Методические указания к выполнению лабораторных работ по дисциплине «Интеллектуальные информационные системы» Санкт-Петербург

Вид материала

Методические указания

Содержание Лабораторная работа № 3 Порядок выполнения работы Порядок оформления отчета Пример выполнения лабораторной работы №3 Рисунок 14 Обучающие матрицы трёх эталонных классов. М с эталонными обучающими матрицами А Контрольные вопросы ВЫЧИСЛИТЕЛЬНАЯ ПРОЦЕДУРА ОБУЧЕНИЯ С ЭКСПЕРТОМ Математическая формализация задачи

Подобный материал:

• А. М. Иванов Научно-информационный материал «Методические материалы к практическим, 91.96kb.
• Методические указания по проведению лабораторных работ с использованием, 439.55kb.
• Методические указания к выполнению практических работ по дисциплине "Организация предпринимательской, 669.56kb.
• Методические указания к выполнению лабораторных работ для студентов, обучающихся, 99.32kb.
• Методические указания к выполнению контрольных заданий и лабораторных работ по дисциплине, 1683.02kb.
• Методические указания к выполнению лабораторных работ по курсу «вычислительная техника, 640.55kb.
• Методические указания к выполнению лабораторных работ по дисциплине информатика для, 1065.17kb.
• Методические указания к выполнению лабораторных и курсовых работ иркутск 2007, 728.75kb.
• Методические указания к проведению лабораторных работ. Специальность 23. 01. 02 «Автоматизированные, 1178.37kb.
• Методические указания по выполнению курсовой работы по дисциплине "Финансовый менеджмент", 603.59kb.

2. Лабораторная работа № 3

Цель работы: создание программного модуля для реализации вычислительной процедуры обучения с экспертом на основе инструментария универсальной системы MATLAB.

1. Порядок выполнения работы

1. Открыть универсальную систему MATLAB.
   
2. Задать обучающие матрицы А_i и матрицу М размерности (4 х 3).
   
3. Программно реализовать шаги 1-4 алгоритма вычислительной процедуры обучения с экспертом.
   
4. Сохранить все результаты выполнения работы в файле на диске.
   

2. Порядок оформления отчета

Отчетом о лабораторной работе № 3 является файл с именем, совпадающим с фамилией студента с результатами работы в папке Мои документы/номер группы.

3. Пример выполнения лабораторной работы №3

В соответствии с п. 2 формируем обучающие матрицы трех эталонных классов А_i ,i=1,2,3 размерности (4 х 3) и анализируемую матрицу М размерности (4 х 3).




Рисунок 14 Обучающие матрицы трёх эталонных классов.


Для сформированных обучающих эталонных матриц А_i, i=1,2,3 вычисляем первые левые и правые сингулярные векторы U_i, V_i, i=1,2,3.









Рисунок 15


Используя эти компоненты, вычисляем значения энергии связи анализируемой матрицы М с эталонными обучающими матрицами А_i





Рисунок 16


Из вычисленных значений энергии связи формируем множество W=[W₁₁, W_21, W₃₁], минимальное значение которого определяет принадлежность анализируемого объекта к соответствующему классу.

Вывод: анализируемый объект относится к первому классу.

4. Контрольные вопросы

1. Что такое энергия связи?
   
2. Роль эксперта при реализации вычислительной процедуры обучения с экспертом.
   
3. Что является мерой близости выбранного образа М к конкретному классу?
   
4. 
   
5. 
   
6. 
   
7. 
   
8. 
   
9. 
   
10. 
    

4. ВЫЧИСЛИТЕЛЬНАЯ ПРОЦЕДУРА ОБУЧЕНИЯ С ЭКСПЕРТОМ

1. Математическая формализация задачи

Отнесение различных векторов индикаторов к одному классу может рассматриваться как агрегация исходных данных, при этом геометрическая близость (расстояние) между объектами формализуется с помощью соответствующей векторной нормы. Наиболее распространенной является евклидова норма:

.

Следовательно, задача обучения сводится к разбиению пространства индикаторов на классы (т.е. к проведению классификации), а задача распознавания сводится к определению класса (т.е. к проведению кластеризации) z_j={X}_j, j=1,…,k с помощью выбранной векторной нормы:

.

Как известно, с помощью векторной нормы можно определить понятие расстояния между вектором и классом, а также понятие расстояния между классами.

С точки зрения распознавания образов полагается, что чем меньше значение выбранной нормы, тем сходство между объектами больше.

Определим образ как n-мерный вектор-столбец X=[x₁, x₂,…,x_n], где x₁, x₂,…,x_n являются вещественными числами, и индекс T является символом транспонирования матрицы.

Представим задачу распознавания образов как отображение f(X)→{1,…,c} любого образа X в одно из целых чисел 1,…,c, которые представляют классы.

Задача распознавания образов может быть сформулирована следующим образом:

Дано:

• Число классов c;
  
• набор из m обучающих образов: X1,….,Xm;;
  
• класс любого обучающего образа:f(X1)=c1…,f(Xm)=cm;
  
• произвольный n-мерный вектор P.
  

Найти:

Класс вектора P: f(P)=?.

Для реальных задач исходные данные в самом общем случае являются многомерными и допускают представление в виде массивов (векторов) вещественных и/или целых чисел. Как было отмечено выше, одной из основных особенностей ИК-алгоритма распознавания образов является проекция произвольных данных в пространство ФИС. Такое преобразование обладает следующими преимуществами:

• имеет строгое математическое обоснование в терминах сингулярного разложения матриц;
  
• существенно снижает размерность данных (до одно- двух- или трехмерного пространства ФИС);
  
• позволяет наглядно представить и визуализировать любую ситуацию как точку одно- двух- или трехмерного пространства.
  

Рассмотрим математическое описание основных процедур алгоритма иммунокомпьютинга.