Paketissa STATISTICA Neuraaliverkot Käytettävissä on lukuisia työkaluja, jotka auttavat käyttäjää valitsemaan sopivan verkkoarkkitehtuurin. Järjestelmän tilastollinen ja graafinen työkalupakki sisältää koko perusjoukon ja yksittäisten havaintojen virheiden histogrammit, matriisit ja graafit, yhteenvetotiedot oikeasta / väärästä luokittelusta ja kaikki tärkeät tilastot - esimerkiksi selitetty varianssiosuus - lasketaan automaattisesti. .
Paketin tietojen visualisointi STATISTICA Neuraaliverkot sirontakaavioita ja 3D-vastepintoja on toteutettu auttamaan käyttäjää ymmärtämään verkon "käyttäytymistä".
Tietysti voit käyttää mitä tahansa luetelluista lähteistä saatua tietoa lisäanalyysiin muilla tavoilla. TILASTO sekä myöhempää sisällyttämistä raportteihin tai mukauttamiseen.
STATISTICA Neuraaliverkot muistaa automaattisesti verkon parhaan version niistä, jotka sait ongelman kokeilun aikana, ja voit viitata siihen milloin tahansa. Verkon hyödyllisyys ja ennustekyky tarkistetaan automaattisesti erityisellä testihavainnolla sekä arvioimalla verkon kokoa, tehokkuutta ja luokitteluvirheiden kustannuksia. Toteutettu vuonna STATISTICA Neuraaliverkot automaattiset ristiinvalidointi- ja regularisointimenettelyt asteikot Wiegendin mukaan avulla voit nopeasti selvittää, onko verkkosi riittämätön tai päinvastoin liian monimutkainen tiettyyn tehtävään.
Suorituskyvyn parantamiseksi paketissa STATISTICA Neuraaliverkot lukuisia verkkomääritysvaihtoehtoja esitetään. Voit siis määritellä lineaarisen lähtöverkkokerroksen regressioongelmissa tai softmax-tyyppisen aktivointifunktion todennäköisyysarviointi- ja luokitusongelmissa. Jos tiedoissasi on paljon poikkeavuuksia, voit verkkoa harjoittaessasi korvata vakiovirhetoiminnon vähemmän herkällä toiminnolla. "kaupunkikortteli"... Järjestelmä toteuttaa myös informaatioteoriamalleihin perustuvia ristientropiavirhefunktioita ja useita erikoisaktivointitoimintoja, mukaan lukien: porrastettu, sahahammas ja sinimuotoinen.
Päätin käsitellä laajaa aihetta. Keinotekoiset neuroverkot. Yritän antaa idean sormillani. Mikä se on? Tämä on yritys mallintaa ihmisen aivoja. Vain primitiivisempi. Jokaisen hermoverkon peruselementti on neuroni (kuva 1).
Riisi. 1. Kaavakuva neuronista.
Neuronissa on tulot, summain ja aktivointitoiminto. Syöttöihin syötetään tietoa, esimerkiksi kolmen kemian sisältö. tietyn näytteen elementtejä. Jokainen niistä kerrotaan tietyllä kertoimella. Lisäksi saapuvat signaalit summataan ja muunnetaan aktivointitoiminnolla. Se voi olla tietyn luvun tangentti tai e ^ (- 1 * annettu summa), missä e on Eulerin luku. Koko tsimme koostuu:
Neuronien painot;
Aktivointitoiminnot;
Joukko neuroneja. Jos otat useita hermosoluja ja järjestät ne kerroksiin, joista jokainen sisältää 1-N neuronia, se on keinotekoinen hermoverkko.
Keinotekoisia hermoverkkoja on koulutettava tai niille on annettava mahdollisuus itseopiskeluun. Neuraaliverkon kouluttaminen tarkoittaa sille näytteen antamista ja painojen säätämistä niin, että neuronit kuvaavat dataa mahdollisimman tarkasti. Aktivointifunktiot vain simuloivat epälineaarisia kemiallisia suhteita. elementtejä. Ja hermoverkon rakenne (neuronien lukumäärä, kerrosten lukumäärä) ohjaa verkon joustavuutta. Kuinka tarkasti se voi mukautua tietoihin. Samaan aikaan geokemiassa ei tarvita ehdottoman tarkkaa säätöä. On tärkeää tunnistaa kuviot.
