Материал: neuro_lab1
Рис. 11 – График ошибки обучения нейросети
Рис. 12 - Таблица с предсказаниями нейросети и действительными классами
Вывод: из рис. 11 видно, что в процессе обучения нейросети в течение 1400 эпох значение ошибки обучения постепенно убывает, на последней эпохе составляет 0,25. Из рис. 12 видно, что значения, предсказанные нейросетью, отличаются от действительных примерно на 25 %. Следовательно, данную нейросеть не следует использовать для задачи распознавания логической функции OR.
6
3. Зададим исходные данные для решения задачи распознавания логической функции XOR:
Рис. 13 – Таблица истинности XOR
а)
Рис. 14 - Вид нейросети, предназначенной для распознавания XOR
Характеристики нейросети:
−Тип: многослойный перцептрон
−Число слоев: 2
−Число входов: 2
−Число выходов: 1
−Steps: 1
−Lookahead: 0
−Функция преобразования нейронов: minimax
−Функция активации нейронов первого слоя: linear
−Функция активации нейронов второго слоя: logistic
−Функция ошибки: sum-squared
Обучим нейросеть методом обратного распространения ошибки. Параметры обучения:
−Число эпох: 700
−Скорость обучения: 0,05
−Momentum: 0,3
7
Рис. 15 – График ошибки обучения нейросети
Рис. 16 - Таблица с предсказаниями нейросети и действительными классами
Вывод: из рис. 15 видно, что в процессе обучения нейросети в течение 700 эпох значение ошибки обучения практически не меняется, на последней эпохе составляет 0,502. Из рис. 16 видно, что значения, предсказанные нейросетью, отличаются от действительных примерно на 50 %. Следовательно, данную нейросеть нельзя использовать для задачи распознавания логической функции XOR.
б) В нейросеть из пункта а) добавим внутренний слой из двух нейронов.
Рис. 17 - Вид нейросети, предназначенной для распознавания XOR
Характеристики нейросети:
−Тип: многослойный перцептрон
−Число слоев: 3
−Число входов: 2
−Число нейронов внутреннего слоя: 2
−Число выходов: 1
−Steps: 1
8
−Lookahead: 0
−Функция преобразования нейронов: minimax
−Функция активации нейронов первого слоя: linear
−Функция активации нейронов внутреннего слоя: logistic
−Функция активации нейронов выходного слоя: logistic
−Функция ошибки: sum-squared
Обучим нейросеть методом обратного распространения ошибки. Параметры обучения:
−Число эпох: 1000
−Скорость обучения: от 0,8 до 0,1
−Momentum: 0,3
Рис. 18 – График ошибки обучения нейросети
Рис. 19 - Таблица с предсказаниями нейросети и действительными классами
Вывод: из рис. 18 видно, что в процессе обучения нейросети в течение 1000 эпох значение ошибки обучения постепенно убывает, на последней эпохе составляет 0,0716. Из рис. 19 видно, что значения, предсказанные нейросетью, отличаются от действительных примерно на 7 %. Следовательно, данную нейросеть можно использовать для задачи распознавания логической функции XOR.
9
в) Используем нейросеть с характеристиками, аналогичными предыдущей нейросети, но с функцией активации нейронов выходного слоя linear для решения задачи распознавания XOR.
Обучим нейросеть методом обратного распространения ошибки. Параметры обучения:
−Число эпох: 1500
−Скорость обучения: от 0,2 до 0,05
−Momentum: 0,3
Рис. 20 – График ошибки обучения нейросети
Рис. 21 - Таблица с предсказаниями нейросети и действительными классами
Вывод: из рис. 20 видно, что в процессе обучения нейросети в течение 1400 эпох значение ошибки обучения постепенно убывает, на последней эпохе практически равно нулю. Из рис. 21 видно, что значения, предсказанные нейросетью, отличаются от действительных менее, чем на 1 %.
Следовательно, данную нейросеть можно использовать для задачи распознавания логической функции XOR.
10