Круглов В.В., Борисов В.В. - Искусственные нейронные сети (ИНС) Теория и практика (778918), страница 39
Текст из файла (страница 39)
5) Открывшийся лист Оа1а позволяет определить и предобработать данные для последующего использования. Кроме того, с этого листа можно сохранить обученную нейронную сеть (Заче Рго!ес1 ...) или загрузить уже сохраненный в прошлом проект (! оаг! Рго!ес1 ...). Первое, что нужно сделать, это определить входы, для чего следует нажать кнопку Зе!ес1 (при1в.... 6) В открывшемся диалоговом окне Зе!ес1 (при1в/А(! Оа1а выберете необходимые входы и с помощью кнопки» переведите 246 их в окно списка )прите.
Корректировку выбранных входов можно провести, используя кнопку <. Рис 5 75 Окно опредепении данных Рис 5 75 Основное окно уу~ппе! 3 О 7) Так как конкретные значения входов могут быть любыми, то рекомендуется их нормализовать Для большинства случаев подходит нормировка входных значений Меаплгаг)апсе. При зтом данные переводятся в безразмерную форму вычитанием среднего и нормированием на их дисперсию. Другие способы: линейное преобразование, приведение к диапазону (-1, +1) Д-1, +1) пог- 247 гпа!ьза1юп) и нелинейное преобразование гиперболическим тангенсом (!Пап-поггпа)~га1)оп). Нажмите кнопку Моппа!!ха1!оп... и выберите в открывшемся окне !прц1в поггпа)!ха1!оп соответствующую позицию переключателя.
Подтвердите выбор нажатием кнопки ОК Вернувшись в окно Зе!ес1 )при1в также подтвердите выбор нажатием кнопки ОК 8) Далее, нажав на кнопку Зе!ес1 Ои1ри1в..., аналогично пунктам б и 7 определите и нормализуйте, при необходимости, выходы системы 9) Определение значимость входной информации для предсказания выходной начинается с нажатия кнопки Вохсои1!пд..., по которому система, используя алгоритм Вохсоц1!п9, определит статистическую значимость входов для заданных выходов. В открывшемся окне Вохсоибпц геев!1в (рис. 5.77) представлена результирующая информация Причем ° чем выше столбец гистограммы для данного входа, тем значимее его информация, ° чем больше отношение Меап ргеб!с!аЬ(!)(уИапапсе отличается от 1, тем большего успеха можно достичь в предсказании выходной информации Рис 577 Результат отбора наиболее существенных переменных Не имеет смысла использовать для предсказания входы, значимость которых равна или близка к нулю.
Поэтому, вернувшись в основное окно, удалите эти входы из списка (прц!з. Данную 248 процедуру по определению значимости входов можно повторить несколько раз Дело в том, что уменьшение количества входов позволит либо существенно сократить время обучения нейронной сети, либо даст воэможность улучшить ее нелинейные свойства. 10) Следующий этап — создание нейронной сети (многослойного персептрона) Перейдите на закладку МетиуогИ и нажмите на кнопку Сгеате Мет.... В открывшемся окне МеЬиогИ Сопв(гисбоп (рис. 5.78) можно полностью определить структуру и топологию нейронной сети; ° количество слоев; ° тип активационной функции нейронов данного слоя; ° число нейронов в слое; ° порядок нелинейности нейронов данного слоя Рис 575 Окно конструирования нейронной сети При создании нейронной сети следует руководствоваться следующими простыми соображениями.
Во-первых, для хорошей (гладкой) аппроксимации данных общее число связей сети должно быть в несколько раз (лучше на порядок) меньше числа обучающих примеров. В противном случае построенная нейронная сеть просто запомнит данные, потеряв воэможность делать статистически значимые предсказания на но- 249 вых данных (напомним, что это нежелательное явление называется переобучением) Во-вторых в большинстве задач аппроксимации нет смысла использовать архитектуру нейронной сети с количеством скрытых слоев более одного Нелинейный же характер нейронной сети определяется количеством нейронов в этом скрытом слое В-третьих, использование порядка нелинейности нейрона более 1 рекомендуется только подготовленным пользователям Подтвердите выбранную конфигурацию нейронной сети нажатием кнопки ОК и вернитесь в исходное окно, где конфигурация сети будет проиллюстрирована в графическом виде (рис 5 79) Рис 5 79 Графическое представление структуры созданной нейронной сети 11) Для обучения созданной нейронной сети перейдите на следующую закладку Тга(п(пп Перед обучением надо задать тестовое множество примеров из общей совокупности обучающих примеров Эти примеры не будут участвовать в обучении На них будут основываться оценки предсказательных свойств обученной нейронной сети Щелкните по кнопке Ет!!к 1ев1 ве1...
