neironne_seti_i_neirokompjuter (1085713), страница 29
Текст из файла (страница 29)
Сущность ее заключается в том, что числопредставляется в двоичном коде, а затем с полученной последовательностьюпроизводится операция циклического сдвига вправо или влево. Еслипроизводится сдвиг влево, у числа самая первая (левая) цифрапереставляется в конец, а если сдвиг производится вправо, то последняя(правая) цифра переставляется в начало. Для построения нейронной сетипредставим в четырехпозиционном двоичном коде числа от 0 до 15.
Далее,следует определить количество входов и выходов нейронной сети,необходимой для решения поставленной задачи. Очевидно, что дляопределения направления сдвига на входы нейронной сети необходимопредставить исходную четырехпозиционную двоичную последовательностьи четырехпозиционную двоичную последовательность, которая получиласьв результате сдвига.
Выходной слой нейронной сети может состоять изодного нейрона. Его значение будет равно 0, если сдвиг произведен влево, и1 – если сдвиг произведен вправо. Таким образом, для решения даннойдвухклассной задачи необходима нейронная сеть с восемью входами и однимвыходом.157PDF created with pdfFactory trial version www.pdffactory.comТаблица 6.2. Результаты сдвига влево и вправо четырехпозиционного кодаЧислоДвоичный кодСдвиг влевоСдвиг вправо100010010100020010010000013001101101001401001000001050101101010106011011000011701111110101181000000101009100100111100Обучение нейронной сетиОпределив количество входов в сети, приступим к созданию набораобучающих пар для обучения сети.
Для этого выберем шестьчетырехпозиционных двоичных кодов и выполним с ними операции сдвигавправо и влево (табл. 6.2). Следует заметить, что в качествепредставительских выборок нельзя выбирать числа с двоичнымпредставлением 0000, 1111, 1010, 0101, поскольку в независимости отнаправления сдвига (влево или вправо) для этих чисел будет получен один итот же результат.После подготовки набора представительских выборок (обучающихпар) и обучения, следует протестировать получившуюся нейронную сеть(проверить качество ее обучения). Тестирование проводится на оставшихсятрех четырехпозиционных двоичных кодах табл.
6.2, которые не вошли внабор представительских выборок, использованный при обучении.6.3. Лабораторная работа № 3Распознавание символовЦель – разработать и исследовать нейронную сеть обратногораспространения, предназначенную для распознавания образов [1].158PDF created with pdfFactory trial version www.pdffactory.comЗадание1. Повторить соответствующий теоретический материал (п. 1.3).2. Построить и обучить нейронную сеть, которая могла бы решатьзадачу распознавания символов.3. Произвести тестирование нейронной сети при добавлении шума.Описание работыНа качество решения поставленной задачи в сильной степени влияютограничения,которыенакладываютсяпроизводителяминадемонстрационные версии своих программных продуктов.
Так, в демоверсии программного продукта TRAJAN количество нейронов в слое неможет превышать 9, поэтому при распознавании символов будемоперировать матрицей 3 × 3.Определение структуры нейронной сетиПредставим в виде матрицы 3 × 3 четыре латинские буквы X, Y, L, I иобучим нейронную сеть распознавать их матричное представление (см. табл.6.3).Таблица 6.3. Матричное представление для букв Х, Y, I и LXYIL101101010100010010010100101010010111В соответствии с табл. 6.3 входной сигнал для нейронной сети можетбыть представлен в виде развернутого растра – вектора длинной 9.Например, для буквы X это101010101Теперь определимся с выходами нейронной сети.
Очевидно, что дляраспознавания образов нейронная сеть должна иметь возможностьформировать столько выходных сигналов, сколько образов она должнауметь распознавать.159PDF created with pdfFactory trial version www.pdffactory.comВ нашем случае таких образов четыре, поэтому возможны дваварианта представления выходных данных нейронной сети:§ выходной слой с двумя нейронами (выходами), т.е. каждому символуставится в соответствие двухпозиционный двоичный код;§ выходной слой с четырьмя нейронами (выходами), т.е. каждомусимволу свой выход.Предлагается выбрать любой вариант.Обучение нейронной сетиНабор обучающих пар, используемых для обучения нейронной сети,составляется с учетом того, какой вариант формирования выходного слоявыбран в предыдущем разделе.
Если выбран вариант с двумя выходами –каждой букве ставится в соответствие двухпозиционный двоичный код, товыходной слой выглядит следующим образом:Х – 00Y – 01I – 10L – 11Если выбран вариант с четырьмя выходами, то выходной слой такой:Х – 0001Y – 0010I – 0100L – 1000После того, как набор представительских выборок (обучающих пар)создан, необходимо обучить нейронную сеть и проверить, насколькокорректно она решает поставленную задачу.Проверка работы нейронной сетиПосле качественного обучения нейронной сети, следует внести висходные данные некоторый шум (хотя это сделать непросто, так как вматрицу 3 × 3 очень трудно добавлять шум).Например, вместо растра буквы I –010010010попробуйте подать010110010и посмотреть: удастся ли нейронной сети распознать символ, несмотря навнесенные в данные шум.6.4. Лабораторная работа № 4Искусственный носЦель – разработать и исследовать нейронную сеть обратногораспространения для искусственного носа, предназначенного дляхимического анализа воздушной среды [11].Задание160PDF created with pdfFactory trial version www.pdffactory.com1.
