Transcript нечеткий многослойный персептрон

Самарский государственный аэрокосмический университет
имени академика С.П. Королева
Национальный исследовательский университет
Выполнили: студент 662 гр. Новиков В.В.
студент 661 гр. Расщепкин Е.А.
MLP и FMLP;
сеть Эльмана;
нейроимитаторы;
описание программы;
результаты.
Самара 2010
Любую непрерывную многомерную функцию на единичном отрезке
[0;1] можно представить в виде конечного числа одномерных:
Страница 2 из 17
Многослойный
персептрон
Выходной
вектор
Входной
вектор
«Нечеткий слой»: состоит из радиальнобазисных нейронов с гауссовой функцией
активации
Страница 3 из 17
количество
нейронов
«нечеткого
слоя»
определяется
числом кластеров;
количество скрытых слоев и число нейронов в этих слоях может
быть произвольным;
размерность выходного слоя зависит от размерности выходного
вектора.
Страница 4 из 17
Входной
слой
Выходной
слой
Элементы
обратной связи
Обратная
связь
Скрытый
слой
Страница 5 из 17
алгоритм обратного распространения ошибки и наискорейшего
спуска;
алгоритм C-means (для нечеткого слоя).
Страница 6 из 17
описание и формирование архитектуры нейронной сети;
сбор данных для обучающей выборки;
обучение выбранной нейросети на обучающей выборке или
загрузка уже обученной сети с диска;
тестирование обученной нейросети;
решение задач обученной сетью;
запись результатов обучения и полученных решений на диске.
Страница 7 из 17
Нейро-офис;
NeuroPro;
NeuroIterator;
Statistica;
NeuroSolutions;
Сигнейро;
и др.
Страница 8 из 17
Главное меню
Инструменты
визуального
создания сети
Вложенное окно
просмотра/созда
ния сети
Страница 9 из 17
Выбор типа сети:
- многослойный персептрон;
- нечеткий многослойный персептрон;
- сеть Эльмана.
Страница 10 из 17
Задача классификации ирисов Фишера:
алгоритм обратного распространения ошибки и наискорейшего спуска:
коэффициент обучения - 0.1;
момент - 0.1.
алгоритм C-means :
момент - 2.
Страница 11 из 17
Текущей нейрон
выбранного
слоя сети
Страница 12 из 17
СКО по векторам
из вкладки
тестирования
Тестирование сети по
загруженной выборке с
возможностью экспорта
результатов в Excel
Расчёт выходного
вектора по данным
входного вектора
Страница 13 из 17
Рекуррентная
сеть Эльмана
Многослойный
персептрон
Нечеткий
многослойный
персептрон
Страница 14 из 17
Разработано программное средство для работы с нейронными
сетями:
многослойный персептрон;
нечеткий многослойный персептрон;
рекуррентная сеть Эльмана.
Реализованы алгоритмы обучения:
алгоритм обратного распространения ошибки и наискорейшего
спуска;
C-means.
Проведен анализ работы.
Результаты:
схожие результаты;
не точно классифицированы 2 ириса;
лучший результат дал нечеткий многослойный персептрон.
Страница 15 из 17
1. Царегородцев В. Г. // Искусственные нейронные сети [Электронный
ресурс]. – Режим доступа: http://neuropro.ru/neu4.shtml.
2. Осовский С. Нейронные сети для обработки информации / Пер. с
польского И.Д. Рудинского. – М.: Финансы и статистика, 2002. – 344с.:ил.
3. Методы нейроинформатики / Под ред. А.Н. Горбаня, КГТУ, Красноярск,
1998. 205с.
4. Хайкин, Саймон Нейронные сети: полный курс, 2-е издание.: Пер. с англ. М.: Издательский дом "Вильямс", 2006. - 1104с.: ил. - Парал. тит. англ.
5. Palit, Ajoy K. Computational intelligence in time series forecasting: theory and
engineering application – Bremen, Germany: Springer, 2005. – 381p.:il.
Страница 16 из 17
Iris setosa
Iris virginica
Iris versicolor
Страница 17 из 17