В окне (рис б 80) можно задать размер и характер обучающей выборки Общие рекомендации ° число примеров в тестовой выборке должно составлятф 20-30%, но не менее нескольких десятков, 250 ° при решении задач аппроксимации наиболее естественным является случайный выбор тестового множества Отдельная опция гаапдогп + ~ав1 ехагпр!ев введена для задач прогнозирования временных рядов При этом последние примеры всегда исглючаются иэ обучения и являются, по сути, прогнозом Подтвердите выбор нажатием кнопки ОК и вернитесь в основное окно Рис 5 80 Окно задания параметров обучения 12) Теперь можно начинать обучение Нажав кнопку 81аг1 1га)п)пя, можно наблюдать за ходом обучения нейронной сети по изменению информации в области Тга)п!п9 !п1о или в графическом виде в соответствующих окнах, вызываемых нажатием клавиш в области Отар)тв Желательно остановить процесс обучения в момент, когда ошибки обучения и обобщения начнут сильно расходиться Рост ошибки обобщения сигнализирует о начале переобучения 13) По завершении процесса обучения его результаты можно визуально оценить на графике МеЬуогй апвууегв..., вызываемом по нажатию соответствующей кнопки 14) Пакет позволяет управлять параметрами процесса обучения Но данными возможностями рекомендуется пользоваться только подготовленным пользователям в исключительных случаях 251 15) Теперь осталось сохранить проект (Ваче Рго)ест...) и экспортировать результаты назад в книгу Ехсе! Для экспорта ре- зультатов перейдите на закладку Ои1ри1, задайте необходимые параметры и сохраните результаты нажатием кнопки ОК 16) Можете теперь закрыть окно программы уу!ппег 3.0 Дальнейший анализ полученных результатов удобнее проводить стандартными статистическими методами в Ехсе!.
Если ранее созданная и обученная нейронная сеть приме няется в работе с новыми данными для получения прогнозов, т4 зти данные, естественно, должны иметь тот же формат, как и те, по которым сеть обучалась. В этом случае необходимо проделать следующие операции: ° загрузить данные в систему, ° загрузить ранее созданный проект; ° сохранить предсказанные данные в книге Ехсе!.
Последовательность действий такова. 1) Выделите необходимую для работы область данных на листе книги Ехсе!. Прежние соглашения относительно расположе- ния данных остаются в силе. Необходимо отметить, что количество и порядок столбцов новых данных должно в совпадать с данными, использованными при создании проекта и обучении нейронной сети С этой целью столбцы, используемые в качестве выходов, заполняются нулевы- ми значениями. 2) Загрузите созданный ранее проект, нажав на кнопку !.оа!) Рго)есб..
В открывшемся окне выберите нужный файл проекта, имеющий по умолчанию расширение '.апр, и подтвердите выбор нажатием кнопки Открыть. 3) Перейдите на закладку Ои1ри1, задайте необходимые пэ раметры и сохраните результаты нажатием кнопки ОК. Работу программой можно считать завершенной. Ко)эопеп Мар Колопеп Мар представляет собой удобный инструмент анализа многомерной информации, которая отображается в виде двумерной цветной карты, раскрашиваемой по любому интересующему параметру Карта строится по специальному алгоритму, сохраняющему локальную близость данных: точки, близкие на карте будут близки и в исходном многомерном пространстве.
Обратное, вообще говоря, неверно. Если работа с данными выполняется впервые, то для проведения анализа необходимо сделать следующее: 252 ° загрузить данные из книги Ехсе! в систему, ° определить входы, которые необходимы для проведения кластеризации; ° предобработать данные — осуществить их нормировку; ° при желании выбрать нужное число главных компонентов; ° создать и обучить нейронную сеть Кохонена; ° провести анализ многомерных данных встроенными средствами Колопеп Мар; ° сохранить обработанные данные и рисунки в книге Ехсе(; ° если необходимо, сохранить обученную нейронную сеть для дальнейшей работы.
Разберем все зти этапы по шагам. 1) Для работы выделите область данных на листе книги Ехсе(. Данные на листе располагаются следующим образом: входы и выходы — столбцы, а строки — обучающие примеры. Выделяемая область может включать в первой строке названия входов как на русском, так и на английском языке. Кроме того, в первой колонке могут находиться данные, используемые не для обучения сети Кохонена, а для идентификации примеров при последующем анализе результатов.
2) Щелкните мышью по кнопке с цветной картой Кохонена на панели инструментов г(ецга) Апа1ув)в В ответ появится диалоговое окно Зе1есг дага воцгсе, предлагающее уточнить параметры области данных для работы (рис. 5.75) В случае согласия с параметрами ввода нажмите кнопку ОК. 3) Откроется основное окно программы Колопеп Мар 1.О, которое содержит два листа Рго)ес( и йеви!1в (рис. 5.81). 4) Открывшийся лист Рго!ест позволяет определить и предобработать данные для последующего использования. Кроме того, с этого листа можно сохранить обученную нейронную сеть (Заче Рго)ест ...) или загрузить уже сохраненный в прошлом проект ((.оаг1 Рго1есб..), Прежде всего нужно определить входы, для чего нажмите на кнопку Сгеаге раггегпв .... 5) В открывшемся диалоговом окне Зе1есг ге(ечап1 со1игппв выберете в окне левого списка А11 со1игппв необходимые входы и с помощью кнопок > или» перейдите в окно списка Зе(есгег).
Корректировку выбранных входов можно провести, используя кнопки < или «. Отметим, что в отличие от Юl!ппе! 3.0 теперь все данные являются входными и участвуют в обучении. б) Поскольку конкретные значения входов могут быть из любого диапазона, то рекомендуется провести их нормировку. Для 253 большинства случаев подходит нормировка входных значений Меапйаг(апсе. Нажмите кнопку р)оппа1!ке... и выберите в открывшемся окне 1прц1в поппа11хабоп соответствующую позицию переключателя. Подтвердите выбор нажатием кнопки ОК и вернитесь в окно Зе(ес! ге(ечап1 со!цгппв. Рнс 5 81 Основное окно программы Конопеп Мар 1 О 7) Очень часто при анализе используется много входов, имеющих существенную линейную зависимость друг от друга. В этих случаях реализованный в пакете Копопеп Мар 1.0 метод главных компонентов (РСА) позволяет автоматически существенно понизить размерность пространства входных векторов Для этого переключатель Ехтгас1 рг)пс!ра! согпропептв должен быть включен.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
