آمار کار آزمایشگاهی شبکه های عصبی. STATISTICA شبکه های عصبی خودکار شبکه های عصبی خودکار. آمار شبکه های عصبی در محاسبات شبکه های عصبی

در طول یک سابقه مشخص از نظارت بر بیماران، مجموعه ای از داده ها جمع آوری شده و در یک جدول در سیستم STATISTICA ذخیره می شود. جدول داده های مربوطه در شکل 6 نشان داده شده است.

شکل 6. بخشی از جدول داده های منبع

هدف از این مطالعه ایجاد یک مدل شبکه عصبی است که بر اساس مجموعه داده‌های اولیه (داده‌های معاینه بیمار، نتایج آزمایش، درمان قبل از پذیرش)، بر اساس درمان تجویز شده در بیمارستان، پیش‌آگهی برای بیمار ایجاد کند. درمان (مقادیر پذیرش در بیمارستان I-APFARA، BAB، BKK، دیورتیک ها، داروهای مرکزی) با دقت کافی.

این واقعیت که مسئله غیرخطی است شکی نیست. البته، می‌توان با استفاده از ماژول تخمین غیرخطی STATISTICA، یعنی با استفاده از روش‌های تکراری ارائه‌شده توسط این ماژول برای "دست زدن" به نوع تابع، مشکل را حل کرد. با این حال، تعدادی از مشکلات در اینجا وجود دارد که به طور قابل توجهی روند یافتن راه حل را گسترش می دهد. مهم ترین آنها، تدوین فرضیه ای در مورد شکل صریح وابستگی مورد مطالعه است که اصلاً واضح نیست.

بدون تحقیقات اضافی، گفتن چیزی در مورد نوع آشکار وابستگی دشوار است. ضمناً لازم به ذکر است که ما یک عامل بیشتر را در نظر نگرفتیم. به طور کلی، حل چنین مشکلی با استفاده از روش‌های تخمین غیرخطی می‌تواند زمان بسیار زیادی طول بکشد، یا ممکن است به چیزی منجر نشود. در چنین شرایط بحرانی که معلوم است که

بین متغیرها رابطه وجود دارد.

رابطه قطعا غیرخطی است.

گفتن چیزی در مورد شکل آشکار وابستگی دشوار است،

الگوریتم های شبکه عصبی کمک می کند. بیایید راهی برای حل این مشکل در ماژول شبکه های عصبی STATISTICA در نظر بگیریم.

متأسفانه، هیچ قانون جهانی وجود ندارد که نشان دهد کدام توپولوژی شبکه عصبی باید برای حل یک مشکل خاص دنبال شود. بنابراین، یک رویه منطقی برای یافتن شبکه مناسب ضروری است.

ماژول شبکه های عصبی سیستم STATISTICA شامل رویه ای است که جستجو برای پیکربندی شبکه مورد نظر را سازماندهی می کند. این روش شامل ساخت و آزمایش تعداد زیادی شبکه با معماری های مختلف و سپس انتخاب از بین آنها شبکه ای است که برای حل مشکل داده شده مناسب تر است. این ابزار حل‌ال مشکلات هوشمند نام دارد. برای راه اندازی ماژول شبکه های عصبی باید از دستوری به همین نام در منوی اصلی سیستم آماری STATISTICA استفاده کنید. (شکل 7)

شکل 7. راه اندازی ماژول شبکه های عصبی

پایان نامه زیر بسیار رایج است: «شبکه های عصبی هستند ساختار جهانیاجازه دهید هر الگوریتمی را پیاده سازی کنید." بیایید سعی کنیم، با باور کورکورانه این جمله، یک شبکه عصبی بسازیم که وابستگی پیشنهادی را فوراً "گیر" کند (یعنی بدون تحلیل اکتشافی اولیه).

یکی از مهمترین مسائلی که هنوز توسط علم مدرن حل نشده است، مسئله ساختار شبکه عصبی است که قادر به بازتولید وابستگی غیرخطی چند بعدی مورد نظر است. در واقع، قضیه کلموگروف در مورد کامل بودن، که او در سال 1957 ثابت کرد، بیان می کند که یک شبکه عصبی قادر به بازتولید هر تابع (بسیار مهم - پیوسته) است. با این حال، دستورالعملی برای ایجاد چنین شبکه ای به محقق ارائه نمی دهد. در سال 1988، تعدادی از نویسندگان قضیه کولموگروف را تعمیم دادند و نشان دادند که هر تابع پیوسته را می توان با یک شبکه عصبی سه لایه با یک لایه پنهان و یک الگوریتم پس انتشار با هر درجه ای از دقت تقریب زد. بنابراین، در مورد ما، جنبه مثبت این دانش است که شبکه باید سه لایه باشد، اما باز هم هیچ قاعده‌ای وجود ندارد که رابطه بین "هر درجه دقت" و تعداد نورون‌ها را در سطح میانی برقرار کند، بنابراین لایه پنهان نامیده می شود.

با خلاصه کردن تمام موارد فوق، متذکر می شویم که هیچ قانون جهانی وجود ندارد که نشان دهد کدام توپولوژی شبکه عصبی باید برای حل یک مشکل خاص دنبال شود. بنابراین، یک رویه منطقی برای یافتن شبکه مناسب ضروری است.

ماژول شبکه های عصبی سیستم STATISTICA شامل یک روش منحصر به فرد است که جستجو برای پیکربندی شبکه مورد نظر را سازماندهی می کند. این ابزار حل‌ال مشکلات هوشمند نام دارد. بیایید از این ابزار استفاده کنیم و شبکه عصبی را جستجو کنیم که بتواند مشکل ما را حل کند.

شکل 8. سکوی پرتاب ماژول شبکه های عصبی

در تب Quick این کادر محاوره ای در قسمت Problem Type پیشنهاد می شود کلاسی از مشکلاتی که با آن مواجه هستیم را انتخاب کنیم. هدف ما ایجاد یک رابطه چند متغیره یا به عبارت دیگر رگرسیون غیرخطی چند متغیره است. یعنی در قسمت Problem Type باید Regression را مشخص کنید.

پس از تصمیم گیری در مورد کلاس وظایف، لازم است متغیرهایی برای انجام تجزیه و تحلیل مشخص شود. برای انتخاب متغیرها از دکمه Variables استفاده کنید. وقتی روی این دکمه کلیک می کنید، کادر محاوره ای انتخاب ورودی (مستقل)، خروجی (وابسته) و متغیرهای انتخابگر ظاهر می شود. در این کادر محاوره ای، باید دو لیست از متغیرها را مشخص کنید. خروجی های پیوسته، در مورد ما، متغیرهای پذیرش در بیمارستان ACEI/ARB، پذیرش در بیمارستان BAB، پذیرش در بیمارستان BKK، پذیرش در بیمارستان دیورتیک ها و پذیرش در بیمارستان داروهای با اثر مرکزی هستند. ورودی های پیوسته، در مثال ما، از 1 تا 61 پارامتر اولیه هستند.

شکل 9. انتخاب متغیرها برای تجزیه و تحلیل

در بخش تجزیه و تحلیل انتخاب، دو گزینه وجود دارد: حل‌ال مشکل هوشمند و طراح شبکه سفارشی. برای انتخاب خودکار پارامترهای شبکه عصبی، اولین گزینه مورد نیاز است که به صورت پیش فرض تنظیم شده است. برای ادامه تجزیه و تحلیل، روی OK کلیک کنید.

در مرحله بعد کادر محاوره ای راه اندازی حل حل هوشمند هوشمند ظاهر می شود.

بخش Quick شامل گروهی از گزینه هاست که مسئولیت زمان اجرای الگوریتم جستجوی شبکه عصبی را بر عهده دارند. در این برگه باید تعداد شبکه هایی را که نیاز به تست دارند مشخص کنید (برای اطلاع از مناسب بودن آنها برای حل مشکل فرموله شده) و همچنین مشخص کنید که چه تعداد از این شبکه ها در گزارش نهایی گنجانده می شوند.

