close

Вход

Забыли?

вход по аккаунту

?

Lab2 3

код для вставкиСкачать
Хохрин К.А. ВМ-51
Лабораторная работа №2
ИССЛЕДОВАНИЕ МНОГОСЛОЙНОГО ПЕРСЕПТРОНА
С ОБУЧЕНИЕМ ВР-АЛГОРИТМОМ
Занятие 3
ТЕСТИРОВАНИЕ НЕЙРОННОЙ СЕТИ
ОПТИМИЗАЦИЯ СТРУКТУРЫ МНОГОСЛОЙНОГО ПЕРСЕПТРОНА
1. Цель работы
Изучение режима функционирования нейронной сети (НС), определение качества обобщения сети по тестовой выборке. Изучение принципов построения оптимальной структуры многослойного персептрона (МСП) для заданного класса задач. Изучение влияния модели нейрона на качество обучения нейронной сети. В результате выполнения работы студент знакомится с режимом функционирования НС, на основе полученных экспериментальных данных обучается определять оптимальную по нескольким параметрам структуру МСП, оценивать экспериментальные зависимости.
2. Задание
2.1. Сформировать множество входных данных для определения качества обобщения НС - тестовое множество (ТМ).
2.2. Протестировать нейронную сеть в режиме функционирования на тестовом множестве. Оценить качество обобщения НС.
2.3. Исследовать зависимость времени и качества обучения МСП от параметров структуры нейронной сети.
2.4. На основе полученных экспериментальных зависимостей определить оптимальную конфигурацию МСП.
2.5. Построить оптимальную структуру МСП и обучить ее. Оценить качество обучения НС. 2.6. Сравнить полученные результаты с результатами обучения исходной нейронной сети (построенной в лабораторной работе 2.2).
2.7. Протестировать оптимальную нейронную сеть в режиме функционирования на тестовом множестве. Оценить качество обобщения оптимальной НС.
2.8. Сравнить полученные результаты с результатами тестирования исходной нейронной сети (построенной в лабораторной работе 2.2).
3. Исходные данные на лабораторную работу
№ п/пПредметная областьВходной векторВыходной векторРазмер ОВ 14Добавление пробела между инициалами и фамилией. Инициалы в начале слова.
Слова (6 букв) пример:
В.И.Иванов, С.В.Петров, Д.В.Зубков, А.Е.Власов, Б.К.Леухин, А.Б.Егошин, В.Ф.Платов, С.С.Чуняев, С.Е.Зверев, А.В.Яналовобраз400
4. Описание тестовой выборки
Размер тестовой выбоки составляет 100 примеров (20% от размера обучающей выборки). Количество выходных классов - 1.
Тестовая выборка состоит из 90% образов с зашумленными 6 и 7 символами, и 10% путем зашумления 7 и 8 символа:
В.И.Иванов С.В.Петров
и тд.
5. Оптимизация НС
При оптимизации не будут изменяться алгоритмы обучения, пред и пост обработки обучающей выборки. Будут изменяться только количество слоев, количество нейронов в слое, характеристика активационной функции.
Кол-во слоевКол-во нейроновcxциклов обуч.прав. реш.прав. реш. норм.тест. прав. (по худш.) 0,3117400192 1110,4216400196 0,5318400195 0,6418400196 0,7522400196 0,8621400194 0,3718400196 120,4816400195 0,5918400196 0,61019400195 0,71120400196 0,81217400197 0,31316400195 130,41418400194 0,51519400195 0,61617400196 0,71720400196 0,81817400195 0,31916400195 140,42018400194 0,52117400195 0,62218400196 0,72319400196 0,82419400196 0,32520400193 2110,42622400195 0,52725400196 0,62826400196 0,72924365196 0,83025400197 0,33122400195 120,43224400195 0,53325400194 0,63423400193 0,73522400195 0,83625400193 0,33721400196 130,43823400194 0,53923400193 0,64028400193 0,74122400195 0,84225400195 0,34321400195 140,44424400194 0,54523400195 0,64625400195 0,74724400193 0,84828400194 0,34938400194 3110,45034400194 0,55133400195 0,65235400195 0,75336400195 0,85436400196 0,35536400194 120,45635400194 0,55734400194 0,65833400194 0,75932400194 0,86031400194 0,36134400195 130,46233400195 0,56332400194 0,66433400194 0,76534400193 0,86631400194 0,36734400195 140,46834400195 0,56936400194 0,67030400194 0,77133400194 0,87235400194 0,373110400193 4110,47477400192 0,57554400193 0,67646400192 0,77740400193 0,87839400194 0,37968400194 120,48056400193 0,58144400195 0,68237400196 0,78342400195 0,88447400196 0,38564400194 130,48678400193 0,58788400193 0,688105400194 0,78968400195 0,89053400196 0,39152400196 140,49250400194 0,59346400195 0,69441400192 0,79568400194 0,89690400194 0,397123400195 5110,498352400193 0,59976400194 0,610066400196 0,710166400195 0,810272400195 0,3103319400194 120,410487400194 0,510565400195 0,610668400196 0,710787400193 0,810871400193 0,3109179400196 130,411076400192 0,511198400193 0,611263400193 0,711365400195 0,811446400194 0,311590400193 140,411645400194 0,511798400195 0,611863400196 0,711978400193 0,812077400194 В итоге, при рассмотрении НС с комплексными параметрами 12, оптимальной будем считать трехслойную НС со структурой
слойКол-во нейр.c1120.8поскольку она обучилась с наименьшим количеством ошибочных решений при тестировании.
6. Оптимальная структура многослойного персептрона
7. Гистограммы
Относительная ошибка находится в пределах I диапазона (менее 0.001%) и не превышает заданной точности (10%), что говорит о приемлемом качестве обучения).
Гистограмма распределения средней относительной ошибки предсказания сети на этапе тестирования по каждому классу (образу):
Гистограмма распределения вероятностей относительной ошибки
для В.И. Иванов
Гистограмма распределения вероятностей относительной ошибки
для Д.В.Зубкова, С.Е.Зверева и С.С.Чуняева выглядят одинаково, так как было всего одно ошибочное слово, относительная ошибка которых лежит в диапазоне от 0.01 до 0.1
Для остальных гистограмма распределения вероятностей относительной ошибки будет выглядеть так
Документ
Категория
Рефераты
Просмотров
25
Размер файла
418 Кб
Теги
lab2
1/--страниц
Пожаловаться на содержимое документа