Пособие по дисциплине нейроинформационные технологии шайдуров Александр Алексевич



страница12/16
Дата27.10.2016
Размер0.77 Mb.
Просмотров912
Скачиваний1
ТипПособие
1   ...   8   9   10   11   12   13   14   15   16

Лабораторный практикум

Лабораторная работа №1. Освоение принципов создания и обучения нейронной сети на примере работы оболочки Neuropro.


Программа NeuroPro 0.25 является свободно распространяемой бета-версией разрабатываемого программного продукта для работы с нейронными сетями и производства знаний из данных с помощью обучаемых искусственных нейронных сетей.

  1. Создание нейропроекта.

  2. Подключение к нейропроекту файла (базы) данных.

В качестве файлов данных (содержащих обучающую выборку для нейронных сетей) используются файлы форматов DBF (форматы пакетов Dbase, FoxBase, FoxPro, Clipper) и DB (Paradox). Возможно чтение и редактирование этих файлов, и сохранение измененных файлов на диске. Программа не накладывает ограничений на число записей (строк) в файле данных.

  1. Редактирование файла данных и создание нейронной сети.

Встроенные возможности нейроимиатора по редактированию файлов данных достаточно ограничены. Для внесения изменений в файл данных целесообразно воспользоваться табличным процессором MS Excel с последующим сохранением файла в формате DBF 4, который читается программой Neuropro 0.25.

Добавление в нейропроект нейронной сети слоистой архитектуры с числом слоев нейронов от 1 до 10, числом нейронов в слое – до 100 (число нейронов для каждого слоя сети может задаваться отдельно). Для создания новой сети необходимо щелкнуть по кнопке «Новая сеть», которая находится за таблицей данных и становится активной после открытия файла данных (рис. 1).



Рис. 1. Создание нейронной сети


  1. Выбор алгоритма обучения, назначение требуемой точности прогноза, настройка параметров нейронной сети.

Обучение нейронной сети на некотором задачнике производится градиентными методами оптимизации, градиент вычисляется по принципу двойственности. В программе реализованы четыре алгоритма оптимизации:

  1. Градиентный спуск.

  2. Модифицированный ParTan.

  3. Метод сопряженных градиентов.

  4. Квазиньютоновский BFGS-метод.

При создании нейропроекта в качестве алгоритма по умолчанию принимается ParTan. Изменение алгоритма осуществляется через пункты меню «Настройка» — «Метод оптимизации».

Примеру задачника соответствует запись (строка) файла данных. Для включения записи файла данных в задачник в записи должны присутствовать данные для всех полей, используемых нейронной сетью в качестве входных и выходных.

Обучение прекращается при достижении заданной точности решения задачи либо при невозможности дальнейшей оптимизации.

Нейросеть может решать одновременно несколько задач как прогнозирования (предсказания значений нескольких количественных признаков), так и задачи классификации (предсказания состояний нескольких качественных признаков), так и задачи прогнозирования и классификации одновременно для каждой из задач могут быть установлены свои требования к точности.

Для прогнозируемого качественного признака точность означает максимально допустимое отклонение прогноза сети от истинного значения признака. Желательно задавать как можно менее жесткие требования к точности. Это ускорит как процесс обучения, так и процесс упрощения сети. Также задачу можно будет решить на основе нейронной сети с меньшим числом слоев или нейронов и обычно на основании меньшего числа входных сигналов. Требуемая точность ни в коем случае не должна превосходить погрешностей получения сигнала (погрешностей измерительных приборов, погрешностей огрубления значений при вводе их в компьютер). Так, если значение признака изменяется в диапазоне [0,10] и измерительный прибор имеет собственную точность ±0.1, то нельзя требовать от сети предсказания с точностью ±0.01.

Для качественного признака точность (надежность) означает уверенность в принадлежности качественного признака тому или иному дискретному состоянию. Чем больше уровень требуемой уверенности, тем более надежно должна сеть диагностировать отличия каждого дискретного состояния от других.



  1. Обучение нейронной сети решению задачи предсказания или классификации.

Число входных и выходных сигналов сети ограничено максимальным числом полей в файле данных и не может в сумме превышать 255 или 511 (в зависимости от файла данных) сигналов. Каждому входному и выходному сигналу соответствует поле в файле данных. Однако при обработке качественных признаков каждому входному или выходному полю могут соответствовать несколько входных или выходных сигналов сети. Процедура задания входных и выходных сигналов новой сети изображена на рис. 2.