در بخش Networks tested ما 100 را نشان می دهیم، Networks Retained - 10 (شکل 10)

تب Types مشخص می کند که کدام نوع از شبکه های عصبی در فرآیند تست استفاده می شود. برای حل مشکل رگرسیون غیرخطی، یک پرسپترون چند لایه مناسب ترین است، بنابراین شبکه های مشخص شده در شکل 11 را انتخاب می کنیم.

شکل 10. تنظیم تعداد شبکه های مورد آزمایش

شکل 11. انتخاب یک معماری شبکه

در مرحله بعد، برای سازماندهی فرآیند جستجو و آزمایش، لازم است دامنه تغییرات تعداد نورون ها در هر لایه از شبکه عصبی مشخص شود. مقادیر توصیه شده برای این کار در شکل 12 نشان داده شده است.

شکل 12. نشان دادن اندازه نمونه های آموزشی، کنترل و آزمون

حال پس از تنظیم تمامی پارامترهای آموزشی، برای شروع روال جستجوی شبکه، باید بر روی OK کلیک کنید.

وضعیت الگوریتم جستجو در کادر محاوره ای IPS Training In Progress نمایش داده می شود.

در حالی که الگوریتم جستجو برای یک شبکه عصبی مناسب در حال اجرا است، این کادر محاوره ای اطلاعاتی در مورد زمان اجرای الگوریتم و همچنین در مورد شبکه های عصبی در نظر گرفته ارائه می دهد. هدف از الگوریتم جستجو، شمارش تعدادی از تنظیمات شبکه عصبی و انتخاب بهترین آنها از نظر حداقل خطا در خروجی شبکه و حداکثر عملکرد آن است.

بسیاری از مفاهیم مربوط به روش های شبکه عصبی با استفاده از یک برنامه شبکه عصبی خاص به عنوان مثال توضیح داده می شوند. بنابراین، در این بخش لینک های زیادی به بسته وجود خواهد داشت آمارشبکه های عصبی (به اختصار ST Neural Networks، یک بسته شبکه عصبی از StatSoft)، که اجرای کل مجموعه روش های شبکه عصبی برای تجزیه و تحلیل داده ها است.

در چند سال اخیر، ما شاهد افزایش علاقه به شبکه‌های عصبی بوده‌ایم که با موفقیت در زمینه‌های مختلف - تجارت، پزشکی، مهندسی، زمین‌شناسی، فیزیک استفاده می‌شوند. شبکه‌های عصبی هر جا که مشکلات پیش‌بینی، طبقه‌بندی یا کنترل نیاز به حل داشته باشند، وارد عمل شده‌اند. این موفقیت چشمگیر به چند دلیل است:

شبکه های عصبی یک روش مدل سازی بسیار قدرتمند هستند که می توانند وابستگی های بسیار پیچیده را بازتولید کنند. به طور خاص، شبکه های عصبی ماهیت غیرخطی دارند (مفهوم این مفهوم در ادامه این فصل به تفصیل توضیح داده می شود). برای سال‌های متمادی، مدل‌سازی خطی روش غالب مدل‌سازی در بیشتر زمینه‌ها بوده است، زیرا روش‌های بهینه‌سازی به خوبی برای آن توسعه یافته‌اند. در مسائلی که تقریب خطی رضایت بخش نیست (و تعداد آنها بسیار زیاد است)، مدل های خطی عملکرد ضعیفی دارند. علاوه بر این، شبکه‌های عصبی با «نفرین ابعاد» کنار می‌آیند، که اجازه مدل‌سازی وابستگی‌های خطی را در مورد تعداد زیادی متغیر نمی‌دهد.

شبکه های عصبی از مثال ها یاد می گیرند. کاربر شبکه عصبی داده های نماینده را انتخاب می کند و سپس یک الگوریتم یادگیری را اجرا می کند که به طور خودکار ساختار داده ها را یاد می گیرد. در این مورد، البته کاربر باید مجموعه ای از دانش اکتشافی در مورد نحوه انتخاب و تهیه داده ها، انتخاب معماری شبکه مورد نظر و تفسیر نتایج داشته باشد، اما سطح دانش مورد نیاز برای استفاده موفق از شبکه های عصبی. بسیار ساده تر از زمانی است که برای مثال از روش های آماری سنتی استفاده می شود.

شبکه های عصبی به طور شهودی جذاب هستند زیرا بر اساس یک مدل بیولوژیکی اولیه از سیستم های عصبی هستند. در آینده، توسعه چنین مدل‌های عصبی زیستی ممکن است به ایجاد رایانه‌هایی با تفکر واقعی منجر شود. در همین حال، شبکه‌های عصبی «ساده» که سیستم شبکه‌های عصبی ST می‌سازد، یک سلاح قدرتمند در زرادخانه متخصصان آمار کاربردی هستند (شبکه‌های عصبی. شبکه‌های عصبی آماری: روش‌شناسی و فناوری‌های تحلیل داده‌های مدرن.).

شبکه‌های عصبی از تحقیقات هوش مصنوعی پدید آمدند، یعنی تلاش‌هایی برای تکرار توانایی سیستم‌های عصبی بیولوژیکی برای یادگیری و تصحیح خطاها با شبیه‌سازی ساختار سطح پایین مغز (پترسون، 1996). حوزه اصلی تحقیق در هوش مصنوعی در دهه 60-80 سیستم های خبره بود. چنین سیستم‌هایی مبتنی بر مدل‌سازی سطح بالایی از فرآیند تفکر (به ویژه بر این ایده است که فرآیند تفکر ما بر اساس دستکاری نمادها ساخته شده است). خیلی زود مشخص شد که سیستم های مشابهاگرچه ممکن است در برخی زمینه ها مفید باشند، اما برخی از جنبه های کلیدی هوش انسانی را در بر نمی گیرند. یک دیدگاه این است که دلیل این امر این است که آنها قادر به بازتولید ساختار مغز نیستند. برای ایجاد هوش مصنوعی باید سیستمی با معماری مشابه ساخت.

مغز متشکل از تعداد بسیار زیادی (تقریباً 10،000،000،000) نورون است که با اتصالات متعددی به هم متصل شده اند (به طور متوسط ​​چندین هزار اتصال در هر نورون، اما این تعداد می تواند نوسانات زیادی داشته باشد). نورون ها سلول های خاصی هستند که قادر به انتقال سیگنال های الکتروشیمیایی هستند. یک نورون دارای ساختار شاخه ای از ورودی اطلاعات (دندریت)، هسته و خروجی منشعب (آکسون) است. آکسون های یک سلول با استفاده از سیناپس ها به دندریت سلول های دیگر متصل می شوند. هنگامی که یک نورون فعال می شود، سیگنال الکتروشیمیایی را در امتداد آکسون خود ارسال می کند. از طریق سیناپس ها، این سیگنال به نورون های دیگر می رسد که به نوبه خود می توانند فعال شوند. یک نورون زمانی فعال می شود که کل سیگنال هایی که از دندریت ها به هسته آن می رسند از یک سطح معین (آستانه فعال سازی) فراتر رود.

شدت سیگنال دریافتی توسط یک نورون (و در نتیجه امکان فعال شدن آن) به شدت به فعالیت سیناپس ها بستگی دارد. هر سیناپس یک طول دارد و مواد شیمیایی خاص سیگنالی را در طول آن ارسال می کنند. یکی از معتبرترین محققین سیستم عصبی، دونالد هب، فرض کرد که یادگیری عمدتاً شامل تغییرات در "قدرت" اتصالات سیناپسی است. به عنوان مثال، در آزمایش کلاسیک پاولوف، هر بار یک زنگ درست قبل از غذا دادن به سگ به صدا درآمد و سگ به سرعت یاد گرفت که زنگ زنگ را با غذا مرتبط کند. اتصالات سیناپسی بین نواحی قشر مغز که مسئول شنوایی هستند و غدد بزاقی تقویت شد و هنگامی که قشر مغز با صدای زنگ تحریک شد، سگ شروع به ترشح بزاق کرد.

