Στατιστική εργαστηριακή εργασία νευρωνικών δικτύων. STATISTICA Αυτοματοποιημένα Νευρωνικά Δίκτυα Αυτοματοποιημένα νευρωνικά δίκτυα. ΣΤΑΤΙΣΤΙΚΑ Νευρωνικά δίκτυα στον υπολογισμό νευρωνικών δικτύων

Κατά τη διάρκεια ενός συγκεκριμένου ιστορικού παρακολούθησης ασθενών, έχει συσσωρευτεί μια σειρά δεδομένων και αποθηκεύονται σε έναν πίνακα στο σύστημα STATISTICA. Ο αντίστοιχος Πίνακας Δεδομένων φαίνεται στο Σχήμα 6.

Εικόνα 6. Τμήμα του πίνακα δεδομένων πηγής

Σκοπός της μελέτης είναι να οικοδομήσει ένα μοντέλο νευρωνικών δικτύων που, με βάση ένα δεδομένο σύνολο αρχικών δεδομένων (στοιχεία εξέτασης ασθενούς, αποτελέσματα εξετάσεων, θεραπεία πριν από την εισαγωγή), με βάση τη θεραπεία που συνταγογραφήθηκε στο νοσοκομείο, θα παράγει μια πρόγνωση για τον θεραπεία (τιμές εισαγωγής στο νοσοκομείο I-APFARA, BAB, BKK, διουρητικά, φάρμακα κεντρικής δράσης) με επαρκή ακρίβεια.

Το γεγονός ότι το πρόβλημα είναι μη γραμμικό είναι αναμφισβήτητο. Φυσικά, θα μπορούσε κανείς να προσπαθήσει να λύσει το πρόβλημα χρησιμοποιώντας το δομοστοιχείο μη γραμμικής εκτίμησης STATISTICA, δηλαδή χρησιμοποιώντας τις επαναληπτικές διαδικασίες που προσφέρει αυτή η ενότητα για να «ψάψει» τον τύπο της συνάρτησης. Ωστόσο, υπάρχει μια σειρά από προβλήματα εδώ που επεκτείνουν σημαντικά τη διαδικασία για την εξεύρεση λύσης. Το σημαντικότερο από αυτά είναι η διατύπωση μιας υπόθεσης για τη ρητή μορφή της εξάρτησης που μελετάται, η οποία δεν είναι καθόλου προφανής.

Χωρίς πρόσθετη έρευνα, είναι δύσκολο να πούμε οτιδήποτε για τον προφανή τύπο εξάρτησης. Επιπλέον, πρέπει να αναφερθεί ότι δεν λάβαμε υπόψη έναν ακόμη παράγοντα. Γενικά, η επίλυση ενός τέτοιου προβλήματος χρησιμοποιώντας μη γραμμικές μεθόδους εκτίμησης μπορεί να διαρκέσει πολύ χρόνο ή μπορεί να μην οδηγήσει σε τίποτα. Σε τέτοιες κρίσιμες καταστάσεις, όταν είναι γνωστό ότι

Υπάρχει σχέση μεταξύ των μεταβλητών.

Η σχέση είναι σίγουρα μη γραμμική.

Είναι δύσκολο να πούμε οτιδήποτε για την προφανή μορφή εξάρτησης,

Οι αλγόριθμοι νευρωνικών δικτύων βοηθούν. Ας εξετάσουμε έναν τρόπο επίλυσης αυτού του προβλήματος στη μονάδα STATISTICA Neural Networks.

Δυστυχώς, δεν υπάρχουν καθολικοί κανόνες που να υποδεικνύουν ποια τοπολογία νευρωνικών δικτύων πρέπει να ακολουθηθεί για την επίλυση ενός συγκεκριμένου προβλήματος. Επομένως, είναι απαραίτητη μια λογική διαδικασία για την εύρεση του σωστού δικτύου.

Η ενότητα Neural Networks του συστήματος STATISTICA περιλαμβάνει μια διαδικασία που οργανώνει την αναζήτηση για την επιθυμητή διαμόρφωση δικτύου. Αυτή η διαδικασία αποτελείται από την κατασκευή και τη δοκιμή ενός μεγάλου αριθμού δικτύων με διαφορετικές αρχιτεκτονικές και στη συνέχεια επιλέγοντας μεταξύ τους το δίκτυο που ταιριάζει καλύτερα στην επίλυση του δεδομένου προβλήματος. Αυτό το εργαλείο ονομάζεται Έξυπνος Επίλυση προβλημάτων. Για να εκκινήσετε τη μονάδα Neural Networks, πρέπει να χρησιμοποιήσετε την ομώνυμη εντολή στο κύριο μενού του συστήματος STATISTICA - Statistics. (Εικόνα 7)

Εικόνα 7. Εκκίνηση της ενότητας Neural Networks

Η ακόλουθη διατριβή είναι πολύ κοινή: «τα νευρωνικά δίκτυα είναι καθολική δομή, επιτρέποντάς σας να εφαρμόσετε οποιονδήποτε αλγόριθμο. "Ας προσπαθήσουμε τυφλά να πιστεύουμε σε αυτή τη δήλωση, να οικοδομήσουμε ένα νευρωνικό δίκτυο που θα" πιάσει "την προτεινόμενη εξάρτηση αμέσως (δηλαδή, χωρίς προκαταρκτική διερευνητική ανάλυση).

Ένα από τα πιο σημαντικά ζητήματα που δεν έχει ακόμη επιλυθεί από τη σύγχρονη επιστήμη είναι το ζήτημα της δομής ενός νευρικού δικτύου που θα μπορούσε να αναπαράγει την επιθυμητή πολυδιάστατη μη γραμμική εξάρτηση. Πράγματι, το θεώρημα του Kolmogorov για την πληρότητα, το οποίο απέδειξε το 1957, δηλώνει ότι ένα νευρωνικό δίκτυο είναι ικανό να αναπαράγει οποιαδήποτε (πολύ σημαντική - συνεχή) συνάρτηση. Ωστόσο, δεν προσφέρει στον ερευνητή μια συνταγή για τη δημιουργία ενός τέτοιου δικτύου. Το 1988, αρκετοί συγγραφείς γενίκευσαν το θεώρημα του Κολμογκόροφ και έδειξαν ότι οποιαδήποτε συνεχής συνάρτηση μπορεί να προσεγγιστεί από ένα νευρωνικό δίκτυο τριών επιπέδων με ένα κρυφό στρώμα και έναν αλγόριθμο οπίσθιας διάδοσης με οποιονδήποτε βαθμό ακρίβειας. Έτσι, στην περίπτωσή μας, η θετική πτυχή είναι η γνώση ότι το δίκτυο πρέπει να είναι τριών επιπέδων, αλλά και πάλι δεν υπάρχουν κανόνες που να καθορίζουν τη σχέση μεταξύ «οποιουδήποτε βαθμού ακρίβειας» και του αριθμού των νευρώνων στο ενδιάμεσο. ονομάζεται κρυφό στρώμα.

Συνοψίζοντας όλα τα παραπάνω, σημειώνουμε ότι δεν υπάρχουν καθολικοί κανόνες που να υποδεικνύουν ποια τοπολογία νευρωνικών δικτύων πρέπει να ακολουθηθεί για την επίλυση ενός συγκεκριμένου προβλήματος. Επομένως, είναι απαραίτητη μια λογική διαδικασία για την εύρεση του σωστού δικτύου.

Η ενότητα Neural Networks του συστήματος STATISTICA περιλαμβάνει μια μοναδική διαδικασία που οργανώνει την αναζήτηση για την επιθυμητή διαμόρφωση δικτύου. Αυτό το εργαλείο ονομάζεται Έξυπνος Επίλυση προβλημάτων. Ας χρησιμοποιήσουμε αυτό το εργαλείο και ας αναζητήσουμε ένα νευρωνικό δίκτυο που θα είναι ικανό να λύσει το πρόβλημά μας.

Εικόνα 8. Πλαίσιο εκκίνησης μονάδας νευρωνικών δικτύων

Στην καρτέλα Γρήγορη αυτού του παραθύρου διαλόγου, στην ενότητα Τύπος προβλήματος, προτείνεται να επιλέξετε την κατηγορία προβλημάτων που αντιμετωπίζουμε. Στόχος μας είναι να οικοδομήσουμε μια πολυμεταβλητή σχέση ή, με άλλα λόγια, πολυμεταβλητή μη γραμμική παλινδρόμηση. Αυτό σημαίνει ότι στην ενότητα Τύπος προβλήματος θα πρέπει να καθορίσετε Regression.

Αφού αποφασίσετε για την κατηγορία των εργασιών, είναι απαραίτητο να προσδιορίσετε τις μεταβλητές για τη διεξαγωγή της Ανάλυσης. Για να επιλέξετε μεταβλητές, χρησιμοποιήστε το κουμπί Μεταβλητές. Όταν κάνετε κλικ σε αυτό το κουμπί, εμφανίζεται το πλαίσιο διαλόγου Επιλογή εισόδου (ανεξάρτητη), εξόδου (εξαρτώμενη) και μεταβλητών επιλογέα. Σε αυτό το παράθυρο διαλόγου, πρέπει να καθορίσετε δύο λίστες μεταβλητών. Οι συνεχείς εξόδους, στην περίπτωσή μας, είναι οι μεταβλητές που εισέρχονται στο νοσοκομείο ACEI/ARB, την είσοδο στο νοσοκομείο BAB, την είσοδο στο νοσοκομείο BKK, την είσοδο στο νοσοκομείο των διουρητικών και την είσοδο στο νοσοκομείο των κεντρικά ενεργών φαρμάκων. Οι συνεχείς είσοδοι, στο παράδειγμά μας, είναι από 1 έως 61 αρχικές παραμέτρους.

Εικόνα 9. Επιλογή μεταβλητών για ανάλυση

Στην ενότητα Επιλογή ανάλυσης, είναι διαθέσιμες δύο επιλογές: Έξυπνη επίλυση προβλημάτων και προσαρμοσμένη σχεδίαση δικτύου. Για την αυτόματη επιλογή παραμέτρων νευρωνικού δικτύου, απαιτείται η πρώτη επιλογή, η οποία έχει οριστεί από προεπιλογή. Για να συνεχίσετε την Ανάλυση, κάντε κλικ στο OK.

Στο επόμενο βήμα, εμφανίζεται το πλαίσιο διαλόγου ρύθμισης Έξυπνης επίλυσης προβλημάτων.

Η ενότητα Γρήγορη περιέχει μια ομάδα επιλογών που είναι υπεύθυνες για το χρόνο εκτέλεσης του αλγόριθμου αναζήτησης νευρωνικών δικτύων. Σε αυτήν την καρτέλα, πρέπει να καθορίσετε τον αριθμό των δικτύων που πρέπει να δοκιμαστούν (για να μάθετε εάν είναι κατάλληλα για την επίλυση του διαμορφωμένου προβλήματος) και επίσης να υποδείξετε πόσα από αυτά τα δίκτυα θα συμπεριληφθούν στην τελική έκθεση.