Рис. 2. Задание входных и выходных сигналов новой сети
Нейронная сеть может обрабатывать только поля в файле данных, содержащие числовые значения. Из всего набора полей в файле данных можно выбрать отдельные поля для обработки нейросетью. Обрабатываемые поля могут быть непрерывными (количественными) и дискретнозначными (качественными).

Каждое количественное поле в файле данных будет соответствовать одному входному или выходному сигналу сети. Перед подачей количественных входных полей нейронной сети происходит их нормировка в диапазон значений [-1,1] по каждому полю. Выходные сигналы сети нормируются в диапазон истинных значений.

После описания всех входных и выходных сигналов сети необходимо задать ее структуру (число слоев нейронов, число нейронов в каждом слое и характеристику – коэффициент преобразователя нейрона). Задание структуры новой сети изображено на рис. 3.

Рис. 3. Задание структуры новой сети
На настоящий момент имеется возможность работы только со слоистыми и слоистыми монотонными нейронными сетями с числом слоев нейронов от 1 до 10, числом нейронов в слое – до 100. Число нейронов в слое не зависит от числа входных сигналов и числа выходных сигналов. После последнего слоя нейронов сеть имеет слой адаптивных сумматоров с числом сумматоров, равных числу выходных сигналов, с которых и снимаются выходные сигналы сети. Веса синапсов при обучении могут изменяться в диапазоне [-1,1], при создании сети инициируются случайными числами.

Нелинейная функция нейрона имеет вид f(A)=A/(c+|A|), где c — параметр крутизны переходного участка сигмоидной функции, который задается при создании сети в диапазоне [0.0001,1] и не изменяется при обучении. Параметр крутизны (характеристика) может задаваться отдельно для каждого слоя сети.

После задания структуры сети необходимо щелкнуть по кнопке «Создать» и в главном меню выбрать пункты «Нейросеть» — «Обучение». Окончание процесса обучения изображено на рис. 4. Скорость обучения зависит как от сложности обучающей выборки, так и от заданной для выходного поля точности обучения. Необходимо обращать внимание на то, чтобы сеть правильно решала все примеры обучающей выборки.

Рис. 4. Результат обучения сети


  1. Тестирование нейронной сети на файле данных («Нейросеть» «Тестирование»).

Результаты тестирования нейронной сети изображены на рис. 5. Для каждого выходного поля сети нейроимитатор указывает прогнозное значение и ошибку, а в нижней части таблицы – количество правильных и неправильных ответов, среднюю и максимальную ошибку.

Для выполнения процедуры прогнозирования необходимо перед вызовом процедуры «Тестирование» внести в таблицу данных значения входных параметров, на основании которых нейросеть будет делать прогноз («Таблица» — «Добавить запись»). Поле выходного параметра должно оставаться пустым, а курсор необходимо перевести кнопкой «TAB» в следующую строку.



Рис.5. Результат тестирования нейронной сети
После повторного выполнения процедуры тестирования нижняя строка таблицы содержит прогноз нейронной сети (рис. 6).

Рис. 6. Прогноз нейронной сети

  1. Вычисление показателей значимости каждого из входных сигналов для решения задачи («Нейросеть» — «Значимость входных сигналов», см. рис. 7), сохранение вычисленных показателей значимости в файле на диске.



Рис. 7. Значимость входных сигналов
Значимость входных сигналов позволяет увидеть, с точки зрения сети, степень влияния входных параметров на выходной. Это позволяет, например, избавиться от малозначимых входных параметров.

  1. Упрощение нейронной сети («Нейросеть» — «Сокращение, упрощение и т.д.»).

Упрощение нейронной сети выполняется на основе вычисленных показателей значимости. Показатели значимости вычисляются в пяти точках в пространстве адаптивных параметров сети и усредняются в одной из норм.

Процедура упрощения строится как последовательное исключение из сети наименее значимого входного сигнала или элемента сети, дальнейшее дообучение сети и исключение другого сигнала или элемента, если удалось дообучить сеть до заданной пользователем точности. В противном случае процедура упрощения останавливается.

Предоставляются следующие возможности по упрощению сети:


  1. сокращение числа входных сигналов;

  2. сокращение числа нейронов сети;

  3. сокращение числа синапсов сети;

  4. сокращение числа неоднородных (пороговых) входов нейронов сети;

  5. равномерное упрощение сети, чтобы на каждый нейрон сети приходило не более n сигналов;

  6. бинаризация (приведение к виду: 1 или -1) весов синапсов и неоднородных входов сети. Бинаризованные синапсы и неоднородные входы в дальнейшем не обучаются. Бинаризация синапсов сети приводит к упрощению итоговой нелинейной регрессионной модели сети.

