Файл: Дана база знаний в виде таблицы (табл. 1) экспериментальных данных. Необходимо с помощью пакета NeuroPro создать нейросетевую модель на основе данной базы знаний и построить зависимость.doc
ВУЗ: Не указан
Категория: Не указан
Дисциплина: Не указана
Добавлен: 08.11.2023
Просмотров: 9
Скачиваний: 1
ВНИМАНИЕ! Если данный файл нарушает Ваши авторские права, то обязательно сообщите нам.
Дана база знаний в виде таблицы (табл. 1) экспериментальных данных. Необходимо с помощью пакета NeuroPro создать нейросетевую модель на основе данной базы знаний и построить зависимость. Для создания базы знаний и отображения полученных зависимостей используется MS Excel. Таблица 1 База знаний для нейросетевого моделирования № опытаftср(е(ее(Тсm·103(Тсm.e·103qqеEJ(е/(1117,0020,5021,0048,7050,0037,1038,201,10301,022117,0020,5021,5048,7051,2037,1039,201,50301,053117,0020,5021,5048,7051,2037,1039,202,00401,054117,0020,5023,5048,7056,0037,1042,602,50501,155117,2024,5025,0058,3059,6044,7045,601,10301,02------------48317,6032,0036,5076,1086,8058,0066,502,50501,14 Для создания файлов исходных данных запускаем Microsoft Office Excel. В новой книге создаем таблицу экспериментальных данных, которые мы получаем после обработки и анализа литературы. Подготовим исходные данные в Excel, снабдив все столбцы соответствующими именами (рис. 2). В таблицах названия необходимо писать на латинице. # Рис. 2. База знаний в среде MS Excel Затем переименуем название листа на «обучение». После этого вырежем из таблицы обучения 20% строк и вставим их во второй лист. В нашем случае 20% это 10 строк. Это будут данные для тестирования (рис. 3). Переименуем лист в «тестирование». # Рис. 3. Лист данных для тестирования Перед тем как сохранять данные, создадим папку и назовем ее, например «Методика». После этого сохраним таблицу в ранее созданной папке «Методика», используя опции меню Файл/Сохранить как, в формате DBF3 (dBASEIII)(*.dbf), под именем «обучение.dbf». Аналогичным образом сохраняем лист с данными для тестирования. Запустим нейропакет NeuroPro. В появившемся окне программы с помощью опции меню Файл/Создать перейдем к окну вида рис. 4. # Рис. 4. Окно создания новой нейронной сети Далее производится ввод файла данных в NeuroPro. Для этого Нажмем кнопку Открыть файл данных и откроем ранее созданную папку «Методика». Выберем файл Обучение.dbf. Откроем его, при этом открытые окна приобретают вид как показано на рис. 5. # Рис. 5. Вид окон нейропакета при подключении файла данных Затем определяется архитектура нейронной сети. Для этого Нажмем на кнопку Новая сеть. Появится окно вида рис. 7. # Рис. 7. Окно создания сети Входными данными для обучения являлись: - в отсутствии электрического поля: термоэлектродвижущая сила ((е, мВ), перепад температур в эталонном слое металла ((Тсm·103, 0С), плотность теплового потока, направленного сверху вниз через слой жидкости (q, Вт/м2), - в электрическом поле: средняя температура слоя жидкости (tср, 0С), ток между электродами (J, mА), напряженность (Е·102, кВ/м), термоэлектродвижущая сила ((ее, мВ), перепад температур в эталонном слое металла при соответствующей термоэлектродвижущей силе ((Тсm.e·103, 0С), плотность теплового потока, проходящего сверху вниз через слой жидкости (qе, Вт/м2). Выходным параметром является относительное изменение коэффициента теплопроводности ((е/(), которое определяет эффект влияния поля на теплопроводность исследуемой жидкости. Этот параметр зависит от входных данных. N – это номер строки и он не используется. Здесь
также задается точность выходного поля, она составляет 3% от среднего значения диапазона изменения значений выходного поля. Это и будет приемлемым уровнем ошибки, то есть абсолютной погрешностью. В итоге окно создания сети будет выглядеть как показано на рис. 8. # Рис. 8. Окно создания сети Нажмем на вкладку Структура сети (рис. 9). В появившемся окне укажем число слоев нейронов и число нейронов в каждом слое. При проектировании сети существует проблема выбора необходимого числа нейронов. Число нейронов входного слоя должно совпадать с числом входных параметров X, который определен условиями решаемой задачи. Число нейронов выходного слоя должно совпадать с числом выходных параметров Y, что также определено условиями задачи. Число скрытых слоев должно быть не менее одного. Число