Министерство науки и высшего образования Российской Федерации

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ

ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ

«ОРЕНБУРГСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ»

Факультет математики и информационных технологий
Кафедра программного обеспечения вычислительной техники и

автоматизированных систем
ОТЧЕТ

по лабораторной работе №5

по дисциплине «Основы искусственного интеллекта»
Алгоритм обучения персептрона



Оренбург 2022
1 Цель работы

Цель работы:

Изучить алгоритм обучения персептрона.

Задачи работы:

Написать программу моделирующую алгоритм обучения персептрона.
2 Ход работы

Данные для обучения персептрона представлены в таблице 1

Таблица 1 – Набор данных для обучения

Х1	Х2	Х3	выход
2,2	3,1	1,0	1
6,5	3,2	1,0	-1
8,4	4,9	1,0	-1
9,7	6,3	1,0	-1
1,5	6,8	1,0	1
3,1	4,4	1,0	1
5,4	2,2	1,0	-1
6,3	4,4	1,0	1
1,5	6,1	1,0	-1
8,1	2,1	1,0	-1
4,5	3,7	1,0	1
2,1	3,1	1,0	1
6,5	3,4	1,0	-1
4,5	8,3	1,0	1
2,3	2,1	1,0	1
4,4	2,3	1,0	-1
3,0	0,3	1,0	-1
8,1	3,2	1,0	1
4,8	4,2	1,0	1
4,6	2,6	1,0	-1

---

В качестве функции активации использовалась линейная функция. График функции представлен на рисунке 1.



В процессе обучения нейросети на основе набора данных (таблица 1) и были получены следующие данные (рисунок 2):



Рисунок 2 – результат обучения

На рисунке 3 графически представлена программа классификации. Если выходное значение равно -1, значит точка лежит выше линии, при 1 лежит ниже.



Рисунок 3 – Классификация точке
3 Вывод
В процессе выполнения лабораторной работы был изучен и реализован на языке python с помощью библиотеки numpy алгоритм обучения персептрона.

В результате было получено графическое разбиение входных точек на два класса. На основе полученных данных, заключаем что персептрон правильно классифицирует входные данные.

Приложение А

Код программы

import numpy as np

import matplotlib.pyplot as plt

from matplotlib.colors import ListedColormap

cmap_light = ListedColormap(['#FF0000','#00FF00','#0000FF'])

X=np.array([[2.0,3.0,1.0],

[6.3,3.2,1.0],

[8.4,4.9,1.0],

[9.7,6.3,1.0],

[1.5,4.8,1.0],

[3.2,4.4,1.0],

[5.4,2.2,1.0],

[6.3,5.5,1.0],

[8.5,6.1,1.0],

[9.2,2.9,1.0],

[4.5,8.7,1.0],

[3.7,6.2,1.0],

[6.5,3.7,1.0],

[4.9,8.4,1.0],

[2.3,6.2,1.0],

[4.4,2.1,1.0],

[6.2,0.7,1.0],

[8.1,3.2,1.0],

[3.9,4.2,1.0],

[4.7,6.6,1.0]])

Y=np.array([[1,-1,-1,-1,1,1,-1,-1,-1,-1,1,1,-1,1,1,-1,-1,-1,1,1]]).T
syn0=2*np.random.random((3,4))-1

syn1=2*np.random.random((4,1))-1
for j in range(60000):

l1 = 1/(1+np.exp(-(np.dot(X,syn0))))

l2 = 1/(1+np.exp(-(np.dot(l1,syn1))))

l2_d = (Y-l2)*(l2*(1-l2))

l1_d = l2_d.dot(syn1.T)*(l1*(1-l1))

syn1 += l1.T.dot(l2_d)

syn0 += X.T.dot(l1_d)
print("Выходные данные")

print(l2)
plt.scatter(X[:,0],X[:,1],c=Y)

plt.plot([0,10],[0,10],c='b')

plt.xlim((0,10))

plt.ylim((0,10))
plt.grid(True)

plt.show()

---

Смотрите также файлы

• жат енотариат порталымен рылан Документ сформирован порталом енотариат.pdf

• Уголовное право понятие уголовного права, его предмет и система.docx

• Запрещенные продукты при геморрое.docx

• Диктанты на патриотическую тему Служение Родине.docx

• Общая структура алгоритма Rijndael (aes).docx