Круглов В.В., Борисов В.В. - Искусственные нейронные сети (ИНС) Теория и практика (778918), страница 24
Текст из файла (страница 24)
делирования нейронных сетей 146 4.2. Характеристики современных нейропакетов В настоящее время известно большое количество нейропакетов, выпускаемых рядом фирм и отдельными исследователями и позволяющих конструировать, обучать и использовать нейронные сети для решения практических задач Характеристики некоторых из них приведены в табл 4 2 Рассмотрим несколько нейропакетов, предназначенных для реализации на персональных компьютерах в различных операционных средах, по степени их универсальности, а также с точки зрения простоты использования и наглядности представления ин- формации таблица 4 2 Ха акгеристики не<ото ых сов еменных ней опакетов ПРоизводитель Наименова- ние л од кта Платформа Функциональные ха акте истики Аьтесн (Шалетсвилл шт Вайоминг США) Ькр /пиль< амесл солт/мол нтм Мобе(ецез/ Уйпбоыз Интегральная среда для прогнозирования приня- тия решений и управле- ния В основе лежит кон- цепция <статистических сетей» (ага(виси( Нег- ыогхз) как сплава НС и статистических методов об аботки А(ууаге )пс Неиропакет для решения задач управления динамическими процессами Ргосевз Абкмог УУ/пбоыз Тестирование обученной нейронной сети Для проверки правильности обучения построенной нейронной сети в нейроимитаторах предусмотрены специальные средства ее тестирования В сеть вводится некоторый сигнал который, как правило, не совпадает ни с одним из входных сигналов примеров обучающей выборки Далее анализируется получившийся выходной сигнал сети Тестирование обученной сети может проводиться либо на одиночных входных сигналах, либо на тестовой выборке, которая имеет структуру, аналогичную обучающей выборке, и также состоит из пар (<вход>, <требуемый выход>) Обычно, обучающая и тестовая выборки не пересекаются Тестовая выборка строится индивидуально для каждой решаемой задачи ХреПЕШ1е Апа1узе/ ЧЧ!лбова Мецгойепе1~с Орал!жег (МОО) ЧЧ!пбавь Вга!пМакег Чч~пбоаь, Мас!п(оьп 06/2 Чуагр ЧЧ!лбова Ро1уАпа(уы МвцЕгагпе ЧЧ!лбова НР, Вип, Чуюбоаь Оесмюп Велев НР, Вип, О!два! Вга!псе! Фйпбовь 148 Апаг 6ойваге (Ланкашир, Вели- кобритания) й((р //чпчв а!(аг согп ВюСогпр Вуь(епгь (Редмонд шт Ваон, США).
!зцр /пива Ыосогпр согп СаМогша Воен!!Лс Войааге (Невада- Сити, шт Кали- форния США), Ы(р дава са(ьо согп Медарц1ег 1п1ейн депсе (Москва, Россия), Ы(р //гпоьса ьа~ гпьц ьц/чпр/гпе9аргде Ыгп( МСВ (Саутгемптон, Великобритания), Ы1р Л мяв бегпоп со цшьку!аке/ьой- ваге Ыгп! МецгоО!клепал )пс (Сизтл США) Ы(р Лава пб согп МеоН!Ма (Купертино, шт Ка- лифорния, США), Ы1р Лава пеоч!ь(а согп Меч!а(ууаге (Питсбург, шт Пен- сильвания, США), Ы!р /Ачаа пента(- ваге согп Ргопиьеб Сапб Тесппо)од!еь,!пс Ы1р //ргогп1апб согп/ бегло П(гп Мешобойдюпь Мецга(ччогхь Рго/еььюпа( 0/ Р!Чь РС, Воп, !ВМ В6/6000, Арр!е Мас- !п1овЫ 661, О! Па!, НР П одолжение табл к 2 Пакет для построения моделей данных и выяв- ления скрытых закономер- ностей на основе вероят- ностных правил, генетиче- ских алто итмов или НС Инструментальная среда для оптимизации входных сигналов и структуры НС на основе генетических алго итмов Инструментальная среда для разработки приложе- ний на основе НС для рас- познавания образов, про- гнозирования и нейросе- тевой памяти Объектно-ориентирован- ная среда для анализа данных, поиска закономер- ностей и представления их в символическом виде Пакет для разработки при- ложений на основе НС Реализует комбинирован- ные алгоритмы НС и не- четкой логики Нейропакет с широкими средствами визуализации, для конструирования НС с произвольной топологией и и оцед ами об чения Система для автоматического поиска знаний в коммерческих базах данных Позволяет строить прогнозы, используя технологию об аемых НС Инструментальная среда для разработки приложе- ний на основе 25 моделей НС с полный набором средств для обучения и тестя рвения НС Нейропакет для моделирования НС прямого распространения с быстрым алго итмом об ения П о ряженке табл 4 2 8(а!Бой Илпбовь МеогаПО УУ!пбовь Мечта) Соппесооп УУ!лбова Сапкгп Ук~пбоаь Мешобле)1 2 УУ!лбова МеогоВЬе11 2 УУ/лбова ОайМе! УУ!лбова Р/!пбокгв Мечта) Р1аппег Вооглегп бс!епь/!с СС Воо!Ь А/пса Ы!р раиля мгп1е) пе)/ькп!е) пера!пЗ/ пес/а)-рге Ыгп) 8Р88 (Чикаго, шт Илли- нойс, США) Ыф П~миа ьрьь соя\ ТЬпх~пд Масшпеь (Бэдфорд, шг Массачусетс, США), ЬЬ /Лила Ш!пх согп (/пвегьа1 Рюшегп Воыегь )пс Ьбр //ааа ькп1е) пеУь!гп!е) пе1/икпЗ/ пеша1- ге Ыгп1 УУагб Вуь!егпь С/сор И/агб Вув!еп!ь С!сор С Зепьеп, США Ы!р /Лтипи ьггп1е1 пе! /мгп1е) пе(/а!пдб/ пеога1-рте ЬЬп1 8 УУо)ййеппо)йпе, (/К Ьбр рева мгп1е)пе! /мкп!