II5
.odtЕвдокимов Никита
IT-13-1
Вариант 5
Лабораторная работа 5
РАЗРАБОТКА ТОПОЛОГИИ НЕЙРОННОЙ СЕТИ
Цель работы: приобрести навыки по использованию нейропакета NeuroPro и освоить технологию создания, обучения и применения нейронной сети для решения задач предсказания влияния факторов на конечный результат.
Задания для выполнения лабораторной работы
Для заданной предметной области (Книги) выполнить прогноз, исследовать значимость входных параметров сети в зависимости от ее конфигурации.
В лабораторной работе используется эмулятор NeuroPro 0.25, который представляет собой менеджер обучаемых искусственных нейронных сетей.
-
Создаем файл в Microsoft Excel и задаём зависимости: популярность книги, цена и наличие подарка. Далее файл экспортируем в Access и получаем таблицу. (Рис.1)
-
Создаем нейропроект, подключая к нему файл (базу) данных таблица2.dfb (dBase). олучили таблицу с 18 записями нейропроекта.
-
Создаем новую сеть и задаем 2 входа и один выход. Точность – 0,1. (Рис. 2)
-
Задаем структуру сети, добавляем в проект нейронной сети слоистой архитектуры 2 слоя нейронов, число нейронов в слое – 10. (Рис. 3)
Структура сети
Получили нейроную сеть со следующими описательными параметрами, как показано на Рис. 4.
-
Произведем обучение нейронной сети решению задачи прогнозирования. (Рис. 5)
-
Произведем тестирование нейронной сети решению задачи прогнозирования. (Рис. 6)
Тестирование нейронной сети
-
Для упрощения нейронной сети имеются следующие операции в меню “Нейросеть”:
– сокращение числа входных сигналов – удаление наименее значимых входных сигналов (Рис. 7).
Сокращение числа входных сигналов
– сокращение числа нейронов – удаление наименее значимых нейронов сети;
Сокращение числа нейронов
–сокращение числа синапсов – удаление наименее значимых синапсов сети;
Сокращение числа синапсов
–сокращение числа неоднородных входов – удаление наименее значимых неоднородных входов нейронов сети;
Сокращение числа неоднородных входов
– равномерное упрощение сети – сокращение числа приходящих на нейроны сети сигналов до количества, задаваемого пользователем; (Рис. 11)
Равномерное упрощение сети
– бинаризация синапсов сети – приведение значений весов синапсов и неоднородных входов нейронов к выделенным значениям.
Бинаризация синапсов сети
Проведем тестирование по окончанию обучения сети и получим следующий результат.
Результат тестирования сети
Сравнивая значения средней, максимальной ошибок до обучения и после, можно сделать вывод о том, что обученная сеть имеет меньшее значение возможных ошибок, в отличие от первоначального тестирования.
Добавим в таблицу новые данные.
Определим, насколько входные параметры влияют на исход. (Рис. 14)
Значимость входов
Проведем аналогичные действия с 4-х слойной нейронной сетью.
Создание 4-х слойной сети
Обучим созданную сеть.
Рис. 16 Рис.17
Рис. 18 Рис. 19
Рис. 20 Рис. 21
Рис. 22 Рис. 23
Тестирование сети изображено на Рис. 24.
Рис. 24 – Тестирование сети
Совершим повторные действия обучения нейронной сети и получим следующий результат тестирования и значимости. (Рис. 25)
Рис. 25 – Результат повторного тестирования Рис. 26 – Значимость входных параметров
Вывод: на результат (выход) максимально влияет цена. Также важным фактором является популярность книги.