Курсовая работа по дисциплине " Основы систем искусственного интеллекта" Тема: Опыт успешного применения нейронных сетей для различных задач спзкр. 99314 01 81 01
| Вид материала | Курсовая |
| 4.3.2. Нейросетевое моделирование |
- Системы искусственного интеллекта, 58.18kb.
- Заочный Государственный Университет Внастоящее время все большее применение в разработке, 64.47kb.
- Ульяновский Государственный Технический Университет Кафедра вычислительной техники, 216.41kb.
- Ю. Н. Шунин Лекции по теории и приложениям искусственных нейронных сетей,Рига,2007, 190.96kb.
- Я. А. Трофимов международный университет природы, общества и человека «Дубна», Дубна, 71.95kb.
- Нейронные сети: основные положения, 111.38kb.
- Которая состоится 20 марта 2012 года в Москве. Конференция посвящена актуальным проблемам, 27.29kb.
- Программа дисциплины основы искусственного интеллекта (дпп. Ф. 10) для специальностей, 126.28kb.
- Нейрокомпьютерная техника: Теория и практика, 2147.23kb.
- Направления работы, 178.78kb.
4.3.2. Нейросетевое моделирование
Для решения поставленной задачи выберем в качестве программы-нейроимитатора нейропакет НейроПро. Решение будем проводить по этапам.
1) Подготовка исходных данных.
Используя табл. 1, подготовим в Ехсеl обучающую выборку в виде табл. 3; сохраним эти данные в виде файла dBASE, с названием Выборы.dbf.
Таблица 3. Исходные данные (обучающая выборка) в виде таблицы
| Y | XI | Х2 | X3 | Х4 | Х5 | Х6 | Х7 | Х8 | Х9 | Х10 | X11 | Х12 |
| 1 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 1 | 0 | 0 | 0 |
| 1 | 1 | 1 | 0 | 0 | 0 | 0 | 1 | 1 | 1 | 0 | 1 | 0 |
| 1 | 1 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | 0 |
| 1 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 1 | 0 | 0 | 0 | 0 |
| 1 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
| 1 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 1 |
| 1 | 1 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | I | 0 |
| 1 | 1 | 1 | 0 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 1 |
| 1 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 0 |
| 1 | 0 | 1 | 1 | 0 | 1 | 0 | 1 | I | 0 | I | 0 | 0 |
| 1 | 1 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 |
| 1 | 0 | 1 | 0 | 0 | 1 | 1 | 1 | I | 0 | 0 | 1 | 0 |
| 1 | 1 | 1 | 0 | 0 | 1 | 1 | 1 | 1 | 0 | 0 | 1 | 0 |
| 1 | 1 | I | 0 | 0 | 1 | 0 | 1 | 1 | 0 | 0 | 1 | 0 |
| 1 | 1 | 1 | 1 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 0 |
| 1 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 1 | 0 |
| 1 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 0 |
| 1 | 0 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 | 0 | 0 |
| 2 | 1 | 0 | 1 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 0 |
| 2 | 1 | I | 0 | 1 | 0 | 1 | 0 | 0 | 0 | 1 | 0 | 0 |
| 2 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 0 |
| 2 | 0 | 0 | 1 | 0 | 1 | 0 | 0 | 1 | 1 | 0 | 0 | 1 |
| 2 | 0 | 0 | 0 | 1 | 0 | 1 | 0 | 1 | 1 | 0 | 1 | 0 |
| 2 | 1 | 1 | 1 | 1 | 1 | 0 | 1 | 0 | 0 | 0 | 0 | 0 |
| 2 | 1 | 0 | 0 | 1 | 0 | 0 | 0 | 1 | 1 | 0 | 0 | 0 |
| 2 | 1 | 1 | 0 | 0 | 1 | 1 | 0 | 0 | 1 | 0 | 0 | 1 |
| 2 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 0 | 1 | 0 | 1 |
| 2 | 1 | 1 | 0 | 0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 1 |
| 2 | 1 | 1 | 1 | 1 | 0 | 0 | 1 | 1 | 1 | 0 | 0 | 0' |
| 2 | 1 | 1 | 0 | 1 | 1 | 0 | 0 | 0 | 0 | 1 | 0 | 0 |
| 2 | 0 | 0 | 1 | I | 1 | 1 | 0 | 0 | 0 | 1 | 0 | 1 |
Подготовим данные для опроса в соответствии с табл. 2 в форме табл. 4 и сохраним под именем Прогноз.dbf.
Таблица 4. Исходные данные для прогноза
| Y | X1 | X2 | X3 | X4 | X5 | X6 | X7 | X8 | X9 | X10 | X11 | X12 |
| | 0 | 1 | 1 | 1 | 1 | 1 | 0 | 1 | 1 | 1 | 0 | 0 |
2) Задание топологии нейронной сети.
Будем использовать нейронную сеть с одним скрытым слоем. Очевидно, число входных нейронов - 12, число выходных нейронов - 1.
При N = 12, N = 1, N = 31 дает минимальное значение для N - 5, и максимальное - 51. Число нейронов в скрытом слое не должно превышать 2,5. На основании этих результатов примем число нейронов в скрытом слое равным 2.
3) Обучение нейронной сети.
Используя нейропакет НейроПро и подготовленный файл Выборы.dbf, создадим нейронную сеть заданной топологии, проведем ее обучение и определим наиболее значащие признаки. Полученный результат отражен на рис.4.1 и несколько отличается от приведенного в цитированном источнике. В нашем исследовании получилось, что наибольшее влияние на исход выборов оказывают ответы на вопросы 4, 8, 3 и 9.
4) Опрос обученной сети.
Вновь запустим программу НейроПро, откроем сохраненный проект и файл Прогноз.dbf Выберем режим тестирования сети. Полученный при этом результат (в нашем случае - 2,01401, т.е. 2 при округлении) говорит о том, что на 1992 год прогнозируется победа кандидата от оппозиционной партии, т. е. Б. Клинтона. Как известно, так и произошло. Отметим, что весьма близкий выход сети к числу 2 говорит, пожалуй, что сделанному прогнозу cледовало доверять с большой степенью уверенности.
К сожалению, крайне неясно, можно ли использовать аналогичный нейросетевой подход для прогноза выборов в условиях пока еще очень нестабильной России ....
Рис. 4.1. Информативность параметров при выборе президента