Добавлено (13.11.2007, 03:39)
---------------------------------------------
Что такое нейросеть

Как работает нейросеть
Искусственная нейронная сеть (ИНС, нейросеть) - это набор нейронов, соединенных между собой. Как правило, передаточные функции всех нейронов в сети фиксированы, а веса являются параметрами сети и могут изменяться. Некоторые входы нейронов помечены как внешние входы сети, а некоторые выходы - как внешние выходы сети. Подавая любые числа на входы сети, мы получаем какой-то набор чисел на выходах сети. Таким образом, работа нейросети состоит в преобразовании входного вектора в выходной вектор, причем это преобразование задается весами сети.
Практически любую задачу можно свести к задаче, решаемой нейросетью. В этой таблице показано, каким образом следует сформулировать в терминах нейросети задачу распознавания рукописных букв.

Добавлено (14.11.2007, 21:19)
---------------------------------------------
Одинаковое количество символов, как затемненных, так и белых, но буква другая.
Я конечно не скажу что такого быть не может, просто я недопонял сути, логической сути этой задачи.

Добавлено (15.11.2007, 01:57)
---------------------------------------------
В рабочей части окна модели расположены следующие элементы. Вверху — окна для ввода входных сигналов (слева) и выходных сигналов (справа) при обучении. Ниже находятся поля для установки количества входов и выходов перцептрона. Еще ниже расположены кнопки управления программой при вводе данных и обучении, а также поля, определяющие количество циклов обучения (эпох) и темп обучения (коэффициент максимального приращения весов нейронов ассоциативного слоя за одну эпоху). Далее расположены поля для ввода входных данных (слева) и просмотра выходных (справа) при распознавании. При наличии входных данных для распознавания кнопка «Распознавание» выполняет сам процесс распознавания согласно весам нейронов, полученным в процессе обучения, после чего в поле выходных сигналов появляется результат.

Процесс обучения перцептрона выполняется согласно алгоритму обратного распространения ошибки (-правило).

Попробуем обучить перцептрон распознаванию логической функции И (AND) для двух аргументов. Для этого необходимо иметь два входа и один выход. Всего возможны четыре различные ситуации (полагаем 0 – ЛОЖЬ, 1 – ИСТИНА):

1) 0 И 0 = 0
2) 0 И 1 = 0
3) 1 И 0 = 0
4) 1 И 1 = 1

Для обучения необходимо подготовить четыре входных вектора, состоящие из пар входных сигналов, и соответствующие четыре выходных вектора, которые просто содержат выходные сигналы перцептрона. Элементы одного вектора будем отделять при вводе данных запятой, полный вектор будем завершать точкой с запятой. Таким образом, окна исходных данных для обучения должны выглядеть следующим образом:

Входные сигналы: Выходные сигналы:

0,0; 0;
0,1; 0;
1,0; 0;
1,1; 1;

Здесь показаны четыре входных и четыре выходных вектора, которые соответствуют друг другу по строкам. Количества элементов в каждом входном векторе должно соответствовать количеству входов, а количество элементов в выходных векторах — количеству выходов.

Добавлено (15.11.2007, 01:58)
---------------------------------------------
Пусть количество эпох = 50, темп обучения = 0.1. Для ввода исходных данных для обучения в память компьютера нажмите кнопку «Ввод обучающих данных». Если никакой реакции не последовало, значит, данные приняты нормально. В случае ошибки появится окно с соответствующим сообщением. Исходные веса нейронов перед началом обучения должны быть установлены случайным образом. Для этого необходимо нажать кнопку «Инициализация». Просмотр вектора весов перцептрона (W) возможен по нажатию кнопки «Веса…». После инициализации можно выполнить обучение перцептрона (кнопка «Обучение»). Обучение происходит следующим образом. На выходе перцептрона поочередно устанавливаются выходные сигналы заданных образцов и согласно -правилу вычисляются поправки весов так, чтобы результат входного вектора был максимально приближен к соответствующему образцу. После просмотра всех образцов (у нас их четыре) первый цикл обучения (эпоха) заканчивается. Однако, поскольку подстройка весов выполняется согласно темпу обучения, за одну эпоху обычно не удается «научить» перцептрон безошибочному распознаванию любого из уже предъявленных образцов (как и человек обычно не может с первого раза запомнить все предъявленные ему объекты). После первого цикла обучения количество ошибок еще достаточно велико. Необходимо многократно повторить циклы обучения для надежного распознавания заданной функции. Обычно дальнейшая коррекция весов приводит к уменьшению ошибок распознавания. Циклы обучения прекращаются, когда количество ошибок распознавания = 0 или программа достигла установленного Вами количества эпох. Это сделано для того, чтобы программа не зациклилась в случае, если обучение в принципе не возможно. Результаты обучения (количество выполненных эпох Epoch и количество полученных при этом ошибок Errors) отображаются в строке статуса Internet Explorer. Обратите внимание, какое количество эпох понадобилось перцептрону для того, чтобы начать уверенно распознавать предоставленные образцы (Errors = 0). Попробуйте несколько раз после обучения опять выполнить инициализацию и снова повторить обучение. Зависит ли количество эпох от начального состояния весов нейронов перцептрона? Почему? Отразите данный момент в отчете лабораторной работы.