بنابراین، مغز که از تعداد بسیار زیادی از عناصر بسیار ساده ساخته شده است (که هر کدام مجموع وزنی از سیگنال های ورودی را می گیرند و اگر کل ورودی از یک سطح معین بیشتر شود، یک سیگنال باینری ارسال می کند)، مغز قادر به حل مسائل بسیار پیچیده است. . البته، ما در اینجا به بسیاری از جنبه های پیچیده ساختار مغز اشاره نکرده ایم، اما آنچه جالب است مصنوعی استشبکه های عصبی می توانند با استفاده از مدلی که خیلی پیچیده تر از مدلی که در بالا توضیح داده شد، به نتایج قابل توجهی دست یابند.

بسته شبکه های عصبی آماری (SNN).

1. باز کردن فایل دیتا Series_gاز داده های موجود در بسته. این فایل حاوی یک متغیر واحد است که حجم ترافیک را طی چندین سال با ثبت داده های ماهانه تعیین می کند. (وقتی این فایل را باز می کنید تعدادی جدول مربوط به گزینه حل کننده هوشمند ظاهر می شود که در این مرحله باید بسته شود و فقط جدول داده منبع باقی بماند).
2. نوع متغیر "input – output" را به صورت زیر تنظیم کنید: متغیر را با کلیک بر روی سربرگ جدول انتخاب کنید، کلیک راست کرده و گزینه ای را از منو انتخاب کنید. ورودی خروجی.نام متغیر با رنگ سبز مشخص خواهد شد.
3. ايجاد كردن شبکه جدیدبا استفاده از کادر محاوره ای ایجاد شبکهبرای انجام این کار، پی در پی فشار دهید: فایل – جدید – شبکه.در صفحه مانیتور یک کادر محاوره ای وجود دارد (شکل 1).

برنج. 1. کادر محاوره ای ایجاد شبکه

در یک مشکل پیش‌بینی سری زمانی، شبکه باید بداند که چند نسخه از یک متغیر باید بگیرد و چقدر جلوتر باید مقدار متغیر را پیش‌بینی کند. در این کار، پارامتر را بپذیرید مراحل (پنجره زمانی)برابر با 12 زیرا داده ها مشاهدات ماهانه و پارامتر هستند نگاه کن- برابر با 1.

1. Multilayer Perceptron را به عنوان نوع شبکه انتخاب کنید و تعداد لایه های شبکه را روی 3 قرار دهید. پس از آن، روی دکمه Advice کلیک کنید، در نتیجه برنامه به طور خودکار تعداد نورون ها را در هر سه لایه شبکه تنظیم می کند: 12 - 6. – 1 (شکل 2).

برنج. 2. کادر محاوره ای پس از تنظیم پارامترهای شبکه

پس از آن دکمه را فشار دهید ايجاد كردن.

1. هنگامی که شبکه را ایجاد می کنید، SNN به طور خودکار 12 مشاهده اول در فایل داده را به تایپ Ignore اختصاص می دهد. در طول آموزش و بهره برداری بیشتر از شبکه در کار تجزیه و تحلیل سری های زمانی، هر بلوک داده ای که به ورودی آن ارائه می شود حاوی داده های مربوط به چندین مشاهدات است. کل بلوک به مشاهده ای اختصاص داده می شود که حاوی مقدار متغیر خروجی است. در نتیجه، 12 مشاهدات اول در واقع نادیده گرفته نمی شوند، بلکه ورودی های اولین بلوک داده های سری زمانی هستند که با مشاهده شماره 13 مطابقت دارد. در واقع برنامه یک مجموعه داده تبدیل شده می سازد که در آن تعداد مشاهدات 12 عدد کمتر است، اما داده های هر مشاهده از 13 خط متوالی فایل منبع گرفته شده است.

شبکه ایجاد شده در شکل نشان داده شده است. 3.

برنج. 3. پرسپترون سه لایه

1. در پنجره داده منبع "ویرایشگر مجموعه داده"مجموعه 66 آموزش (آموزش)و 66 کنترل (تایید)مشاهدات (شکل 4)، سپس دکمه را برای به هم زدن ردیف ها به صورت زیر فشار دهید: از طریق منو ویرایش – موارد – Shuffle – All (ویرایش – Cases – Shuffle – All).
2. شبکه را با استفاده از روش Levenberg-Marquard آموزش دهید، که برای آن باید کلیک کنید: قطار - تعلیم دادن – پرسپترون چندلایه – لونبرگ-مارکوارت (قطار – پرسپترون چندلایه – لونبرگ-مارکوارت).روند یادگیری چند ثانیه طول می کشد (بسته به نوع پردازنده). روش لونبرگ-مارکوارد یکی از الگوریتم های قابل اعتماد و سریع یادگیری است، اما استفاده از آن با محدودیت های خاصی همراه است:

برنج. 4. پنجره داده منبع با مشاهدات جدا شده

• این روش فقط برای شبکه هایی با یک عنصر خروجی قابل استفاده است.
• روش لونبرگ-مارکوارد به حافظه متناسب با مجذور تعداد وزن‌های شبکه نیاز دارد، بنابراین این روش برای شبکه‌ها مناسب نیست. سایز بزرگ(حدود 1000 وزن).
• این روش فقط برای تابع خطای ریشه میانگین مربع قابل استفاده است.

الگوریتم لونبرگ-مارکوارد برای به حداقل رساندن تابع خطای ریشه میانگین مربع طراحی شده است. نزدیک به حداقل نقطه، این فرض با دقت زیادی برقرار است، بنابراین الگوریتم بسیار سریع حرکت می کند. دور از حداقل، این فرض ممکن است درست نباشد، بنابراین روش بین مدل خطی و نزول گرادیان مصالحه پیدا می‌کند. یک گام تنها در صورتی برداشته می شود که خطا را کاهش دهد و در صورت لزوم از شیب نزول با یک پله به اندازه کافی کوچک برای اطمینان از پیشرفت استفاده می شود.

کادر محاوره ای روش Levenberg-Marquard در شکل نشان داده شده است. 5.

برنج. 5. کادر محاوره ای روش Levenberg-Marquard

عناصر اصلی پنجره:

• دوره‌ها (تعداد دوره‌ها)- تعداد دوره هایی را که در طی آن الگوریتم اجرا می شود را تنظیم می کند. در هر دوره، کل مجموعه تمرینی از طریق شبکه عبور داده می شود و سپس وزنه ها تنظیم می شوند.
• تأیید متقابل- هنگامی که موقعیت مشخص می شود، کیفیت نتیجه تولید شده توسط شبکه در هر دوره در برابر مجموعه کنترل بررسی می شود (اگر مشخص باشد). هنگامی که خاموش می شود، مشاهدات کنترلی نادیده گرفته می شوند، حتی اگر در فایل داده وجود داشته باشند.
• قطار - تعلیم دادن- هر بار که دکمه فشار داده می شود، الگوریتم در تعداد دوره های مشخص شده اجرا می شود.
• مجدداً شروع کنید– قبل از شروع مجدد تمرین، باید دکمه ریست را فشار دهید، زیرا در این حالت وزن های شبکه دوباره به صورت تصادفی تنظیم می شوند.
• وزنه های دویدن -هنگامی که الگوریتم ممکن است در حداقل محلی گیر کند، این گزینه مقدار کمی را به هر وزن اضافه می کند.

1. با استفاده از یک طرح ریزی سری زمانی بسازید Run – Times Series Projectionپنجره مربوطه را باز کنید (شکل 6).

