Построение нейронной сети в Deductor Studio 4.4

Deductor Studio содержит полный набор механизмов импорта, обработки, визуализации и экспорта данных для быстрого и эффективного анализа информации. Реализованные в Deductor Studio механизмы позволяют в рамках одного приложения пройти весь цикл анализа данных – получить информацию из произвольного источника, провести необходимую обработку (очистку, трансформацию данных, построение моделей), отобразить полученные результаты наиболее удобным образом (OLAP, таблицы, диаграммы, деревья решений и др.) и экспортировать результаты.

Построение НС в системе Deductor Studio происходит в несколько этапов (в примере реализуется НС, суммирующая числа обучающего набора):

1) Статистическая информация, предназначенная для последующего обучения сети, представляется в формате файла.xls (таблица MS Excel) (см. рис. 2.2).

Рис. 2.2 – Представление обучающего набора данных

2) Готовый файл с набором обучающих данных загружается в Deductor Studio (Сценрии → Мастер импорта → MS Excel → Далее):

Рис. 2.3 – Импорт обучающего набора данных

3) Выбирается база данных (Excel-файл с содержащейся в нем статистикой), строится нейронная сеть: MS Excel → Мастер обработки → Нейросеть → Далее.

4) С помощью запустившегося мастера полученная нейросеть необходимым образом настраивается.

Шаги 3-7 мастера настройки сети изучите самостоятельно.

При определении способа отображения необходимо выбрать способ «Что-если» (см. рис. 2.4).

Рис. 2.4 – Выбор способа отображения

5) Далее, на вкладке «Что-если», путем задания случайных входных значений проверяется работа нейросети (см. рис. 2.5).

Рис. 2.5 – Проверка работы нейросети

Содержание работы

1. Получить номер варианта у преподавателя.

2. Продемонстрировать преподавателю обучение НС методом ОРО (два прямых прохода и два обратных) согласно варианту.

вариант	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15
Входные значения
Выход
вариант	16	17	18	19	20	21	22	23	24	25	26	27	28	29	30
Входные значения
Выход

3. Согласно варианту, выданному для выполнения лабораторной работы №1, реализовать в аналитической платформе Deductor Studio нейронную сеть с двумя входными, двумя скрытыми и одним выходным слоями. Скорректировать количество нейронов в скрытом слое, количество слоев и количество шагов обучения с целью повышения надежности и достоверности нейронной модели. Проанализировать результаты работы нейросетей различной архитектуры.

Требования к отчету

Отчет о проделанной работе должен содержать:

- название работы, ее задачи и описание последовательности выполнения;

- расчеты обучения нейронной сети согласно варианту;

- реализацию нейронной сети в аналитической платформе Deductor Studio.

Контрольные вопросы

1. Дайте определение понятиям искусственного нейрона, искусственной нейронной сети.

2. Поясните структурную схему модели искусственного нейрона.

3. Что такое алгоритм обучения нейронной сети?

4. Поясните механизм обучения с учителем, обучения без учителя.

ЛАБОРАТОРНАЯ РАБОТА 3

Тема: Нечёткие множества. Моделирование нечёткой системы средствами инструментария нечёткой логики.

Цель работы: изучить метод построения нечёткой системы средствами инструментария нечёткой логики.

Задачи работы:

1. Изучить операции над нечёткими множествами;

2. Изучить операции над нечёткими отношениями;

3. Изучить инструментарий нечёткой логики CubiCalc.

Теоретические сведения. Основные понятия

Нечёткая логика(fuzzy logic) и теория нечётких множеств – обобщение привычной логики, оперирующей с двоичными числами (истина/ложь), и всех промежуточных между истиной и ложью состояний. В соответствии с этим нечёткая логика оперирует числами из интервала [0,1], которые отражают степень истинности высказывания, при этом, соответственно, 0 ложь, а 1 – истина.

Под нечётким множеством А понимается совокупность , где X – универсальное множество, а μ_A(x) – функция принадлежности (характеристическая функция), характеризующая степень принадлежности элемента x нечёткому множеству A.

⇐ Предыдущая1234Следующая ⇒

Поделиться:

Воспользуйтесь поиском по сайту: