Лабораториялық жұмыс

«Нейрондық желі құрастыру, аппроксимациялық есепті орындаушы» (2 сағат)

Бірден-бір керемет нейродық желі аппроксималдық қабілеті бар және оған қарамастан жан-жақты аппроксиматор болып табылады. Аталған мағлұматтар нейродық желі көмегімен аппроксималды қаншалықты ыңғайлы тура үзіліссіз функцияның көптеген үзілістері.

Аппроксималды функцияның келесі түрін орындау.

мұндағы x € 1÷N, ал N функцияның нүктелер саны.

Мақсатты мағлұматтар, "мағыналар" (Value) қатарына енгіземіз терезе құрылғанда жаңа мәлімет көрінеді:

sin(5*pi*[1:100]/100+sin(7*pi*[1:100]/100)).

Бұл қисық ұсыныс сызықты жиіліктің бір бөлігі 5p/N, гормоникалық моделдеу жиілігінің фазасы 7 N (сурет Л10.1).

10.1-Сурет Желі сәулетінің аппроксималды шешу

Келесі мәліметтерді тереміз (1, 2, 3, …, 100), оларды мына көріністе: 1:100.

Персептронды таңдаймыз (Feed-Forward Back Propa-gation) он үш сигмоидалы (TANSIG) жасырын нейронды қабат бір сызықты (PURELIN) шығыс нейронды қабат. Левенберга-Маркардттың алгоритм анықтау функциясын пайдалану арқылы TRAINLM. Функция қателігі – MSE Алынған желі мына түрде болады (см. сурет Л10.1).

10.2-сурет. Л. Аппроксимацияның сызықты тапсырмасы

Енді үйрету әдісіне көшеміз. Бұл үшін қандай мәліметтер пайдалнылатын мақсатты, сосын үйретуге көшеміз(.10.2-сурет).

10.3-сурет.. Қызыл қисықты – мақсатты мәліметтер, жасыл қисықты - аппроксималды функция

10.2 және10.3 суреттен көрінеді. Бірнеше рет қателіктер кішірейтілген аппроксимация 100. Қисықты соңғы түрпаты сол жайында айтылады және нақтылық жақындауы мүмкін. Нейронды жүйелер көмегімен синтез жасалынатын жүйе, үлгіге жақын символдарды қабылдай алатын болады. (10.4-суретте көрсетілген).

10.4-сурет. Мәліметтер шығысының монохромды бейнесі.

Шығыс мәліметтер жиынын кескін файлынан сондай-ақ MATLAB-тан жасауға болады. 10.5-суретте шығыс мәліметтер массивіндегі жиынын көрсеткен

10.5-сурет. Шығыс мәліметтер массивінің графикалық көрсеткіші

Шығыс мәліметтер жиынына шуыл бере отырып, оқылатын мәліметтерді аламыз (10.6-суретте).

10.6-Оқылатын мәліметтер

Бұл мысалға жататын жіктеу есептерінде, жүйе шығысында саны

Берілген мысал жататын жіктеу есептерінде желінің шығыс саны желі арқылы сыныптардың бөліну санына сәйкес. Бұл факт желінің сәулетің таңдау кезінде және міндетті берілгендердің түрпаттау қадамына сәйкес болуы керек. Жіктеу желісі шығыс кезінде сәйкес елетін сыныпқа үлкен мән береді. Жақсы құрылған және оқытылған NN-де басқа шығыстардың мәні едәуір аз болады. Осы есепті шешу үшін бірінші слойдың бес сигмойдты нейрондары бар және екінші қабаттың бес сызықты нейрондары бар Feed-forward backprop желісі таңдалды. Левенверг –Маркардтың – оқыту алгоритмі. Осындай пішіндері желі оқытылудың сегізінші эпохында 10^-30 шамасында қателік жіберді.нәтиженің дұрыстығына көз жеткізу үшін, біз желіні дайын бақылау жиынына салдық. Жүйе жаңа символдарды бөліп тастады. Қазірден бастап, нейрон желілерінде негізделінетін, бейнені анықтайтын (визуалды, дауысты) әртүрлі жүйелер дайындалып жатқанын айта кету керек. Мысалға тексті сканерлеу бағдарлама жатады. Олар оптикалық сканерлердің иелерінде кеңінен дамыған және нақты уақыт ішінде қойылған тапсырманы орындайды.