Міністерство освіти і науки України Національний університет „Львівська політехніка” Кафедра електронних обчислювальних машин Звіт про виконання лабораторної роботи № 4 з курсу „ Організація інтелектуальних обчислень ” Тема: Залежність точності прогнозування нейронної мережі від кількості нейронів Львів – 2006 Мета роботи: дослідити залежність точності прогнозування нейронної мережі від кількості нейронів у прихованому прошарку. Архітектура, призначення, та режими функціонування нейромережі Neuron Програма призначена для реалізацій функцій відображення вхідних наборів даних у вихідні. Основною метою ставилась розробка простої, надійної в експлуатації мережі з мінімальним числом регульованих параметрів, в основі якої використана архітектура з лінійними синаптичними зв’язками. Робота з програмою Neuron починається зі створення нового проекту. Встановлюємо визначені для конкретної задачі кількість входів та виходів нейромережі. Під час проведення експериментів було встановлено, що оптимальна кількість нейронів в прихованому шарі повинна бути приблизно рівна сумі вхідних та вихідних нейронів. В залежності від специфіки вхідних даних передбачається незначне регулювання в проміжку вказаного значення. При подвійному натиску на білому полі віконців Input file, Output file з’являється діалогове вікно “Open data file”, в якому користувач вказує шлях до файлів з вхідними та вихідними значеннями навчальної множини. Коефіцієнт нелінійності передатних функцій зовнішніх нейронів Kf5 може приймати значення від 0 до 1, але під час проведення багатьох експериментів досліджено, що для більшості вирішуваних задач оптимальним можна вважати Kf5=0,2, що і встановлено у мережі по замовченню. Output Chanels - кількість вихідних нейронів; Input Chanels - кількість вхідних нейронів; Size - кількість нейронів прихованого шару; Kf5 - коректуючий коефіцієнт нелінійності функції активації зовнішніх елементів. Також вносяться дані для визначення навчальної множини: String of edu. - кількість реалізацій навчальної множини; Input file - файл з вхідними даними; Output file - файл з вихідними даними. У другому підвікні визначаються параметри щодо контрольної множини: Output chanels - кількість реалізацій, які мають бути передбачені; File of prognosis - файл з вхідними даними контрольної множини; Compare file - файл з вихідними даними контрольної множини. Виконання роботи Приклад 1 - ENERG Приклад 2 - CEMENT Висновки: виконуючи дану лабораторну роботу я досліджував залежність якості та точності прогнозування нейронної мережі від кількості нейронів. Після дослідження нейронної мережі на двох прикладах можна зробити висновок, що найвища точність прогнозування досягається при підборі оптимальної кількості нейронів проміжного прошарку та об’єму навчальної множини. Збільшення об’єму навчальної множини суттєво підвищує точність прогнозування, а збільшення кількості нейронів є доцільним лише до певної межі.