Kun tiedosta tiedetään vähän, käytetään klusterointia. Neuroverkkojen tapauksessa käytetään Kohosen itseoppivia hermoverkkoja. Niiden merkitys on, että neuronit, kuten kuvassa 1, on järjestetty yhdeksi kaksiulotteiseksi kerrokseksi (kuva 2). Neuroneille määrätään ensin satunnaisesti ensisijaiset painot ja havainnot. Neuronit kilpailevat keskenään kuvaamaan havaintoa paremmin. Voittajat yrittävät huijata naapureitaan. Lopulta, kun tiedoista löytyy todellisia klustereita, ne kuvataan eri neuroniryhmien avulla. Hienoa, vai mitä?
Riisi. 2. Kohosen itseorganisoituvan verkoston kaavio. 4x3 neuronia = 12 hermosolua.
Riisi. 3. Avaa tiedot ja suorita hermoverkkoanalyysimoduuli. Tietoja voidaan käyttää raakana, ilman alustavaa logaritmia. Mutta on silti parempi poistaa ilmeiset poikkeamat.
Riisi. 4 Klusterianalyysin valitseminen
Riisi. 5. Valitse muuttujat Pika-välilehdeltä. Tässä moduulissa voit valita kategorisia syöttömuuttujia. Esimerkiksi niiden kivien ikä, joista näyte on otettu.
Riisi. 6 Siirry toiselle Näytteenotto-välilehdelle. Neuroverkot jakavat alkuperäisen näytteen kolmeen osanäytteeseen:
Koulutuksellinen. Sitä käytetään neuroverkon kouluttamiseen ja painojen säätämiseen;
Testata. Sitä käytetään myös koulutusprosessissa ja se tarkistaa, onko verkosto ylikoulutettu;
Testinäyte. Sitä ei käytetä koulutusprosessissa, vaan se palvelee vain verkon tarkkuuden arvioinnissa "uutta" dataa. Eli hänen kykynsä ennustaa.
Jätä se oletusarvoksi. Napsauta OK.
Riisi. 7 Aseta Quick (Kohonen) -välilehdellä neuronien lukumäärä ja niiden rakenne. Koska neuronit kouluttavat naapureitaan, neuronien sijoitus on myös tärkeä. Järjestä 4 neuronia neliöön tai ketjuun. Valitse ensin 5x5. Älä pyri luomaan suuria verkostoja. Muista, että on tärkeää tunnistaa yleiset mallit, eikä ratkaista kaikkea kerralla.
Riisi. Kohosen Harjoittelu-välilehdellä tärkein Neighborhoods-parametri on kuinka monta naapuria neuroni harjoittelee. Jätä se oletusarvoksi. Napsauta OK.
Riisi. 9. Verkko on koulutettu ja tulosikkuna tulee näkyviin. Siirry suoraan Kohonen (kaavio) -välilehteen. Tässä näytetään kaikki 25 neuronia ja kuinka monta harjoitusluetinta kuhunkin osui. Katsotaan tarpeelliseksi, että jokainen hermosolu kuvaa jotakin osaa tiedosta. Tyhjiä hermosoluja ei saa olla. Ruskean punaisella näkyvät huiput osoittavat, kuinka monta näytettä tietty neuroni on kuvannut. Yleensä kolme huippua erottuu tästä. Todennäköisesti meillä on kolme klusteria. Napsauta Peruuta, Peruuta ja siirry ensimmäiseen välilehteen verkkorakenteen valitsemiseksi.
Riisi. 10. Valitse neuronien ketju kolmesta osasta. Jokainen neuroni kuvaa oman klusterinsa.
Riisi. 11. Siirrytään Verkkokoulutus-välilehteen ja valitaan, että jokainen neuroni vaikuttaa vain yhteen naapuriin. Yhdistetyt klusterit tulevat näkyviin. Täällä kannattaa kokeilla. Jos vaikutus naapureihin, on epätodennäköistä, että pystyt saamaan kiinni siirtymäalueista.
Riisi. 12. Saamme tuloksen. Jokainen neuroni kuvasi melkoisen määrän dataa.
Riisi. 13. Siirry Ennusteet-tulosikkunan ensimmäiseen välilehteen. Näytetään kunkin näytteen tulokset koordinaatteineen.
