- •Содержание
- •Техническое задание
- •Введение
- •Разработка алгоритма
- •Математический алгоритм
- •Разработка схем алгоритмов
- •2. Разработка программы
- •Вычислительный эксперимент
- •3.1 Определение оптимальных параметров нейросети в среде Matlab.
- •3.2 Программа разработанная на языке с#.
- •Руководство программиста
- •4.1 Назначение и условия применения программы
- •4.2 Характеристика программы
- •4.3 Обращение к программе
- •Входные и выходные данные
- •Руководство пользователя
- •Заключение
- •Список литературы
- •Приложение а
4.3 Обращение к программе
Для запуска программы необходимо открыть в папке «курсовой ИТПЗ 2010» файл «курсовой титп2.sln» с помощью MS Visual Studio С# 2010 и нажать кнопку «Начать отладку». В результате должно появиться окно программы.
-
Входные и выходные данные
Анализируя графики ошибки обучения нейросети (рис. 2), а так же экспериментально были подобраны следующие параметры:
Количество шагов обучения – 100;
Коэффициент скорости обучения – 0,7;
Коэффициент сигмоида – 1,3;
Эффективность работы нейросети с этими параметрами так же была проверена при работе с другими классами чисел. Поэтому для данной нейросети лучше использовать именно эти значения.
В пункты: «Количество нейронов», нужно вводить целые значения. Значения коэффицентов k (коэффицент сигмоидной функции) и skor (скорость обучения) могут быть дробными.
В пункте «Обучающая выборка» нужно выбрать файлы для обучения нейросети соответствующим классам.
В пунктах «Файл» выбираются файлы для экзаменационной и тестовой выборки.
-
Руководство пользователя
Программа предназначена для распознавания двух классов чисел.
Для запуска программы необходимо открыть в папке «курсовой ИТПЗ 2010» файл «курсовой титп2.sln» с помощью MS Visual Studio С# 2010 и нажать кнопку «Начать отладку». В результате должно появиться окно программы.
После появления рабочего окна (рисунок 9) можно поступать к работе.
Рисунок 9 – Окно для ввода данных
В пункты: «Количество нейронов», нужно вводить целые значения. Значения коэффицентов k (коэффицент сигмоиды) и skor (скорость обучения) могут быть дробными.
Для данной нейросети оптимальными являются следующие значения:
Количество нейронов 1 слоя – 15;
Количество нейронов 2 слоя – 4;
Коэффициент сигмоиды – 1,3;
Скорость обучения – 0,7.
После ввода этих значений нужно нажать кнопку «Создать сеть».
Далее в пункте «Обучающая выборка» нужно выбрать файлы для обучения нейросети и нажать на кнопку «Обучить».
После того как сеть будет обучена, появится график функции ошибки нейросети зависящий от шага обучения, а так же таблица значений ошибок при каждом шаге.
Затем мы должны проверить нейросеть. В пункте «Экзаменационная выборка» выбираются файлы первого или второго класса, в которых содержаться по 20 выборок. После нажатия кнопки «Старт» в строке «Процент» появится процент распознавания нейросетью образов выбранного класса. Если процент распознавания низкий, то следует вернуться к обучению нейросети.
Тестовая выборка служит для того, чтобы самому убедиться в правильности работы программы. Здесь выбирается файл, содержащий одну выборку определенного класса, и после нажатия кнопки «Результат» появляется сообщение, к какому классу относится данная выборка.
Заключение
Разработанная программа соответствует заданным на этапе проектирования требованиям. Во время работы над программой были изучены функций языка С#, принципы программирования нейросетей. Был исследован метод обратного распространения ошибки для обучения нейросети, были подобраны оптимальные параметры для данного метода.
В качестве перспектив развития данной программы можно отметить такие нереализованные возможности как самостоятельное обучение, увеличение количества распознаваемых классов чисел, либо распознавание других образов, а так же визуальное улучшение интерфейса программы.