Контрольні питання.

1. Порівняйте властивості нечітких систем та нейронних мереж.

2. Що таке нейро-нечітка мережа?

3. Які властивості мають нейро-нечіткі мережі?

4. Які існують типи нейро-нечітких мереж?

5. Як формують базу знань нейро-нечіткої мережі?

6. З яких елементів складаються нейро-нечіткі мережі?

7. Опишіть архітектуру та методи навчання нейро-нечітких мереж ANFIS.

8. Як визначити апріорну інформацію про навчаючу вибірку?

9. У чому полягає метод редукції нечітких термів?

10. Опишіть функції пакету MATLAB для створення нейро-нечітких мереж.

11. Опишіть редактор anfisedit.

12. Як впливає задана кількість циклів навчання на точність навчання?

13. Як впливає задана точність навчання на тривалість навчання?

14. Які вимоги мають пред’являтися до навчаючої вибірки та як це вплине на процес навчання?

Лабораторна робота №5 Вивчення процесу класифікації даних за допомогою нейронних мереж.

Мета: Ознайомитися з роботою трьохшарової нейронної мережі та дослідити процес класифікації точок.

Теоретичні відомості.

Основні теоретичні відомості про нейронні мережі викладені в лабораторній роботі №1.

Нехай маємо трьохшаровий персептрон (рис. 23). Кожний нейрон персептрону буде використовувати так звану сигмоїдну функцію активації, яка виглядає наступним чином (рис. 24):

Рис. 23. Структура тьохшарового персептрона.

Рис. 24. Графік сигмоїдної функції активації.

Оскільки як результат нам потрібно тільки два значення: 0 або 1, які відповідають належності точки, що входить до персептрону, одному з класів, то результат, що видається останнім нейроном перед видачею його як рішення персептрона будемо округлювати до нуля або одиниці стандартним способом.

Використання сигмоїдної функції активації замість порогової пов’язано з тим, що навчання за методом зворотного поширення похибки буде коректно, за рахунок диферційованості цієї функції.

Є сім нормальних розподілів на площині, розташованих способом, схожим з вказаним на рис. 25. При цьому три з них (на рисунку чисто білі) вважаються першим класом, а чотири (на рисунку заштриховані) – другим класом.

Генератор працює наступним чином: спочатку, використовуючи заздалегідь задані апріорні ймовірності, вибирається одне з семи можливих нормальних розподілів і потім відповідно до обраного розподілу генерується якась двовимірна точка. Нейронна мережа в особі персептрона повинна встановити, до якого з двох класів належить точка.

Оскільки класи, як це видно на рисунку, перетинаються, то, природно, пер-септрон цілком може помилитися у своєму рішенні, тому процес навчання не позбавляє персептрон повністю від помилок, він лише намагається якомога більше мінімізувати їх кількість.

Три жирні лінії на рисунку відповідають трьом нейронам першого шару.

Рис. 25

Завдання на лабораторну роботу.

Використовуючи спеціальне програмне середовище, дослідити вплив кількості циклів навчання на класифікацію точок, що генеруються. Для дослідження пропонується обрати 100, 1000, 10000, 100000, 1000000 циклів навчання. Результати класифікації та параметри нейронної мережі занести в протокол і зробити необхідні висновки.