нейронов предыдущего слоя. Возможно создание семи слоев в нейронной сети с максимальным числом нейронов в слое 128. Число нейронов в первом слое соответствует числу входов нейронной сети, каждый нейрон входного слоя имеет один вход. Обучающую выборку должен сформировать исследователь и записать в специальный входной файл. Кроме того, для проверки работы сети создается тестовая выборка. Результаты работы программы записываются в специальный выходной файл. В данном файле тестовому входному сигналу соответствует выходной сигнал, генерируемый сетью. Программа позволяет оценить общую среднюю ошибку работы сети, обучить есть выбранным методом. В качестве методов обучения использованы градиентные методы обучения с применением различных правил. Программа не позволяет менять параметры активационных функций и просмотреть их поведение на графике. Нет возможности задания начальных значений весовых коэффициентов и просмотра коэффициентов, полученных при обучении. Невозможно просмотреть динамику изменения ошибки сети по всем входным данным. Проведенные опыты показали, что при создании трсхслойной и двухслойной сети и обучении ее на тестовых примерах (спектр и концентрация) сеть выдает решение с большой относительной ошибкой. Входные и выходные данные были приведены к интервалу от 0 до 1, в качестве активационной функции была взята положительная сигмоидальная функция. Программа NeuroOffice имеет в своем составе два отдельных исполняемых модуля, NeuroView и NeuroEmulator. Первый из модулей позволяет создавать топологию сети на основе сети типа многослойный нерсептрон. Отличие от NeuroBcnch в том, что программа позволяет создавать и не полно-связные сети. Пользователь создает каждый нейрон и каждую связь собственноручно. При большом количестве нейронов это занимает много времени, но если необходимо создать нестандартную сеть, то данный программный продукт может быть использован. Программа NeuroEmulator предназначена для нроверки работы и обучения нейронной сети, построенной с помощью NeuroView. Программа позволяет установить начальные значения 135 |
значены для решения конкретных задач, например, задач распознавания образов, классификации, экономических задач, задач прогнозирования и т.д. Нами проведен анализ существующих подходов заложенных в известных программных продуктах. Были рассмотрены следующие программные средства: NeuroOfficc, Neural Bench, Neuroiterator, NeuroWizard и др. Данные программы позволяют создавать сети типа многослойный персептрон, и в целом характеризуются различными возможностями по выбору активационных функций нейронов и алгоритмов обучения. В качестве алгоритмов обучения в основном используются градиентные методы. Программа NeuroBench позволяет создать нейронную сеть типа многослойный персептрон, для этого указывается число слоев нейронной сети, для каждого слоя указывается число нейронов и задается функция активации. При этом программа автоматически создает все связи, нейрон последующего слоя соответственно имеет число входов равное числу нейронов предыдущего слоя. Возможно создание семи слоев в нейронной сети с максимальным числом нейронов в слое 128. Число нейронов в первом слое соответствует числу входов нейронной сети, каждый нейрон входного слоя имеет один вход. Обучающую выборку должен сформировать исследователь и записать в специальный входной файл. Кроме того, для проверки работы сети создается тестовая выборка. Результаты работы программы записываются в специальный выходной файл. В данном файле тестовому входному сигналу соответствует выходной сигнал, генерируемый сетью. Программа позволяет оцепить общую среднюю ошибку работы сети, обучить сеть выбранным методом. В качестве методов обучения использованы градиентные методы обучения с применением различных правил (дельта, дельта с чертой). Программа не позволяет менять параметры активационных функций и просмотреть их поведение на графике. Нет возможности задания начальных значений весовых коэффициентов и просмотра коэффициентов, полученных при обучении. Невозможно просмотреть динамику изменения ошибки сети по всем входным данным. Проведенные опыты показали, что при создании трехслойной и двухслойной сети и обучении ее на тестовых примерах (толща и концентрация) сеть выдает решение с большой относительной ошибкой. Входные и выходные данные были приведены к интервалу от 0 до 1, в качестве активационной функции была взята положительная сигмовидная функция. Программа NeuroOfficc имеет в своем составе два отдельных исполняемых модуля, NeuroView и NeuroEmulator. Первый из модулей позволяет создавать топологию сети на основе сети типа многослойный персептрон. Отличие от NeuroBench в том, что программа позволяет создавать и не полно-связные сети. Пользователь создает каждый нейрон и каждую связь собственноручно. При большом количестве нейронов это занимает много времени, но если необходимо создать нестандартную сеть, то данный программный продукт подходит очень хорошо. Программа NeuroEmulator предназначена для проверки работы и обучения нейронной сети, построенной с помощью NeuroView. Программа позволяет установить начальные значения весовых коэффициентов, как случайным образом, так и вручную. Позволяет выбрать активационную функцию для нейронов: сигмовидную, гиперболический тангенс, синусоиду, линейную и пороговую. Метод обучения, используемый в данной программе метод обратного распространения ошибки. Программный комплекс Neuroiterator предназначен для разработки и исследования нейросетевых алгоритмов решения различных задач как на формируемых, так и обучаемых нейронных сетях. Он позволяет создавать различные модели нейронов, формировать из них многослойные сети (до десяти слоев в сети, и до 18 нейронов в каждом слое). Для того, чтобы сформировать нейронную сеть, в пакете Neuroiterator необходимо задать модели нейронов, образующих сеть, описать структуру будущей сети, задать весовые коэффициенты межнейронных связей для формируемых нейронных сетей, или определить эти коэффициенты в результате обучения для сетей с прямыми связями. Пакет Neuroiterator предоставляет пользователю возможность формировать модели нейронов четырех классов: с кусочнолинейной функцией активации, с пороговой, сигмовидной и гауссовой функциями активации. Есть возможность изменения параметров активационных функций. Обучающая выборка должна содержаться в текстовых файлах, один из файлов содержит вектора с входными данными, другой содержит вектора выходных данных, построчно. Для обучения сети может использоваться метод обратного распространения ошибки по правилу Хебба и метод конкуренций. Возможен просмотр вы |