Сокращение входных сигналов и нейронов может достигаться и при выполнении других операций по упрощению сети, а не только при целенаправленном сокращении именно входных сигналов и нейронов.

Нейрон сети считается удаленным, если у него удалены все выходы или его сигнал не используется нейронами следующего слоя.

Входной сигнал считается удаленным, если удалены все синапсы, по которым этот сигнал поступал на нейроны первого слоя сети. Удаленные при упрощении элементы физически остаются в нейронной сети, но при генерации вербального описания сети не вносятся в него.


  1. Генерация и визуализация вербального описания нейронной сети («Нейросеть» — «Вербализация»). Редактирование и сохранение вербального описания нейронной сети в файле на диске.

При генерации вербального описания в тексте перечисляются используемые поля файла данных, правила их предобработки для подачи сети, описание нелинейных функций нейронов, функционирование нейронной сети послойно и понейронно, правила нормировки выходных сигналов сети в диапазон истинных значений. Сигналам, генерируемым нейронами сети, присваиваются некоторые имена, и в дальнейшем пользователь при анализе сети может именовать эти сигналы в терминах проблемной области.

Файлы вербального описания сети, результатов тестирования нейросети, показателей значимости входных сигналов имеют стандартный ASCII-формат текстовых файлов данных и могут читаться всеми программами-редакторами текстов и импортироваться в электронные таблицы.

Получив вербализованное описание нейронной сети, пользователь может попытаться восстановить правила, сформированные сетью для решения задачи – записать на естественном языке алгоритм решения неформализованной задачи предсказания или классификации.


  1. Сохранение нейропроекта на диске («Файл» — «Сохранить как»).

Файлы нейропроекта имеют уникальный формат, поддерживаемый только настоящей программой. В следующих версиях возможно изменение этого формата без сохранения совместимости с настоящей версией.

В результате получаем осмысленный текст, описывающий дерево рассуждений в терминах некоторой проблемной области. Принципиально, что для одной и той же таблицы данных и различных сетей (либо даже одной сети, но с разной начальной случайной генерацией исходных значений настраиваемых параметров) после обучения, упрощения и вербализации может получиться несколько различных логически прозрачных сетей и, соответственно, несколько полуэмпирических теорий решения задачи. Это не представляется недостатком.

Программа-нейроимитатор способна дать только некоторый полуфабрикат эмпирической теории – вербальное описание нейронной сети на естественном языке, где имена симптомов и синдромов будут сгенерированы программой автоматически и не привязаны к проблемной области. Пользователь, выполняя когнитивный анализ, заменяет абстрактные имена на осмысленные.

Таким образом, имеется возможность автоматизации следующих процедур. Во-первых, построение одной или нескольких наиболее логически прозрачных сетей, варьируя процедуры упрощения и оценивая альтернативные варианты. Во-вторых, генерация вербального описания нейронных сетей (полуавтоматических теорий), после чего пользователю остается только задача осмысления полученного текста и привязка к проблемной области. Ситуация, когда пользователь садится за компьютер, задает файл данных, нажимает одну единственную кнопку (или пункт меню) и получает текст, пригодный для вставки в дипломную работу (диссертацию, статью), пока что не возможна. Однако такое пожелание обрисовывает идеал, к которому нужно стремиться, и показывает пути дальнейшего развития представленной технологии.


Задания для работы в аудитории


    1. Ознакомится с теоретическими сведениями, изложенными в методическом указании.

    2. Исследовать принципы работы Neuro Pro.

Задания для самостоятельной работы


Выполнение лабораторной работы предполагает предварительное самостоятельное изучение теоретического материала см. файл «Модуль Нейрокибернетика» и создание нейронных сетей в программной оболочка NeuroPro 0.25 с использованием массивов данных в соответствии с вариантом.
Файл исходных данных необходимо взять у преподавателя.

В ходе выполнения лабораторной работы необходимо создать, обучить и выполнить тестирование 10 нейронных сетей, используя один исходный массив данных.




№ НС

Количество слоев

Количество нейронов в первом слое

Количество нейронов в последнем слое



1

5

5



2

5

3



2

5

5



2

3

5



3

5

3



3

5

5



3

3

5



5

5

3



5

5

5



5

3

5

Отчет по лабораторной работе должен содержать структуры сетей с описанием исходных параметров и результаты тестирования:



  • ошибка обучения;

  • ошибка обобщения;

  • время обучения;

  • точность.


Поделитесь с Вашими друзьями:
1   ...   8   9   10   11   12   13   14   15   16


База данных защищена авторским правом ©nethash.ru 2017
обратиться к администрации

войти | регистрация
    Главная страница


загрузить материал