е( пег/а!пз/ пеша!-рге Ьвп) 8!аЬМ!са Мео- га) Ме1вогхь ЬДР) (Мо!Ь- Раьь )пыапсе- Ваьеб )еагп- ~пд) Аппаратные платформы отПКдо суперкомпьюте ов Пакет нейросетевого ана- лиза для конструирования и п именения НС Нейропакет, реализующий сеть прямого распростра- нения с алгоритмом об- ратного распространения ошибки для решения за- дач аспознавания Среда для решения задач классификации, прогнозирования и анализа временных рядов на основе 4-х а хите НС Инструментальная среда для анализа данных 8!аг- Ме1 — модуль для модели- рования НС Нейропакет для кластер- ного анализа извлечения знаний иэ эксперимен- тальных данных Нейропакет для модели- рования наиболее извест- ных нейропарадигм (мно- гослойных НС, сетей Кохо- нена и д Нейропакет для модели- рования наиболее извест- ных нейропарадигм (мно- гослойных НС, сетей Кохо- нена и д Нейропакет, моделирую- щий многослойную сеть прямого распространения и различные модификации алгоритма обратного рас- и ест анения ошибки Нейропакет для моделирования нейронных сетей различной конфигурации для решения задач классификации объектов, анализа случайных процессов, создания эффективных экспе тных систем Комплекс прогнозирования курса акций и финансового анализа угй и гг Оюз ЗАО «Интраст» (Москва, Россия) Инструментальная среда на основе НС Нейросетевая система автоматического смысло- вого анализа текстов (ндпг) с««5 Тех(дпа(УМ ТОО НПИЦ «Микросистемы» (Москва, Россия) (Пйпсоиз Пакет для разработки при- кладных НС Ненга(Маваг СНИЦ «Нейросистемыы» АН ТатаР- стана Пакет программ модели- рования биологических нейроннык сетей АО «Нейрома.РД» (Москва, Россия), пйр г пьба(упег сонг(пол Программный нейроими тагор для ре «гения задач нз различных предметных областей Соеда длн решения задач классификации в том числе в медицинской, психологической и технической диагностике Распознавание визуаль- ных образов Использует- ся дпя обработки азро«ос- мнческой информации Нейропакет для статисти- ческого прогнозирования и анализа многомерных дан- нык 000 «НейрОК» (МГУ, Москва Россия), пецгок пг Пакет для проектированип интеллектуальных про- граммных модулей на ос- нове НС с ядерной органи- зацией ° ° ИИИШ ~И~ ~И ~ 1ШМИМ ~И~ Проведем анализ, используя данные журнала «Нейрокомпьютер», наиболее мощных зарубежных нейропакетов 1) )чеогоЗо)ц!!опз фирмы )чеиго0!гпепв)оп 1пс., 2) )чеига1!Иогйэ Рго1еээюпа! йу Р1из с модулем 001»0 фирмы 14еига1Ф/аге 1пс.; 3) Ргосевв Абкйзог фирмы А)ууаге)пс.; 4) )чеигоЗпе11 2 фирмы У»его' Зуэ!егпз бгоир, 5) Вга!пМакег Рго фирмы Са1Фогп!а Зс!еп!и!с Зой»каге.
В качестве тестовой рассмотрена задача прогнозирования многомерного временного ряда. В качестве архитектуры взята многослойная нейронная сеть с различными критериями и алгоритмами обучения В результате тестирования все нейропакеты показали практически одинаковые результаты по времени обучения с помощью алгоритма обратного распространения ошибки Поэтому оценка производилась по показателям нейропакетов, связанным с возможностями использования различных нейронных структур, критериев оптимизации и алгоритмов обучения сетей, а также с простотой использования нейропакетов и наглядностью представляемой информации. При тестировании учитывались и воэможности использования нейропакетов для разработки нейронных систем для решения прикладных задач В результате были определены следующие показатели сравнения, отражающие воэможности нейропакетов: ° простота создания и обучения нейронной сети, интуитивно понятный интерфейс; ° простота подготовки обучающей выборки; ° наглядность и полнота представления информации в процессе создания и обучения нейронной сети; ° количество реализуемых стандартных нейропарадигм, критериев и алгоритмов обучения нейронной сети, ° воэможность создания собственных нейронных структур; ° возможность использования собственных критериев оптимизации, ° возможность использования собственных алгоритмов обучения нейронной сети, ° простота обмена информацией между нейропакетом и другими приложениями операционной системы; ° открытость архитектуры, т.
е. возможность расширения нейропакета за счет собственных программных модулей; ° возможность генерации исходного кода; 151 ° наличие макроязыка для ускорения работы с нейропакетом. Первые три показателя важны для начинающих пользователей нейропакетов, 3-8 — для опытных пользователей, решающих конкретные прикладные задачи, показатели же 7-11 являются определяющими при создании интегрированных. нейронных инструментальных систем на базе нейропакетов и важны для профессиональных разработчиков и программистов.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
