Самарский государственный аэрокосмический университет имени академика С. П. Королева Национальный исследовательский университет Выполнили : студент 662. - презентация

1 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. Самара 2010 MLP и FMLP; сеть Эльмана; нейроимитаторы; описание программы; результаты.

2 Страница 2 из 17 Любую непрерывную многомерную функцию на единичном отрезке [0;1] можно представить в виде конечного числа одномерных:

3 «Нечеткий слой»: состоит из радиально- базисных нейронов с гауссовой функцией активации Многослойный персептрон Многослойный персептрон Входной вектор Выходной вектор Страница 3 из 17

4 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. 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

5 Страница 5 из 17 Входной слой Элементы обратной связи Выходной слой Обратная связь Скрытый слой

6 алгоритм обратного распространения ошибки и наискорейшего спуска; алгоритм C-means (для нечеткого слоя). Страница 6 из 17

7 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

8 Нейро-офис; NeuroPro; NeuroIterator; Statistica; NeuroSolutions; Сигнейро; и др. Страница 8 из 17

9 Инструменты визуального создания сети Вложенное окно просмотра/созда ния сети Главное меню Страница 9 из 17

10 Страница 10 из 17 Выбор типа сети: - многослойный персептрон; - нечеткий многослойный персептрон; - сеть Эльмана. Выбор типа сети: - многослойный персептрон; - нечеткий многослойный персептрон; - сеть Эльмана.

11 Страница 11 из 17 Задача классификации ирисов Фишера: алгоритм обратного распространения ошибки и наискорейшего спуска: коэффициент обучения - 0.1; момент алгоритм C-means : момент - 2.

12 Страница 12 из 17 Текущей нейрон выбранного слоя сети

13 Страница 13 из 17 Расчёт выходного вектора по данным входного вектора СКО по векторам из вкладки тестирования Тестирование сети по загруженной выборке с возможностью экспорта результатов в Excel

14 Страница 14 из 17 Многослойный персептрон Нечеткий многослойный персептрон Рекуррентная сеть Эльмана

15 Страница 15 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.

16 Страница 16 из 17 1.Царегородцев В. Г. // Искусственные нейронные сети [Электронный ресурс]. – Режим доступа: 2.Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. – М.: Финансы и статистика, – 344с.:ил. 3.Методы нейроинформатики / Под ред. А.Н. Горбаня, КГТУ, Красноярск, с. 4.Хайкин, Саймон Нейронные сети: полный курс, 2-е издание.: Пер. с англ. - М.: Издательский дом "Вильямс", с.: ил. - Парал. тит. англ. 5.Palit, Ajoy K. Computational intelligence in time series forecasting: theory and engineering application – Bremen, Germany: Springer, – 381p.:il.

17 Страница 17 из 17 Iris setosaIris virginicaIris versicolor