Нейронные сети, как способ обработки данных

Рассчитаем пороговое значение качества для процесса маршрутизации.

Программа построения, поверхности функции критерия качества

P=[5,4;4,7;2,9;1,8]; % вектор входов
>> T=[1,84;1,49;0,37;0,1];% вектор целей
>> maxlr=0.40*maxlinlr(P,'bias'); % максимальное значение параметров обучения
>> net=newlin([-2 2],1,[0],maxlr); % расчет функции критерия качества
>> w_range=-1:0.2:1; b_range=-1:0.2:1; %Диапазоны значений весов и смещения
>> ES=errsurf(P,T,w_range,b_range,'purelin');
>> surfc(w_range,b_range,ES); %Построение поверхности функции критерия качества
 

Программа построение линий уровня и траектории обучении

y(1)=net.b{1};
>> net.trainParam.goal=0.001; %Пороговое значение критерия качества
>> net.trainParam.epochs=1; %Число эпох
>> for i=2:10; %Цикл вычисления весов и смещения для одной эпохи
for i=2:10,
[net,tr]=train(net,P,T);
x(i)=net.IW{1};
y(i)=net.b{1};
end
clf, contour(w_range,b_range,ES,20), hold on; %Построение линий уровня и траектории обучении
plot(x,y,'-*'),hold off

Рис. 10.10. График обучения нейронной сети

На рисунке 10.10 видно, что примерно через 10 шагов при заданной точности (порогового значения качества) 0,001 обучение закончено. В результате получим диапазон смещения весов IW = 0.880 0.408 -0.055 -0.507; b=-0.045.

Обучение считается законченным, когда сеть правильно выполняет преобразование на тестовых примерах и дальнейшее обучение не вызывает значительного изменения настраиваемых весовых коэффициентов. Преимуществом при выборе данной архитектуры сети явилось возможность преобразования ранее неизвестных данных на основе процесса обучения нелинейной модели [21].

Сеть успешно работает до тех пор, пока существенно не изменится реальная модель. Сеть может быть дообучена с учетом новой информации, причем предыдущая информация не теряется, а обобщается с вновь поступившей. При "повреждении" части весовых коэффициентов НС и ее свойства могут быть полностью восстановлены в процессе дообучения.

От того, насколько качественно будет выполнен этап обучения НС, зависит способность сети решать поставленные перед ней проблемы во время эксплуатации. Процесс обучения использует три фундаментальных свойства, связанных с обучением сети: загруженность сети, сложность маршрутов и вычислительная сложность. Под загруженностью сети понимается, сколько пакетов может пройти по сети, и какие функции, и границы принятия решений могут быть на ней сформированы. Сложность маршрута определяет числом переходов, необходимых для достижения работоспособности сети.

Краткие итоги

В лекции рассматривается нейронная сеть, правила ее построения. Построение универсальных моделей нейросетей в составе программного обеспечения компьютера, снабженных механизмами приспособления под задачу пользователя задача современной действительности.

Приведен пример построения модели нейронной сети нечеткой логики для обработки данных с применением программы MATLAB.

Вопросы для самопроверки

1. Дайте определение нейронной сети?
2. Чем характеризуется НС?
3. Из чего состоит простейшая сеть?
4. Перечислите недостатки однослойной сети?
5. Что называется процессом обучения НС?
6. Чем характеризуется результат самообучения?
7. Когда обучение НС считается законченным?