Построение и исследование моделей краткосрочного прогнозирования гликемии у больных сахарным диабетом

В окне Neural Network/Data Manager предоставляется возможность указать входные (input data) и целевые (target data) данные создаваемой нейронной сети и смоделировать структуру нейронной сети. Для импорта входных и выходных значений для обучения сети необходимо нажать на кнопку Import. Откроется окно Import to Network/Data Manager, представленный на Рисунке 3.23.

Рисунок 3.23 – Окно Import to Network/Data Manager

Есть возможность импортировать данные с диска Load from disk file или с рабочей области MATLAB. Допустим, для проведения вычислительных экспе-

риментов нам необходимы данные по содержанию углеводов, инсулина и глю-

козы в крови человека. Для этого необходимо выбрать из рабочей области зара-

нее загруженные исходные данные dataTrainInputStandardized как Input Data и dataTrainOutputStandardized как Target Data и нажать на кнопку Import.

Далее в главном окне Neural Network/Data Manager необходимо нажать на кнопку New для создания собственной нейронной сети. Будет открыто окно Create Network and Data. Необходимо использовать вкладку Network для проектиро-

вания нейронной сети (Рисунок 3.24).

81

Рисунок 3.24 – Окно создания нейронной сети В открывшемся окне для создания нейронной сети требуется выбрать тип

нейронной сети (Network Type), входные (Input data) и выходные данные (Target data), обучающую функцию сети (Training function), адаптивную функцию обу-

чения (Adaption learning function), функцию ошибки (Performance function), коли-

чество скрытых слоев нейронной сети (Number of Layers) и для каждого слоя определить количество нейронов (Number of neurons) и функцию активации

(Transfer Function).

После выбора требуемых параметров обучения требуется нажать на кнопку Create для создания сети, которая появится в окне Neural Network/Data Manager. Далее выбрав ранее созданную нейронную сеть и нажав на кнопку Open

появится окно обучения сети (Рисунок 3.25).

82

Рисунок 3.25 – Окно обучения сети Network

Во вкладке Training Info указываются входные и выходные данные обуче-

ния многослойного персептрона, а во вкладке Training Parameters – параметры обучения сети, где можно настроить количество эпох обучения, точность обуче-

ния, время обучения и другие параметры. После того, как будут настроены все необходимые параметры, требуется нажать на кнопку Train Network для начала обучения построенной сети. Откроется окно Neural Network Training, где можно будет отследить как по истечении эпох обучения изменяются параметры обуче-

ния сети.

На рисунке 3.26 представлено окно с результатами обучения модели мно-

гослойного персептрона с одним скрытым слоем и 20 нейронами в нем.

83

Рисунок 3.26 – Окно обучения нейронной сети Обучение модели было завершено при достижении максимального коли-

чества итераций обучения модели, по времени шло 10 секунд. На данном этапе достигнуто значение среднеквадратического отклонения, равное 2,91 10−7.

Нажав на кнопку Perfomance во время обучения сети можно наблюдать из-

менения среднеквадратичной ошибки обучения. На рисунке 3.27 представлен график зависимости СКО от количества эпох обучения для построенной на предыдущем шаге модели.

84

Рисунок 3.27 – Среднеквадратичная ошибка обучения На графика видно, что значение погрешности непрерывно уменьшалось на

каждом шаге обучения и достигло минимального значения на предельной итера-

ции.

Нажав на кнопку Regression можно проследить изменение коэффициента детерминации нейронной сети, оценивающий адекватность обученной модели.

На рисунке 3.28 представлена диаграмма рассеяния для обученной модели пер-

септрона.

Рисунок 3.28 – Оценка коэффициента корреляции Из графика видно, что отклонения прогнозируемых значений от эталонов

минимальны и коэффициент корреляции близок по значению к 1, что свидетель-

ствует о сильной прямой связи между переменными.

После обучения во вкладке Error Data можно проследить массив ошибок обучения сети. Для обученной сети данные представлены на Рисунке 3.29.

85

Рисунок 3.29 – Ошибки обучения сети На рисунке 3.30 представлено окно с результатами обучения модели мно-

гослойного персептрона с одним скрытым слоем и 40 нейронами в нем.

Рисунок 3.30 – Окно обучения нейронной сети Обучение модели было завершено при достижении максимально допусти-

мого значения параметра Validation Checks, который предотвращает переобуче-

ние модели. Переобучение возникает, когда обучаемая модель хорошо распо-

знает примеры из обучающего множества, но при этом не распознает или плохо распознает любые другие примеры, не участвовавшие в процессе обучения. Зна-

чение параметра Validation Checks увеличивается в том случае, когда начинает увеличиваться среднеквадратическая ошибка на тестовом множестве.

На рисунке 3.31 представлен график зависимости СКО от количества эпох обучения для построенной на предыдущем шаге модели.

86

Рисунок 3.31 – Среднеквадратичная ошибка обучения На графика видно, что значение погрешности непрерывно уменьшалось на

каждом шаге обучения и достигло минимального значения на 234 эпохе.

На рисунке 3.32 представлена диаграмма рассеяния для обученной модели многослойного персептрона.

Рисунок 3.32 – Оценка коэффициента корреляции Из графика видно, что отклонения прогнозируемых значений от эталонов

минимальны и коэффициент корреляции близок по значению к 1, что свидетель-

ствует о сильной прямой связи между переменными.

87

На рисунке 3.33 представлено окно с результатами обучения модели мно-

гослойного персептрона с двумя скрытыми слоями по 40 нейронов в каждом.

Рисунок 3.33 - Окно обучения нейронной сети На рисунке 3.34 представлен график зависимости СКО от количества эпох

обучения для построенной на предыдущем шаге модели.

Рисунок 3.34 – Среднеквадратичная ошибка обучения

88

На графика видно, что значение погрешности на обучающей выборке непрерывно уменьшалось на каждом шаге обучения и достигло минимального значения на 170 эпохе.

На рисунке 3.35 представлена диаграмма рассеяния для обученной модели персептрона.

Рисунок 3.35 – Оценка коэффициента корреляции Из графика видно, что отклонения прогнозируемых значений от эталонов

минимальны и коэффициент корреляции близок по значению к 1, что свидетель-

ствует о сильной прямой связи между переменными.

На рисунке 3.36 представлено окно с результатами обучения модели

NARX с одним скрытым слоем и 20 нейронами в нем.

89

Рисунок 3.36 - Окно обучения нейронной сети На рисунке 3.37 представлен график зависимости СКО от количества эпох

обучения для построенной на предыдущем шаге модели.

Рисунок 3.37 – Среднеквадратичная ошибка обучения На графика видно, что значение погрешности на обучающей выборке

непрерывно уменьшалось на каждом шаге обучения и достигло минимального значения на 72 эпохе.

90