Боровиков В.П. - Нейронные сети (778916), страница 65
Текст из файла (страница 65)
ЗТАТ!ЗТ!СА Монга! Йо!егогха Рис. 11.25. Файл даииых 280 260 240 Ц 220 ~ 200 д !80 $60 !40 60 -60 Рис. 11.2б. Диаграмма рассеяиия перемеииых; даялеяие, температура и алажиость влажности от температуры и давления; для решения обратной задачи воспользуемся процедурой оптимизации отклика. Визуализируем данные, построим диаграмму рассеяния, на которой каждое наблюдение — это точка в трехмерном пространстве (рис. 11. 2б).
Вполне естественно подогнать под полученное облако точек поверхность, для чего воспользуемся методом наименьших квадратов. На графике (рис. 11.27) данные выглядят следующим образом. Точный вид функциональной зависилюсти неизвестен, поэтому нельзя определить, в каких пределах следует изменять характеристики технологического процесса, чтобы получить заданное качество. 360 Глава 11.
добыча ванных в ЗТАТ1871СА 300 250 Д 220 о 5 180 Д 140 Рыс. 11.27. Завыснмость влажности продукга па вь5ходе от температуры н давлепыя Превеценце анапцза Прежде чем запускать метод Оптимизация отклика, необходимо построить модели. Шаг 1. Постросние моделей. Способ 1. Обучение с помощью модуля Процедура обучения 1рис.
11.28). Рнс. 11.28. Стартовое окно модуля Процедура обучения Модуль ШТАТ!БТРА Процедура обучения содержит методы решения задач регрессии и классификации с несколькими зависимыми и независимыми переменными. Этот модуль включает. ° метод опорных векторов 1МОВ) для регрессии и классификации; ° Байесовские процедуры для классификации; ° меп1од К вЂ” Ближайшеео соседа (К- БС) (метод кратко описан в гл.
3). 361 450 350 ,д 250 +е 50 -50 450 350 250 150 ,0Фоь 50 5е~~ Неоронные оепго. ВТАТ18ТЮА Неога! Не!тгогвв г,'"" ,гг ~вгы е о те ..'3 Рве. 1129. Окво результатов работы модуля Процедура обучения Запустим модуль БТАТБТ!СА Процедура обучения. Для этого выберем метод Процедура обучения (Байесоаские, ближайшего соседи...) в меню Анализ/Добызга данных Указьтаем Метод опорных аекторое — он обладает высокой степенью гибкости при решении задач регрессии и классификации различного уровня сложности, а также переменные: влажность как зависимую непрерывную переменную, температуру и давление как независимые(рис. 11.29). Нажимаем ОК и получим окно результатов.
Способ 2. Обучение с помощью нейронных сетей. Запустим модуль Нейронные сети (рис. 11.30). Это можно сделать из меню Анализ! Добыча данньгх. Выберем Тип анализа — Регрессия. Укажем переменные так же, как н ранее. Нажимаем ОК и в появившемся диалоговом окне задаем количество тестируемых сетей — 100 и количеспю сохраняемых сетей — 4 (рнс. 11.
31). В следующем окне (рис. 11. 32) указываем тип сетей— трсхслойный персептрон. Количество нейронов на промежуточном слое будем варьировать от 1 до 9 (рис. 11,33). Остальные параметры примем по умолчанию. Далее запускаем анализ, варьируя параметры. Наилучшие сетями оказались сети с номерами 9, 15, 1б и 20 (рис. 11.34). Эти сети являются многослойными персептронами. 362 Нейронные сопгп. 8ТАТгЗТ!СА Норге! НогвгогКе 3;д гг !ь! Вчгьгьв В ю ььв г«:г г ьо дав 6 в Оьсв вьь ггрь оьггь ь не' гьеьь !И ьд Рпс.
