Добавил:
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Скачиваний:
76
Добавлен:
01.05.2014
Размер:
211.46 Кб
Скачать

Лабораторная работа №3.

Проектирование и исследование ИНС для классификации нелинейно разделимых образов

Часть 1. Многослойный персептрон и Радиальная базисная функция

Цель работы:

Научиться проектировать архитектуры и подбирать параметры обучения для Многослойного персептрона и Радиальной базисной функции для классификации образов, не разделимых линейно.

Задания:

1. Требуется спроектировать различные архитектуры сетей для разделения образов на 4 класса. Для этого:

  • сформировать представительный набор данных для обучения сети. Классифицируемые данные – точки на координатной плоскости, определяющие 4 различных области или класса (см. рисунок).

2. Спроектировать и обучить с помощью SNN многослойный персептрон, решающий задачу классификации сформированного набора данных.

Исследовать способность сети к обобщению (к классификации образов, не принадлежащих обучающей выборке).

3. Спроектировать и обучить с помощью SNN сеть РБФ, решающую ту же задачу.

Также исследовать способность сети к обобщению.

4. Сравнить качество функционирования и обучения для двух сетей.

Пояснения к выполнению заданий:

К заданию 2:

Выбирается метод обучения BackPropagation, опытным путем подбираются параметры, флажки Shuffle Cases (перемешивать наблюдения) и Cross Verification (верификация в процессе обучения) не выставляются.

Добавьте к данным новые точки, принадлежащие различным классам, проверьте реакцию сети на эти данные и сделайте выводы о способности сети к обобщению.

К заданию 3:

Выбирается метод обучения Radial Basis Function. Появляется окно, в котором необходимо последовательно выбирать различные способы определения:

  • центров (случайная выборка Sample и метод К-средних K-means),

  • отклонений (явное – Explicit, изотропное – Isotropic, метод К ближайших соседей – K-Nearest).

После выбора параметров РБФ нажмите кнопку Pseudo-invert для запуска метода обучения РБФ.

Сравните результаты, полученные для различных параметров.

Замечания.

1. Если обучающих данных не очень много, то для выбора центров лучше использовать не случайную выборку, а алгоритм К- средних.

2. При выборе явного способа задания отклонений отклонениям присваиваются значения . Значение  определяется с помощью: d=1/22. Значение d задается в поле Deviation.

3. При выборе изотропного алгоритма отклонения вычисляются по правилу k/d2, где d – расстояние между двумя наиболее удаленными центрами, а k – число центров (т.е. радиальных элементов). Затем это значение умножается на значение в поле Deviation, которое в этом случае лучше выбирать равным 1.

4. Алгоритм задания отклонений по К ближайшим соседям использует для этого среднеквадратичное расстояние от каждого элемента до ближайших к нему элементов. Т.е. отклонение для каждого элемента вычисляется отдельно и зависит от того, насколько густо расположены данные в его окрестности. Вычисленное расстояние умножается на коэффициент в поле deviation. Это сделано для более точной настройки алгоритма. Число соседей задается в поле Neighbors.

Соседние файлы в папке Лабораторная работа 3