Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:

иси1 / Король_лаб1

.docx
Скачиваний:
11
Добавлен:
14.02.2015
Размер:
66.94 Кб
Скачать

Министерство образования и науки Российской Федерации

Государственное образовательное учреждение высшего профессионального образования «Алтайский государственный технический университет им. И.И. Ползунова»

Факультет информационных технологий

Кафедра информационных технологий

Отчет защищен с оценкой .

Преподаватель Д.Е. Кривобоков

(подпись) (и.о. фамилия)

« » 2014 г.

Отчет

по лабораторной работе № 1

по дисциплине «Интеллектуальные средства измерений»

«Нейросетевые системы обработки информации»

ЛР 200106.01.000 О

.

Студент группы ИИТ-01 М. П. Король

Преподаватель доцент., к.т.н. Д.Е. Кривобоков

должность, ученая степень и.о., фамилия

БАРНАУЛ 2014

Цель работы:

– познакомиться со средой разработки и обучения нейросетевых систем NeuroPro.

Задание на лабораторную работу:

– смоделировать предложенный вариант функциональной зависимости;

– определить область существования аргументов;

– сгенерировать обучающую (100 позиций) и тестирующую выборку (10 позиций) из неповторяющихся значений;

– создать в среде NeuroPro нейросеть, обучить её;

– исследуя различные структуры сети, сделать вывод о влиянии количества нейронов и слоев на ошибку.

Порядок проведения лабораторной работы

Создадим обучающую выборку на основе системы из двух уравнений:

В Excel заполним значения x случайными числами в диапазоне от 0 до 10 и зададим функции. Получаются две выборки размером 100 и 10 неповторяющихся позиций, соответственно – обучающая и тестирующая. С помощью макроса XlsToDBF.xla преобразуем данные, подготовленные в Excel к формату dbf, воспринимаемому NeuroPro.

Рисунок 1 - Данные выборки, подготовленные для экспорта в формат dbf

Подключим файл данных с обучающей выборкой. Добавим в нейропроект нейронную сеть слоистой архитектуры с числом слоев нейронов от 1 до 10, числом нейронов в слое – до 100. Обучим нейронную сеть и протестируем, открыв тестирующую выборку.

Попробуем изменять число слоев.

Рисунок 2 – 10 слоев (по 10 нейронов в каждом)

Рисунок 3 – 3 слоя (по 10 нейронов в каждом)

Рисунок 4 – 2 слоя (по 10 нейронов в каждом)

Рисунок 5 – 1 слой из 10 нейронов

Попробуем изменять число нейронов.

Рисунок 6 – 1 слой из 5 нейронов

Рисунок 7 – 2 слоя из 5 и 3 нейронов

Рисунок 8 - 2 слоя (5 и 10 нейронов)

Вывод:

В процессе выполнения лабораторной работы была создана нейронная сеть с разными параметрами структуры в среде NeuroPro.

Изменяя только количество слоёв, не удалось сделать однозначных выводов о влиянии их количества на ошибку, так как результаты изменяются не линейно. В данном примере лучшие результаты наблюдались в сети из двух слоев.

При изменении количества нейронов в одном слое, оказалось, что чем больше нейронов, тем лучше результаты. Для нейронов в двух слоях был выведена закономерность, что результаты лучше всего, когда нейронов во втором слое больше, чем в первом.

Соседние файлы в папке иси1