Στην ενότητα Δοκιμασμένα δίκτυα υποδεικνύουμε 100, Διατήρηση δικτύων - 10 (Εικόνα 10)

Η καρτέλα Τύποι καθορίζει τους τύπους νευρωνικών δικτύων που θα χρησιμοποιηθούν στη διαδικασία δοκιμής. Για την επίλυση του προβλήματος της μη γραμμικής παλινδρόμησης, ένα πολυστρωματικό perceptron είναι το πιο κατάλληλο, επομένως επιλέγουμε τα δίκτυα που σημειώνονται στο σχήμα 11.

Εικόνα 10. Ρύθμιση του αριθμού των δικτύων προς δοκιμή

Εικόνα 11. Επιλογή αρχιτεκτονικής δικτύου

Στη συνέχεια, για να οργανωθεί η διαδικασία αναζήτησης και δοκιμής, είναι απαραίτητο να υποδειχθεί το εύρος των αλλαγών στον αριθμό των νευρώνων σε κάθε στρώμα του νευρωνικού δικτύου. Οι συνιστώμενες τιμές για αυτήν την εργασία φαίνονται στο Σχήμα 12.

Εικόνα 12. Ένδειξη των μεγεθών των δειγμάτων εκπαίδευσης, ελέγχου και δοκιμής

Τώρα, αφού ρυθμίσετε όλες τις παραμέτρους εκπαίδευσης, για να ξεκινήσετε τη διαδικασία αναζήτησης δικτύου, πρέπει να κάνετε κλικ στο OK.

Η κατάσταση του αλγορίθμου αναζήτησης εμφανίζεται στο πλαίσιο διαλόγου IPS Training In Progress.

Ενώ εκτελείται ο αλγόριθμος αναζήτησης για ένα κατάλληλο νευρωνικό δίκτυο, αυτό το πλαίσιο διαλόγου παρέχει πληροφορίες σχετικά με το χρόνο εκτέλεσης του αλγορίθμου, καθώς και σχετικά με τα εξεταζόμενα νευρωνικά δίκτυα. Ο σκοπός του αλγόριθμου αναζήτησης είναι να απαριθμήσει έναν αριθμό διαμορφώσεων νευρωνικών δικτύων και να επιλέξει την καλύτερη ως προς το ελάχιστο σφάλμα στην έξοδο του δικτύου και το μέγιστο της απόδοσής του.

Πολλές έννοιες που σχετίζονται με μεθόδους νευρωνικών δικτύων εξηγούνται καλύτερα χρησιμοποιώντας ένα συγκεκριμένο πρόγραμμα νευρωνικών δικτύων ως παράδειγμα. Επομένως, σε αυτήν την ενότητα θα υπάρχουν πολλοί σύνδεσμοι προς το πακέτο ΣΤΑΤΙΣΤΙΚΗ Neural Networks (συντομογραφία ST Neural Networks, ένα πακέτο νευρωνικών δικτύων από την StatSoft), το οποίο είναι μια υλοποίηση ολόκληρου του συνόλου των μεθόδων νευρωνικών δικτύων για την ανάλυση δεδομένων.

Τα τελευταία χρόνια, έχουμε δει μια έκρηξη ενδιαφέροντος για τα νευρωνικά δίκτυα, τα οποία χρησιμοποιούνται με επιτυχία σε διάφορους τομείς - επιχειρήσεις, ιατρική, μηχανική, γεωλογία, φυσική. Τα νευρωνικά δίκτυα έχουν τεθεί σε εφαρμογή οπουδήποτε χρειάζεται να επιλυθούν προβλήματα πρόβλεψης, ταξινόμησης ή ελέγχου. Αυτή η εντυπωσιακή επιτυχία οφείλεται σε διάφορους λόγους:

Τα νευρωνικά δίκτυα είναι μια εξαιρετικά ισχυρή μέθοδος μοντελοποίησης που μπορεί να αναπαράγει εξαιρετικά πολύπλοκες εξαρτήσεις. Συγκεκριμένα, τα νευρωνικά δίκτυα είναι μη γραμμικής φύσης (η έννοια αυτής της έννοιας εξηγείται λεπτομερώς αργότερα σε αυτό το κεφάλαιο). Για πολλά χρόνια, η γραμμική μοντελοποίηση είναι η κυρίαρχη μέθοδος μοντελοποίησης στους περισσότερους τομείς, επειδή οι διαδικασίες βελτιστοποίησης έχουν αναπτυχθεί καλά γι' αυτήν. Σε προβλήματα όπου η γραμμική προσέγγιση δεν είναι ικανοποιητική (και υπάρχουν αρκετά τέτοια), τα γραμμικά μοντέλα έχουν κακή απόδοση. Επιπλέον, τα νευρωνικά δίκτυα αντιμετωπίζουν την «κατάρα της διάστασης», η οποία δεν επιτρέπει τη μοντελοποίηση γραμμικών εξαρτήσεων στην περίπτωση μεγάλου αριθμού μεταβλητών

Τα νευρωνικά δίκτυα μαθαίνουν από παραδείγματα. Ο χρήστης του νευρωνικού δικτύου επιλέγει αντιπροσωπευτικά δεδομένα και στη συνέχεια εκτελεί έναν αλγόριθμο εκμάθησης που μαθαίνει αυτόματα τη δομή των δεδομένων. Σε αυτήν την περίπτωση, ο χρήστης, φυσικά, απαιτείται να έχει ένα σύνολο ευρετικών γνώσεων σχετικά με τον τρόπο επιλογής και προετοιμασίας δεδομένων, επιλογής της επιθυμητής αρχιτεκτονικής δικτύου και ερμηνείας των αποτελεσμάτων, αλλά το επίπεδο γνώσης που απαιτείται για την επιτυχή χρήση των νευρωνικών δικτύων είναι πολύ πιο μετριοπαθής από ό,τι, για παράδειγμα, όταν χρησιμοποιούνται παραδοσιακές στατιστικές μέθοδοι.

Τα νευρωνικά δίκτυα είναι διαισθητικά ελκυστικά επειδή βασίζονται σε ένα πρωτόγονο βιολογικό μοντέλο νευρικών συστημάτων. Στο μέλλον, η ανάπτυξη τέτοιων νευροβιολογικών μοντέλων μπορεί να οδηγήσει στη δημιουργία υπολογιστών με αληθινή σκέψη. Εν τω μεταξύ, τα «απλά» νευρωνικά δίκτυα που κατασκευάζει το σύστημα ST Neural Networks είναι ένα ισχυρό όπλο στο οπλοστάσιο ενός ειδικού στην εφαρμοσμένη στατιστική (Neural networks. STATISTICA Neural Networks: Methodology and technology of modern data analysis.).

Τα νευρωνικά δίκτυα προέκυψαν από την έρευνα τεχνητής νοημοσύνης, δηλαδή από προσπάθειες αναπαραγωγής της ικανότητας των βιολογικών νευρικών συστημάτων να μαθαίνουν και να διορθώνουν λάθη προσομοιώνοντας τη δομή χαμηλού επιπέδου του εγκεφάλου (Patterson, 1996). Ο κύριος τομέας έρευνας στην τεχνητή νοημοσύνη τη δεκαετία του '60 - '80 ήταν τα έμπειρα συστήματα. Τέτοια συστήματα βασίστηκαν σε μοντελοποίηση υψηλού επιπέδου της διαδικασίας σκέψης (ιδίως στην ιδέα ότι η διαδικασία σκέψης μας βασίζεται στη χειραγώγηση συμβόλων). Σύντομα έγινε σαφές ότι παρόμοια συστήματα, αν και μπορεί να είναι ωφέλιμα σε ορισμένους τομείς, δεν αποτυπώνουν ορισμένες βασικές πτυχές της ανθρώπινης νοημοσύνης. Μια άποψη είναι ότι ο λόγος για αυτό είναι ότι δεν είναι σε θέση να αναπαράγουν τη δομή του εγκεφάλου. Για τη δημιουργία τεχνητής νοημοσύνης, είναι απαραίτητο να κατασκευαστεί ένα σύστημα με παρόμοια αρχιτεκτονική.

Ο εγκέφαλος αποτελείται από έναν πολύ μεγάλο αριθμό (περίπου 10.000.000.000) νευρώνων που συνδέονται με πολυάριθμες συνδέσεις (κατά μέσο όρο αρκετές χιλιάδες συνδέσεις ανά νευρώνα, αλλά αυτός ο αριθμός μπορεί να παρουσιάζει μεγάλες διακυμάνσεις). Οι νευρώνες είναι ειδικά κύτταρα ικανά να μεταδίδουν ηλεκτροχημικά σήματα. Ένας νευρώνας έχει μια διακλαδισμένη δομή εισόδου πληροφοριών (δενδρίτες), έναν πυρήνα και μια διακλαδούμενη έξοδο (άξονας). Οι άξονες ενός κυττάρου συνδέονται με τους δενδρίτες άλλων κυττάρων χρησιμοποιώντας συνάψεις. Όταν ενεργοποιείται, ένας νευρώνας στέλνει ένα ηλεκτροχημικό σήμα κατά μήκος του άξονά του. Μέσω των συνάψεων, αυτό το σήμα φτάνει σε άλλους νευρώνες, οι οποίοι με τη σειρά τους μπορούν να ενεργοποιηθούν. Ένας νευρώνας ενεργοποιείται όταν το συνολικό επίπεδο των σημάτων που φτάνουν στον πυρήνα του από τους δενδρίτες υπερβαίνει ένα ορισμένο επίπεδο (κατώφλι ενεργοποίησης).

Η ένταση του σήματος που λαμβάνει ένας νευρώνας (και επομένως η πιθανότητα ενεργοποίησής του) εξαρτάται σε μεγάλο βαθμό από τη δραστηριότητα των συνάψεων. Κάθε σύναψη έχει ένα μήκος και ειδικές χημικές ουσίες μεταδίδουν ένα σήμα κατά μήκος της. Ένας από τους πιο σεβαστούς ερευνητές των νευροσυστημάτων, ο Donald Hebb, υπέθεσε ότι η μάθηση συνίσταται κυρίως σε αλλαγές στη «δύναμη» των συναπτικών συνδέσεων. Για παράδειγμα, στο κλασικό πείραμα του Pavlov, ένα κουδούνι χτυπούσε κάθε φορά λίγο πριν τον ταΐσουν ο σκύλος και ο σκύλος έμαθε γρήγορα να συνδέει το χτύπημα του κουδουνιού με το φαγητό. Οι συναπτικές συνδέσεις μεταξύ των περιοχών του εγκεφαλικού φλοιού που είναι υπεύθυνοι για την ακοή και των σιελογόνων αδένων ενισχύθηκαν και όταν ο φλοιός διεγέρθηκε από τον ήχο ενός κουδουνιού, ο σκύλος άρχισε να τρέχει σάλιο.

