Если у вас возникли сложности с курсовой, контрольной, дипломной, рефератом, отчетом по практике, научно-исследовательской и любой другой работой - мы готовы помочь.
Предоплата всего
Подписываем
Часть 1. Многослойный персептрон и Радиальная базисная функция
Цель работы:
Научиться проектировать архитектуры и подбирать параметры обучения для Многослойного персептрона и Радиальной базисной функции для классификации образов, не разделимых линейно.
Задания:
1. Требуется спроектировать различные архитектуры сетей для разделения образов на 4 класса. Для этого:
2. Спроектировать и обучить с помощью SNN многослойный персептрон, решающий задачу классификации сформированного набора данных.
Исследовать способность сети к обобщению (к классификации образов, не принадлежащих обучающей выборке).
3. Спроектировать и обучить с помощью SNN сеть РБФ, решающую ту же задачу.
Также исследовать способность сети к обобщению.
4. Сравнить качество функционирования и обучения для двух сетей.
Пояснения к выполнению заданий:
К заданию 2:
Выбирается метод обучения BackPropagation, опытным путем подбираются параметры, флажки Shuffle Cases (перемешивать наблюдения) и Cross Verification (верификация в процессе обучения) не выставляются.
Добавьте к данным новые точки, принадлежащие различным классам, проверьте реакцию сети на эти данные и сделайте выводы о способности сети к обобщению.
К заданию 3:
Выбирается метод обучения Radial Basis Function. Появляется окно, в котором необходимо последовательно выбирать различные способы определения:
После выбора параметров РБФ нажмите кнопку Pseudo-invert для запуска метода обучения РБФ.
Сравните результаты, полученные для различных параметров.
Замечания.
1. Если обучающих данных не очень много, то для выбора центров лучше использовать не случайную выборку, а алгоритм К- средних.
2. При выборе явного способа задания отклонений отклонениям присваиваются значения . Значение определяется с помощью: d=1/22. Значение d задается в поле Deviation.
3. При выборе изотропного алгоритма отклонения вычисляются по правилу k/d2, где d – расстояние между двумя наиболее удаленными центрами, а k – число центров (т.е. радиальных элементов). Затем это значение умножается на значение в поле Deviation, которое в этом случае лучше выбирать равным 1.
4. Алгоритм задания отклонений по К ближайшим соседям использует для этого среднеквадратичное расстояние от каждого элемента до ближайших к нему элементов. Т.е. отклонение для каждого элемента вычисляется отдельно и зависит от того, насколько густо расположены данные в его окрестности. Вычисленное расстояние умножается на коэффициент в поле deviation. Это сделано для более точной настройки алгоритма. Число соседей задается в поле Neighbors.