برنج. 6. پنجره طرح ریزی سری زمانی

توضیحات کادر محاوره ای

• شروع کنید- مشخص می کند که آیا پیش بینی سری زمانی باید از یک عدد مشاهده شروع شود یا خیر (شماره پرونده)در یک فایل داده یا از یک مشاهده فردی.
• شماره پرونده -هنگام نمایش یک سری زمانی از یک فایل داده، شماره مشاهده با مقدار خروجی که از آن شروع می شود نشان داده می شود.
• طول- تعداد مراحلی که پیش بینی برای آنها پیش بینی می شود.
• متغیر– نشان دهنده متغیری است که طراحی خواهد شد.

1. با استفاده از یک شبکه آموزش دیده، می توانید یک طرح ریزی سری زمانی انجام دهید. در ابتدا، شبکه بر روی 12 مقدار ورودی اول کار می کند و در نتیجه مقدار بعدی را پیش بینی می کند. سپس مقدار پیش‌بینی‌شده، همراه با 11 مقدار ورودی قبلی، دوباره به ورودی شبکه وارد می‌شود و شبکه دوم، مقدار بعدی را پیش‌بینی می‌کند.

تنها پارامتر کنترلی که باید انتخاب شود طول طرح است. در این مثال در مجموع 144 مشاهده وجود دارد که 12 مورد از آنها در طول پیش پردازش حذف خواهند شد، بنابراین نتایج را می توان حداکثر در 132 مرحله مقایسه کرد. با این حال، می توان یک سری را فراتر از مرزهای داده های موجود طرح ریزی کرد، اما چیزی برای مقایسه نتیجه وجود نخواهد داشت.

با استفاده از دکمه رفتار مقادیر پیش بینی شده را در طول های مختلف مشاهده کنید اجرا کنمی توانید تغییرات در مقادیر هدف و خروجی سری را مشاهده کنید.

در شکل داده شده شکل 6 نشان می دهد که منحنی پیش بینی شده (آبی روی صفحه نمایشگر) به خوبی آموزش داده نشده است، زیرا انحرافات قابل توجهی بین سری اصلی و پیش بینی شده وجود دارد که از حدود 70 مشاهده شروع می شود.

1. پیش بینی سری را با استفاده از یک حل کننده هوشمند (دکمه سوم از سمت چپ در ردیف بالا) انجام دهید. در این مورد، لازم است به تعدادی از سوالات در حالت گفتگو پاسخ دهید:

• نسخه اصلی را انتخاب کنید (شکل 7) و کلیک کنید بعد.

برنج. 7. انتخاب نسخه اصلی

• نوع کار (استاندارد یا سری زمانی) را تعیین کنید. در اینجا لازم است سری زمانی را مورد توجه قرار دهیم (شکل 8).

برنج. 8. انتخاب نوع کار

• دوره مشاهده را 12 ماه تنظیم کنید (شکل 9).

برنج. 9. تنظیم دوره مشاهده

• متغیرهای وابسته و مستقل را که همان متغیر هستند انتخاب کنید سلسله.
• زمان روش محاسبه را معادل 2 دقیقه تعیین کنید (شکل 10).

برنج. 10. تنظیم زمان رویه تسویه حساب

• تعداد شبکه هایی که باید ذخیره شوند و اقداماتی که باید در هنگام ذخیره آنها انجام دهید را مشخص کنید (شکل 11).

برنج. 11. اقدامات برای انتخاب شبکه ها

• فرم ها را برای ارائه نتایج انتخاب کنید (شکل 12) و کلیک کنید پایان

برنج. 12. انتخاب فرم برای ارائه نتایج

در نتیجه استفاده از یک حل‌کننده هوشمند، پیش‌بینی بسیار دقیق‌تر است، زیرا شبکه آموزش‌دیده به سری اصلی بسیار نزدیک‌تر است (شکل 13).

برنج. 13. پیش بینی با استفاده از یک حل کننده هوشمند

ورزش

یک سری زمانی شبیه سازی شده از بسته Statistica به صورت زیر بسازید:

• ايجاد كردن فایل جدید، از 20 سطر و 2 ستون تشکیل شده است.
• از طریق منو داده – مشخصات متغیرعبارت =vnormal(rnd(1);1;3) را در پنجره فرمول وارد کنید.
• 20 مقدار از یک متغیر تصادفی توزیع شده معمولی را با انتظار ریاضی برابر با 1 و انحراف استاندارد برابر با 3 شبیه سازی کنید. این 20 مقدار متغیر Var 1 را تعریف می کنند. آنها را به یک نوع داده عدد صحیح تبدیل کنید و آن را در متغیر تنظیم کنید. پنجره توضیحات به عنوان تایپ کنیدمعنی عدد صحیح
• به متغیر Var 2 به صورت زیر بروید: اولین مقدار Var 2 برابر با اولین مقدار متغیر Var 1 است. مقدار دوم Var 2 برابر است با مجموع دو مقدار اول متغیر Var 1. مقدار سوم متغیر Var 2 برابر است با مجموع سه مقدار اول متغیر Var 1 و غیره.
• متغیر Var 2 را کپی کنید و به بسته SNN بروید و داده های کپی شده را در فایل جدید ایجاد شده قرار دهید.
• پیش بینی سری حاصل را با استفاده از شبکه عصبی انجام دهید.

نسخه چاپی

روش های شبکه عصبی برای تجزیه و تحلیل داده ها بر اساس استفاده از بسته شبکه های عصبی Statistica (تولید شده توسط StatSoft) که به طور کامل برای کاربر روسی تطبیق داده شده است، تشریح شده است. مبانی تئوری شبکه های عصبی ارائه شده است. توجه زیادی به حل مشکلات عملی می شود، روش شناسی و فناوری انجام تحقیق با استفاده از بسته شبکه های عصبی Statistica - یک ابزار قدرتمند تجزیه و تحلیل داده ها و پیش بینی است که کاربردهای گسترده ای در تجارت، صنعت، مدیریت و امور مالی دارد - به طور جامع بررسی می شود. این کتاب شامل نمونه های زیادی از تجزیه و تحلیل داده ها است، توصیه های عملیبرای تجزیه و تحلیل، پیش بینی، طبقه بندی، تشخیص الگو، مدیریت فرآیندهای تولیداستفاده از شبکه های عصبی برای طیف وسیعی از خوانندگانی که در زمینه های بانکداری، صنعت، اقتصاد، تجارت، اکتشافات زمین شناسی، مدیریت، حمل و نقل و سایر زمینه ها تحقیق می کنند. محتویات پیشگفتار چاپ دوم مقدمه. Invitation to Neural Networks. پیش و پس پردازش. پرسپترون چند لایه تابع پایه شعاعی شبکه عصبی احتمالی عمومی شبکه عصبی رگرسیون شبکه خطی شبکه Kohonen مشکلات طبقه‌بندی مشکلات رگرسیون پیش‌بینی سری‌های زمانی انتخاب متغیرها و کاهش ابعاد فصل 5. مراحل اول در آمار شبکه‌های عصبی. شروع به کار ایجاد یک مجموعه داده ایجاد یک شبکه جدید ایجاد یک طبقه‌بندی داده‌ای جدید و ایجاد یک شبکه جدید. قابلیت های اورژانس عصبی شبکه های مثال کلاسیک: آموزش عنبیه فیشر با اعتبارسنجی متقاطع شرایط توقف حل مشکلات رگرسیون توابع پایه شعاعی مدل های خطی شبکه های کوهونن شبکه های رگرسیون احتمالی و تعمیم یافته سازنده شبکه الگوریتم ژنتیک برای انتخاب داده های ورودی سری زمانی فصل 7. داده های کاربردی متغیر ابعاد انتخاب معماری شبکه سفارشی معماری شبکه سری زمانی فصل 8. مطالعات موردی مثال 1. کاهش ابعاد در تحقیقات زمین شناسی مثال 2 تشخیص الگو مثال 3. طبقه بندی غیرخطی مجموعه های دو بعدی مثال 4. تقسیم بندی نمونه های سوخت مختلف بر اساس تحقیقات آزمایشگاهی نمونه 5. یک مدل امتیاز دهی رفتاری مثال 6. تقریب تابع مثال 7. پیش بینی فروش نفت مثال 8. نظارت و پیش بینی شرایط دما در یک نصب مثال 9. تعیین قابلیت اطمینان یک امضای دیجیتال فصل 9 راهنمائی سریع شبکه های آموزشی شبکه های آموزشی و سایر انواع شبکه ها. LASSICAL روش‌های جایگزین شبکه‌های عصبی آنالیز متمایز کلاسیک در آمار طبقه‌بندی رگرسیون Logit تجزیه و تحلیل عاملی در آمار فصل 11. استخراج داده‌ها در آمار پیوست 1. تولیدکننده کد پیوست 2. یکپارچه‌سازی سیستم‌های STATISTICA با ERPBibliography

