Лабораторная работа выполняется с использованием программного нейроимитатора (STATISTICA Neural Networks, Neural Network Wizard и т.д.), который указывается преподавателем, в порядке, описанном ниже.
Необходимо:
Nвар = round(N1 + N2 / 5 + 1),
где N1 и N2 – соответственно последняя и предпоследняя цифры номера зачетки.
Вариант | Задание |
y = 2*sin2x, х Î[0, 1] | |
y1 = 0.5*x2 – 4.8*x + 3.5, y2 = x3 – 12, y3 = x + 3,5 | |
x1, x2 Î [1, 10] | |
y1 = |x1 – x2|, y2 = x1 + x2, y3 = x1*x2; x1, x2 Î [1, 10] | |
y1 = x1*sin(x2), y2 = x1*cos(x2); x1 Î [1, 10], x2 Î [-90°, +90°] | |
y1 = x1*x2 + x3, y2 = 2*y1; x1, x2, x3 Î [1, 10] | |
y1 = 1,5*x1 + |x2 – 2*x3|, y2 = x3 – y1; x1, x2, x3 Î [1, 10] | |
, ; x1, x2 Î [-10, 10] | |
y1 = 2,3*x1*x2 – 0,5*x12 + 1,8*x2, y2 = y12; x1, x2 Î [1, 10] | |
Представление двоичного 4-разрядного кода в 10-чном виде | |
Y1 = X1 AND X2, Y2 = X1 OR X2, Y3 = NOT X1 | |
Y = X1.X2 + X3.X4 | |
y = 2*x1 + 5*x1*x2 + x2; x1, x2 Î [-5, 5] | |
y = sin x1*sin x2*sin x3 ; x1, x2, x3 Î [0, p] | |
y = 2*x1*cos x2, x1 Î [0,1], x2 Î [0, p] | |
y = x1 + x2 + x3, xi Î [0, 10] |
|
|
Вариант 11: расшифровка двоичного 4-разрядного кода и представление его в 10-м виде, то есть на вход сети подаются четыре логические переменные, кодирующие двоичное число от 0 до 16, сеть перекодирует его в десятичный вид и выдает в виде выходной переменной у.
Варианты 12 – 16: аппроксимация логических функций нескольких переменных Хi, выходная переменная Y – логическая. Рассматривается вся область определения функции.
2 Подготовить обучающую выборку средствами приложения Microsoft Excel и оформить ее в виде файла *.csv (для задач аппроксимации алгебраических функций).
Примечание: Чтобы создать набор случайных чисел, воспользуйтесь функцией: =СЛЧИС()*100. В соседнем столбце рассчитайте значение заданной функции. Сохраните файл, выбрав расширение.CSV.
3 Провести обучение нескольких нейронных сетей c помощью программного нейроимитатора. Рассматриваются пять вариантов сети: Linear (линейная) с функцией активации «линейная» (для STATISTICA Neural Networks); MLP (для всех вариантов нейроимитатора) с количеством нейронов в скрытом слое, равном 1, 3, 5, 7 и функцией активации «сигмоидная» (Logistic). Обучение каждой сети вести, например, в 100 шагов. Обучение вести по алгоритму обратного распространения.
4 Проверить качество каждой обученной сети, для чего рассчитать несколько значений выходной переменной по заданной функции и по нейронной сети, затем на графике показать близость каждой обученной модели к исходной.
|
|
5 Рассчитать вручную одно выходное значение нейронной сети (для MLP сети с 5-ю нейронами в скрытом слое). Сравнить со значением, рассчитанным с помощью нейроимитатора.
Примечание. Используйте Microsoft Excel.
6* Получить сеть с помощью средств автоматического создания сети. Определить параметры лучшей (по критерию минимальности среднеквадратичной ошибки обучения) сети.
7 Результаты оформить в виде отчета. В отчете представить:
- цель работы,
- задание,
- обучающую выборку,
- параметры каждой обученной сети: количества нейронов во входном, скрытом и выходном слоях и т.д.,
- графики, построенные для заданной функции и обученных моделей (для вариантов 11 – 16 приводятся таблицы значений функций),
- вывод о точности аппроксимации.
*Примечание - Пункт 6 выполняется при работе с пакетом STATISTICA Neural Networks.