- •Мета роботи
- •Порядок виконання роботи
- •Склад звіту
- •Варіанти завдань
- •Мета роботи
- •Порядок виконання роботи
- •Склад звіту
- •Варіанти завдань
- •Нейромережеве середовище Nntool
- •Мета роботи
- •Порядок виконання роботи
- •Склад звіту
- •Керуючі елементи nnTool
- •Приклад 1.
- •Створення мережі
- •Навчання
- •Поділ лінійно-невіддільних множин
- •Приклад 2.
- •Задача апроксимації
- •Приклад 3.
- •Розпізнавання образів
- •Приклад 4.
- •Імпорт-експорт даних
- •Завантаження з файлу
- •Експорт
- •Збереження у файлі
- •Варіанти завдань
- •Мета роботи
- •Порядок виконання роботи
- •Склад звіту
- •Іі. Застосування пакета Neural Net для рішення прикладних інженерних задач (апроксимація, прогнозування, класифікація) Нейромережевий інструментарій MatLab (Neural Net Toolbox)
- •Мережні шари. У nnt поняття “шар” визначен як шар нейронів, за винятком вхідного шару. Так, у nnt - нотації (термінології) одношарова мережа має вид:
- •Створення шару. Порожній мережний об'єкт, що називають "мережа" , буде створений у робочій області користувача , якщо набрати в командному рядку
- •Засоби MatLab, призначені для рішення завдань прогнозування. Прикладні програми
- •Варіанти завдань
Варіанти завдань
№ варіанту |
Тип функції |
Область визначення змінних |
Примітки |
1 |
|
|
|
2 |
y=F(x1, x2) = sin(x1 + x2) – x1 |
x1, x2 [0, 2pi] |
|
3 |
y= F(x1, x2)=exp(– x1)+ sin(x2/2) |
x1, x2 [0, 2pi] |
|
4 |
y=F(x1, x2, x3) = sin(x1 + x2 + x3) |
x1, x2, x3 [0, 2pi/3] |
|
5 |
y=F(x1, x2, x3) = cos(x1 + x2 + x3) |
x1, x2, x3 [0, 2pi/3] |
|
6 |
y=F(x1, x2, x3) = sin((x1+ x2 + x3)/2) |
x1, x2, x3 [0, 2pi/3] |
|
7 |
y=F(x1, x2, x3) = cos((x1+ x2 + x3)/2) |
x1, x2, x3 [0, 2pi/3] |
|
8 |
y= F(x1, x2, x3) = exp(– x1) + exp(– x2) + exp(x3/2) |
x1, x2, x3 [0, 2pi/3] |
|
9 |
y=F(x1, x2, x3) = sin(x1 + x2 + x3) |
x1, x2, x3 [0, 2pi/3] |
|
Нейромережеве середовище Nntool
(графічний інтерфейс користувача)
Мета роботи
1. Опанувати техніку розвязання задач в середовищі нейромереж - Nntool.
2. Визначити місце і роль штучних нейромереж в загальному контексті штучного інтелекту та інтелектуальних систем.
Порядок виконання роботи
1. Ознайомитись з теоретичним матеріалом з відповідного розділу конспекта лек-цій та методичними вказівками до виконання лабораторної роботи.
2. Підготувати задачу відповідно до варіанта до рівня, доступного для розвязання в обраному середовищі (визначити всі потрібні функції).
3. Виконати тестові приклади та визначити особливості власної задачі, зокрема, вплив початкового наближеного розвязку на отриманий результат, вплив кількості нейронів та шарів.
4. Виконати складену в п.20задачу, дати інтерпретацію отриманим результатам.
Склад звіту
1. Постановка задачі.
2. Екранні форми, які розкривають сутність задачі та параметри нейромережі.
Тестові приклади та методичні вказівки до виконання лабораторної роботи
Нейронні мережі (NN - Neural Networks) широко використовуються для рішення різноманітних задач. Серед областей застосування, що розвиваються,
- обробка аналогових і цифрових сигналів, синтез і ідентифікація електронних ланцюгів і систем. Основи теорії і технології застосування НМе широко представлені в пакеті MATLAB. У цьому зв'язку особливо слід зазначити останню версію пакета - MATLAB 6.0, де вперше представлений засіб GUI (Graphical User Interface - графічний інтерфейс користувача) для НМе - NNTool.
Прикладами застосування технології нейронних мереж для цифрової обробки сигналів є: фільтрація, оцінка параметрів, детектування, ідентифікація систем, розпізнавання образів, реконструкція сигналів, аналіз часових рядів і стиск. Згадані види обробки застосовні до різноманітних видів сигналів: звукових, відео, мовних, зображень, передачі повідомлень, геофізичних, локаційних, медичних вимірів (кардіограми,енцефаллограми, пульс) іт.ін.
У даному посібнику даноопис NNTool і показанатехніка його застосування для рішення реальних прикладних задач, зокрема, задач цифрової обробки сигналів, що є найбільш показовим для фахівця з комп'ютерної інженерії.
Після того як структура НМе обрана, повинні бути встановлені її параметри. Вибір структури НМе і типів нейронів - самостійний і дуже непросте питання, що тут ми обговорювати не будемо. Що ж стосується значень параметрів, то, як правило, вони визначаються в процесі рішення деякої оптимізаційноїзадачі. Ця процедура в теорії НМе називається навчанням.
Графічний інтерфейс користувача NNTool дозволяє вибирати структури НМе із великого переліку і надає множина алгоритмів навчання для кожного типу мережі. В учбово-методичному посібнику розглянуті наступні питання, що відносяться до роботи з NNTool:
призначення графічних керуючих елементів;
підготовка даних;
створення нейронноїмережі;
навчання мережі;
прогін мережі.
Всі етапи роботи з мережами проілюстровані прикладами рішення простих задач.