• پردازش پیش و پس از پردازش، شامل انتخاب داده ها، کدگذاری اسمی، مقیاس بندی، عادی سازی، حذف داده های از دست رفته با تفسیر برای طبقه بندی، رگرسیون و مشکلات سری زمانی.
• سهولت استفاده استثنایی به علاوه قدرت تحلیلی بی نظیر؛ به عنوان مثال، هیچ آنالوگ ندارد جادوگر راه حلکاربر را در تمام مراحل ایجاد شبکه های عصبی مختلف راهنمایی می کند و بهترین را انتخاب می کند (در غیر این صورت، این کار از طریق یک فرآیند طولانی "آزمایش و خطا" حل می شود و نیاز به دانش کامل تئوری دارد).
• فناوری های اکتشافی و تحلیلی قدرتمند، شامل تجزیه و تحلیل مؤلفه های اصلیو کاهش ابعادبرای انتخاب متغیرهای ورودی لازم در تجزیه و تحلیل داده های اکتشافی (شبکه عصبی) (انتخاب متغیرهای ورودی لازم برای شبکه های عصبی اغلب زمان زیادی می برد؛ سیستم شبکه های عصبی آماریمی تواند این کار را برای کاربر انجام دهد).
• پیشرفته ترین، بهینه ترین و قدرتمندترین الگوریتم های آموزش شبکه (شامل گرادیان مزدوج و لونبرگ-مارکوارد); کنترل کامل بر تمام پارامترهای مؤثر بر کیفیت شبکه، مانند عملکردهای فعال سازی و خطا، پیچیدگی شبکه.
• پشتیبانی از مجموعه های شبکه های عصبی و معماری شبکه های عصبی با اندازه تقریبا نامحدود، ایجاد شده در مجموعه های شبکه - مجموعه های شبکه; آموزش انتخابی بخش های شبکه عصبی؛ ترکیب و ذخیره مجموعه ای از شبکه ها در فایل های جداگانه.
• ادغام کامل با سیستم آمار; تمام نتایج، نمودارها، گزارش ها و غیره را می توان با استفاده از ابزارهای گرافیکی و تحلیلی قدرتمند اصلاح کرد آمار(به عنوان مثال، برای تجزیه و تحلیل باقیمانده های پیش بینی شده، ایجاد یک گزارش دقیق، و غیره)؛
• ادغام یکپارچه با ابزارهای خودکار قدرتمند آمار; ضبط ماکروهای کامل برای هر تحلیل؛ ایجاد تجزیه و تحلیل شبکه عصبی و برنامه های کاربردی با استفاده از آمار ویژوال بیسیک، چالش شبکه های عصبی آماریاز هر برنامه ای که پشتیبانی می کند تکنولوژی COM(به عنوان مثال، تجزیه و تحلیل شبکه عصبی خودکار در یک جدول MS Excelیا ترکیب چندین برنامه سفارشی نوشته شده در C++، C#، جاواو غیره.).

آمار شبکه های عصبی در محاسبات شبکه های عصبی:

• استفاده از شبکه های عصبی بسیار بیشتر از پردازش داده ها با استفاده از روش های شبکه عصبی است.
• شبکه های عصبی آماریانواع را فراهم می کند عملکرد، برای کار با وظایف بسیار پیچیده، از جمله نه تنها آخرین معماری شبکه های عصبیو الگوریتم های یادگیری، بلکه رویکردهای جدید در انتخاب داده های ورودیو ساخت شبکه. علاوه بر این، توسعه دهندگان نرم افزارو کاربرانی که با تنظیمات برنامه آزمایش می کنند از این واقعیت قدردانی می کنند که پس از انجام آزمایش های مشخص شده در یک رابط ساده و شهودی شبکه های عصبی آماریتجزیه و تحلیل شبکه های عصبی را می توان در یک برنامه سفارشی ترکیب کرد. این یا با استفاده از کتابخانه به دست می آید توابع COM STATISTICA، که به طور کامل تمام عملکرد برنامه یا استفاده از کد در زبان را منعکس می کند C (C++، C#)یا ویژوال بیسیک، که توسط برنامه تولید می شود و به اجرای یک شبکه عصبی یا مجموعه شبکه کاملاً آموزش دیده کمک می کند.

اطلاعات اولیه

مدول شبکه های عصبی آماریبه طور کامل با سیستم یکپارچه شده است آماربنابراین، مجموعه عظیمی از ابزارها برای ویرایش (آماده سازی) داده ها برای تجزیه و تحلیل (تبدیل ها، شرایط انتخاب مشاهدات، ابزارهای بررسی داده ها و غیره) در دسترس است. مثل همه تست ها آماربرنامه را می توان با استفاده از ابزارهای پردازش در محل به یک پایگاه داده از راه دور متصل کرد، یا به داده های زنده پیوند داد تا هر زمان که داده ها تغییر کرد، مدل ها آموزش یا اجرا شوند (مثلاً برای محاسبه مقادیر پیش بینی شده یا طبقه بندی) به طور خودکار.

انتخاب ورودی و کاهش ابعاد

پس از آماده شدن داده ها، باید تصمیم بگیرید که هنگام کار با شبکه عصبی از کدام متغیرها استفاده کنید. هر چه تعداد متغیرها بیشتر باشد، شبکه عصبی پیچیده‌تر خواهد بود و بنابراین به حافظه و زمان آموزش بیشتر و همچنین تعداد بیشتری مثال آموزشی (مشاهدات) نیاز دارد. هنگامی که داده ها و/یا همبستگی های کافی بین متغیرها وجود ندارد، مسائل مربوط به انتخاب متغیرهای ورودی معنی دار و فشرده سازی اطلاعات در تعداد کمتری از متغیرها در بسیاری از برنامه های کاربردی شبکه عصبی از اهمیت بالایی برخوردار می شود.

الگوریتم های کاهش ابعاد:

• که در شبکه های عصبی آماریالگوریتم های انتخاب گام به گام معکوس و مستقیم پیاده سازی شده است. علاوه بر این، الگوریتم عصبی ژنتیک برای انتخاب داده های ورودی، قابلیت های الگوریتم های ژنتیک و PNN/GRNN (PNN - شبکه های عصبی احتمالی، GRNN - شبکه های عصبی رگرسیون تعمیم یافته)برای جستجوی خودکار ترکیب‌های بهینه متغیرهای ورودی، از جمله در مواردی که همبستگی‌ها و وابستگی‌های غیرخطی بین آنها وجود دارد. سرعت یادگیری تقریباً آنی الگوریتم PNN/GRNNنه تنها امکان درخواست را فراهم می کند الگوریتم عصبی ژنتیک برای انتخاب داده های ورودی، بلکه به شما اجازه می دهد (با استفاده از موجود ویرایشگرداده های سیستم شبکه های عصبی آماریابزار مناسب برای سرکوب متغیرهای ناچیز) آزمایش‌های خود را روی حساسیت داده‌ها در زمان واقعی انجام دهید. شبکه های عصبی آماریهمچنین شامل یک سیستم داخلی است تجزیه و تحلیل مؤلفه های اصلی (PCA و شبکه های انجمنی برای "PCA غیرخطی")، که به شما امکان می دهد بعد داده های منبع را کاهش دهید. توجه داشته باشید که طیف گسترده ای از روش های آماری برای کاهش ابعاد داده ها در سیستم پایه موجود است آمار.