Riisi. 14. Saamme poistumislevyn. Jos haluat rakentaa kaavion siinä olevista tiedoista, sinun on aktivoitava levy. Valitse, napsauta hiiren kakkospainikkeella ja valitse kohde Aktiivinen tulo(Aktiivinen syöttö). Tässä, kuten k-means-menetelmässä, on sarake, jossa on näytteen "etäisyys" klusteriin (neuroniin). Mitä pienempi luku, sitä parempi. Jos luku on erittäin korkea, se on joko poikkeava tai täysin erillinen klusteri.
Riisi. 15. Rakenna kartta klustereista. Voit tästä. Tietenkin on parempi rakentaa nämä kaaviot ArcGIS:ssä tai Surferissa. Tee kuvaus ottaen huomioon geologinen kartta. Valitettavasti en voi kirjoittaa siitä paljon tänne. Mutta sanon vain, että klusterointi hermoverkon avulla tuotti samanlaisen tuloksen kuin hierarkkinen klusterointi ja k-keskiarvot. Sitten voit rakentaa Box-with-whiskers -tyyppisiä kuvaajia ja antaa mielipiteen klusterien erikoistumisesta. Koska olen klusteroinut tätä näytettä kolmatta kertaa, en sisällytä niitä. Katso aiemmat viestit.
Lisäksi rakennetaan kartta aktivointiarvoista. Aktivointiarvo on vain epälineaarisen funktion muuntamien elementtien summa.
Riisi. 16. Kartta havaintojen aktivointiarvojen jakautumisesta. Alueen eteläosassa erotetaan ryhmä näytteitä, joilla on korkeat aktivaatioarvot. Niitä kannattaa harkita erikseen yksielementtikorteille ja muille parametreille.
Riisi. 17. Tallenna hermoverkon rakenne. Se olisi aina mahdollista palata hänen luokseen.
Riisi. 18. Kun hermoverkkoanalyysimoduuli käynnistetään, vasemmalla on ikkuna, jossa voit avata jo luodun hermoverkon. Olet esimerkiksi tutkinut referenssiobjektia, luonut sen pohjalta hermoverkon ja haluat ajaa näytteitä toiselta alueelta sen läpi. Voila.
Toinen kirja eroaa Statistica 10:n moduulista, mutta sekin toimii.
JOHDANTO MODERNIIN NEURAALIVERKKOON
Laboratoriotyö nro 1
OHJELMISTO STATISTICA NEURAL NETWORKS (SNN) VERSIO "SNN 7.0"
Työn tarkoitus - tutustu ohjelmistotuotteeseen Statisticaan
Neural Networks (SNN), rakentaa hermoverkko ohjatun ratkaisutoiminnon avulla.
1. Avaa datatiedosto Fan.stw(Taulukko A.1) komennolla Tiedosto – Avata... Tämä tiedosto sisältää tietoja kahdentyyppisistä luokista - 1 ja 2, ylikuumenemisen olemassaolo ja puuttuminen.
2. Valitse komento Neuroverkot valikossa Analyysi kutsua aloituspaneelia STATISTICA Neural networks.
Riisi. 4. Työkalun valinta
3. Välilehdellä Nopea laukaisualusta Neuroverkot valitse tehtävätyyppi luettelosta (tässä tapauksessa - Luokitus) ja ratkaisumenetelmä (tässä tapauksessa - Mestaripäätökset) ja paina painiketta OK(kuva 4). Tämän jälkeen näyttöön tulee vakiomuuttujan valintaikkuna.
4. Valitse riippuva (lähtö)muuttuja (tässä tapauksessa CLASS-muuttuja) (Kuva 5).
Riisi. 5. Syötä tiedot
5. Näyttöön Ratkaisuvelhot paina nappia OK laukaisualustalla.
Välilehdellä Nopea(kuva 6) poista vaihtoehdon valinta Valitse selittävien muuttujien osajoukko, tässä on määritelty vain kaksi riippumatonta muuttujaa, joten molempia muuttujia käytetään syötteinä kaikille testatuille hermoverkoille. Ryhmässä Analyysin kesto on vaihtoehtoja, jotka määräävät ajan Ohjattu ratkaisu käyttää tehokkaan hermoverkon löytämiseen. Pidempi Ohjattu ratkaisu toimii, sitä tehokkaampi ratkaisu on. Asenna esimerkiksi 25 verkkoa.
Analyysin tuloksen perusteella on mahdollista tallentaa erityyppisiä hermoverkkoja erilaisilla suorituskyky- ja monimutkaisuusindikaattoreilla, jotta voit lopulta valita parhaan verkon itse.
