Использование нейронных сетей при прогнозировании видовой принадлежности деревьев. - презентация

1 Использование нейронных сетей при прогнозировании видовой принадлежности деревьев

2 Цель работы: посмотреть, обучится ли нейросеть при определении видовой принадлежности деревьев; посмотреть, обучится ли нейросеть при определении видовой принадлежности деревьев; насколько точны будут результаты обучающей выборки. насколько точны будут результаты обучающей выборки. проверить сможет ли нейросеть определить вид дерева по неизвестным ей параметрам. проверить сможет ли нейросеть определить вид дерева по неизвестным ей параметрам.

3 Многослойная нейронная сеть Как и человеческий мозг, нейросеть состоит из множества простейших элементов нейронов, взаимодействующих друг с другом. Именно их совокупность обеспечивает уникальность свойств нейронных сетей, таких как способность к обобщению, работа с зашумленными и неполными данными и др. Как и человеческий мозг, нейросеть состоит из множества простейших элементов нейронов, взаимодействующих друг с другом. Именно их совокупность обеспечивает уникальность свойств нейронных сетей, таких как способность к обобщению, работа с зашумленными и неполными данными и др. Среди всего разнообразия архитектур нейронных сетей наибольшее распространение получили многослойные. Среди всего разнообразия архитектур нейронных сетей наибольшее распространение получили многослойные.

4 В такой архитектуре нейроны объединены в так называемые слои. Под слоем понимается совокупность нейронов, входы которых соединены с выходами нейронов предыдущего слоя, а в свою очередь, выходы нейронов этого слоя являются входами для следующего слоя. В такой архитектуре нейроны объединены в так называемые слои. Под слоем понимается совокупность нейронов, входы которых соединены с выходами нейронов предыдущего слоя, а в свою очередь, выходы нейронов этого слоя являются входами для следующего слоя. Обычно слоистые сети являются полно связанными, то есть входы каждого нейрона слоя связаны со всеми выходами нейронов предыдущего слоя. Обычно слоистые сети являются полно связанными, то есть входы каждого нейрона слоя связаны со всеми выходами нейронов предыдущего слоя.

5 Нейросимулятор 1.0. В своей работе я использовала готовый нейросимулятор: В своей работе я использовала готовый нейросимулятор:

6 Обучение На вход подавались следующие статистические данные: На вход подавались следующие статистические данные: 1. Группа 1) лиственные; 1) лиственные; 2) хвойные. 2) хвойные. 2. Высота 3. Крона 1) колоновидная; 1) колоновидная; 2) конусообразная; 2) конусообразная; 3) зонтообразная; 3) зонтообразная; 4) шарообразная; 4) шарообразная; 5) флагообразная; 5) флагообразная; 6) вислая; 6) вислая; 7) раскидистая. 7) раскидистая.

7 4. Лист и игла 1)иглы мелкие, частые на одной прямой; 1)иглы мелкие, частые на одной прямой; 2)иглы длинные, по 5 штук в пучке; 2)иглы длинные, по 5 штук в пучке; 3)иглы средние по две в пучке; 3)иглы средние по две в пучке; 4)иглы средние; 4)иглы средние; 5)лист большой пятиугольный; 5)лист большой пятиугольный; 6)лист фигурный средний; 6)лист фигурный средний; 7)лист узкий, длинный, большой; 7)лист узкий, длинный, большой; 8)лист узкий, маленький; 8)лист узкий, маленький; 9)лист не правильной формы; 9)лист не правильной формы; 10)лист простой. 10)лист простой.

8 5. Плод 1) шишка; 1) шишка; 2) желудь; 2) желудь; 3) орех; 3) орех; 4) ягода; 4) ягода; 5) яблоко; 5) яблоко; 6) кисть. 6) кисть. 6. Кора. 1) гладкая; 1) гладкая; 2) шершавая; 2) шершавая; 3) грубая; 3) грубая; 4) грубая с наростами. 4) грубая с наростами. Обучающая выборка представлена на следующем слайде:

9 Данные обучающей выборки Вид(Y1)Группа(X1)рост(X2)Крона(X3)Лист и игла(X4)Плод(X5)Кора(X6) сосна обычная (11) ель (22) лиственница (33) пихта (44) можжевельник (55) берёза (66) ольха (77) ива (88) клен (99) липа (100) тополь (110) рябина (120) осина (130) черёмуха (140) яблоня (150) ясень (160) орех (170) дуб (180) каштан (190) бузина (200) бук (210) вяз (220) граб (230) груша (240) боярышник (250) калина (260) облепиха (270)247841

10 Результаты обучения

11 При обучении данным методом обратного распространения ошибки, выдались наиболее близкие к практическим результаты. Хотя некоторые модели деревьев, например, береза, ольха и рябина выдаются неточно. При обучении данным методом обратного распространения ошибки, выдались наиболее близкие к практическим результаты. Хотя некоторые модели деревьев, например, береза, ольха и рябина выдаются неточно. Теперь посмотрим, сможет ли нейросимулятор выдать модель дерева на неизвестные ему параметры Теперь посмотрим, сможет ли нейросимулятор выдать модель дерева на неизвестные ему параметры

12 Данные тестируемой выборки: Группа(X1)рост(X2)Крона(X3)Лист и игла(X4)Плод(X5)Кора(X6)Вид(Y1)

13 Результаты обучения

14 Зависимости погрешности обучения и погрешности обобщения от числа нейронов внутренних слоев персептрона.

15 Результаты При проверке на тестируемых данных, результаты оказались хуже. Из пяти введенных моделей нейросимулятор смог определить только 1. Это можно объяснить тем, что данные, которые мы вводили, не совпадают с точными значениями деревьев. Но для работы с уже известными параметрами деревьев нейросимулятор вполне подходит, его можно использовать биологам и экологам, занятым в этой области для ускорения работы. А также обычным людям в качестве определителя деревьев. При проверке на тестируемых данных, результаты оказались хуже. Из пяти введенных моделей нейросимулятор смог определить только 1. Это можно объяснить тем, что данные, которые мы вводили, не совпадают с точными значениями деревьев. Но для работы с уже известными параметрами деревьев нейросимулятор вполне подходит, его можно использовать биологам и экологам, занятым в этой области для ускорения работы. А также обычным людям в качестве определителя деревьев.

16 Работу выполнила: студентка гр студентка гр Коркодинова Е.П.