مقیاس بندی داده ها و تبدیل ارزش اسمی:

• قبل از اینکه داده ها وارد شبکه شوند، باید به روش خاصی آماده شوند. به همان اندازه مهم است که داده های خروجی را بتوان به درستی تفسیر کرد. که در شبکه های عصبی آماریامکان مقیاس بندی خودکار داده های ورودی و خروجی (از جمله مقیاس بندی با مقادیر حداقل/حداکثر و با میانگین/انحراف استاندارد) وجود دارد. متغیرهای دارای مقادیر اسمی نیز می توانند به طور خودکار کدگذاری مجدد شوند (به عنوان مثال جنسیت=(مذکر، زن))، از جمله با استفاده از روش کدگذاری 1-of-N. شبکه های عصبی آماریهمچنین حاوی ابزارهایی برای کار با داده های از دست رفته است. توابع عادی سازی مانند "تک مقدار", "برنده همه چیز را می گیرد"و "بردار واحد طول". ابزارهای آماده‌سازی و تفسیر داده‌ها به‌طور خاص برای تحلیل سری‌های زمانی طراحی شده‌اند. طیف گسترده ای از ابزارهای مشابه نیز در سیستم پایه پیاده سازی می شوند آمار.
• در مسائل طبقه بندی، می توان فواصل اطمینان را تعیین کرد که شبکه های عصبی آماریسپس برای اختصاص مشاهدات به یک کلاس یا کلاس دیگر استفاده می شود. در ترکیب با ویژه اجرا شده در شبکه های عصبی آماریعملکرد فعال سازی سافت مکسو توابع خطای آنتروپی متقابل، این یک رویکرد نظری احتمالی اساسی برای مسائل طبقه بندی ارائه می دهد.

انتخاب یک مدل شبکه عصبی، مجموعه های شبکه

تنوع مدل های شبکه عصبی و پارامترهای زیادی که باید تنظیم شوند (اندازه شبکه، پارامترهای الگوریتم یادگیری و غیره) می تواند برخی از کاربران را گیج کند (به همین دلیل است که وجود دارد. جادوگر راه حل، که می تواند به طور خودکار یک معماری شبکه مناسب با هر پیچیدگی را جستجو کند).

سیستم شبکه های عصبی STATISTICA تمام انواع اصلی شبکه های عصبی مورد استفاده در حل مسائل عملی را پیاده سازی می کند، از جمله:

• پرسپترون های چند لایه (شبکه هایی با انتقال مستقیم سیگنال)؛
• شبکه های مبتنی بر توابع پایه شعاعی.
• خود سازماندهی نقشه های کوهونن.
• شبکه های عصبی احتمالی (بیزی)؛
• شبکه های عصبی رگرسیون تعمیم یافته
• شبکه های جزء اصلی؛
• شبکه های خوشه بندی؛
• شبکه های خطی

همچنین در سیستم شبکه های عصبی آماریاجرا شد گروه های شبکه، از ترکیبات تصادفی (اما معنی دار) شبکه های فوق تشکیل شده است. یکی دیگر از ویژگی های مفید این است که می توانید شبکه ها را به یکدیگر پیوند دهید تا به صورت متوالی اجرا شوند. این در پیش پردازش برای یافتن راه حل هایی با حداقل هزینه مفید است.

در بسته بندی شبکه های عصبی آماریابزارهای متعددی برای کمک به کاربر در انتخاب یک معماری شبکه مناسب در دسترس است. ابزارهای آماری و گرافیکی این سیستم شامل هیستوگرام، ماتریس و نمودار خطا برای کل جمعیت و برای مشاهدات فردی، داده های نهایی در مورد طبقه بندی صحیح/نادرست، و تمام آمارهای مهم - برای مثال، نسبت واریانس توضیح داده شده - به طور خودکار محاسبه می شوند.

برای تجسم داده ها در یک بسته شبکه های عصبی آمارینمودارهای پراکنده و سطوح پاسخ سه بعدی برای کمک به کاربر در درک "رفتار" شبکه پیاده سازی شده اند.
البته می توانید از هر اطلاعاتی که از منابع ذکر شده به دست آمده اید برای تحلیل بیشتر به روش های دیگر استفاده کنید. آمار، و همچنین برای گنجاندن بعدی در گزارش ها یا برای سفارشی سازی.

شبکه های عصبی آماریبه طور خودکار بهترین گزینه شبکه را از مواردی که هنگام آزمایش کار دریافت کرده اید به خاطر می آورد و می توانید در هر زمان به آن مراجعه کنید. سودمندی شبکه و توانایی پیش‌بینی آن به طور خودکار بر روی یک مجموعه آزمایشی ویژه از مشاهدات و همچنین با تخمین اندازه شبکه، کارایی آن و هزینه طبقه‌بندی اشتباه آزمایش می‌شود. اجرا شده در شبکه های عصبی آماریروش های اعتبار سنجی متقاطع و منظم سازی خودکار ترازو ویگندبه شما این امکان را می دهد که به سرعت دریابید که آیا شبکه شما برای یک کار خاص ناکافی است یا برعکس، بسیار پیچیده است.

برای بهبود عملکرد در بسته شبکه های عصبی آماریگزینه های پیکربندی شبکه متعددی ارائه شده است. بنابراین، می‌توانید یک لایه شبکه خروجی خطی در مسائل رگرسیون یا یک تابع فعال‌سازی نرم‌افزار را در مسائل تخمین احتمالی و طبقه‌بندی مشخص کنید. اگر داده های شما دارای مقادیر پرت زیادی هستند، پس هنگام آموزش شبکه، می توانید تابع خطای استاندارد را با یک تابع کمتر حساس جایگزین کنید. "بلوک های شهر". این سیستم همچنین توابع خطای متقابل آنتروپی را بر اساس مدل‌های تئوری اطلاعات و تعدادی از آنها پیاده‌سازی می‌کند توابع ویژهفعال سازی، از جمله: پله، دندان اره و سینوس.

Solution Wizard (به طور خودکار مشکل را ارزیابی می کند و چندین شبکه از معماری های مختلف را انتخاب می کند):

• بخشی از بسته شبکه عصبی آماری s است جادوگر راه حل - حل کننده هوشمند مشکل، که بسیاری از شبکه های عصبی را با معماری ها و پیچیدگی های مختلف ارزیابی می کند و شبکه های بهترین معماری را برای یک کار مشخص انتخاب می کند.
• استادقادر به ساخت شبکه هایی برای داده ها با مشاهدات مستقل (شبکه های رگرسیون استاندارد، شبکه های طبقه بندی یا مختلط) و همچنین شبکه هایی است که برای پیش بینی مقادیر آینده یک متغیر خاص بر اساس مقادیر موجود همان متغیر (زمان) طراحی شده اند. شبکه های سریال).
• هنگام ایجاد یک شبکه عصبی، زمان قابل توجهی صرف انتخاب متغیرهای مناسب و بهینه سازی معماری شبکه با استفاده از جستجوی اکتشافی می شود. شبکه های عصبی آماریاین کار را بر عهده می گیرد و به طور خودکار جستجوی اکتشافی را برای شما انجام می دهد. این روش بعد ورودی، نوع شبکه، ابعاد شبکه و توابع کدگذاری خروجی مورد نیاز را در نظر می گیرد.
• در حین جستجو، می توانید تعداد پاسخ های دریافت شده در طول فرآیند آموزش را تنظیم کنید. هنگام تنظیم حداکثر حالت جزئیات جادوگر راه حلمعماری و سطوح کیفیت را برای هر شبکه آزمایش شده نمایش می دهد.
• جادوگر راه حلابزار بسیار موثری در هنگام استفاده از تکنیک های پیچیده است که به شما امکان می دهد به طور خودکار بهترین معماری شبکه را پیدا کنید. به جای اینکه ساعات زیادی را در مقابل کامپیوتر بنشینید، به سیستم اجازه دهید شبکه های عصبی آماریاین کار را برای شما انجام دهید
• سازنده شبکه خودکارهمچنین می تواند در طول توسعه مدل زمانی که ماژول استفاده می شود شبکه های عصبی آماری،همراه با سایر ماژول های سیستم پایه آمار، برای شناسایی مهم ترین متغیرها (به عنوان مثال، بهترین پیش بینی کننده ها برای گنجاندن و آزمایش بعدی آنها در هر مدلی استفاده می شود. تخمین غیر خطی).