Έτσι, δημιουργημένος από έναν πολύ μεγάλο αριθμό πολύ απλών στοιχείων (καθένα από τα οποία παίρνει ένα σταθμισμένο άθροισμα σημάτων εισόδου και, εάν η συνολική είσοδος υπερβαίνει ένα ορισμένο επίπεδο, μεταδίδει ένα δυαδικό σήμα), ο εγκέφαλος είναι ικανός να λύνει εξαιρετικά πολύπλοκα προβλήματα . Φυσικά, δεν έχουμε αγγίξει πολλές σύνθετες πτυχές της δομής του εγκεφάλου εδώ, αλλά αυτό που είναι ενδιαφέρον είναι ότι το τεχνητόΤα νευρωνικά δίκτυα μπορούν να επιτύχουν αξιοσημείωτα αποτελέσματα χρησιμοποιώντας ένα μοντέλο που δεν είναι πολύ πιο περίπλοκο από αυτό που περιγράφηκε παραπάνω.

Πακέτο Statistica Neural Networks (SNN).

1. Άνοιγμα αρχείου δεδομένων Σειρά_ζαπό τα δεδομένα που είναι διαθέσιμα στη συσκευασία. Το αρχείο περιέχει μια μεμονωμένη μεταβλητή που καθορίζει τον όγκο της επισκεψιμότητας για πολλά χρόνια με μηνιαία καταγραφή δεδομένων. (Όταν ανοίγετε αυτό το αρχείο, εμφανίζεται ένας αριθμός πινάκων που σχετίζονται με την επιλογή έξυπνης λύσης, η οποία σε αυτό το στάδιο πρέπει να κλείσει, αφήνοντας μόνο τον πίνακα δεδομένων προέλευσης).
2. Ρυθμίστε τον τύπο μεταβλητής «input – output» ως εξής: επιλέξτε τη μεταβλητή κάνοντας κλικ στην κεφαλίδα του πίνακα, κάντε δεξί κλικ και επιλέξτε μια επιλογή από το μενού Εισόδου-εξόδου.Το όνομα της μεταβλητής θα επισημανθεί με πράσινο χρώμα.
3. Δημιουργώ νέο δίκτυοχρησιμοποιώντας το πλαίσιο διαλόγου Δημιουργία δικτύου.Για να το κάνετε αυτό, πατήστε διαδοχικά: Αρχείο – Νέο – Δίκτυο.Στην οθόνη της οθόνης υπάρχει ένα πλαίσιο διαλόγου (Εικ. 1).

Ρύζι. 1. Παράθυρο διαλόγου δημιουργίας δικτύου

Σε ένα πρόβλημα πρόβλεψης χρονοσειρών, το δίκτυο πρέπει να γνωρίζει πόσα αντίγραφα μιας μεταβλητής πρέπει να πάρει και πόσο μπροστά θα πρέπει να προβλέψει την τιμή της μεταβλητής. Σε αυτήν την εργασία, αποδεχτείτε την παράμετρο Βήματα (Παράθυρο χρόνου)ίσο με 12 γιατί τα δεδομένα είναι μηνιαίες παρατηρήσεις και η παράμετρος Κοιτάξουμε μπροστά– ίσο με 1.

1. Επιλέξτε Multilayer Perceptron ως τύπο δικτύου και ορίστε τον αριθμό των επιπέδων δικτύου σε 3. Στη συνέχεια, κάντε κλικ στο κουμπί Advice, ως αποτέλεσμα του οποίου το πρόγραμμα θα ορίσει αυτόματα τον αριθμό των νευρώνων και στα τρία επίπεδα του δικτύου: 12 – 6 – 1 (Εικ. 2).

Ρύζι. 2. Πλαίσιο διαλόγου μετά τη ρύθμιση των παραμέτρων δικτύου

Μετά από αυτό πατήστε το κουμπί Δημιουργώ.

1. Κατά τη δημιουργία του δικτύου, το SNN θα εκχωρήσει αυτόματα τις πρώτες 12 παρατηρήσεις από το αρχείο δεδομένων για να πληκτρολογήσει Ignore. Κατά την περαιτέρω εκπαίδευση και λειτουργία του δικτύου στο έργο της ανάλυσης χρονοσειρών, κάθε μπλοκ δεδομένων που παρέχεται στην είσοδο του περιέχει δεδομένα που σχετίζονται με πολλές παρατηρήσεις. Ολόκληρο το μπλοκ εκχωρείται στην παρατήρηση που περιέχει την τιμή της μεταβλητής εξόδου. Κατά συνέπεια, οι πρώτες 12 παρατηρήσεις δεν αγνοούνται στην πραγματικότητα, αλλά είναι είσοδοι στο πρώτο μπλοκ δεδομένων χρονοσειρών, που αντιστοιχεί στην παρατήρηση #13. Στην πραγματικότητα, το πρόγραμμα δημιουργεί ένα μετασχηματισμένο σύνολο δεδομένων στο οποίο ο αριθμός των παρατηρήσεων είναι 12 λιγότερες, αλλά τα δεδομένα σε κάθε παρατήρηση λαμβάνονται από 13 διαδοχικές γραμμές του αρχείου προέλευσης.

Το δίκτυο που δημιουργήθηκε φαίνεται στο Σχ. 3.

Ρύζι. 3. Perceptron τριών στρωμάτων

1. Στο παράθυρο δεδομένων πηγής "Επεξεργαστής συνόλου δεδομένων"σετ 66 προπόνηση (Εκπαίδευση)και 66 χειριστήρια (Επαλήθευση)παρατηρήσεις (Εικ. 4), στη συνέχεια πατήστε το κουμπί για ανακάτεμα σειρών ως εξής: μέσω του μενού Επεξεργασία – Υποθέσεις – Τυχαία σειρά – Όλα (Επεξεργασία – Θήκες – Ανακάτεμα – Όλα).
2. Εκπαιδεύστε το δίκτυο χρησιμοποιώντας τη μέθοδο Levenberg-Marquard, για την οποία πρέπει να κάνετε κλικ: Τρένο – Πολυστρωματικό Perceptron – Levenberg-Marquardt (Train – Multilayer Perceptron – Levenberg-Marquardt).Η διαδικασία εκμάθησης διαρκεί λίγα δευτερόλεπτα (ανάλογα με τον τύπο του επεξεργαστή). Η μέθοδος Levenberg-Marquard είναι ένας από τους αξιόπιστους και γρήγορους αλγόριθμους εκμάθησης, αλλά η χρήση της συνδέεται με ορισμένους περιορισμούς:

Ρύζι. 4. Παράθυρο δεδομένων πηγής με χωριστές παρατηρήσεις

• Αυτή η μέθοδος μπορεί να χρησιμοποιηθεί μόνο για δίκτυα με ένα στοιχείο εξόδου.
• Η μέθοδος Levenberg-Marquard απαιτεί μνήμη ανάλογη με το τετράγωνο του αριθμού των βαρών στο δίκτυο, επομένως η μέθοδος δεν είναι κατάλληλη για δίκτυα μεγάλο μέγεθος(περίπου 1000 βάρη).
• Η μέθοδος είναι εφαρμόσιμη μόνο για τη συνάρτηση ριζικού μέσου τετραγώνου σφάλματος.

Ο αλγόριθμος Levenberg-Marquard έχει σχεδιαστεί για να ελαχιστοποιεί τη συνάρτηση ριζικού μέσου τετραγώνου σφάλματος. Κοντά στο ελάχιστο σημείο, αυτή η υπόθεση ισχύει με μεγάλη ακρίβεια, επομένως ο αλγόριθμος κινείται πολύ γρήγορα. Μακριά από το ελάχιστο, αυτή η υπόθεση μπορεί να μην είναι σωστή, επομένως η μέθοδος βρίσκει έναν συμβιβασμό μεταξύ του γραμμικού μοντέλου και της βαθμίδωσης. Ένα βήμα γίνεται μόνο εάν μειώνει το σφάλμα και, όπου είναι απαραίτητο, χρησιμοποιείται βαθμιδωτή κάθοδος με αρκετά μικρό βήμα για να διασφαλιστεί η πρόοδος.

Το πλαίσιο διαλόγου της μεθόδου Levenberg-Marquard φαίνεται στην Εικ. 5.

Ρύζι. 5. Παράθυρο διαλόγου μεθόδου Levenberg-Marquard

Κύρια στοιχεία του παραθύρου:

• Εποχές (Αριθμός Εποχών)– ορίζει τον αριθμό των εποχών κατά τις οποίες θα εκτελείται ο αλγόριθμος. Σε κάθε εποχή, ολόκληρο το σετ προπόνησης περνά μέσα από το δίκτυο και στη συνέχεια προσαρμόζονται τα βάρη.
• Διασταυρούμενη επαλήθευση– όταν σημειώνεται η θέση, η ποιότητα του αποτελέσματος που παράγεται από το δίκτυο ελέγχεται σε κάθε εποχή σε σχέση με το σετ ελέγχου (εάν αυτό καθορίζεται). Όταν είναι απενεργοποιημένο, οι παρατηρήσεις ελέγχου αγνοούνται, ακόμα κι αν υπάρχουν στο αρχείο δεδομένων.
• Τρένο– Κάθε φορά που πατάτε το κουμπί, ο αλγόριθμος εκτελείται μέσω του καθορισμένου αριθμού εποχών.
• Εκ νέου αρχικοποίηση– πριν ξεκινήσετε ξανά την προπόνηση, θα πρέπει να πατήσετε το κουμπί επαναφοράς, καθώς σε αυτήν την περίπτωση τα βάρη του δικτύου ρυθμίζονται ξανά τυχαία.
• Βάρη για τρέξιμο -Όταν ο αλγόριθμος μπορεί να κολλήσει σε ένα τοπικό ελάχιστο, αυτή η επιλογή προσθέτει ένα μικρό ποσό σε κάθε βάρος.

1. Κατασκευάστε μια προβολή χρονοσειράς χρησιμοποιώντας Run – Times Series Projectionανοίξτε το αντίστοιχο παράθυρο (Εικ. 6).

