Нейроимитатор нейронных сетей на основе нечеткого многослойного персептрона

1. Самарский государственный аэрокосмический университет имени академика С.П. Королева Национальный исследовательский университет Нейроимитатор нейронных сетей на основе нечеткого многослойного персептрона Выполнили: студент 662 гр. Новиков В.В. студент 661 гр. Расщепкин Е.А. • MLP и FMLP; • сеть Эльмана; • нейроимитаторы; • описание программы; • результаты. Самара 2010

2. Структура многослойного персептрона Любую непрерывную многомерную функцию на единичном отрезке [0;1] можно представить в виде конечного числа одномерных:

3. Многослойный персептрон Структура нечеткого многослойного персептрона Выходной вектор Входной вектор «Нечеткий слой»: состоит из радиально-базисных нейронов с гауссовой функцией активации

4. количество нейронов «нечеткого слоя» определяется числом кластеров; • количество скрытых слоев и число нейронов в этих слоях может быть произвольным; • размерность выходного слоя зависит от размерности выходного вектора. Особенности нечеткого многослойного персептрона

5. Входной слой Выходной слой Структура сети Эльмана Элементы обратной связи Обратная связь Скрытый слой

6. алгоритм обратного распространения ошибки и наискорейшего спуска; • алгоритм C-means (для нечеткого слоя). алгоритмы обучения

7. описание и формирование архитектуры нейронной сети; • сбор данных для обучающей выборки; • обучение выбранной нейросети на обучающей выборке или загрузка уже обученной сети с диска; • тестирование обученной нейросети; • решение задач обученной сетью; • запись результатов обучения и полученных решений на диске. Функции нейроимитаторов

8. Нейро-офис; • NeuroPro; • NeuroIterator; • Statistica; • NeuroSolutions; • Сигнейро; • и др. Существующие нейроимитаторы

9. Главное меню Главное окно программы Инструменты визуального создания сети Вложенное окно просмотра/создания сети

10. Выбор типа сети: • многослойный персептрон; • нечеткий многослойный персептрон; • сеть Эльмана. Окно создания сети

11. Параметры алгоритмов обучения • Задача классификации ирисов Фишера: • алгоритм обратного распространения ошибки и наискорейшего спуска: • коэффициент обучения - 0.1; • момент - 0.1. • алгоритм C-means : • момент - 2.

12. Просмотр сведений о нейронах сети Текущей нейрон выбранного слоя сети

13. СКО по векторам из вкладки тестирования Исследование сети Тестирование сети по загруженной выборке с возможностью экспорта результатов в Excel Расчёт выходного вектора по данным входного вектора

14. Результаты экспериментов Рекуррентная сеть Эльмана Нечеткий многослойный персептрон Многослойный персептрон

15. Заключение • Разработано программное средство для работы с нейронными сетями: • многослойный персептрон; • нечеткий многослойный персептрон; • рекуррентная сеть Эльмана. • Реализованы алгоритмы обучения: • алгоритм обратного распространения ошибки и наискорейшего спуска; • C-means. • Проведен анализ работы. • Результаты: • схожие результаты; • не точно классифицированы 2 ириса; • лучший результат дал нечеткий многослойный персептрон.

16. Литература Царегородцев В. Г. // Искусственные нейронные сети [Электронный ресурс]. – Режим доступа: http://neuropro.ru/neu4.shtml. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. – М.: Финансы и статистика, 2002. – 344с.:ил. Методы нейроинформатики / Под ред. А.Н. Горбаня, КГТУ, Красноярск, 1998. 205с. Хайкин, Саймон Нейронные сети: полный курс, 2-е издание.: Пер. с англ. - М.: Издательский дом "Вильямс", 2006. - 1104с.: ил. - Парал. тит. англ. Palit, Ajoy K. Computational intelligence in time series forecasting: theory and engineering application – Bremen, Germany: Springer, 2005. – 381p.:il.

17. Спасибо за внимание!!! Iris setosa Iris virginica Iris versicolor