6. Syötä numero 10, johon verkot tallennetaan Ohjattu ratkaisu säästyi vain 10 parhaat vaihtoehdot verkkoja.
Tab Ohjattu ratkaisu – Nopea on kuvan mukainen muoto. 6.
Riisi. 6. Analyysin asetukset
painaa nappia OK, kohteeseen Ohjattu ratkaisu aloitti rakentamisen
neuroverkot. Tämän jälkeen näyttöön tulee valintaikkuna Koulutus käynnissä(Ohjattu ratkaisu). Joka kerta kun parannettu hermoverkko löydetään, tietotaulukkoon lisätään uusi rivi. Lisäksi ikkunan alareunassa näkyy toiminta-aika ja suoritetun tehtävän prosenttiosuus. Jos parannusta ei ole tapahtunut pitkään aikaan, paina painiketta Valmis dialogissa Koulutus käynnissä lopettaaksesi verkon hakuprosessin. Haun päätyttyä näyttöön tulee valintaikkuna tuloksia sisältää tietoa löydetyistä verkoista lisäanalyysiä varten (kuva 7).
Riisi. 7. Oppimistulokset
7. Paina -painiketta Kuvaava tilasto... välilehdellä Nopea dialogissa tuloksia näyttääksesi kaksi yhteenvetotaulukkoa: Luokitus ja Virhematriisi.
Luokittelutaulukko (kuva 8) antaa täydelliset tiedot vastaavan ongelman ratkaisusta. Tässä taulukossa on useita sarakkeita jokaiselle kunkin mallin ennustamalle tulosluokalle. Esimerkiksi sarake, jonka nimi on LUOKKA 1.11, vastaa muuttujan OVERHEAT-luokan mallin 1 ennusteita. LUOKKA... Ensimmäisellä rivillä on tietoa erilaisten ylikuumenemistyyppien havaintojen määrästä tiedostossa. Toinen (kolmas) rivi näyttää tiedot (jokaiselle luokalle) oikein (virheellisesti) luokiteltujen tapausten lukumäärästä. Neljännellä rivillä luetellaan "tuntemattomat" havainnot. Virhematriisia käytetään yleensä tehtävissä, joissa on useita
juoksutunnit.
8. Jos haluat näyttää yhteenvetotilastot, sinun on avattava Analyysi(painike tuloksia linjassa Analyysi tai komentaa Edetä valikossa Analyysi). Ryhmässä Valinnat tulosten näyttämistä varten Valitse vaihtoehto Kaikki(erikseen). Paina sitten painiketta Kuvailevia tilastoja... Luokittelujen yhteenvetotaulukko on jaettu neljään osaan. Sarakeotsikoissa on useita etuliitteitä: O, K, T ja JA jotka vastaavat koulutus-, kontrolli-, testi- ja huomiotta jätettyjä näytteitä. Oletusarvoisesti tapaukset on jaettu kolmeen osajoukkoon suhteessa 2:1:1. Näin ollen varataan 50 harjoitushavaintoa, 25 kontrollihavaintoa ja 25 varmennushavaintoa. Näissä joukoissa neuroverkkotoiminnan tulokset ovat käytännössä samat, eli hermoverkon laatua voidaan pitää hyväksyttävänä.
Riisi. 8. Luokittelutaulukko
9. Suorittaaksesi Analyysi paina nappia OK dialogissa tuloksia... Käynnistysalustalla, kun napsautat painiketta Peruutus kaikki rakennetut neuroverkot poistetaan. Hermoverkkojen tallentaminen on välttämätöntä, jotta neuroverkkoja voidaan kouluttaa nopeasti, joten ennen sitä löydetään verkko, jolla on paras suorituskyky, ja sitten rakennetut neuroverkot tallennetaan myöhempää käyttöä varten. Tallenna hermoverkko valitsemalla välilehti Verkot / Yhtyeet ja paina painiketta Tallenna verkkotiedosto nimellä...... (tiedoston tunniste on .snn).
Tehtävät
1. Rakenna ja kouluta hermoverkko käyttämällä Ratkaisuvelhot automatisoida ajoneuvon diagnostiikkaa, joka määrittää moottorin huoltotarvetta seuraavien parametrien perusteella: moottorin puristus, öljynpaine, bensiinin kulutus.