آموزش شبکه های عصبی:

• موفقیت آزمایش های شما برای یافتن بهترین نوع و معماری شبکه به طور قابل توجهی به کیفیت و سرعت الگوریتم های یادگیری شبکه بستگی دارد. در سیستم شبکه های عصبی آماریبهترین الگوریتم های آموزشی تا به امروز پیاده سازی شده است.
• برای آموزش پرسپترون های چند لایه در سیستم شبکه های عصبی آماریاول از همه، روش انتشار پس‌زمینه اجرا می‌شود - با نرخ یادگیری و ضریب اینرسی متغیر با زمان، ترکیب مشاهدات قبل از مرحله بعدی الگوریتم و اضافه کردن نویز افزودنی برای تعمیم قوی. علاوه بر این، در سیستم شبکه های عصبی آماریدو الگوریتم سریع مرتبه دوم پیاده سازی شده است - روش های گرادیان مزدوج و لونبرگ-مارکوارد. دومی یک الگوریتم بهینه‌سازی غیرخطی مدرن بسیار قدرتمند است و کارشناسان استفاده از آن را به شدت توصیه می‌کنند. در عین حال، دامنه کاربرد این روش به موارد شبکه های نسبتا کوچک با یک نورون خروجی و برای کارهای دست و پا گیرتر در بسته محدود می شود. شبکه های عصبی آمارییک روش گرادیان مزدوج وجود دارد. به طور معمول، هر دو الگوریتم سریعتر از پس انتشار همگرا می شوند و معمولاً راه حل بهتری تولید می کنند.
• فرآیند تکراری آموزش شبکه در سیستم شبکه های عصبی آماریبا نمایش خودکار خطای آموزشی فعلی و خطای محاسبه شده به طور مستقل در مجموعه تست همراه است و نموداری از کل خطا نیز نشان داده می شود. شما می توانید هر زمان که بخواهید تمرین را با فشار دادن یک دکمه قطع کنید. علاوه بر این، می توان شرایط توقف را تنظیم کرد که تحت آن آموزش قطع می شود. چنین شرایطی ممکن است، به عنوان مثال، دستیابی به یک سطح خطای خاص، یا افزایش پایدار خطای آزمایش در تعداد معینی از گذرها - "دوران" (که نشان دهنده به اصطلاح بازآموزی شبکه است). اگر بیش از حد برازش رخ دهد، کاربر نباید به این موارد اهمیت دهد: شبکه های عصبی آماریبه طور خودکار نمونه را به خاطر می آورد بهترین شبکهدر طی فرآیند آموزش به دست می آید و همیشه می توان با کلیک بر روی دکمه مربوطه به این گزینه شبکه دسترسی داشت. پس از اتمام آموزش شبکه، می توانید کیفیت کار آن را در یک مجموعه تست جداگانه بررسی کنید.
• در بسته بندی شبکه های عصبی آماریتعدادی از الگوریتم های یادگیری نیز برای شبکه های دیگر معماری های دیگر پیاده سازی شده است. پارامترهای خطوط شعاعی و ضرایب هموارسازی شبکه‌ها بر اساس تابع پایه شعاعی و شبکه‌های رگرسیون تعمیم‌یافته را می‌توان با استفاده از الگوریتم‌هایی مانند: آموزش کوهونن، نمونه فرعی روش K-meansروش های ایزوتروپی و نزدیکترین همسایه. نورون های لایه خروجی خطی شبکه ها بر اساس تابع پایه شعاعی، مانند شبکه های خطی، کاملاً بهینه شده اند. روش تجزیه ارزش منفرد (SVD)..
• ایجاد ساختارهای شبکه هیبریدی. در سیستم شبکه های عصبی آماریامکان ایجاد شبکه هایی با ساختار ترکیبی وجود دارد. به عنوان مثال، در یک شبکه اصلاح شده بر اساس تابع پایه شعاعی، اولین لایه نورون ها را می توان توسط الگوریتم کوهوننآه، و دومی - لایه غیر خطی - روش لونبرگ-مارکوارد.

تست شبکه عصبی:

• پس از آموزش شبکه، باید کیفیت کار آن را بررسی کنید و ویژگی های آن را تعیین کنید. برای این منظور در بسته شبکه های عصبی آماریمجموعه ای از آمار و ابزارهای گرافیکی روی صفحه وجود دارد.
• در صورتی که چندین مدل (شبکه و مجموعه) مشخص شده باشد، (در صورت امکان) شبکه عصبی آماری s نتایج مقایسه ای را نشان می دهد (مثلاً منحنی های پاسخ چندین مدل را در یک نمودار نشان می دهد، یا پیش بینی کننده های چندین مدل را در یک جدول ارائه می دهد). این ویژگی برای مقایسه مدل های مختلف آموزش دیده بر روی یک مجموعه داده بسیار مفید است.
• تمام آمار به طور جداگانه برای مجموعه های آموزشی، اعتبار سنجی و آزمون محاسبه می شود. تمام وزن ها و پارامترهای فعال سازی به صورت راحت در دسترس هستند فایل متنی، که با یک کلیک می توان آن را به جدول نتایج سیستم تبدیل کرد آمار. نتایج تجربی برای مشاهدات فردی یا برای کل مجموعه داده‌ها نیز می‌تواند به صورت جدولی مشاهده شود آمارو در تجزیه و تحلیل یا نمودارهای بیشتر استفاده کنید.
• آمار خلاصه زیر به طور خودکار محاسبه می شود: ریشه میانگین مربعات خطای شبکه، به اصطلاح ماتریس اختلاف (ماتریس سردرگمی)برای مسائل طبقه بندی (که در آن همه موارد طبقه بندی صحیح و نادرست خلاصه می شود) و نسبت رگرسیون توضیح داده شده برای مشکلات رگرسیون. شبکه کوهوننپنجره دارد نقشه توپولوژیکی، که در آن می توانید به صورت بصری فعال شدن عناصر شبکه را مشاهده کنید و همچنین برچسب مشاهدات و گره ها را در فرآیند تجزیه و تحلیل داده ها تغییر دهید. همچنین یک پنجره Win Frequency وجود دارد که به شما امکان می دهد فوراً خوشه ها را در یک نقشه توپولوژیکی بومی سازی کنید. آنالیز خوشه ایمی توان با استفاده از ترکیبی از یک شبکه معماری استاندارد با یک نمودار خوشه ای سیستم خاص انجام داد شبکه های عصبی آماری. برای مثال، می‌توانید شبکه‌ای را برای تجزیه و تحلیل مؤلفه‌های اصلی آموزش دهید و داده‌ها را همانطور که روی دو مؤلفه اول پیش‌بینی می‌شود، ترسیم کنید.