Ρύζι. 6. Παράθυρο προβολής χρονοσειράς

Περιγραφή του πλαισίου διαλόγου

• Αρχή– καθορίζει εάν η προβολή χρονοσειράς θα πρέπει να ξεκινά από κάποιον αριθμό παρατήρησης (Υπόθεση Αρ.)σε αρχείο δεδομένων ή από ατομική παρατήρηση.
• Υπόθεση Αρ –Κατά την προβολή μιας χρονοσειράς από ένα αρχείο δεδομένων, υποδεικνύεται ο αριθμός παρατήρησης με την τιμή εξόδου από την οποία ξεκινά.
• Μήκος– τον ​​αριθμό των βημάτων για τα οποία θα προβλεφθεί η πρόβλεψη.
• Μεταβλητός– υποδεικνύει τη μεταβλητή που θα σχεδιαστεί.

1. Χρησιμοποιώντας ένα εκπαιδευμένο δίκτυο, μπορείτε να εκτελέσετε μια προβολή χρονοσειράς. Αρχικά, το δίκτυο θα λειτουργήσει στις πρώτες 12 τιμές εισόδου, με αποτέλεσμα την πρόβλεψη της επόμενης τιμής. Στη συνέχεια, η προβλεπόμενη τιμή, μαζί με τις προηγούμενες 11 τιμές εισόδου, τροφοδοτείται ξανά στην είσοδο του δικτύου και η τελευταία παράγει μια πρόβλεψη της επόμενης τιμής.

Η μόνη παράμετρος ελέγχου που πρέπει να επιλεγεί είναι το μήκος προβολής. Σε αυτό το παράδειγμα υπάρχουν συνολικά 144 παρατηρήσεις, 12 από τις οποίες θα αφαιρεθούν κατά την προεπεξεργασία, επομένως τα αποτελέσματα μπορούν να συγκριθούν σε το πολύ 132 βήματα. Ωστόσο, είναι δυνατό να προβληθεί μια σειρά πέρα ​​από τα όρια των διαθέσιμων δεδομένων, αλλά δεν θα υπάρχει τίποτα με το οποίο να συγκρίνεται το αποτέλεσμα.

Δείτε τη συμπεριφορά των προβλεπόμενων τιμών σε διαφορετικά μήκη χρησιμοποιώντας το κουμπί Τρέξιμομπορείτε να παρατηρήσετε αλλαγές στις τιμές στόχου και εξόδου της σειράς.

Στο δεδομένο σχ. Το σχήμα 6 δείχνει ότι η προβλεπόμενη καμπύλη (μπλε στην οθόνη της οθόνης) δεν εκπαιδεύτηκε πολύ καλά, καθώς υπάρχουν σημαντικές αποκλίσεις μεταξύ της αρχικής και της προβλεπόμενης σειράς, ξεκινώντας από περίπου 70 παρατηρήσεις.

1. Πραγματοποιήστε πρόβλεψη σειρών χρησιμοποιώντας έναν έξυπνο λύτη (τρίτο κουμπί από αριστερά στην επάνω σειρά). Σε αυτήν την περίπτωση, είναι απαραίτητο να απαντήσετε σε ορισμένες ερωτήσεις σε λειτουργία διαλόγου:

• Επιλέξτε την κύρια έκδοση (Εικ. 7) και κάντε κλικ Επόμενο.

Ρύζι. 7. Επιλογή της κύριας έκδοσης

• Προσδιορίστε το είδος της εργασίας (τυπική ή χρονολογική σειρά). Εδώ είναι απαραίτητο να σημειώσουμε τις χρονοσειρές (Εικ. 8).

Ρύζι. 8. Επιλογή τύπου εργασίας

• Ρυθμίστε την περίοδο παρατήρησης σε 12 μήνες (Εικ. 9).

Ρύζι. 9. Ρύθμιση της περιόδου παρατήρησης

• Επιλέξτε εξαρτημένες και ανεξάρτητες μεταβλητές, οι οποίες είναι η ίδια μεταβλητή Σειρά.
• Προσδιορίστε το χρόνο της διαδικασίας υπολογισμού ίσο με 2 λεπτά (Εικ. 10).

Ρύζι. 10. Καθορισμός του χρόνου της διαδικασίας διακανονισμού

• Υποδείξτε τον αριθμό των δικτύων που θα αποθηκευτούν και τις ενέργειες που πρέπει να κάνετε κατά την αποθήκευσή τους (Εικ. 11).

Ρύζι. 11. Ενέργειες για την επιλογή δικτύων

• Επιλέξτε φόρμες για την παρουσίαση αποτελεσμάτων (Εικ. 12) και κάντε κλικ Φινίρισμα.

Ρύζι. 12. Επιλογή φόρμας για την παρουσίαση αποτελεσμάτων

Ως αποτέλεσμα της χρήσης ενός ευφυούς λύτη, η πρόβλεψη είναι πολύ πιο ακριβής, καθώς το εκπαιδευμένο δίκτυο είναι πολύ πιο κοντά στην αρχική σειρά (Εικ. 13).

Ρύζι. 13. Πρόβλεψη με χρήση έξυπνου λύτη

Ασκηση

Δημιουργήστε μια προσομοιωμένη χρονοσειρά από το πακέτο Statistica ως εξής:

• Δημιουργώ νέο αρχείο, που αποτελείται από 20 σειρές και 2 στήλες.
• Μέσω του μενού Δεδομένα – Προδιαγραφές μεταβλητώνεισάγετε την έκφραση =vnormal(rnd(1);1;3) στο παράθυρο του τύπου.
• Προσομοίωση 20 τιμών μιας τυχαίας κανονικά κατανεμημένης μεταβλητής με μαθηματική προσδοκία ίση με 1 και τυπική απόκλιση ίση με 3. Αυτές οι 20 τιμές καθορίζουν τη μεταβλητή VAR 1. Μετατρέψτε τις σε έναν ακέραιο τύπο δεδομένων, ρυθμίζοντας την στη μεταβλητή παράθυρο περιγραφής ως Τύποςέννοια Ακέραιος αριθμός.
• Μεταβείτε στη μεταβλητή Var 2 ως εξής: η πρώτη τιμή του Var 2 είναι ίση με την πρώτη τιμή της μεταβλητής Var 1. η δεύτερη τιμή Var 2 είναι ίση με το άθροισμα των δύο πρώτων τιμών της μεταβλητής Var 1. η τρίτη τιμή της μεταβλητής Var 2 είναι ίση με το άθροισμα των τριών πρώτων τιμών της μεταβλητής Var 1, κ.λπ.
• Αντιγράψτε τη μεταβλητή Var 2 και μεταβείτε στο πακέτο SNN, τοποθετώντας τα αντιγραμμένα δεδομένα στο νέο αρχείο που δημιουργήθηκε.
• Πραγματοποιήστε πρόβλεψη της προκύπτουσας σειράς χρησιμοποιώντας ένα νευρωνικό δίκτυο.

έντυπη έκδοση

Οι μέθοδοι νευρωνικού δικτύου για την ανάλυση δεδομένων περιγράφονται, με βάση τη χρήση του πακέτου Neural Networks στατιστικής στατιστικής (κατασκευασμένο από το StatSoft), πλήρως προσαρμοσμένο για τον ρωσικό χρήστη. Δίνονται τα βασικά της θεωρίας των νευρωνικών δικτύων. Δίνεται μεγάλη προσοχή στην επίλυση πρακτικών προβλημάτων, στη μεθοδολογία και στην τεχνολογία της διεξαγωγής της έρευνας χρησιμοποιώντας το πακέτο Neural Networks στατιστικών Νευρωνικών - ένα ισχυρό εργαλείο ανάλυσης δεδομένων και πρόβλεψης που διαθέτει ευρείες εφαρμογές στις επιχειρήσεις, τη βιομηχανία, τη διαχείριση και τη χρηματοδότηση - αναθεωρείται συνολικά. Το βιβλίο περιέχει πολλά παραδείγματα ανάλυσης δεδομένων, πρακτικές συστάσειςγια ανάλυση, πρόβλεψη, ταξινόμηση, αναγνώριση προτύπων, διαχείριση διαδικασίες παραγωγήςΧρησιμοποιώντας νευρωνικά δίκτυα Για ένα ευρύ φάσμα αναγνωστών που ασχολούνται με την έρευνα στον τραπεζικό τομέα, τη βιομηχανία, την οικονομία, τις επιχειρήσεις, τη γεωλογική εξερεύνηση, τη διαχείριση, τις μεταφορές και άλλους τομείς. ΠεριεχόμεναΠρόλογος στη δεύτερη έκδοση Εισαγωγή. Πρόσκληση σε νευρωνικά δίκτυαΚεφάλαιο 1. ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΑΝΑΛΥΣΗΣ ΔΕΔΟΜΕΝΩΝ Κεφάλαιο 2. ΕΙΣΑΓΩΓΗ ΣΤΗ ΘΕΩΡΙΑ ΠΙΘΑΝΟΤΗΤΩΝ Κεφάλαιο 3. ΕΙΣΑΓΩΓΗ ΣΤΗ ΘΕΩΡΙΑ ΝΕΥΡΩΝ ΔΙΚΤΥΩΝΚεφάλαιο 4. ΓΕΝΙΚΗ ΕΠΙΣΚΟΠΗΣΗ Τεχνητών δικτύων Προ-και μεταεπεξεργασία.Πιθανολογικό νευρωνικό δίκτυοΓενίκευση. νευρωνικό δίκτυο παλινδρόμησης Γραμμικό δίκτυοΔίκτυο Kohonen Προβλήματα ταξινόμησης Προβλήματα παλινδρόμησης Πρόβλεψη χρονολογικών σειρώνΕπιλογή μεταβλητών και μείωση διαστάσεων Κεφάλαιο 5. ΠΡΩΤΑ ΒΗΜΑΤΑ ΣΤΑ ΝΕΥΡΩΝΙΚΑ ΔΙΚΤΥΑ ΣΤΑΤΙΣΤΙΚΗΣ.ΞεκινώνταςΔημιουργία συνόλου δεδομένωνΔημιουργία νέου δικτύουΔημιουργία συνόλου δεδομένων και δικτύωση ER ΙΚΑΝΟΤΗΤΕΣ ΝΕΥΡ ΔΙΚΤΥΑΚλασικό παράδειγμα: Fisher's IrisesTraining with cross-validationΣταματοποίηση συνθηκών Επίλυση προβλημάτων παλινδρόμησης Συναρτήσεις ακτινικής βάσης Γραμμικά μοντέλα Δίκτυα Kohonen Δίκτυα πιθανοτήτων και γενικευμένης παλινδρόμησης Κατασκευαστής δικτύου Γενετικός αλγόριθμος για την επιλογή δεδομένων εισόδου Χρονοσειρές Κεφάλαιο 7. διάσταση Επιλογή αρχιτεκτονικής δικτύου Προσαρμοσμένες αρχιτεκτονικές δικτύων Χρονικές σειρές Κεφάλαιο 8. ΜΕΛΕΤΕΣ ΠΕΡΙΠΤΩΣΗΣ Παράδειγμα 1. Μείωση διαστάσεων στη γεωλογική έρευνα Παράδειγμα 2 Αναγνώριση προτύπων Παράδειγμα 3. Μη γραμμική ταξινόμηση δισδιάστατων συνόλωνΠαράδειγμα 4. Τμηματοποίηση διαφόρων δειγμάτων καυσίμων σύμφωνα με εργαστηριακή έρευνα Παράδειγμα κατασκευής5 ένα μοντέλο βαθμολόγησης συμπεριφοράςΠαράδειγμα 6. Προσέγγιση συνάρτησηςΠαράδειγμα 7. Πρόβλεψη πωλήσεων λαδιού Παράδειγμα 8. Παρακολούθηση και πρόβλεψη συνθηκών θερμοκρασίας σε μια εγκατάσταση Παράδειγμα 9. Προσδιορισμός της αξιοπιστίας μιας ψηφιακής υπογραφήςΚεφάλαιο 9 ΓΡΗΓΟΡΟΣ ΟΔΗΓΙΕΣΔίκτυα ΕκπαίδευσηςΔίκτυαΕκπαίδευσηςΑλλοι τύποι δικτύωνΣυναρμολόγηση των αποτελεσμάτων. ΛΑΣΙΚΟΣ ΜΕΘΟΔΟΙ ΕΝΑΛΛΑΚΤΙΚΕΣ ΣΤΑ ΝΕΥΡΩΤΙΚΑ ΔΙΚΤΥΑΚλασική ανάλυση διάκρισης σε STATISTICAClassificationLogit regressionAnalysisfactor in STATISTICAΚεφάλαιο 11.ΕΞΟΧΙΣΗ ΔΕΔΟΜΕΝΩΝ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ Παράρτημα 1. Παράρτημα δημιουργίας κωδικώνΠαράρτημα 2. Ενοποίηση συστημάτων STATISTICA

