3. Обучить сеть по новому задачнику. Если обучение удалось, то переходим к шагу 7.1. В противном случае возвращаемся к предыдущему задачнику и исключаем меньшее число вопросов. Если не удалось обучить сеть при исключении одного вопроса, то процесс минимизации завершен. Следует отметить, что в силу особенности программной реализации необходимо оставить не менее двух вопросов.
8. Составляется отчет, в который должны входить исходный задачник, таблицы фиксации значимостей, окончательный задачник. В случае, если оставшиеся вопросы по первоначальной классификации являлись не самыми значимыми, желательно включить в отчет анализ причин, по которым они оказались наиболее значимыми. Кроме того, окончательный вариант сети демонстрируется преподавателю.
Цель работы. Освоение работы с сетями Кохонена.
Задание. Необходимо написать программу, имитирующую работу сети Кохонена. Проанализировать задачник, сформированный при выполнении первой лабораторной с помощью написанного имитатора. Сравнить скорость обучения сети при использовании классического алгоритма обучения сетей Кохонена и метода динамических ядер. Построить классификацию на два, три четыре и пять классов. Для каждого класса в каждой классификации определить следующие показатели:
1. Расстояние между классами.
2. Максимальное расстояние от точек класса до ядра класа.
3. Число точек в классе.
4. Число точек каждого из «правильных» классов (например число «мужчин» и «женщин») в каждом классе.
Все результаты отражаются в отчете.
Цель работы. Сравнить два вида сетей ассоциативной памяти.
Используемые программы. Лабораторная выполняется на программе Hopfield.
Задание.
1. Подобрать пять образов, которые способна запомнить классическая сеть Хопфилда.
2. Определить максимальный уровень шума, при котором сеть продолжает правильно воспроизводить все образы.
3. Определить минимальный радиус контрастирования, при котором сеть может правильно воспроизвести все образы.
4. Определить максимальный уровень шума, при котором отконтрастированная сеть продолжает правильно воспроизводить все образы.
5. Переключить программу в режим работы проекционной сети ассоциативной памяти. И повторить этапы со второго по четвертый.
В отчет включаются все результаты. Кроме того, на основе полученных данных необходимо сформулировать рекомендации по тому, какие виды сетей (из четырех исследованных) предпочтительнее использовать.
Рекомендуется сохранить обучающее множество для использования в следующих лабораторных работах.
Цель работы. Исследование стратегий обучения нейронных сетей
Используемые программы. Лабораторная выполняется на программе Sigmoid.
Задание. В лабораторной работе требуется обучить нейронную сеть решению задачи распознавания пяти бинарных изображений с использованием четырех различных методов обучения и провести сравнение методов по скорости обучения и надежности работы обученной сети. Основные этапы выполнения работы:
1. Формирование задачника.
2. Установка параметров метода обучения.
3. Обучение нейронной сети.
4. Тестирование обученной нейронной сети (статистический тест).
5. Повторение этапов 2–4 для других методов обучения.
6. Анализ полученных результатов.
Методы обучения:
1. Градиентный с mParTan
2. Градиентный без mParTan
3. Случайный без mParTan
4. Случайный с mParTan
В отчет включаются все полученные результаты (число тактов при обучении сети и результаты статистического теста для всех четырех вариантов стратегии обучения). На основе анализа полученных результатов необходимо сформулировать рекомендации по использованию исследованных стратегий обучения.
Цель работы. Исследование влияния различных видов функции оценки на обучение нейронных сетей
Используемые программы. Лабораторная выполняется на программе Sigmoid.
Задание. В лабораторной работе требуется обучить нейронную сеть решению задачи распознавания пяти бинарных изображений с использованием различных функций оценки и провести сравнение по скорости обучения и надежности работы обученной сети. Основные этапы выполнения работы те же, что и для лабораторной работы 4.
1. Формирование задачника.
2. Установка параметров оценки.
3. Обучение нейронной сети.
4. Тестирование обученной нейронной сети (статистический тест).
5. Повторение этапов 2–4 для других методов оценки.
6. Анализ полученных результатов.
Исследуемые оценки:
1. Метод наименьших квадратов.
2. Расстояние до множества с уровнем надежности 0,1.
3. Расстояние до множества с уровнем надежности 1,8.
В отчет включаются все полученные результаты (число тактов при обучении сети и результаты статистического теста для всех видов оценки). На основе анализа полученных результатов необходимо сформулировать рекомендации по использованию исследованных оценок.
Цель работы. Контрастирование нейронных сетей
Используемые программы. Лабораторная выполняется на программе Sigmoid.
Задание. В лабораторной работе требуется провести контрастирование обученной нейронной сети с целью минимизации числа синаптических связей и сравненить надежности функционирования контрастированной и неконтрастированной нейронных сетей. Основные этапы выполнения работы:
1. Формирование задачника.
2. Обучение нейронной сети.
3. Тестирование обученной нейронной сети.
4. Контрастирование обученной нейронной сети.
5. Тестирование контрастированной нейронной сети.
6. Анализ полученных результатов.
Контрастирование нейронной сети проводится до получения минимальной нейронной сети — сети из которой нельзя удалить ни одной связи.
В отчет включаются все полученные результаты (число тактов при обучении сети и результаты статистического теста для всех видов оценки). На основе анализа полученных результатов необходимо сформулировать рекомендации по использованию исследованных оценок.
Цель работы. Сравнить сети использующие различные виды нейронов.
Используемые программы. Лабораторная выполняется на программах Sigmoid, Pade, Sinus.
Задание. Необходимо обучить нейронные сети, реализованные в программах Sigmoid, Pade и Sinus с максимальным уровнем надежности. Для программы Sigmoid (сигмоидная сеть) максимальным, но недостижимым уровнем надежности является 2. На практике удается обучить сеть с уровнем надежности 1,9–1,98. Для Паде сети (программа Pade) нет ограничения на достижимый уровень надежности, однако в программе установлено ограничение на уровень существенности — 200. В программе Sinus (сеть с синусоидной характеристикой) максимальный уровень надежности 2 является достижимым.
Для каждой сети определяются следующие показатели:
• число тактов обучения;
• результат статистического теста.
Все полученные результаты включаются в отчет. Отчет должен содержать рекомендации по использованию всех видов сетей.
1. Основные принципы инженерного направления в нейроинформатике
2. Классическая сеть Хопфилда. Ее свойства и методы расширения возможностей.
3. Проекционная сеть ассоциативной памяти
4. Тензорная сеть ассоциативной памяти
5. Автокорреляторы в обработке изображений. Сети Хопфилда с автокорреляторами.
6. Сети естественной классификации. Метод динамических ядер. Пространственная сеть Кохонена.
7. Бинарные сети. Метод обучения бинарных сетей. Правило Хебба, его достоинства и недостатки.
8. Персептрон Розенблатта. Теорема о достаточности целочисленных коэффициентов.
9. Персептрон Розенблатта. Теорема о достаточности двух слоев.
10. Метод двойственности в обучении нейронных сетей. Основные идеи и ограничения на архитектуру.
11. Метод двойственности в обучении нейронных сетей. Требования к элементам сети. Функционирование синапса, сумматора, нелинейного преобразователя.
12. Метод двойственности в обучении нейронных сетей. Подбор шага, использование методов ускорения обучения нейронных сетей
13. Оценка и интерпретатор ответа
14. Контрастирование нейронных сетей с использованием функции оценки.
15. Контрастирование нейронных сетей. Метод контрастирования сумматоров.