Повторить соответствующий теоретический материал (гл. 1: п. 1.4;гл. 2: п. 2.1 – 2.3; и гл. 3: п. 3.2).2. Исследовать и проанализировать имеющиеся экспериментальныеданные (табл. 6.4), и определить количество вводов и выводов, требуемыхдля полносвязанной нейронной сети обратного распространения.3.
Создать и обучить нейронную сеть, которая будет способнауказывать наличие определенных примесей в воздухе при анализе показанийхимических датчиков.4. Обучить нейронную сеть, расшив количество представительскихвыборок (обучающих пар), применяемых для обучения нейронной сети(табл. 6.5).5. Определить оптимальную структуру нейронной сети с точки зренияминимизации среднеквадратической ошибки обучения.6. Обучить нейронную сеть, изменив параметры алгоритма обратногораспространения.7. Для пп.
3, 4, 6 построить графические зависимостисреднеквадратической ошибки обучения от количества нейронов,используемых в скрытых слоях, и от количества итераций, используемыхдля обучения.8. Сравнить результаты обучения в пп. 3, 4, 6.9. Ответить на вопросы лабораторной работы.Определение количества вводов и выводов нейронной сетиСформируйте представительские выборки (обучающие пары) дляпроведения обучения.Для этого используйте следующие рекомендации.1.
Количество входов нейронной сети должно соответствоватьколичеству химических датчиков (рис. 6.1).2. Существует два основных метода кодировки выхода нейроннойсети. Первый – это использование бинарного вектора: для каждой примеситолько один единственный выход принимает значение 1. В этом случаеколичество выходов равно количеству примесей, определяемых системой. Вдругом случае все номинальные добавки пронумерованы и их числаперенесены в бинарную систему.В этом лабораторном исследовании следует использовать первыйметод.3. Исходные данные:§ начальные экспериментальные данные, в виде показаний химическихсенсоров, представлены в табл. 6.4;§ рекомендуемое число входов сети 11;§ рекомендуемое число выходов 6;§ рекомендуемое начальное число нейронов скрытого (внутреннего)слоя 4.161PDF created with pdfFactory trial version www.pdffactory.comРис.
6.1. Топология нейронной сети прототипа искусственного носаТаблица 6.4. Первичная обучающая параИсследуемый вектор, составленный по показаниям сенсорови формирующий вход нейронной сети{1; 0,05; 0,1; 0,3; 0,07; 0,08; 0,2; 0,05; 0,2; 0,6; 0,8}Выходынейронной сети{0, 0, 0, 0, 0, 1}Таблица 6.5. Набор вторичных обучающих парИсследуемые векторы, составленные по показаниямсенсоров и формирующие вход нейронной сетиВыходной векторнейронной сети{1; 0,05; 0,1; 0,3; 0,07; 0,08; 0,2; 0,05; 0,2; 0,6; 0,8}«Нет»{0,8; 0,4; 0,7; 0,6; 0,1; 0,5; 1,0; 0,75; 0,5; 0,7; 0,8}Ацетон{0,9; 0,2; 0,4; 0,5; 0,1; 0,7; 0,6; 0,5; 0,5; 0,7; 0,8}Аммиак{0,85; 0,7; 0,8; 0,65; 0,1; 0,4; 1,0; 0,7; 0,4; 0,6; 0,7}Изопропанол{0,9; 0,3; 0,3; 0,4; 0,04; 0,1; 0,5; 0,3; 0,2; 0,7; 0,8}Белый «штрих»{0,95; 0,18; 0,21; 0,3; 0,05; 0,1; 0,3; 0,2; 0,2; 0,5; 0,7}Уксус162PDF created with pdfFactory trial version www.pdffactory.com4.
Вторичные экспериментальные данные, в виде показанийхимических сенсоров, представлены в табл. 6.5: набор представительскихвыбороквключает шесть обучающих пар, которые, естественно, подготовлены вформате первой обучающей пары (табл. 6.4).Определение топологии нейронной сетиПрактические исследования показывают, что одного внутреннего(скрытого) слоя достаточно.Обучение нейронной сетиСледуетпроводитьприпомощиалгоритмаобратногораспространения. Используйте любой доступный программный продукт длямоделирования нейронных сетей (см.
табл. П.1 приложений), которыйподдерживает данный алгоритм обучения. Как результат, получитенадежную и быстродействующую нейронную сеть искусственного носа,применяемого для контроля атмосферы в воздушной среде промышленных,офисных и домашних помещениях и в других задачах.Вопросы для проверки1. Назовите основное свойство многослойных нейронных сетейпрямого распространения.2.Какиесуществуютмодификацииалгоритмаобратногораспространения?3.Назовитераспространенныенаправленияпримененияискусственного носа.6.5.
Лабораторная работа № 5ПрогнозированиеЦель – разработать и исследовать нейронную сеть обратногораспространения, предназначенную для прогнозирования временных серий,а также для анализа качества генератора случайных чисел [11].Задание1. Повторить соответствующий теоретический материал (гл. 1: п.
1.5;гл. 2: п. 2.1 – 2.3 и гл. 3).2. Создать и обучить нейронную сеть, предназначенную для анализавременных серий заданной размерности и отражающую структуру данныхсерий.3. Осуществить прогноз значений будущих элементов временныхсерий.163PDF created with pdfFactory trial version www.pdffactory.comТаблица 6.5.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