• Προ και μετεπεξεργασία, συμπεριλαμβανομένης της επιλογής δεδομένων, της ονομαστικής κωδικοποίησης, της κλιμάκωσης, της κανονικοποίησης, της αφαίρεσης δεδομένων που λείπουν με ερμηνεία για προβλήματα ταξινόμησης, παλινδρόμησης και χρονοσειρών.
• Εξαιρετική ευκολία χρήσης συν ασυναγώνιστη αναλυτική ισχύς. για παράδειγμα, δεν έχει ανάλογα Οδηγός λύσηςθα καθοδηγήσει τον χρήστη σε όλα τα στάδια της δημιουργίας διαφόρων νευρωνικών δικτύων και θα επιλέξει το καλύτερο (αυτή η εργασία, διαφορετικά, επιλύεται μέσα από μια μακρά διαδικασία «δοκιμών και λάθους» και απαιτεί ενδελεχή γνώση της θεωρίας).
• Ισχυρές εξερευνητικές και αναλυτικές τεχνολογίες, συμπεριλαμβανομένου Ανάλυση Κύριων ΣτοιχείωνΚαι Μείωση Διαστάσεωνγια την επιλογή των απαραίτητων μεταβλητών εισόδου στην διερευνητική (νευρωνικό δίκτυο) ανάλυση δεδομένων (η επιλογή των απαραίτητων μεταβλητών εισόδου για τα νευρωνικά δίκτυα απαιτεί συχνά πολύ χρόνο· το σύστημα STATISTICA Νευρωνικά Δίκτυαμπορεί να κάνει αυτή τη δουλειά για τον χρήστη).
• Οι πιο προηγμένοι, βελτιστοποιημένοι και ισχυροί αλγόριθμοι εκπαίδευσης δικτύου (συμπεριλαμβανομένης της συζυγούς διαβάθμισης και Levenberg-Marquard); πλήρης έλεγχος όλων των παραμέτρων που επηρεάζουν την ποιότητα του δικτύου, όπως οι λειτουργίες ενεργοποίησης και σφάλματος, η πολυπλοκότητα του δικτύου.
• Υποστήριξη για σύνολα νευρωνικών δικτύων και αρχιτεκτονικές νευρωνικών δικτύων σχεδόν απεριόριστου μεγέθους, που δημιουργούνται σε Σύνολα δικτύου - Σύνολα δικτύου; επιλεκτική εκπαίδευση τμημάτων νευρωνικών δικτύων. Συνδυασμός και αποθήκευση συνόλων δικτύων σε ξεχωριστά αρχεία.
• Πλήρης ενοποίηση με το σύστημα ΣΤΑΤΙΣΤΙΚΗ; όλα τα αποτελέσματα, γραφήματα, αναφορές κ.λπ. μπορεί να τροποποιηθεί περαιτέρω χρησιμοποιώντας ισχυρά γραφικά και αναλυτικά εργαλεία ΣΤΑΤΙΣΤΙΚΗ(για παράδειγμα, για ανάλυση προβλεπόμενων υπολειμμάτων, δημιουργία λεπτομερούς αναφοράς κ.λπ.)
• Απρόσκοπτη ενσωμάτωση με ισχυρά αυτοματοποιημένα εργαλεία ΣΤΑΤΙΣΤΙΚΗ; καταγραφή πλήρους μακροεντολών για οποιαδήποτε ανάλυση. δημιουργώντας τις δικές σας αναλύσεις και εφαρμογές νευρωνικών δικτύων χρησιμοποιώντας STATISTICA Visual Basic, πρόκληση STATISTICA Νευρωνικά Δίκτυααπό οποιαδήποτε εφαρμογή που υποστηρίζει Τεχνολογία COM(για παράδειγμα, αυτόματη ανάλυση νευρωνικών δικτύων σε πίνακα MS Excelή συνδυάζοντας πολλές προσαρμοσμένες εφαρμογές γραμμένες C++, C#, Javaκαι τα λοιπά.).

ΣΤΑΤΙΣΤΙΚΑ Νευρωνικά δίκτυα στον υπολογισμό νευρωνικών δικτύων:

• Η χρήση των νευρωνικών δικτύων περιλαμβάνει πολύ περισσότερα από την απλή επεξεργασία δεδομένων χρησιμοποιώντας μεθόδους νευρωνικών δικτύων.
• STATISTICA Νευρωνικά Δίκτυαπαρέχει μια ποικιλία από λειτουργικότητα, για εργασία με πολύ σύνθετες εργασίες, συμπεριλαμβανομένων όχι μόνο των πιο πρόσφατων Αρχιτεκτονικές Νευρωνικών ΔικτύωνΚαι Αλγόριθμοι εκμάθησης, αλλά και νέες προσεγγίσεις στο Επιλογή δεδομένων εισόδουΚαι Δημιουργία Δικτύου. Επιπλέον, οι προγραμματιστές λογισμικόκαι οι χρήστες που πειραματίζονται με τις ρυθμίσεις εφαρμογών θα εκτιμήσουν το γεγονός ότι μετά τη διεξαγωγή συγκεκριμένων πειραμάτων σε μια απλή και διαισθητική διεπαφή STATISTICA Νευρωνικά Δίκτυα, οι αναλύσεις νευρωνικών δικτύων μπορούν να συνδυαστούν σε μια προσαρμοσμένη εφαρμογή. Αυτό επιτυγχάνεται είτε με τη χρήση της βιβλιοθήκης Λειτουργίες STATISTICA COM, το οποίο αντικατοπτρίζει πλήρως όλη τη λειτουργικότητα του προγράμματος ή χρησιμοποιώντας κώδικα στη γλώσσα C (C++, C#)ή Visual Basic, το οποίο δημιουργείται από το πρόγραμμα και βοηθά στη λειτουργία ενός πλήρως εκπαιδευμένου νευρωνικού δικτύου ή συνόλου δικτύου.

Αρχικά στοιχεία

Μονάδα μέτρησης STATISTICA Νευρωνικά Δίκτυαπλήρως ενσωματωμένο στο σύστημα ΣΤΑΤΙΣΤΙΚΗΈτσι, είναι διαθέσιμη μια τεράστια ποικιλία εργαλείων για την επεξεργασία (προετοιμασία) δεδομένων για ανάλυση (μετασχηματισμοί, συνθήκες επιλογής παρατηρήσεων, εργαλεία ελέγχου δεδομένων κ.λπ.). Όπως όλα τα τεστ ΣΤΑΤΙΣΤΙΚΗ, το πρόγραμμα μπορεί να "συνδεθεί" σε μια απομακρυσμένη βάση δεδομένων χρησιμοποιώντας εργαλεία επιτόπιας επεξεργασίας ή να συνδεθεί με ζωντανά δεδομένα, έτσι ώστε τα μοντέλα να εκπαιδεύονται ή να εκτελούνται (π.χ. για τον υπολογισμό των προβλεπόμενων τιμών ή την ταξινόμηση) αυτόματα κάθε φορά που αλλάζουν τα δεδομένα.

Επιλογή εισόδου και μείωση διαστάσεων

Αφού προετοιμαστούν τα δεδομένα, πρέπει να αποφασίσετε ποιες μεταβλητές θα χρησιμοποιηθούν κατά την εργασία με το νευρωνικό δίκτυο. Όσο μεγαλύτερος είναι ο αριθμός των μεταβλητών, τόσο πιο πολύπλοκο θα είναι το νευρωνικό δίκτυο και επομένως θα απαιτεί περισσότερη μνήμη και χρόνο εκπαίδευσης, καθώς και μεγαλύτερο αριθμό παραδειγμάτων εκπαίδευσης (παρατηρήσεις). Όταν δεν υπάρχουν επαρκή δεδομένα και/ή συσχετισμοί μεταξύ μεταβλητών, τα ζητήματα της επιλογής σημαντικών μεταβλητών εισόδου και της συμπίεσης πληροφοριών σε μικρότερο αριθμό μεταβλητών αποκτούν ύψιστη σημασία σε πολλές εφαρμογές νευρωνικών δικτύων.

