рис. 25)

Рис. 25 – Результат повторного тестирования Рис. 26 – Значимость входных параметров

Вывод: на результат (выход) максимально влияет цена. Также важным фактором является популярность книги.