Лабораторная работа № 2

Федеральное государственное автономное

образовательное учреждение

высшего профессионального образования

«СИБИРСКИЙ ФЕДЕРАЛЬНЫЙ УНИВЕРСИТЕТ»

ИНСТИТУТ КОСМИЧЕСКИХ И ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ

Лабораторная работа № 2

"Системы искусственного интеллекта"

наименование дисциплины

Обучение нейронных сетей по готовому задачнику

(выборы президентов САСШ)

тема

Руководитель __________ __________________ Л.А. Жуков

подпись, дата должность, ученая степень инициалы, фамилия

Студент ЗКИ 08-01 0702326 __________ М.А. Гуменко

номер группы номер зачетной книжки подпись, дата инициалы, фамилия

Красноярск 2013

Цель работы:

На примере простой готовой задачи изучить основы обучения нейронных сетей с помощью нейроимитатора NeuroPro.

Задачи:

1. Изучить основные возможности нейроимитатора NeuroPro. Выполнять работу следует по готовой выборке. Предлагается задача прогнозирования выборов североамериканских президентов.

2. Изучить особенности конструирования и обучения нейронных сетей.

3. Изучить возможности определения значимостей параметров.

4. Изучить возможности и особенности контрастирования нейронных сетей.

Решение задачи осуществляется с помощью нейроимитатора NeuroPro 0.25

Файл базы данных с информацией о выборах президентов США получен от преподавателя. Содержимое файла Election.db:

Константа Липшица для полной выборки

1. Создаем новую сеть Network1:

Входные параметры, согласно файлу Election.db: MORE1; MORE50; THIRD; CONC; PREZ; DEPR; VAL2_1; CHAHGES; WAVE; MIST; R_HERO; O_HERO; Выходные параметры: Ответ.

Структура сети: трехслойная, Слой 1 – 10 нейронов, слой 2 – 10 нейронов, слой 3 – 10 нейронов; Нелинейность – Сигмоида f(x)=x/(c+|x|), точность 0,1.

Аналогично создаются сети Network2, Network3, Network4 и Network5.

2. Разделим полную выборку(32 примера) на обучающую и тестовую группами по 7 примеров по очереди.

Обучающая выборка (18 примеров):

Константа Липшица для обучающей выборки:

Тестовая выборка (14 примеров):

Константа Липшица для тестовой выборки:

3. Обучаем созданные сети на обучающей выборке:

Сводная таблица обучения сетей:

Сеть	Число циклов обучения	Шаг	Средняя оценка	Число правильно решенных примеров
Network1		0,0373286
Network2		0,05848368
Network3		0,09815841
Network4		0,07905991
Network5		0,0005798767

4. Протестируем обученные сети на обучающей выборке:

Тестирование сетей и значимость сигналов:

Сводная таблица тестирования сетей по обучающей выборке:

Нейронная сеть	Число правильных решений	Число неправильных решений	Всего примеров	Средняя ошибка	Максимальная ошибка
Network1	18 (100%)	0 (0%)		0,04135789	0,09818411
Network2	18 (100%)	0 (0%)		0,05437197	0,08997858
Network3	18 (100%)	0 (0%)		0,03491326
Network4	18 (100%)	0 (0%)		0,06108506	0,08754587
Network5	18 (100%)	0 (0%)		0,05873443

5. Протестируем обученные сети на тестовой выборке:

Тестирование сетей и значимость сигналов:

Сводная таблица тестирования сетей по тестовой выборке:

Нейронная сеть	Число правильных решений	Число неправильных решений	Всего примеров	Средняя ошибка	Максимальная ошибка
Network1	9 (64,2857%)	5 (35,7143%)		0,0867617	0,2463133
Network2	10 (71,4286%)	4 (28,5714%)		0,1838465	0,9772249
Network3	11 (78,5714%)	3 (21,4286%)		0,1489477	0,9352959
Network4	10 (71,4286%)	4 (28,5714%)		0,2677065	1,065958
Network5	9 (64,2857%)	5 (35,7143%)		0,02513561	1,057493

6. Контрастируем число входных сигналов по обучающей выборке сетей:

Значимости входных сигналов после контрастирования:

Анализ значимости входных сигналов, показывает, что некоторые из них значительно меньше влияют на точность решения, чем другие.

7. Протестируем на тестовой выборке обученные и сокращенные по числу входных сигналов сети:

Сводная таблица тестирования сетей по тестовой выборке после сокращения числа входных сигналов:

Нейронная сеть	Число правильных решений	Число неправильных решений	Всего примеров	Средняя ошибка	Максимальная ошибка
Network1	14 (100%)	0 (0%)		0,04430774	0,08504331
Network2	14 (100%)	0 (0%)		0,06207586	0,09463394
Network3	14 (100%)	0 (0%)		0,02399272	0,04499292
Network4	14 (100%)	0 (0%)		0,03143137	0,09329855
Network5	14 (100%)	0 (0%)		0,05535635	0,08564788

8. Вывод:

Нейронные сети используются для решения различных по типу и сложности задач, в которых в большинстве случаев достаточно приближенного ответа. При усложнении сети и параметров, результат не всегда будет более точным.