2. Syötä alkutiedot taulukon mukaisesti. 1, muuttujien erityisarvot saadaan opettajalta.
3. Rakenna hermoverkko asetusten mukaisesti:
Ongelman tyyppi: luokitus;
Työkalu: ratkaisuvelho;
Verkkojen lukumäärä: 25;
5. Tee analyysi neuroverkon rakentamisesta ja heijasta se raportissa.
6. Raportin laatiminen tehdystä työstä.
Toimittaja V.P. Borovikova
2. painos, Rev. ja lisää.
2008 G.
Levikki 1000 kappaletta.
Muoto 70x100 / 16 (170x240 mm)
Toteutus: pehmeäkantinen
ISBN 978-5-9912-0015-8
BBK 32.973
UDC 004.8.032.26
huomautus
Esitetään venäläiselle käyttäjälle täysin sovitetun STATISTICA Neural Networks -paketin (valmistaja StatSoft) käyttöön perustuvat neuroverkkojen data-analyysin menetelmät. Neuroverkkojen teorian perusteet esitetään; Käytännön ongelmien ratkaisemiseen kiinnitetään paljon huomiota, STATISTICA Neural Networks -pakettia hyödyntävän tutkimuksen tekemisen metodologiaa ja teknologiaa tarkastellaan kattavasti - tehokas työkalu datan analysointiin ja ennustamiseen, jolla on laajat sovellukset liike-elämässä, teollisuudessa, johtamisessa ja rahoituksessa. Kirja sisältää monia esimerkkejä data-analyysistä, käytännön suosituksia analysointiin, ennustamiseen, luokitteluun, kuvioiden tunnistamiseen, tuotantoprosessien ohjaukseen hermoverkkojen avulla.
Laajalle lukijoille, jotka tekevät tutkimusta pankki-, teollisuus-, taloustieteen, liike-elämän, etsintä-, johtamis-, kuljetus- ja muilla aloilla.
Toisen painoksen esipuhe
Johdanto. Kutsu neuroverkkoihin
Luku 1. TIETOJEN ANALYYSIIN PERUSKÄSITTEET
Luku 2. JOHDANTO TODENNÄKÖISYYSTEORIAAN
Luku 3. JOHDANTO NEURAALIVERKKOJEN TEORIAAN
Luku 4. YLEINEN KATSAUS NEURAALIVERKKOISTA
Rinnakkauksia biologiasta
Keinotekoinen perusmalli
Neuroverkkojen sovellus
Esi- ja jälkikäsittely
Monikerroksinen perceptroni
Radiaalinen kantafunktio
Todennäköisyyspohjainen neuroverkko
Yleistetty regression hermoverkko
Lineaarinen verkko
Kohosen verkko
Luokittelutehtävät
Regressio-ongelmat
Aikasarjan ennustaminen
Muuttuva valinta ja mittasuhteiden pienennys
Luku 5. ENSIMMÄISET ASKEET STATISTICA NEURAL VERKOSSA
Päästä alkuun
Tietojoukon luominen
Uuden verkon luominen
Luo tietojoukko ja verkko
Verkkokoulutus
Neuraaliverkon käynnistys
Luokitus
Luku 6. NEURAALIVERKKOJEN LISÄMAHDOLLISUUDET
Klassinen esimerkki: Fisher's Irises
Ristivalidoitu koulutus
Pysäytysehdot
Regressioongelmien ratkaiseminen
Radiaaliset kantafunktiot
Lineaariset mallit
Kohosen verkot
Todennäköisyyspohjaiset ja yleiset regressioverkot
Verkon rakentaja
Geneettinen algoritmi syötetietojen valitsemiseksi
Aikasarja
Luku 7. KÄYTÄNNÖN VINKKEJÄ ONGELMIEN RATKAISEMINEN
Datan esitys
Hyödyllisten syöttömuuttujien korostaminen.
