Программа работает с различными форматами файлов, включая формат Metastock.


Изучим работу нейросети по демонстрационному примеру.
Рассмотрим  устройство простейшей  многослойной нейросети.  Любая нейронная сеть состоит из  входного слоя и выходного слоя.  Соответственно подаются независимые и зависимые  переменные.  Входные данные преобразуются  нейронами сети и сравниваются  с выходом. Если отклонение  больше заданного, то  специальным образом изменяются веса связей нейронов между собой  и пороговые значения нейронов. Снова происходит  процесс вычислений выходного значения и его сравнение с эталоном.  Если отклонения меньше заданной погрешности, то процесс обучения прекращается.


Вопросы для проверки.

1. 
   Какие изменения происходят в нейросети при обучении?
   

При обучении сети имеется некоторая база данных, содержащая примеры. Предъявляя пример на вход сети, мы получаем от нее некоторый ответ, не обязательно верный. Нам известен и верный (желаемый) ответ. Вычисляя разность между желаемым ответом и реальным ответом сети, мы получаем вектор ошибки. Алгоритм обратного распространения ошибки - это набор формул, который позволяет по вектору ошибки вычислить требуемые поправки для весов сети. Одну и ту же букву (а также различные изображения одной буквы) предъявляют сети много раз.

2. 
   Этапы создания нейросетевой модели в оболочке NeuroShell?
   

1. 
   Подготовка файла данных, содержащего примеры того, что Вы хотите предсказать или распознать;
   
2. 
   Указание, в каких столбцах содержатся независимые переменные (входы нейросети) и в каком зависимая переменная (выход нейросети), т.е. то, что Вы хотите предсказать или классифицировать;
   
3. 
   Выбор стратегии тренировки - нейросетевую или генетическую;
   
4. 
   Тренировка сети
   
5. 
   Использовать ее для предсказания или классификации существующих или новых данных.
   

3. 
   Какие архитектуры сетей поддерживает NeuroShell?
   

Нейросетевые архитектуры, лежащие в основе программ данной серии, являются самыми последними достижениями научного поиска, результатом которого явилось создание алгоритма "самопостроения" нейронной сети, обладающей рекордными скоростями обучения. Эти программы чрезвычайно просты в использовании. Теперь пользователь должен сосредоточиться только на формулировке задачи, все остальное программы данной серии сделают сами.

---

4. 
   Чем отличаются NeuroShell и NeuroWindows?
   

Тем, что NeuroShell является полноценной программой, а NeuroWindows — всего лишь 32-битовое дополнение, являющееся версией динамической библиотеки (DLL).

5. 
   Настройки обучения и тестирования нейросетей.
   

Для обучения и тестирования нейронных сетей существует специальные программные средства, называемые программами-нейроимитаторами. Каждая из таких программ обеспечивает обучение заданной сети по заложенному алгоритму (их может быть несколько на выбор), тестирование обученной сети и расчет ошибок сети на обучающей и тестирующей выборках. Входными данными является обучающая выборка (примеры входных значений и соответствующие им выходные значения) и тестирующая выборка. Выходными данными является информация о весовых коэффициентах, активационных функциях, структуре сети и ошибках при тестировании и обучении.

6. 
   Как рассчитывается ошибка цикла обучения нейросети?
   

После многократного предъявления примеров веса сети стабилизируются, причем сеть дает правильные ответы на все (или почти все) примеры из базы данных. В таком случае говорят, что "сеть выучила все примеры", " сеть обучена", или "сеть натренирована". В процессе обучения величина ошибки (сумма квадратов ошибок по всем выходам) постепенно уменьшается. Когда величина ошибки достигает нуля или приемлемого малого уровня, тренировку останавливают, а полученную сеть считают натренированной и готовой к применению на новых данных.

7. 
   Как обучается нейросеть в задаче выделения амплитуды из зашумленного сигнала?
   

Нейросеть обучается в возможности выделения из зашумленного сигнала его полезной составляющей.

8. 
   Как обучается нейросеть в задаче прогнозирования индексов?
   

При тестировании с целью проверки качества обучения нейросети значения, полученные прогнозом, сравниваются с заранее известными значениями временного ряда.

9. 
   Как обучается нейросеть в задаче аппроксимации зависимостей?
   

Стабильность результатов при разных задачах (и разных объемах выборок в этих задачах) говорит, что при обучении нейросети радиционными алгоритмами, минимизирующими только ошибку аппроксимации обучающей выборки, но не эмпирическую ошибку, не нужно стремиться к уменьшению размера нейросети.

Стремление к использованию числа признаков, близкого к минимально необходимому для аппроксимации требуемого отклика на обучающей выборке, также чаще всего может ухудшить эмпирическую ошибку.

---

Заключение.
В данной лабораторной работе мною проведен ряд исследований в области нейросетей. Изучены области их применения, архитектура и решаемые с помощью них задачи.

Рассмотрена программная оболочка NeuroShell.

---

Смотрите также файлы

• 4. Подготовка и проведение пробных занятий по программам дополнительного образования в области социально педагогической деятельности.docx

• Максимальное количество баллов 3 Культура общения важнейшее направление, к которому каждый из нас прибегает в повседневной жизни. В современном мире большая часть общения переместилась в интернет. Но это не означает, что для онлайнпространства не должно.doc

• Файловая структура.docx

• ысамерзімді жоспар 1саба.docx

• Отчет по лабораторной работе по дисциплине Общая теория связи.docx