Αλγόριθμοι μείωσης διαστάσεων:

• ΣΕ STATISTICA Νευρωνικά ΔίκτυαΈχουν εφαρμοστεί αλγόριθμοι ανάστροφης και άμεσης επιλογής βήμα προς βήμα. Επιπλέον, ο νευρογενετικός αλγόριθμος για την επιλογή δεδομένων εισόδου συνδυάζει τις δυνατότητες των γενετικών αλγορίθμων και PNN/GRNN (PNN - πιθανοτικά νευρωνικά δίκτυα, GRNN - νευρωνικά δίκτυα γενικευμένης παλινδρόμησης)για αυτόματη αναζήτηση βέλτιστων συνδυασμών μεταβλητών εισόδου, συμπεριλαμβανομένων των περιπτώσεων όπου υπάρχουν συσχετίσεις και μη γραμμικές εξαρτήσεις μεταξύ τους. Σχεδόν στιγμιαία ταχύτητα εκμάθησης Αλγόριθμος PNN/GRNNόχι μόνο καθιστά δυνατή την υποβολή αίτησης Νευρογενετικός αλγόριθμος για την επιλογή δεδομένων εισόδου, αλλά σας επιτρέπει επίσης (χρησιμοποιώντας τα διαθέσιμα Συντάκτηςδεδομένα συστήματος STATISTICA Νευρωνικά Δίκτυαβολικά μέσα για την καταστολή ασήμαντων μεταβλητών) διεξάγετε τα δικά σας πειράματα σχετικά με την ευαισθησία δεδομένων σε πραγματικό χρόνο. STATISTICA Νευρωνικά Δίκτυαπεριέχει επίσης ένα ενσωματωμένο σύστημα Ανάλυση Κύριων Στοιχείων (PCA και συσχετιστικά δίκτυα για "μη γραμμική PCA"), που σας επιτρέπει να μειώσετε τη διάσταση των δεδομένων προέλευσης. Σημειώστε ότι μια τεράστια ποικιλία στατιστικών μεθόδων για τη μείωση της διάστασης των δεδομένων είναι διαθέσιμη στο βασικό σύστημα ΣΤΑΤΙΣΤΙΚΗ.

Κλιμάκωση δεδομένων και μετατροπή ονομαστικής αξίας:

• Πριν εισαχθούν δεδομένα στο δίκτυο, πρέπει να προετοιμαστούν με συγκεκριμένο τρόπο. Είναι εξίσου σημαντικό τα δεδομένα εξόδου να μπορούν να ερμηνεύονται σωστά. ΣΕ STATISTICA Νευρωνικά Δίκτυαυπάρχει η δυνατότητα αυτόματης κλιμάκωσης των δεδομένων εισόδου και εξόδου (συμπεριλαμβανομένης της κλίμακας κατά ελάχιστες/μέγιστες τιμές και κατά μέσο όρο/τυπική απόκλιση). Οι μεταβλητές με ονομαστικές τιμές μπορούν επίσης να επανακωδικοποιηθούν αυτόματα (για παράδειγμα, Gender=(Male, Female)), συμπεριλαμβανομένης της μεθόδου κωδικοποίησης 1-of-N. STATISTICA Νευρωνικά Δίκτυαπεριέχει επίσης εργαλεία για την εργασία με δεδομένα που λείπουν. Εφαρμόστηκαν λειτουργίες κανονικοποίησης όπως π.χ "ενιαία ποσότητα", "Ο νικητής τα παίρνει όλα"Και "διάνυσμα μονάδας μήκους". Υπάρχουν εργαλεία προετοιμασίας και ερμηνείας δεδομένων ειδικά σχεδιασμένα για ανάλυση χρονοσειρών. Μια μεγάλη ποικιλία παρόμοιων εργαλείων εφαρμόζεται επίσης στο βασικό σύστημα ΣΤΑΤΙΣΤΙΚΗ.
• Σε προβλήματα ταξινόμησης, είναι δυνατό να οριστούν διαστήματα εμπιστοσύνης που STATISTICA Νευρωνικά ΔίκτυαΣτη συνέχεια χρησιμοποιείται για την ανάθεση παρατηρήσεων σε μια ή την άλλη τάξη. Σε συνδυασμό με ειδικό εφαρμοσμένο σε STATISTICA Νευρωνικά Δίκτυαλειτουργία ενεργοποίησης Softmaxκαι συναρτήσεις σφάλματος διασταυρούμενης εντροπίας, αυτό παρέχει μια θεμελιώδη θεωρητική προσέγγιση πιθανοτήτων στα προβλήματα ταξινόμησης.

Επιλέγοντας ένα μοντέλο νευρωνικών δικτύων, σύνολα δικτύου

Η ποικιλία των μοντέλων νευρωνικών δικτύων και οι πολλές παράμετροι που πρέπει να οριστούν (μέγεθος δικτύου, παράμετροι αλγορίθμου εκμάθησης κ.λπ.) μπορεί να μπερδέψουν ορισμένους χρήστες (γι' αυτό υπάρχει Οδηγός λύσης, το οποίο μπορεί να αναζητήσει αυτόματα μια κατάλληλη αρχιτεκτονική δικτύου οποιασδήποτε πολυπλοκότητας).

Το σύστημα Νευρωνικών Δικτύων STATISTICA υλοποιεί όλους τους κύριους τύπους νευρωνικών δικτύων που χρησιμοποιούνται για την επίλυση πρακτικών προβλημάτων, όπως:

• πολυστρωματικά perceptrons (δίκτυα με άμεση μετάδοση σήματος).
• δίκτυα που βασίζονται σε συναρτήσεις ακτινικής βάσης.
• αυτοοργάνωση χαρτών Kohonen.
• Πιθανολογικά (Bayesian) νευρωνικά δίκτυα.
• νευρωνικά δίκτυα γενικευμένης παλινδρόμησης.
• δίκτυα κύριας συνιστώσας·
• δίκτυα για ομαδοποίηση·
• γραμμικά δίκτυα.

Επίσης, στο σύστημα STATISTICA Νευρωνικά Δίκτυαεφαρμόστηκε Σύνολα δικτύου, που σχηματίζονται από τυχαίους (αλλά σημαντικούς) συνδυασμούς των παραπάνω δικτύων. Ένα άλλο εύχρηστο χαρακτηριστικό είναι ότι μπορείτε να συνδέσετε δίκτυα μεταξύ τους, ώστε να εκτελούνται διαδοχικά. Αυτό είναι χρήσιμο στην προεπεξεργασία για την εύρεση λύσεων με ελάχιστο κόστος.

Στη συσκευασία STATISTICA Νευρωνικά ΔίκτυαΠολλά εργαλεία είναι διαθέσιμα για να βοηθήσουν τον χρήστη να επιλέξει την κατάλληλη αρχιτεκτονική δικτύου. Τα στατιστικά και γραφικά εργαλεία του συστήματος περιλαμβάνουν ιστογράμματα, πίνακες και γραφήματα σφαλμάτων για ολόκληρο τον πληθυσμό και για μεμονωμένες παρατηρήσεις, τελικά δεδομένα για σωστή/λανθασμένη ταξινόμηση, και όλα τα σημαντικά στατιστικά στοιχεία - για παράδειγμα, επεξηγημένη αναλογία διακύμανσης - υπολογίζονται αυτόματα.

Για να οπτικοποιήσετε δεδομένα σε ένα πακέτο STATISTICA Νευρωνικά ΔίκτυαΤα Scatterplots και οι επιφάνειες απόκρισης 3D υλοποιούνται για να βοηθήσουν τον χρήστη να κατανοήσει τη «συμπεριφορά» του δικτύου.
Φυσικά, μπορείτε να χρησιμοποιήσετε οποιαδήποτε πληροφορία ληφθεί από τις αναφερόμενες πηγές για περαιτέρω ανάλυση με άλλα μέσα. ΣΤΑΤΙΣΤΙΚΗ, καθώς και για μετέπειτα συμπερίληψη σε αναφορές ή για προσαρμογή.

STATISTICA Νευρωνικά Δίκτυαθυμάται αυτόματα την καλύτερη επιλογή δικτύου από αυτές που λάβατε κατά τον πειραματισμό με την εργασία και μπορείτε να ανατρέξετε σε αυτήν ανά πάσα στιγμή. Η χρησιμότητα του δικτύου και η προγνωστική του ικανότητα ελέγχονται αυτόματα σε ένα ειδικό σύνολο δοκιμών παρατηρήσεων, καθώς και με εκτίμηση του μεγέθους του δικτύου, της αποτελεσματικότητάς του και του κόστους λανθασμένης ταξινόμησης. Εφαρμόστηκε σε STATISTICA Νευρωνικά Δίκτυααυτόματες διαδικασίες διασταυρούμενης επικύρωσης και τακτοποίησης Ζυγαριά Wigendσας επιτρέπει να ανακαλύψετε γρήγορα εάν το δίκτυό σας είναι ανεπαρκές ή, αντίθετα, πολύ περίπλοκο για μια δεδομένη εργασία.

Για να βελτιώσετε την απόδοση στη συσκευασία STATISTICA Νευρωνικά ΔίκτυαΠαρουσιάζονται πολυάριθμες επιλογές διαμόρφωσης δικτύου. Έτσι, μπορείτε να καθορίσετε ένα επίπεδο δικτύου γραμμικής εξόδου σε προβλήματα παλινδρόμησης ή μια συνάρτηση ενεργοποίησης softmax σε προβλήματα πιθανολογικής εκτίμησης και ταξινόμησης. Εάν τα δεδομένα σας έχουν πολλά ακραία σημεία, τότε κατά την εκπαίδευση του δικτύου, μπορείτε να αντικαταστήσετε την τυπική συνάρτηση σφάλματος με μια λιγότερο ευαίσθητη συνάρτηση "πόλεις". Το σύστημα εφαρμόζει επίσης συναρτήσεις σφάλματος διασταυρούμενης εντροπίας βασισμένες σε μοντέλα θεωρίας πληροφοριών και σε μια σειρά από ειδικές λειτουργίεςενεργοποιήσεις, συμπεριλαμβανομένων: σκαλοπατιού, πριονωτή και ημιτονοειδούς.

