Файл: Коммуникаций российской федерации федеральное государственное бюджетное образовательное учреждение высшего образования.docx

МИНИСТЕРСТВО ЦИФРОВОГО РАЗВИТИЯ, СВЯЗИ И МАССОВЫХ КОММУНИКАЦИЙ РОССИЙСКОЙ ФЕДЕРАЦИИ

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ

«САНКТ-ПЕТЕРБУРГСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ ТЕЛЕКОММУНИКАЦИЙ ИМ. ПРОФ. М.А. БОНЧ-БРУЕВИЧА»

(СПбГУТ)

Кафедра информационных управляющих систем

ОТЧЁТ

по лабораторной работе №1

по дисциплине «Нейросетевые технологии»

Вариант 5

Выполнил: студент группы ИСТ-033

«18» апреля 2023 г. ________/Э.С. Виноградова

Принял: к.т.н., доцент Раковский О.В.

«18» апреля 2023 г.________/О.В. Раковский

Санкт-Петербург

2023

СОДЕРЖАНИЕ

ВВЕДЕНИЕ 3

ХОД РАБОТЫ 4

Задание 1 4

Задание 2 5

ЗАКЛЮЧЕНИЕ 8

ВВЕДЕНИЕ

Задание 1

Смоделировать заданную функцию на отрезке [0, 8] с использованием библиотеки neuralnet. Отчет должен содержать подготовку данных для обучения сети. Обоснование выбранной архитектуры. Структурную схему обученной сети с указанием весов. Графики моделируемой и смоделированной функций. Варианты заданий приведены в таблице 1.

Таблица 1

Вариант	Моделируемая функция
0	y = cos x / (sin 2x + 2)
1	y = sin x(arctg 0.5x) + cos x
2	y = 0.5 sin x + cos 2x +
3	y = cos x + x – sin 2x
4	y = 4 arctg x + sin x
5	y = A
6	y = sin x + x – cos 2x
7	y = 0.4 cos x + sin 3x +
8	y = 0.5 cos x + 1.5 arctg 0.2x +
9	y = sin 0.3x2 +

---

Задание 2

Подобрать структуру hidden и порог функции ошибки threshold для точной аппроксимации заданных последовательностей имульсов. Отчет по работе должен содержать структурную схему обученной сети без указания весов. Графики аппроксимируемой и полученной последовательности для нескольких приближений параметров hidden и threshold. Варианты заданий приведены в таблице 2.

Таблица 2

Вариант	Последовательность импульсов
Четная цифра	x = seq(from = -9.5, to = 10, by = 0.5) y = rep(c(1,1,1,1,1,0,0,0,0,0), 4)
Нечетная цифра	x = seq(from = 0, to = 3.15, by = 0.05) y = rep(c(1,1,1,1,0,0,0,0), 8)

ХОД РАБОТЫ

Задание 1

Смоделирована функция, с использованием библиеки neuralnet.

Сначала формируется фрейм данных learn для обучения сети (строка 5). Затем загружается библиотека neuralnet и формируется сеть netcos. В функции neuralnet() мы определяем минимальное число параметров: задаем формулу y x, определяем число нейронов в скрытом слое hidden = 4 и указываем имя фрейма learn с набором данных для обучения. Остальные параметры заданы по умолчанию (строка 7). Запуск функции на исполнение осуществляет обучение сети netcos.

Для проверки работы обученной сети создаем фрейм test (строка 11) с тестовыми данными. Функция predict() вычисляет реакцию обученной сети netcos в переменной yp. Листинг приведен на рисунке 1.

Приведен график моделируемой функции y, представленной 50 розовыми точками, и функции yp, сформированной сетью и представленной на графике 5000 черных точек. Графики аналогичны (рисунок 2). Структурная схема представлена на рисунке 3.



Рисунок 1



Рисунок 2


Рисунок 3

Задание 2

Создана последовательность импульсов x = seq(from = 0, to = 3.15, by = 0.05), y = rep(c(1,1,1,1,0,0,0,0), 8), а на неё наложен результат аппроксимации. Для построения жёлтой кривой была использована функция plot(x, y, type = ‘l’, col = “yellow”, lwd = 9), а для наложения чёрных - lines(x,yp). Результат представлен на рисунке 5. Листинг представлен на рисунке 4.

---

Для создания структурной схема обученной сети без указания весов задаём функцию plot(netcos, show.weight=FALSE). Если указать значение TRUE, то будут показаны весы, поэтому указано значение FALSE, чтобы их не было (рисунок 6).



Рисунок 4


Рисунок 5

Рисунок 6

При увеличении количества слоев, значений нейронов и уменьшения значения threshold, графики сошлись более точно (рисунок 7). Графики представлены на рисунке 8. Структурная схема представлена на рисунке 9.



Рисунок 7

ЗАКЛЮЧЕНИЕ

В ходе лабораторной работы ознакомились со средой Rstudio, научились выполнять простейшие задачи по обучению сетей, смоделировали функцию на заданном отрезке. Подобрали структуру hidden и порог функции ошибки threshold для точной аппроксимации заданных последовательностей импульсов.

---