Нейросетевые технологии

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.

[pic 1]

[pic 2]

[pic 3]

График архитектуры сети.

[pic 4]

График нейронов скрытого слоя.

[pic 5]

График функции на выходе.

[pic 6]

Данная архитектура не слишком, сложна для того, чтобы понять мысль взаимосвязей входных и выходных переменных. В ней  используется один скрытый слой и 4 нейрона в этом слое.

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

[pic 7]

[pic 8]

[pic 9]

Составить прогноз для заданного временного ряда с использованием библиотеки nnet. Отчет должен содержать подготовку данных для обучения сети. Обоснование выбранной архитектуры. Структурную схему обученной сети без указания весов.

[pic 10]

[pic 11]

[pic 12]

Здесь и используется однослойная нейронная сеть прямого распространения. Сеть содержит 12 входных нейронов и 60 нейронов скрытого слоя. Входной слой является линейным, т.е. выходом сети является прогнозируемое значение ряда.

Построить автокодировщик для заданной обучающей выборки. Отчет должен содержать подготовку данных для обучения сети. Формирование формул для входа и выхода. Визуализацию обучающей выборки и восстановленного образца. Структурную схему обученной сети без указания весов. Выбор варианта, где указаны названия файлов с обучающей выборкой, которые доступны из библиотеки RSNNS.

[pic 13]

[pic 14]

[pic 15][pic 16]

Построить карты Кохонена для тестовых наборов из ресурса Wine Quality (http://archive.ics.uci.edu/ml/machine-learning-databases/winequality/) репозитария.

[pic 17]

[pic 18]

[pic 19]

Научиться формировать обучающую выборку и тестовый набор данных. Освоить способы создания, модификации и обучения простейшей нейронной сети. Создать нейронную сеть, моделирующую логическую функцию.

[pic 20]

[pic 21]

[pic 22]

Выходы из нейронной сети можно интерпретировать как вероятность вероятности класса "1". Если выход больше 0.5, то мы можем классифицировать данные как класс "1", в случае если классифицируем их как "0".