Solution Wizard (αξιολογεί αυτόματα το πρόβλημα και επιλέγει πολλά δίκτυα διαφορετικών αρχιτεκτονικών):

• Μέρος της συσκευασίας STATISTICA Νευρωνικό Δίκτυο s είναι Solution Wizard - Έξυπνος Επίλυση προβλημάτων, το οποίο αξιολογεί πολλά νευρωνικά δίκτυα διαφόρων αρχιτεκτονικών και πολυπλοκότητας και επιλέγει τα δίκτυα της καλύτερης αρχιτεκτονικής για μια δεδομένη εργασία.
• Κύριοςείναι σε θέση να δημιουργήσει δίκτυα για δεδομένα με ανεξάρτητες παρατηρήσεις (τυπικά δίκτυα παλινδρόμησης, δίκτυα ταξινόμησης ή μικτά), καθώς και δίκτυα σχεδιασμένα να προβλέψουν μελλοντικές τιμές μιας συγκεκριμένης μεταβλητής με βάση τις υπάρχουσες τιμές της ίδιας μεταβλητής (χρόνος δίκτυα σειράς).
• Κατά τη δημιουργία ενός νευρωνικού δικτύου, αφιερώνεται σημαντικός χρόνος για την επιλογή των κατάλληλων μεταβλητών και τη βελτιστοποίηση της αρχιτεκτονικής του δικτύου χρησιμοποιώντας ευρετική αναζήτηση. STATISTICA Νευρωνικά Δίκτυααναλαμβάνει αυτό το έργο και εκτελεί αυτόματα την ευρετική αναζήτηση για εσάς. Αυτή η διαδικασία λαμβάνει υπόψη τη διάσταση εισόδου, τον τύπο δικτύου, τις διαστάσεις δικτύου και τις απαιτούμενες λειτουργίες κωδικοποίησης εξόδου.
• Κατά τη διάρκεια της αναζήτησης, μπορείτε να ορίσετε τον αριθμό των απαντήσεων που λαμβάνονται κατά τη διάρκεια της εκπαιδευτικής διαδικασίας. Όταν ρυθμίζετε τη λειτουργία μέγιστης λεπτομέρειας Οδηγός λύσηςΘα εμφανίζει την αρχιτεκτονική και τα επίπεδα ποιότητας για κάθε δίκτυο που ελέγχεται.
• Οδηγός λύσηςείναι ένα εξαιρετικά αποτελεσματικό εργαλείο όταν χρησιμοποιείτε πολύπλοκες τεχνικές, επιτρέποντάς σας να βρίσκετε αυτόματα την καλύτερη αρχιτεκτονική δικτύου. Αντί να περάσετε πολλές ώρες καθισμένοι μπροστά στον υπολογιστή, αφήστε το σύστημα STATISTICA Νευρωνικά Δίκτυακάνε αυτή τη δουλειά για σένα.
• Αυτόματος κατασκευαστής δικτύουμπορεί επίσης να χρησιμοποιηθεί κατά την ανάπτυξη μοντέλου όταν η ενότητα STATISTICA Νευρωνικά Δίκτυα,μαζί με άλλες μονάδες του βασικού συστήματος ΣΤΑΤΙΣΤΙΚΗ, χρησιμοποιείται για τον προσδιορισμό των πιο σημαντικών μεταβλητών (για παράδειγμα, τους καλύτερους προγνωστικούς παράγοντες για τη μετέπειτα συμπερίληψη και δοκιμή τους σε οποιοδήποτε μοντέλο Μη γραμμική εκτίμηση).

Εκπαίδευση νευρωνικών δικτύων:

• Η επιτυχία των πειραμάτων σας για την εύρεση του καλύτερου τύπου και αρχιτεκτονικής δικτύου εξαρτάται σημαντικά από την ποιότητα και την ταχύτητα των αλγορίθμων εκμάθησης δικτύου. Στο σύστημα STATISTICA Νευρωνικά ΔίκτυαΈχουν εφαρμοστεί οι καλύτεροι αλγόριθμοι εκπαίδευσης μέχρι σήμερα.
• Για την εκπαίδευση πολυστρωματικών perceptrons στο σύστημα STATISTICA Νευρωνικά ΔίκτυαΠρώτα απ 'όλα, εφαρμόζεται η μέθοδος backpropagation - με χρονικά μεταβαλλόμενο ρυθμό εκμάθησης και συντελεστή αδράνειας, ανάμειξη παρατηρήσεων πριν από το επόμενο βήμα του αλγορίθμου και προσθήκη πρόσθετου θορύβου για ισχυρή γενίκευση. Επιπλέον, στο σύστημα STATISTICA Νευρωνικά Δίκτυαέχουν εφαρμοστεί δύο γρήγοροι αλγόριθμοι δεύτερης τάξης - μέθοδοι συζυγούς κλίσης και Levenberg-Marquard. Ο τελευταίος είναι ένας εξαιρετικά ισχυρός σύγχρονος αλγόριθμος μη γραμμικής βελτιστοποίησης και οι ειδικοί συνιστούν ανεπιφύλακτα τη χρήση του. Ταυτόχρονα, το πεδίο εφαρμογής αυτής της μεθόδου περιορίζεται σε περιπτώσεις δικτύων σχετικά μικρού μεγέθους με έναν νευρώνα εξόδου και για πιο δύσκαμπτες εργασίες στο πακέτο STATISTICA Νευρωνικά ΔίκτυαΥπάρχει μια μέθοδος συζυγούς κλίσης. Τυπικά, και οι δύο αλγόριθμοι συγκλίνουν πιο γρήγορα από την αντίστροφη διάδοση και συνήθως παράγουν μια καλύτερη λύση.
• Επαναληπτική διαδικασία εκπαίδευσης δικτύου στο σύστημα STATISTICA Νευρωνικά Δίκτυασυνοδεύεται από αυτόματη εμφάνιση του τρέχοντος σφάλματος εκπαίδευσης και του σφάλματος που υπολογίζεται ανεξάρτητα από αυτό στο σετ δοκιμών και εμφανίζεται επίσης ένα γράφημα του συνολικού σφάλματος. Μπορείτε να διακόψετε την προπόνηση ανά πάσα στιγμή πατώντας απλά ένα κουμπί. Επιπλέον, είναι δυνατό να οριστούν συνθήκες διακοπής, υπό τις οποίες θα διακοπεί η εκπαίδευση. μια τέτοια συνθήκη μπορεί να είναι, για παράδειγμα, η επίτευξη ενός συγκεκριμένου επιπέδου σφάλματος ή μια σταθερή αύξηση του σφάλματος δοκιμής σε έναν δεδομένο αριθμό περασμάτων - "εποχές" (που υποδηλώνει τη λεγόμενη επανεκπαίδευση του δικτύου). Εάν συμβεί υπερβολική προσαρμογή, ο χρήστης δεν θα πρέπει να ενδιαφέρεται: STATISTICA Νευρωνικά Δίκτυαθυμάται αυτόματα το παράδειγμα καλύτερο δίκτυοπου λαμβάνεται κατά τη διάρκεια της διαδικασίας εκπαίδευσης και μπορείτε πάντα να έχετε πρόσβαση σε αυτήν την επιλογή δικτύου κάνοντας κλικ στο αντίστοιχο κουμπί. Μετά την ολοκλήρωση της εκπαίδευσης δικτύου, μπορείτε να ελέγξετε την ποιότητα της εργασίας του σε ένα ξεχωριστό σετ δοκιμών.
• Στη συσκευασία STATISTICA Νευρωνικά ΔίκτυαΈνας αριθμός αλγορίθμων εκμάθησης έχει επίσης εφαρμοστεί για άλλα δίκτυα άλλων αρχιτεκτονικών. Οι παράμετροι των ακτινικών γραμμών και οι συντελεστές εξομάλυνσης για δίκτυα που βασίζονται σε συνάρτηση ακτινικής βάσης και δίκτυα γενικευμένης παλινδρόμησης μπορούν να επιλεγούν χρησιμοποιώντας αλγόριθμους όπως: Προπόνηση Kohonen, υποδείγμα, Μέθοδος K-means, ισοτροπία και μέθοδοι πλησιέστερου γείτονα. Οι νευρώνες του στρώματος γραμμικής εξόδου των δικτύων που βασίζονται σε συνάρτηση ακτινικής βάσης, όπως αυτοί των γραμμικών δικτύων, είναι πλήρως βελτιστοποιημένοι μέθοδος αποσύνθεσης μοναδικής τιμής (SVD)..
• Δημιουργία δομών υβριδικού δικτύου. Στο σύστημα STATISTICA Νευρωνικά ΔίκτυαΕίναι δυνατή η δημιουργία δικτύων μικτής δομής. Για παράδειγμα, σε ένα τροποποιημένο δίκτυο που βασίζεται σε μια συνάρτηση ακτινικής βάσης, το πρώτο στρώμα νευρώνων μπορεί να εκπαιδευτεί από Αλγόριθμος KohonenΑ, και το δεύτερο - μη γραμμικό στρώμα - μέθοδος Levenberg-Marquard.

Δοκιμή νευρωνικών δικτύων:

• Αφού εκπαιδευτεί το δίκτυο, πρέπει να ελέγξετε την ποιότητα της εργασίας του και να προσδιορίσετε τα χαρακτηριστικά του. Για το σκοπό αυτό στη συσκευασία STATISTICA Νευρωνικά ΔίκτυαΥπάρχει ένα σύνολο στατιστικών και γραφικών εργαλείων επί της οθόνης.
• Σε περίπτωση που καθορίζονται πολλά μοντέλα (δίκτυα και σύνολα), τότε (εάν είναι δυνατόν) STATISTICA Νευρωνικό ΔίκτυοΤο s θα εμφανίζει συγκριτικά αποτελέσματα (για παράδειγμα, σχεδιάστε καμπύλες απόκρισης πολλών μοντέλων σε ένα γράφημα ή παρουσίαση προγνωστικών παραμέτρων πολλών μοντέλων σε έναν πίνακα). Αυτή η ιδιότητα είναι πολύ χρήσιμη για τη σύγκριση διαφορετικών μοντέλων που έχουν εκπαιδευτεί στο ίδιο σύνολο δεδομένων.
• Όλα τα στατιστικά στοιχεία υπολογίζονται χωριστά για τα σετ εκπαίδευσης, επικύρωσης και δοκιμών. Όλα τα βάρη και οι παράμετροι ενεργοποίησης είναι διαθέσιμα ως βολικό αρχείο κειμένου, το οποίο με ένα κλικ μπορεί να μετατραπεί σε πίνακα αποτελεσμάτων συστήματος ΣΤΑΤΙΣΤΙΚΗ. Τα πειραματικά αποτελέσματα για μεμονωμένες παρατηρήσεις ή για ολόκληρο το σύνολο δεδομένων μπορούν επίσης να προβληθούν σε μορφή πίνακα ΣΤΑΤΙΣΤΙΚΗκαι χρήση σε περαιτέρω αναλύσεις ή γραφήματα.
• Τα ακόλουθα συνοπτικά στατιστικά στοιχεία υπολογίζονται αυτόματα: το ριζικό μέσο τετραγωνικό σφάλμα του δικτύου, ο λεγόμενος πίνακας ασυμφωνίας (μήτρα σύγχυσης)για προβλήματα ταξινόμησης (όπου συνοψίζονται όλες οι περιπτώσεις σωστής και λανθασμένης ταξινόμησης) και η αναλογία επεξηγημένης παλινδρόμησης για προβλήματα παλινδρόμησης. Δίκτυο Kohonenέχει παράθυρο Τοπολογικός χάρτης, στο οποίο μπορείτε να παρατηρήσετε οπτικά την ενεργοποίηση στοιχείων δικτύου, καθώς και να αλλάξετε τις ετικέτες των παρατηρήσεων και των κόμβων στη διαδικασία ανάλυσης δεδομένων. Υπάρχει επίσης ένα παράθυρο Win Frequency που σας επιτρέπει να εντοπίζετε άμεσα συμπλέγματα σε έναν τοπολογικό χάρτη. Ανάλυση συστάδωνμπορεί να εκτελεστεί χρησιμοποιώντας έναν συνδυασμό ενός τυπικού δικτύου αρχιτεκτονικής με ένα ειδικό διάγραμμα συστάδων συστήματος STATISTICA Νευρωνικά Δίκτυα. Για παράδειγμα, μπορείτε να εκπαιδεύσετε ένα δίκτυο για ανάλυση κύριου στοιχείου και να σχηματίσετε γραφικά τα δεδομένα όπως προβάλλονται στα δύο πρώτα στοιχεία.