Mittojen pienentäminen
Verkkoarkkitehtuurin valinta
Mukautetut verkkoarkkitehtuurit
Aikasarja
Luku 8. TAPAUSTUTKIMUKSET
Esimerkki 1. Mitan pienentäminen geologisessa tutkimuksessa
Esimerkki 2. Kuvien tunnistus
Esimerkki 3. Kaksiulotteisten joukkojen epälineaarinen luokittelu
Esimerkki 4. Erilaisten polttoainenäytteiden segmentointi laboratoriotutkimustietojen mukaan
Esimerkki 5. Käyttäytymispisteytysmallin rakentaminen
Esimerkki 6. Funktioiden approksimaatio
Esimerkki 7. Öljyn myynnin ennustaminen
Esimerkki 8. Seuranta ja ennustaminen
lämpötilajärjestelmä asennuksessa
Esimerkki 9. Digitaalisen allekirjoituksen kelpoisuuden määrittäminen
Luku 9. PIKAOPAS
Data
Verkot
Verkkokoulutus
Muuntyyppiset verkot
Verkostoituminen
Tulosten siirtäminen STATISTICA-järjestelmään
Luku 10. KLASSISET MENETELMÄT VAIHTOEHTOJA NEURAALISILLE VERKKOILLE
Klassinen diskriminanttianalyysi STATISTICAssa
Luokitus
Logit-regressio
Faktorianalyysi STATISTICAssa
Luku 11. KAIVOSTIEDOT STATISTIKASSA
Liite 1. Koodigeneraattori
Liite 2. STATISTICAn integrointi ERP-järjestelmiin
Bibliografia
Aihehakemisto
Sisäänrakennettu dataeditori ( Tiedosto / Uusi / Tietojoukko) tai datatiedosto * .sta ladataan levyltä. Jos tiedosto luodaan sisään Microsoft Excel * .csv, on tarpeen muuntaa tietomuoto * .sta -muotoon (toiminto suoritetaan automaattisesti, kun tiedosto avataan).Tietojen avaamisen jälkeen ST-hermoverkot tarjoaa automaattisen rakentamisen toiminnon (ikkuna Älykäs ongelmanratkaisija). Tässä vaiheessa on tarpeen hylätä tämä toiminto ( Peruuttaa).
Kun uusi tiedosto avataan ST Neural Networksissa, kaikki muuttujat katsotaan syötteiksi. Tulosmuuttujat on määritettävä. Napsauta hiiren kakkospainikkeella ikkunassa olevaa kenttää, jossa on tulosmuuttujien nimi Tietojoukkoeditori, valitse näkyviin tulevasta pikavalikosta Output, sarakkeen otsikon väri muuttuu siniseksi.
Kaikki havainnot tulee jakaa kahteen ryhmään: koulutus (käytetään hermoverkon opettamiseen) ja ohjaus (tarvitaan koulutuksen edistymisen arvioimiseksi).
Toisessa kentässä Tapaukset ikkuna Tietojoukkoeditori määritä ohjausjoukon koko (yleensä puolet koko tietojoukosta on varattu sille), paina Enter. Kontrollitapauksia sisältävät rivit on merkitty punaisella (sijaitsee tapausluettelon lopussa). Sitten komennolla Shuffle ( Muokkaa → Tapaukset → Sekoita → Harjoittele ja vahvista), kaikki havainnot on jaettu satunnaisesti eri tyyppeihin.
Luo verkko käyttämällä valikkokohtaa Tiedosto → Uusi → Verkko... Tässä tapauksessa verkkoeditori-ikkuna tulee näkyviin (Kuva 11).
Määritetyillä parametreilla ja rakenteella varustettu verkko luodaan Luo-painikkeen napsautuksen jälkeen.Vaihtoehdot Askeleet ja Katsoa eteenpäin käytetään vain aikasarjaongelmissa, eikä niitä käytetä tässä työssä.
Verkkokoulutus.
Kunkin tyyppisille verkoille käytetään erityisiä oppimisalgoritmeja, jotka sijaitsevat valikkokohdassa Kouluttaa... Algoritmia valittaessa ehdotetaan koulutusparametrien määrittämistä. Esimerkiksi kun opetetaan monikerroksista perceptronia takaisin etenemismenetelmällä (Train → Multilayer Perceptrons → Back Propagation), määritetään vastaavassa ikkunassa (Kuva 12).
|
Aikakaudet- Aikakaudet. Asettaa harjoitusjaksojen lukumäärän, jotka suoritetaan yhdellä Harjoittelu-painikkeen painalluksella. Oletusarvo on 100.
Oppimisaste- Oppimisnopeus, asettaa askelkoon painoja vaihdettaessa: jos nopeus on riittämätön, algoritmi konvergoi hitaasti, oppimisnopeuden kasvaessa algoritmi toimii nopeammin, mutta joissain tehtävissä tämä voi johtaa epävakauteen (varsinkin jos data on meluisa). Nopeaan ja karkeaan oppimiseen arvot 0,1 - 0,6 ovat sopivia; Tarkan konvergenssin saavuttamiseksi tarvitaan pienempiä arvoja (esimerkiksi 0,01 tai jopa 0,001, jos aikakausia on useita tuhansia). Joskus on hyödyllistä hidastaa nopeutta oppimisen aikana.