ویرایش، اصلاح و اتصال سریال شبکه های عصبی

در سیستم شبکه های عصبی آماریابزارهای هوشمندی وجود دارند که به شما امکان می دهند قطعات شبکه های موجود را جدا کرده و چندین شبکه را به یکدیگر متصل کنید. بنابراین، می‌توانید نورون‌های جداگانه را حذف یا اضافه کنید، یک لایه کامل را از شبکه حذف کنید، و شبکه‌هایی که از نظر تعداد ورودی/خروجی‌ها یکسان هستند، می‌توانند به صورت متوالی به یکدیگر متصل شوند. با تشکر از این ویژگی ها، بسته شبکه های عصبی آماریبه شما امکان می دهد از ابزارهایی مانند کاهش ابعاد (در حین پیش پردازش) با استفاده از شبکه های انجمنی و ماتریس ضرر (برای تصمیم گیری با کمترین تلفات) استفاده کنید. ماتریس تلفات به طور خودکار هنگام کار با شبکه های عصبی احتمالی استفاده می شود.

راه حل های آماده (برنامه های سفارشی با استفاده از شبکه های عصبی STATISTICA):

• رابط سیستم ساده و راحت شبکه های عصبی آماریبه شما اجازه می دهد تا به سرعت برنامه های شبکه عصبی را برای حل مشکلات خود ایجاد کنید.
• ممکن است شرایطی وجود داشته باشد که لازم باشد این راه حل ها را در یک سیستم موجود ادغام کنیم، به عنوان مثال، آنها را به بخشی از یک محیط محاسباتی گسترده تر تبدیل کنیم (اینها ممکن است رویه هایی باشند که به طور جداگانه توسعه یافته و در سیستم محاسباتی شرکتی ساخته شده باشند).
• شبکه‌های عصبی آموزش‌دیده را می‌توان به چند روش برای مجموعه داده‌های جدید (برای پیش‌بینی) اعمال کرد: می‌توانید شبکه آموزش‌دیده یا مجموعه شبکه‌ها را ذخیره کنید (به عنوان مثال، برای محاسبه میانگین پیش‌بینی بر اساس چندین معماری) و سپس آن را روی یک مجموعه داده جدید اعمال کنید. برای پیش بینی، طبقه بندی پیش بینی شده یا پیش بینی)؛ شما می توانید از یک تولید کننده کد برای تولید خودکار کد برنامه در یک زبان استفاده کنید C (C++، C#)یا ویژوال بیسیکو بیشتر از آن برای پیش بینی داده های جدید در هر محیط نرم افزاری استفاده کنید ویژوال بیسیک یا C++ (C#)، یعنی یک شبکه عصبی کاملاً آموزش دیده را در برنامه خود پیاده کنید. در نتیجه، تمام عملکرد سیستم آمار، شامل شبکه های عصبی آماریمی توان به عنوان استفاده کرد اشیاء COM (مدل شیء جزء)در برنامه های کاربردی دیگر (به عنوان مثال، جاوا، MS Excelو غیره.). به عنوان مثال، می توانید تجزیه و تحلیل های خودکار ایجاد شده در را پیاده سازی کنید شبکه های عصبی آماریبه جداول MS Excel.

لیست الگوریتم های یادگیری:

• پس تکثیر;
• لونبرگ-مارکوارد;
• گرادیان مزدوج؛
• شبه نیوتنی;
• گسترش سریع؛
• دلتا-دلتا-با-نوار;
• شبه معکوس;
• آموزش کوهونن;
• علامت گذاری کلاس های نزدیک؛
• کوانتایزر بردار آموزشی;
• نمونه برداری شعاعی (زیر)؛
• روش K-means;
• روش K-نزدیکترین همسایگان (KNN)؛
• تنظیم انحرافات همسانگرد؛
• تنظیم انحرافات آشکار؛
• شبکه عصبی احتمالی؛
• شبکه عصبی رگرسیون تعمیم یافته؛
• الگوریتم ژنتیک برای انتخاب داده های ورودی؛
• انتخاب گام به گام مستقیم یا معکوس داده های ورودی.

سیستم مورد نیاز

سیستم شبکه های عصبی آماریمی تواند حتی بر روی کامپیوترهای نسبتا ضعیف یا قدیمی کار کند. با این حال، از آنجایی که بسیاری از رویه‌های بسته از نظر محاسباتی فشرده هستند، استفاده از آن اکیداً توصیه می‌شود پردازنده پنتیوم با 32 مگابایت رم.

محدودیت اندازه شبکه:

• یک شبکه عصبی می تواند تقریباً از هر اندازه ای باشد (یعنی ابعاد آن را می توان چندین برابر بزرگتر از آنچه در واقع ضروری و معقول است در نظر گرفت). حداکثر 128 لایه بدون محدودیت در تعداد نورون ها مجاز است. در واقع، برای هر کار عملی، برنامه فقط با قابلیت های سخت افزاری کامپیوتر محدود می شود.

کتابچه راهنمای الکترونیکی:

• به عنوان بخشی از سیستم شبکه های عصبی آمارییک کتاب درسی به خوبی مصور وجود دارد که مقدمه ای کامل و واضح برای شبکه های عصبی و همچنین مثال هایی ارائه می دهد. یک سیستم کمک دقیق و حساس به زمینه از هر کادر محاوره ای در دسترس است.

مولد کد منبع:

• ژنراتور کد منبعیک محصول اضافی است که به کاربران اجازه می دهد به راحتی برنامه های خود را بر اساس سیستم ایجاد کنند شبکه های عصبی آماری. این محصول الحاقی کد سیستم منبع را برای مدل شبکه عصبی ایجاد می کند (به عنوان یک فایل در C، C++، C#)، که می تواند به صورت جداگانه کامپایل و برای توزیع رایگان در برنامه شما ادغام شود. این محصول به طور خاص برای توسعه دهندگان سیستم های سازمانی و همچنین کاربرانی که نیاز به تغییر رویه های بسیار بهینه ایجاد شده در شبکه های عصبی آماریبه برنامه های خارجی برای حل مسائل تحلیلی پیچیده.

روش های شبکه عصبی به طور فزاینده ای در زمینه های مختلف گسترده می شوند.

صنعت:

• مدیریت فرآیند (به ویژه نظارت بر فرآیندهای تولید با تنظیم مداوم پارامترهای کنترلی).
• طبقه بندی نمونه های سوخت (تقسیم بندی درجه های سوخت بر اساس تجزیه و تحلیل طیف آنها).
• تشخیص فنی (استفاده از لرزش و صدا برای شناسایی عیوب در مکانیسم در مراحل اولیه و انجام تعمیرات پیشگیرانه).
• سیستم های کنترل موتور (ارزیابی و کنترل مصرف سوخت با استفاده از داده های حسگر).
• سیستم های آشکارساز سوئیچینگ بلادرنگ در فیزیک شبکه های عصبی در برابر نویز مقاوم هستند و امکان استفاده از الگوهای قوی در داده های فیزیکی با نویز آماری زیاد را فراهم می کنند.

بازار یابی:

• پیش بینی قیمت طلا؛
• پیش بینی قیمت مواد اولیه؛
• تجارت از طریق پست مستقیم.

دارایی، مالیه، سرمایه گذاری:

• ارزیابی اعتبار (وظیفه کلاسیک این است که از روی داده های شخصی مشخص شود که آیا وام گیرنده معین قابل اعتماد است یا خیر).
• پیش بینی سری زمانی مالی

اکتشافات زمین شناسی:

• افزایش کارایی فرآیند استخراج (پررنگ کردن عوامل مهم مؤثر بر شاخص‌های کارایی معدن).

سایر صنایع:

• تشخیص نوری کاراکتر، از جمله تشخیص امضا؛
• پردازش تصویر؛
• پیش‌بینی سری‌های زمانی آشفته؛
• تشخیص پزشکی؛
• سنتز گفتار؛
• تحلیل زبانی