нейронов в скрытых слоях желательно оптимизировать для каждой конкретной задачи. Необходимо обучать сети с различным количеством слоев и нейронов в них, а затем сравнивать их и выбирать сети с наименьшей ошибкой при тестировании. В нашем случае оптимальная структура ИНС (определено общее количество скрытых слоев – 2 и количество нейронов в слоях соответственно: 90; 50), функция активации (сигмоидная функция). В соответствии с количеством входных и выходных параметров, количество нейронов в первом слое – 10, в последнем – 1. # Рис. 9. Окно структура сети Окно программы примет вид, представленный на рисунке 10. # Рис. 10. Вид окна программы после создания структуры нейронной сети После этого производится обучение нейронной сети с использованием различных методов оптимизации. Из четырех реализованных в настоящее время в программе методов (градиентный спуск, модифицированный партан метод(ParTan) метод сопряженных градиентов и метод BFGS) при создании нейропроекта автоматически предлагается сопряженные градиенты. Проведем серию экспериментов с одним и тем же количеством слоев и количеством нейронов в каждом слое и, сравнив результаты, определим, какой из них лучше для нашей сети. Под словом лучший подразумевается, при каком методе средняя и максимальная ошибка будут минимальными. Для этого с помощью меню Настройка/ Метод оптимизации (рис. 11) выбираем каждый из методов. # Рис. 11. Опции пункта Настройка главного меню Создадим несколько копий сети для каждого метода. Для первой сети выберем градиентный спуск. Теперь можно приступить и к обучению сети. Для обучения активной в данный момент нейронной сети необходимо выбрать пункт меню Нейросеть/Обучение (рис. 12). При этом на экран выводится Окно обучения (рис. 13), где имеется возможность наблюдать процесс обучения и при необходимости самостоятельно завершить обучение нажатием кнопки Завершить, заменяющейся в случае удачного обучения кнопкой Готово. # Рис. 12. Запуск процесса обучения # Рис. 13. Окно обучения нейронной сети После обучения нейронной сети проводится тестирование ее прогностических возможностей. Для этого нужно выбрать пункт меню Нейросеть/Тестирование. Результат тестирования сети выводится в Окно тестирования сети (рис. 14) и представляет
собой выходные данные для нейронной сети, а также значения прогноза этих полей нейронной сетью. Если для какой-либо строки в файле неизвестно значение выходного поля, то для этой записи будет выведен только прогноз сети. # Рис. 14. Окно тестирования нейронной сети Завершим тестирование, путем закрытия окна тестирования. Затем остальные копии сети обучаем по 3-м оставшимся методам и проводим сравнение средней и максимальной ошибки у четырех получившихся сетей. После обучения по 3-м оставшимся методам обнаружилось что число циклов обучения, средняя и максимальная ошибка минимальны у метода сопряженных градиентов (рис 15, 16). # Рис. 15. Окно обучения нейронной сети при методе сопряженных градиентов # Рис. 16. Окно тестирования нейронной сети при методе сопряженных градиентов После этого производится тестирование адекватности нейронной сети. Для этого тестируем на независимых данных (до этого мы отбирали 10% строк от общей выборки). Их не обучают, а сразу тестируют. Для этого открываем файл «тестирование». Результат показан на рисунке 17. # Рис. 17. Окно Тестирование адекватности сети По полученным результатам мы можем сделать вывод, что при приемлемом уровне ошибки (3%) мы можем использовать сеть для дальнейших исследований и испытывать на ней новые данные. А если же ошибка превышает допустимые значения, то нужно заново создавать структуру сети, попробовать варьировать параметрами количества слоев, количества нейронов, методами оптимизации, нормой накопления значимости, весом бинаризованных синапсов и т.д. Далее определяются значимости входных данных. Для этого необходимо выбрать пункт меню Нейросеть/Значимость входов. Вычисленные показатели значимости выводятся в Окно значимости входов (рис. 18). # Рис. 18. Окно значимости входных сигналов Показатели значимости определяют дальнейший ход исследования, так как далее в работе изучается влияние тех параметров, значимости которых являются наибольшими. В нашем случае это напряженность (Е?102, кВ/м) и второй по значимости параметр термоэлектродвижущая сила ((ее, мВ).