Momentum- Inertia. Tämä parametri parantaa (nopeuttaa) oppimista tilanteissa, joissa virhe muuttuu vähän, ja antaa myös algoritmille lisää kestävyyttä, auttaa algoritmia olemaan jumiutumatta alangoihin ja paikallisiin minimiin. Tämän parametrin arvon on aina oltava alueella. Usein suositellaan korkean oppimisnopeuden käyttöä yhdessä alhaisen hitauskertoimen kanssa ja päinvastoin.
|
Ristiinvahvistus(ristivalidointi) - Vakiotapa neuroverkkojen kouluttamiseen on, että verkko koulutetaan yhdessä joukosta ja tulos tarkistetaan toisessa; joten sekkisarjaa ei käytetä harjoitteluun. Tämä tarjoaa itsenäisen tavan tarkistaa, onko verkko oppinut jotain hyödyllistä.
Alusta uudelleen- nollaa edellisessä harjoitusjaksossa tai edellisessä verkossa saadut konfiguroitavat verkkoparametrit.
Oppimisalgoritmi käynnistetään painamalla painiketta Kouluttaa... Joka kerta kun painiketta painetaan Kouluttaa algoritmi suorittaa N harjoitusjaksoa, missä N on kohdassa määritelty harjoitusjaksojen lukumäärä Aikakaudet.
Kaaviossa ( Tilastot → Harjoitteluvirhekaavio), voit havaita verkkovirheen muutoksen harjoituksen aikana. Harjoitusvirhekaavio on tulosten neliökeskiarvon näyttö koko harjoitussarjan ajalta.
Kaaviossa voit havaita ylisovituksen ei-toivotun vaikutuksen (kun verkko oppii hyvin tuottamaan samat lähtöarvot kuin harjoitussarjassa, mutta käy ilmi, että kuviota ei voida yleistää uuteen dataan). Aluksi sekä oppimisvirhe että ohjausvirhe pienenevät. Yliasennuksen alkaessa oppimisvirhe pienenee edelleen ja ohjausvirhe (yleensä punainen) alkaa kasvaa. Varmennusvirheen lisääntyminen viestii ylisovituksen alkamisesta ja osoittaa, että oppimisalgoritmi alkaa olla tuhoisa (ja samalla pienempi verkko saattaa olla sopivampi).
Kun verkkoparametreja muutetaan, on ennen harjoittelua nollattava edellisen verkon painot (konfiguroidut parametrit). MLP-verkkoon uudelleenalustaa-painikkeella.
Paketissa STATISTICA Neuraaliverkot Parhaan verkon automaattinen muistaminen kokeen aikana tarjotaan. Voit palauttaa parhaan verkon arvot soittamalla valikkoon Juna → Apu → Paras verkko.
|
Käytä valikkokohtaa laskeaksesi tiedot verkon avulla Suorita: Tietojoukko- laskenta kaikille lähdetiedoston tiedoille;
Yksittäinen tapaus - yhden tapauksen laskeminen;
Kertaluonteinen- laskenta mielivaltaiselle syötevektorille.
Laskenta suoritetaan painamalla vastaavan ikkunan Suorita-painiketta.
Toimii kuten edellisessä tapauksessa, mutta vain todellinen lähtöarvo näytetään taulukoissa.
Avaa valikko Suorita → Kertaluonteinen, syötä syöttöarvot, joille haluat ennustaa lähdön, napsauta Juosta.
Hermosolujen synaptisten yhteyksien painokertoimien tarkastelu on mahdollista Verkkoeditori-ikkunassa (Kuva 13) ( Muokkaa → Verkko...). Kynnysarvo on kynnysarvo, joka vähennetään neuronin tuloarvosta. VAR1-arvo (kuvassa 13) on linkin painotuskerroin.
Tason numero asetetaan kenttään Kerros. Tässä ikkunassa voit tarkastella (asettaa) kunkin kerroksen neuronin aktivointifunktiota (kenttä Act fn).
|
|
Paketissa STATISTICA Neuraaliverkot tarjoaa mahdollisuuden määrittää automaattisesti parhaan verkon rakenteen harjoitustietojoukolle (toiminto on käytettävissä Tiedosto → Uusi → Älykäs ongelmanratkaisu).
