Подякувати Студентському архіву довільною сумою
Admin
26.02.2023 12:38
Дякуємо, що користуєтесь нашим архівом!
Залежність точності прогнозування нейронної мережі від кількості нейронів.
Інформація про навчальний заклад
ВУЗ:
Національний університет Львівська політехніка
Інститут:
Не вказано
Факультет:
Не вказано
Кафедра:
Електронні обчислювальні машини
Інформація про роботу
Рік:
2006
Тип роботи:
Лабораторна робота
Предмет:
Організація інтелектуальних обчислень
Група:
КІ-4
Частина тексту файла (без зображень, графіків і формул):
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
Виконав:
ст. гр. КІ-4
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. Вста новлюємо визначені для конкретної задачі кількість входів та виходів ней ро ме режі. Під час проведення експериментів було встановлено, що оптимальна кіль кість нейронів в прихованому шарі повинна бути приблизно рівна сумі вхід них та вихідних нейронів. В залежності від специфіки вхідних даних пе ред ба ча є ть ся незначне регулювання в проміжку вказаного значення. При подвійному на тиску на білому полі віконців Input file, Output file з’являється діалогове вікно “Open da ta file”, в якому користувач вказує шлях до файлів з вхідними та ви хід ни ми зна ченнями навчальної множини. Коефіцієнт нелінійності передатних функ цій зо в ніш ніх нейронів Kf5 може приймати значення від 0 до 1, але під час про ве ден ня ба гатьох експериментів досліджено, що для більшості ви рі шуваних за дач оп ти ма льним можна вважати Kf5=0,2, що і встановлено у мережі по замов чен ню.
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.
Ділись своїми роботами та отримуй миттєві бонуси!
0%
Оголошення від адміністратора