11.33. Задание параметров модуля Нейронггые сети. Вкладка Сложность Рис. 11.34. Резулыаты обучения лучших сетей Сохраним сети как пе1 Ьхгп), пс12.хгп1, пе13.хш!„пе!4.хш1 (точнее, мы сохраняем описание сетей на РММЬ-языке). Анализ будем проводить на основе именно этих моделей. Шаг 2. Открытие фаила и моделей. Выбрать метод Оптимизация отклика в меню Анализ — Добыча дгптых е управлении качестаом, чтобы вызвать стартовую панель метода Оптимизации отклика. Нажать кнопку Загрузки моделей, чтобы загрузить созданные на первом шаге хгп1-файлы: пе11.хгп1, пе12.хш1, пе13.хгп1, пе!4.хш1.
Шаг 3. Просмотр описательных статистик. При загрузке моделей, модуль Оптимизация отклика автоматически установит везде значения по умолчанию. Эги значения Рпс. 11.35. Таблица Описательные сгпатнстикн переменных 364 Глава 11 добыча Ванных в ЯТАТ1ЯТ!СА будут вычислснъ1 на основе статистик соответствующих псремснных, таких, как среднее, дисперсия, минимум и максимум. Для задания начального приближения, длины шага, минимального и максимального значений для симплекс-метода (вкладка Симилекс) используются описательные статистики независимых переменных. Чтобы сгенерировать таблицу с описательными статистиками (рис. 11.35), нажмите кнопку Переменные в стартовой панели модуля Олтимизация отклика.
Информация из таблицы поможет задать настройки анализа. Шаг 4. Настройка параметров. Теперь наша задача — определить характеристики точки, влажносгь в которой равна заданной. Предположим, что это значение равно 200. Это означает, что нужно установить значение опции Искать заданное значение (в группе Тии оптимизации на вкладке Быстрый) равное 200 (рис.
11.36). ОьЫььнчанйк Ььеььиь кк а~в Рке. 11.36. Вкладка Быстрый. Установка значения впаяя Искать заданное значение Нажать кнопку Оптимизировать на Стартовой ланели, чтобы начать выполнение симнлекс-метода. В процессе работы алгоритма на экране будет находиться индикатор состояния, на котором показано название обрабатываемой модели и номер итерации. Шаг 5. Анализ результатов. После окончания работы алгоритма поиска будет выведен ряд таблиц и графиков, на последнем из которых изображена зависи- Нейронные оегоо. ЯТАТ»ЗТ»СА Меога! Н07970769 мость предсказаний моделей (ось у) от номера итерации (ось Х) (рис.
11.37). По виду графиков (по одному на каждую модель) можно определить, успешно ли завершил свою работу алгоритм и сколько итераций потребовалось для сходимости. Заметьте, что та же информация, представленная здесь графически, имеется в виде таблиц (таблица итерации и таблица результатов ны рис. 11.38, 11.39).
Рис. 11.37. Зааысимость предсказаний моделей от номера ытсрапии . Л='о .1аа1 евгапопв, ьюрю» авюсп Ого!апов а! Оервпеею мюв Еаа«посп Таг ег« ЛЮ 0 Пои г П«12 «43 г Ее!4 РгвБгс8%4'РгвасНопе Рюеыюпе РгвБББопв Беге!юа попгвег 1% 81 1 2 3 4 5, 6 7 8 9 В !2 13 !4 !5 16 17 о Рис, 11.38. Таблипа итсрапий симплекс-поиска 366 197 Б! 197 52 1% 76 ЗЮ35 201 М ЭЮ 37 Х1,88 199 56 201,15 19996 1Ю 94 1%% ЭЮ,»6 199 76 ЭВ,!Б ХО!% ъпп Х1,1713 ЛЮЯ292 3!1,%29 2009767 Зю 4180 !Ю 4%1 1993ке 1%,05% ЛЮ.3132 200Я7% ХО 7»юа ЗВД7% 199,8%8 ЭВ,1012 207,4221 1995193 ЗВ,12% оо пс 197 % !96% 1% 72 1%% 199,74 202 73 лн 77 1о9% 1% 34 ЛЮ21 ХО 47 1У7,75 ХО 42 199,84 ЗВ29 19339 19952 ъ и» 201Я6 %2 27 20203 201,24 200 64 30,89 201.% 3!1.49 ЗЮ,!4 1%,28 197ЯО ЗВ,72 ЛН 73 ЭЮ25 ЗН,44 1%65 !Ю!7 ..ю~-.~ Б«рп юесоа««п«г г г Гпввв 11.