Paketissa olevan verkon algoritmi STATISTICA Neuraaliverkot.
1 Syötetietojen normalisointi:
,
missä - normalisointikerroin; , enimmäis- ja minimiarvot j- koulutusnäytteen th muuttuja; i Onko koulutusnäytteen rivinumero.
Huomautus - Harjoitussarjan tietojen tarkastelemiseksi ja analysoimiseksi on kätevää käyttää Muokkaa → Tapaukset → Sekoitus → Ryhmäsarjat -toimintoa.
2 Syöttövektorin jakautuminen seuraavaan kerrokseen sopivalla painokertoimella (katso. Muokkaa → Verkko...).
3 Jokaisen hermosolun kynnysarvon vähentäminen (katso. Muokkaa → Verkko... ala Theshold).
4 Neuroniaktivaatiofunktion laskenta (katso tulos. Suorita → Aktivoinnit...).
5 Toista vaiheet kaikille verkon kerroksille.
6 Verkon lähdön laskenta ottaen huomioon normalisointikertoimen:
, missä on opetusnäytteen lähtömuuttujan vähimmäisarvo, t- lähtömuuttujan numero, - lähtömuuttujan normalisointikerroin t, on normalisoitu verkon lähtöarvo, joka on laskettu viimeiselle kerrokselle.
1 Mikä on neuroverkko ja mitkä ovat sen pääominaisuudet?
2 Mikä on neuronin rakenne?
3 Mitä aktivointitoimintoja voidaan käyttää neuroverkoissa?
|
5 Mikä on syöttökerroksen tehtävä monikerroksisessa verkossa?
6 Onko mahdollista kouluttaa hermoverkkoa ilman piilotettua kerrosta?
7 Mitä on neuroverkkojen koulutus?
8 Miksi yhtä oppimisalgoritmeista kutsutaan "backpropagation algoritmiksi"?
9 Mitä eroa on ohjatulla ja ohjaamattomalla oppimisella?
10 Miksi hermoverkon tulo- ja lähtösignaalit pitäisi normalisoida, ts. vähennetty alueelle?
Bibliografia
1 Fogelman Soulie F. Neuroverkot, uusinta tekniikkaa, hermolaskenta. -Lontoo: IBC Technical Services, 1991.
2 Gorban A. Neuroinformatiikka ja sen sovellukset // Avoimet järjestelmät. -1998. -Nro 4 - 5. -C. 36-41.
3 Robert Hecht-Nielsen. Neurocomputing: historia, tila, näkymät // Avoimet järjestelmät. -1998. -Nro 4-5. -KANSSA. 23-28.
4 Rosenblatt F. Neurodynamiikan periaatteet. Perceptronit ja aivojen mekanismien teoria. -M .: Mir, 1965.
5 Gordienko E.K., Lukyanitsa A.A. Keinotekoiset neuroverkot. I Perusmääritelmät ja -mallit // Izv. RAS. Tekninen kybernetiikka. -1994. -Ei 5. -C. 79-92.
6 Korotkiy S.G. Neuroverkot: backpropagation algoritmi. -BYTE / Venäjä. -2000. -Ei 5. -C. 26-29.
7 Sveshnikov S.V., Shkvar A.M. Neurotekniset tiedonkäsittelyjärjestelmät. -Kiova: Naukova Dumka, 1983.-222 s.
8 Neuroverkkoja käyttävät älykkäät ohjausjärjestelmät: oppikirja. korvaus. / SISÄLLÄ JA. Vasiliev, B.G. Iljasov, S.S. Valeev ja muut; Ufimsk. osavaltio Ilmailu tekniikka. un-t. Ufa, 1997. -92 s.
9 Kulikov G.G., Breikin T.V., Arkov V.Yu. Älyllinen Tietojärjestelmä: oppikirja. käsikirja / Ufimsk. osavaltio Ilmailu tekniikka. un-t. -Ufa, 1999.-129 s.
10 Korotkiy S.G. Neuroverkot: perussäännökset // BYTE / Venäjä. -2000. -Ei 5. -C. 18-21.
11 Neuroverkkoteknologioihin perustuvat älykkäät tiedonkäsittelyjärjestelmät: oppikirja. korvaus. / Yu.I. Zozulya, Ufimsk. osavaltio Ilmailu tekniikka. un-t. – Ufa. -2000. -138 s.
|