После обучения перцептрон готов к распознаванию. В поле входных сигналов для распознавания введите любой возможный входной вектор (например: 0,1;) и нажмите кнопку «Распознавание». В поле выходных сигналов появится результат распознавания. Проверьте все возможные комбинации и убедитесь в действительно надежном распознавании функции И.

Добавлено (15.11.2007, 01:59)
---------------------------------------------
Установите количество эпох = 2. Выполните инициализацию и однократно нажмите кнопку «Обучение». Если количество ошибок после обучения равно 0, повторяйте инициализацию и обучение до тех пор, пока количество ошибок не станет порядка 2…3. В конце концов, вы прийдете к состоянию, когда после двух циклов обучения (2 эпохи) количество ошибок распознавания остается = 2…3. Не выполняя инициализации, вновь нажмите кнопку «Обучение» (добавляются еще 2 эпохи обучения, а веса продолжают корректироваться). При этом количество ошибок должно уменьшиться. Сколько всего эпох (в сумме) потребовалось для уменьшения количества ошибок до нуля для данной функции? Данный эксперимент повторите несколько раз. В отчете отразите средние результаты.

Составьте аналогичные обучающие примеры для логической функции ИЛИ (OR). Напомню, что функция принимает значение ИСТИНА (1), если хотя бы один аргумент также равен ИСТИНЕ (1). Повторите весь цикл экспериментов, аналогичный исследованиям функции И. Сравните результаты исследований обеих функций.

Составьте обучающие примеры для функции ИСКЛЮЧАЮЩЕГО ИЛИ (XOR). Ее результат равен ИСТИНЕ (1), если аргументы противоположны, и ЛОЖЬ (0), если аргументы одинаковы. Изменяя количество эпох (не более 200), убедитесь, что данная функция не распознается. Объясните почему (см. лекцию 4 данного электронного курса). Какие признаки в программе указывают на данный факт? Результаты отразите в отчете.

Подготовьте перцептрон с 3-мя входами и одним выходом. Подготовьте обучающие примеры для определения: чего больше, 0 или 1? На выходе должна быть 1, если больше единиц, и 0 — в противном случае. Полное количество обучающих примеров равно восьми. Отметьте количество эпох для полного обучения перцептрона. Результат усредните по 10 экспериментам. Не забывайте, что каждый из них должен начинаться с инициализации. При этом обучение как бы начинается заново. Иначе обучение будет продолжаться дальше от текущего состояния весов перцептрона. Проверьте качество распознавания после обучения.

Подготовьте четыре различных неполных обучающих набора (по 6 примеров) для последней задачи. Количество эпох ограничьте 50. Обучите перцептрон и проверьте качество распознавания недостающих примеров (в каждом конкретном наборе). Поясните результаты.

Подготовьте только 2 обучающих примера для последней задачи. Обучите перцептрон. Подсчитайте количество ошибок распознавания оставшихся примеров после обучения. Увеличивая количество обучающих примеров каждый раз на 1, подсчитывайте количество ошибок распознавания оставшихся (не предъявленных) входных векторов. Результаты отразите в отчете.

Добавлено (15.11.2007, 02:02)
---------------------------------------------
PROSPECTOR — экспертная система, созданная для содействия поиску коммерчески оправданных месторождений полезных ископаемых.