побычв данных в ЗТАТ18Т1СА 1п1 х1 ! 1 1 ! ь ь.вчь. ьи ° ю ь в . в ьа иьзав Рис. 11.39. Таблица результатов симплекс-поиска Таблица результатов (см. рис. 11. 39) является, наверное, самой важной из тех таблиц, которые были выведены на экран после окончания работы алгоритма поиска. В ней представлены итоговые результаты для каждой модели. Продолжая исследование и просматривая таблицу, можно ответить на вопрос: при каких параметрах технологичсского процесса показатели качества готового продукта лежат в заданных пределах (допусках).
Выводю средства добычи данных могут зффективяо использоваться в задачах управления юпехююологическими проиессалюи. Припожение 1 ГЕНЕРАТОР КОСА Генератор кода БТЛГБТ1СА Иеига! Фе(иогlсз является дополнительным продуктом. Он создает исходный код сети, который можст быть откомпилирован и встроен в ваши собственные программы. Однако, необходимо уведомить ЯгагЯо11 до распространения программ, использующих Генератор кода, вашим клиентам для полного соответствия с лицензионными ограничениями. Свяжитесь со огаьза1г для более подробной информации.
Генератор кода способен создавать не только исходный код нейронной сети, но и код любой модели, построенной в пакете БТАГ1БТ1СА в результате проведения диспсрсионного или дискриминантного анализов, построения регрессионной зависимости и др. Запуск Генератора коца Выберите Генератор кода из вкладки Дополпительпо стартового окна (рис. 1), чтобы вывести диалоговое окно Запуск Генератора кода (рис. 2). Ряс. 1.
Стартовое окно 368 Прппоженпе 1. Генератор коде Рис. 2. Окпп Зппуск Геперпторп кпдп Окно содержит одну вкладку Быстрый. Для запуска генератора необходима сущсствующая сеть в текущем анализе. Если созданной сети нет, то ее можно создать с помощью Мастера решений или Конструктора сетей.
Можно загрузить сети из ранее сохраненного файла сетей, используя опции на вкладке Сети/Ансамбли Стартовой панели. Обпасть Язык Укажите язык программирования, в который должна быть конвертирована сеть. Язык С/С++. Выберите эту опцию для создания кода ости на языке С/С++. Генерировать тест основной процедуры. Если выбрана эта опция, в дополнение к функциям, которые реализуют модель, генератор кода напишет простую интерактивную программу, которая позволит вам тестировать модели. Если выбрано созданис теста на языке «С», то нужно скомпилировать выходной файл как программу ИЪи!овв Соиво!е. ЬТАТ1Я'1СА Ч(зпа! Ваяс (ВЧВ). Выберите эту опцию, чтобы создать код ости на языке 8ТАТБТ1СА Р)виа! Вапс.
Язык Ргео(с!Ье Мове! Магкпр (РММ1.). Выберите эту опцию„чтобы создать код сети на языке Ргеа!с!!ре Моае! Маг/сир (РММ/.), который является ориентированным языком для хранения информации о полностью обученных моделях. Обпасть Сгенерировать код Нажатие на одну из кнопок в этой области определяет, куда будет сохранен сгснернроваши, й код. Коппровагь в буфер. Нажмитс эту кнопку, чтобы переслать рсзультаты работы генератора кода в буфер (таким образом, можно вставить код в выбранное приложение) (рис.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
