|
весовых коэффициентов, как случайным образом, так и вручную. Позволяет выбрать активационную функцию для нейронов: сигмоидальную, гиперболический тангенс, синусоиду, линейную и пороговую. Метод обучения, используемый в данной программе метод обратного распространения ошибки. Программный комплекс Neuroiterator предназначен для разработки и исследования иейросетевых 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 кусочно-линейной 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 конкуренции. Возможен просмотр выходных откликов сети на входной сигнал и ошибку сети в табличном виде, а также просмотр графиков и таблиц активности нейронов. Возможно задание нейронной сети и обучающих выборок в файлах специализированного формата. Программа NeuroWizard позволяет создать многослойную нейронную сеть с прямыми связями. Нейроноподобный элемент может иметь только одну сигмовидную функцию активации, но есть возможность варьирования крутизны ее наклона. Обучающая выборка содержится в специальном файле. 136 |
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 ходных откликов сети на входной сигнал и ошибку сети в табличном виде, а также просмотр графиков и таблиц активности нейронов. Возможно задание нейронной сети и обучающих выборок в файлах специализированного формата. Программа NeuroWizard позволяет создать многослойную нейронную сеть с прямыми связями. Нейроноподобный элемент может иметь только одну сигмовидную активационную функцию, но есть возможность варьирования крутизны ее наклона. Обучающая выборка содержится в специальном файле. На основе обучающей выборки организуется входной и выходной слой нейронной сети (в зависимости от числа входов и выходов), внутренние слои пользователь определяет сам. Обучение сети производится с помощью метода обратного распространения ошибки. Возможен просмотр результатов работы сети, ошибки сети, просмотр динамики изменения ошибки при обучении. Программа ЛОКНЭС является специализированным программным пакетом, предназначенным для проектирования локальных вычислительных сетей. Для обучения сети применяется метод обратного распространения ошибки и РагТап (градиентный, анти-овражный) метод. Программа позволяет тестировать сеть, просматривать результаты и ошибки работы в виде графиков и таблиц. Программа Visual Neural Network Designer предназначена для имитации и работы нейронных сетей для распознавания образов. В качестве сети используется двумерная нейронная сеть и для обучения метод обратного распространения и его модификации. Программа позволяет вводить образы, которые должна распознавать сеть, просматривать результаты в виде изображений, выводить ошибки в виде графиков. Для этих же целей разработана программа Neural Networks ЮЕ работающая с сетью Коханена и многослойным персептроном. При этом в программу включены различные методы обучения наряду с методом обратного распространения ошибки, метод генетического поиска, случайного поиска, стратегия двухэтапного обучения на основе генетического поиска и градиешиого спуска, стратегия BFGS (использование аппроксимации к матрице вторых частных производных, к матрице Гессе в методе обратного распространения ошибки). Программа позволяет просматривать графики активности нейронов в трехмерном виде, ошибки работы сети и многие другие параметры. |