- •Блоки IX-XII. Нейронные сети Задача 1. Создание и обучение персептрона для распознавания цветков ириса (демонстрационный пример)
- •Задача 2. Создание обучаемых структур для диагностики разновидностей аппендицита (самостоятельно)
- •Задача 3. Создание и обучение сети Кохонена для распознавания цветков ириса (демонстрационный пример)
- •Задача 4. Создание сети Кохонена для диагностики неисправностей конструкции и разновидностей аппендицита (самостоятельно)
- •Задача 5. Прогнозирование временного ряда (самостоятельно).
- •Задача 6. Создание персептрона для решения задачи «исключающего или (xor)» (самостоятельно).
- •Задача 7. Подбор параметров заданного персептрона, решающего задачу «исключающего или (xor)» (самостоятельно).
- •Задача 8. Подбор параметров заданной сети на радиальных базисных функциях, решающей задачу «исключающего или (xor)» (самостоятельно).
- •Задача 9. Создание нейронной сети по описанию множества (самостоятельно).
- •Задача 10. Программная реализация простейшей нейронной сети в LabView (самостоятельно).
- •Задача 11. Программная реализация сети Хопфилда в LabView (самостоятельно).
Блоки IX-XII. Нейронные сети Задача 1. Создание и обучение персептрона для распознавания цветков ириса (демонстрационный пример)
Данные для анализа находятся в файле КМ Блоки 9 10 11 12 Задачи 1 и 3.sta. Для решения задачи используется пакетSTATISTICA Neural Networks.
Разбить выборку на обучающее и контрольное множества, указать выходную переменную, перемешать наблюдения.
Создать персептрон, соответствующий структуре выборки (с выходной номинальной переменной типа «Один-из-N»).
Обучить персептрон.
Указать параметры классификации.
Оценить качество обучения.
Задача 2. Создание обучаемых структур для диагностики разновидностей аппендицита (самостоятельно)
Данные для анализа находятся в файле КМ Блоки 9 10 11 12 Задачи 2 и 4.txt. Для решения задачи использовать пакетSTATISTICA Neural Networks.
Разбить заданную выборку на обучающее и контрольное множества. Создать персептрон, соответствующий структуре выборки, и обучить его.Дополнительное задание:провести отбор входных переменных с помощью генетического алгоритма (Train|Auxiliary|Feature Selection|Genetic Algorithm).
Разбить заданную выборку на обучающее, контрольное и тестовое множества. Решить задачу распознавания, подобрав и обучив с помощьюАвтоматического конструктора сетей(Intelligent Problem Solver) следующие сети с оптимальной топологией:
персептрон,
сеть на радиальных базисных функциях и
линейную сеть.
Провести дискриминантный анализ.
Сопоставить эффективность пяти указанных выше способов распознавания, а именно: оптимального и неоптимального персептрона, сети на радиальных базисных функциях, линейной сети и дискриминантного анализа, - представив результаты в виде сводной таблицы.
Получить статистические оценки качества распознавания для нейронной сети, наиболее эффективной при решении данной задачи.
Отчетдолжен содержать:
сводную таблицу с результатами применения пяти указанных способов распознавания, содержащую
процентные показатели корректного распознавания на контрольном (тестовом) множестве,
характеристики обучающего, контрольного и тестового множеств,
характеристики и графические изображения использованных нейронных сетей.
статистические оценки качества распознавания для наиболее эффективной нейронной сети, а именно:
оценку степени согласованности прогноза и наблюдений на контрольном множестве1,
проверку гипотезы об отсутствии статистически значимых различий между результатами классификации на обучающем и контрольном множествах2,
проверку гипотезы об эквивалентности распределений различных типов входных данных в обучающем и контрольном множествах3.
комментарии и выводы.
Задача 3. Создание и обучение сети Кохонена для распознавания цветков ириса (демонстрационный пример)
Данные для анализа находятся в файле КМ Блоки 9 10 11 12 Задачи 1 и 3.sta. Для решения задачи используется пакетSTATISTICA Neural Networks.
Разбить выборку на обучающее и контрольное множества, указать выходную переменную, перемешать наблюдения.
Создать сеть Кохонена, соответствующую структуре выборки.
Обучить сеть Кохонена.
Выставить пороги принятия и отвержения.
Разметить топологическую карту.
Оценить качество обучения.
Используя диалоговое окно Частоты выигрышей/Win Frequencies, оценить и сравнить места расположения центров кластеров для различных классов в обучающем и контрольном множествах.