Επεξεργασία, τροποποίηση και σειριακή σύνδεση νευρωνικών δικτύων

Στο σύστημα STATISTICA Νευρωνικά ΔίκτυαΥπάρχουν έξυπνα εργαλεία που σας επιτρέπουν να αποκόψετε κομμάτια από υπάρχοντα δίκτυα και να συνδέσετε πολλά δίκτυα μεταξύ τους. Έτσι, μπορείτε να αφαιρέσετε ή να προσθέσετε μεμονωμένους νευρώνες, να αφαιρέσετε ένα ολόκληρο στρώμα από το δίκτυο και δίκτυα που είναι συνεπή ως προς τον αριθμό των εισόδων/εξόδων μπορούν να συνδεθούν διαδοχικά μεταξύ τους. Χάρη σε αυτά τα χαρακτηριστικά, το πακέτο STATISTICA Νευρωνικά Δίκτυασας επιτρέπει να χρησιμοποιείτε εργαλεία όπως η μείωση διαστάσεων (κατά την προεπεξεργασία) χρησιμοποιώντας συσχετιστικά δίκτυα και έναν πίνακα απώλειας (για τη λήψη αποφάσεων με τις λιγότερες απώλειες). Ο πίνακας απώλειας χρησιμοποιείται αυτόματα κατά την εργασία με πιθανολογικά νευρωνικά δίκτυα.

Έτοιμες λύσεις (προσαρμοσμένες εφαρμογές που χρησιμοποιούν τα νευρωνικά δίκτυα STATISTICA):

• Απλή και βολική διεπαφή συστήματος STATISTICA Νευρωνικά Δίκτυασας επιτρέπει να δημιουργείτε γρήγορα εφαρμογές νευρωνικών δικτύων για να λύσετε τα προβλήματά σας.
• Μπορεί να υπάρχει μια κατάσταση όπου είναι απαραίτητο να ενσωματωθούν αυτές οι λύσεις σε ένα υπάρχον σύστημα, για παράδειγμα, για να γίνουν μέρος ενός ευρύτερου υπολογιστικού περιβάλλοντος (αυτές μπορεί να είναι διαδικασίες που αναπτύσσονται χωριστά και ενσωματώνονται στο εταιρικό υπολογιστικό σύστημα).
• Τα εκπαιδευμένα νευρωνικά δίκτυα μπορούν να εφαρμοστούν σε νέα σύνολα δεδομένων (για πρόβλεψη) με διάφορους τρόπους: Μπορείτε να αποθηκεύσετε το εκπαιδευμένο δίκτυο ή σύνολο δικτύων (για παράδειγμα, να υπολογίσετε μια μέση πρόβλεψη με βάση πολλαπλές αρχιτεκτονικές) και στη συνέχεια να το εφαρμόσετε σε ένα νέο σύνολο δεδομένων ( για πρόβλεψη, προβλεπόμενη ταξινόμηση ή πρόβλεψη). Μπορείτε να χρησιμοποιήσετε μια γεννήτρια κώδικα για να δημιουργήσετε αυτόματα κώδικα προγράμματος σε μια γλώσσα C (C++, C#)ή Visual Basicκαι περαιτέρω χρησιμοποιήστε το για να προβλέψετε νέα δεδομένα σε οποιοδήποτε περιβάλλον λογισμικού Visual Basic ή C++ (C#), δηλ. εφαρμόστε ένα πλήρως εκπαιδευμένο νευρωνικό δίκτυο στην εφαρμογή σας. Εν κατακλείδι, όλη η λειτουργικότητα του συστήματος ΣΤΑΤΙΣΤΙΚΗ, συμπεριλαμβανομένου STATISTICA Νευρωνικά Δίκτυαμπορεί να χρησιμοποιηθεί ως Αντικείμενα COM (Component Object Model)σε άλλες εφαρμογές (για παράδειγμα, Java, MS Excelκαι τα λοιπά.). Για παράδειγμα, μπορείτε να εφαρμόσετε αυτοματοποιημένες αναλύσεις που δημιουργήθηκαν στο STATISTICA Νευρωνικά Δίκτυασε τραπέζια MS Excel.

Λίστα αλγορίθμων εκμάθησης:

• Ο πίσω πολλαπλασιασμός;
• Levenberg-Marquard;
• Συζευγμένες κλίσεις;
• Οιονεί Νευτώνεια;
• Ταχεία εξάπλωση.
• Δέλτα-δέλτα-με-μπάρα;
• Ψευδο-αντίστροφο;
• Kohonen Εκπαίδευση;
• Σήμανση κοντινών τάξεων.
• Κβαντιστής φορέας εκπαίδευσης;
• Ακτινική (υπο)δειγματοληψία.
• Μέθοδος K-means;
• Μέθοδος K-Nearest Neighbors (KNN).
• Ρύθμιση ισοτροπικών αποκλίσεων.
• Ορισμός εμφανών αποκλίσεων.
• Πιθανολογικό νευρωνικό δίκτυο;
• Νευρωνικό δίκτυο γενικευμένης παλινδρόμησης;
• Γενετικός αλγόριθμος για την επιλογή δεδομένων εισόδου.
• Βήμα-βήμα άμεση ή αντίστροφη επιλογή των δεδομένων εισόδου.

Απαιτήσεις συστήματος

Σύστημα STATISTICA Νευρωνικά Δίκτυαμπορεί να λειτουργήσει ακόμη και σε σχετικά αδύναμους ή παλιούς υπολογιστές. Ωστόσο, δεδομένου ότι πολλές από τις διαδικασίες του πακέτου είναι υπολογιστικά εντατικές, συνιστάται ανεπιφύλακτα η χρήση του Επεξεργαστής Pentium με 32 megabyte RAM.

Περιορισμοί μεγέθους δικτύου:

• Ένα νευρωνικό δίκτυο μπορεί να είναι σχεδόν οποιουδήποτε μεγέθους (δηλαδή, οι διαστάσεις του μπορούν να ληφθούν πολλές φορές μεγαλύτερες από ό,τι είναι πραγματικά απαραίτητο και λογικό). Επιτρέπονται έως και 128 επίπεδα χωρίς περιορισμούς στον αριθμό των νευρώνων. Στην πραγματικότητα, για οποιεσδήποτε πρακτικές εργασίες το πρόγραμμα περιορίζεται μόνο από τις δυνατότητες υλικού του υπολογιστή.

Ηλεκτρονικό Εγχειρίδιο:

• Ως μέρος του συστήματος STATISTICA Νευρωνικά Δίκτυαυπάρχει ένα καλά εικονογραφημένο εγχειρίδιο που παρέχει μια πλήρη και ξεκάθαρη εισαγωγή στα νευρωνικά δίκτυα, καθώς και παραδείγματα. Ένα σύστημα λεπτομερούς βοήθειας με ευαισθησία στο πλαίσιο είναι διαθέσιμο από οποιοδήποτε παράθυρο διαλόγου.

Πρόγραμμα δημιουργίας πηγαίου κώδικα:

• Γεννήτρια πηγαίος κώδικαςείναι ένα επιπλέον προϊόν που επιτρέπει στους χρήστες να δημιουργούν εύκολα τις δικές τους εφαρμογές με βάση το σύστημα STATISTICA Νευρωνικά Δίκτυα. Αυτό το πρόσθετο προϊόν δημιουργεί τον πηγαίο κώδικα συστήματος για το μοντέλο νευρωνικού δικτύου (ως αρχείο σε C, C++, C#), το οποίο μπορεί να μεταγλωττιστεί ξεχωριστά και να ενσωματωθεί στο πρόγραμμά σας για δωρεάν διανομή. Αυτό το προϊόν έχει σχεδιαστεί ειδικά για προγραμματιστές εταιρικών συστημάτων, καθώς και για εκείνους τους χρήστες που πρέπει να μεταμορφώσουν εξαιρετικά βελτιστοποιημένες διαδικασίες που δημιουργούνται σε STATISTICA Νευρωνικά Δίκτυασε εξωτερικές εφαρμογές για την επίλυση πολύπλοκων αναλυτικών προβλημάτων.

Οι μέθοδοι νευρωνικών δικτύων γίνονται όλο και πιο διαδεδομένες σε ποικίλα πεδία.

Βιομηχανία:

• Διαχείριση διεργασιών (ιδιαίτερα παρακολούθηση παραγωγικών διαδικασιών με συνεχή ρύθμιση παραμέτρων ελέγχου).
• Ταξινόμηση δειγμάτων καυσίμων (τμηματοποίηση βαθμών καυσίμων με βάση την ανάλυση των φασμάτων τους).
• Τεχνικά διαγνωστικά (χρησιμοποιήστε κραδασμούς και θόρυβο για τον εντοπισμό βλαβών στο μηχανισμό σε πρώιμο στάδιο και την πραγματοποίηση προληπτικών επισκευών).
• Συστήματα ελέγχου κινητήρα (εκτίμηση και έλεγχος κατανάλωσης καυσίμου με χρήση δεδομένων αισθητήρων).
• Συστήματα ανιχνευτών μεταγωγής σε πραγματικό χρόνο στη φυσική. Τα νευρωνικά δίκτυα είναι ανθεκτικά στο θόρυβο και επιτρέπουν τη χρήση ισχυρών μοτίβων σε φυσικά δεδομένα με μεγάλο στατιστικό θόρυβο.

Εμπορία:

• Πρόβλεψη τιμών χρυσού;
• Πρόβλεψη τιμών για τις πρώτες ύλες.
• Εμπόριο με απευθείας ταχυδρομείο.

Χρηματοδότηση:

• Εκτίμηση της πιστοληπτικής ικανότητας (το κλασικό καθήκον είναι να καθοριστεί από προσωπικά δεδομένα εάν ένας συγκεκριμένος δανειολήπτης είναι αξιόπιστος).
• Πρόβλεψη οικονομικών χρονοσειρών.

Γεωλογική εξερεύνηση:

• Αύξηση της αποτελεσματικότητας της διαδικασίας εξόρυξης (εντοπισμός σημαντικών παραγόντων που επηρεάζουν τους δείκτες απόδοσης εξόρυξης).

Άλλοι κλάδοι:

• Οπτική αναγνώριση χαρακτήρων, συμπεριλαμβανομένης της αναγνώρισης υπογραφής.
• ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ;
• Πρόβλεψη χαοτικών χρονοσειρών.
• Ιατρική διάγνωση;
• Σύνθεση ομιλίας;
• Γλωσσική ανάλυση.