Laboratóriumi munka statisztika neurális hálózatok. STATISTICA Automatizált neurális hálózatok Automatizált neurális hálózatok. STATISTIKA Neurális hálózatok a neurális hálózati számítástechnikában

A betegek megfigyelésének egy bizonyos története során adatok halmozódtak fel, és a STATISTICA rendszerben egy táblázatban tárolódnak. A megfelelő adattáblázat a 6. ábrán látható.

6. ábra A forrásadattábla töredéke

A vizsgálat célja egy olyan neurális hálózati modell felépítése, amely egy adott kiindulási adathalmaz (beteg vizsgálati adatok, vizsgálati eredmények, felvétel előtti kezelés) alapján a kórházban előírt kezelés alapján prognózist adna a beteg számára. kezelés (kórházi felvételi értékek I-APFARA, BAB, BKK, diuretikumok, központilag ható gyógyszerek) kellő pontossággal.

Az a tény, hogy a probléma nemlineáris, kétségtelen. Természetesen megkísérelhetjük a probléma megoldását a STATISTICA Nonlinear Estimation modul segítségével, nevezetesen a modul által kínált iteratív eljárások segítségével a függvény típusának „tapogatására”. Itt azonban számos olyan probléma adódik, amelyek jelentősen meghosszabbítják a megoldás keresésének folyamatát. Közülük a legfontosabb egy hipotézis megfogalmazása a vizsgált függőség explicit formájára vonatkozóan, ami egyáltalán nem nyilvánvaló.

További kutatások nélkül nehéz bármit is mondani a függőség nyilvánvaló típusáról. Sőt, meg kell említeni, hogy még egy tényezőt nem vettünk figyelembe. Általában egy ilyen probléma megoldása nemlineáris becslési módszerekkel nagyon sokáig tarthat, vagy nem vezet semmire. Ilyen kritikus helyzetekben, amikor ismert, hogy

A változók között kapcsolat van;

A kapcsolat határozottan nemlineáris;

Nehéz bármit is mondani a függőség nyilvánvaló formájáról,

A neurális hálózati algoritmusok segítenek. Nézzük meg a probléma megoldásának módját a STATISTICA Neural Networks modulban.

Sajnos nincsenek univerzális szabályok arra vonatkozóan, hogy egy adott probléma megoldásához melyik neurális hálózati topológiát kell követni. Ezért ésszerű eljárásra van szükség a megfelelő hálózat megtalálásához.

A STATISTICA rendszer Neural Networks modulja tartalmaz egy eljárást, amely megszervezi a kívánt hálózati konfiguráció keresését. Ez az eljárás abból áll, hogy nagyszámú, különböző architektúrájú hálózatot építünk fel és tesztelünk, majd ezek közül kiválasztjuk az adott probléma megoldására legalkalmasabb hálózatot. Ezt az eszközt intelligens problémamegoldónak hívják. A Neurális hálózatok modul elindításához a STATISTICA - Statisztika rendszer főmenüjének azonos nevű parancsát kell használni. (7. ábra)

7. ábra A Neurális hálózatok modul indítása

Nagyon gyakori a következő tézis: „a neurális hálózatok univerzális szerkezet, amely lehetővé teszi bármilyen algoritmus megvalósítását." Próbáljunk meg, vakon elhitve ezt az állítást, felépíteni egy neurális hálózatot, amely azonnal „elfogja” a javasolt függőséget (vagyis előzetes feltáró elemzés nélkül).

Az egyik legfontosabb kérdés, amelyet a modern tudomány még nem oldott meg, egy olyan neurális hálózat szerkezetének kérdése, amely képes lenne reprodukálni a kívánt többdimenziós nemlineáris függőséget. Valójában Kolmogorov teljességre vonatkozó tétele, amelyet 1957-ben bizonyított, kimondja, hogy egy neurális hálózat képes bármilyen (nagyon fontos - folytonos) függvény reprodukálására. Ez azonban nem kínál receptet a kutatónak egy ilyen hálózat létrehozására. 1988-ban számos szerző általánosította Kolmogorov-tételét, és kimutatta, hogy bármilyen folytonos függvény közelíthető egy háromrétegű, egy rejtett rétegű neurális hálózattal és egy visszaterjedési algoritmussal bármilyen pontossággal. Így esetünkben a pozitív szempont az a tudat, hogy a hálózatnak háromrétegűnek kell lennie, de itt sincsenek olyan szabályok, amelyek meghatározzák a kapcsolatot „bármilyen fokú pontosság” és a köztes neuronok száma között, így. rejtett rétegnek nevezzük.

Összegezve a fentieket, megjegyezzük, hogy nincsenek univerzális szabályok arra vonatkozóan, hogy egy adott probléma megoldásához melyik neurális hálózati topológiát kell követni. Ezért ésszerű eljárásra van szükség a megfelelő hálózat megtalálásához.

A STATISTICA rendszer Neural Networks modulja egy egyedi eljárást tartalmaz, amely megszervezi a kívánt hálózati konfiguráció keresését. Ezt az eszközt intelligens problémamegoldónak hívják. Használjuk ezt az eszközt, és keressünk egy neurális hálózatot, amely képes lesz megoldani a problémánkat.

8. ábra: Neurális hálózatok modul indítópultja

A párbeszédpanel Gyors lapján, a Probléma típusa részben javasoljuk, hogy válassza ki a problémák osztályát, amelyekkel szembesülünk. Célunk egy többváltozós kapcsolat vagy más szóval többváltozós nemlineáris regresszió felépítése. Ez azt jelenti, hogy a Probléma típusa részben meg kell adni a Regressziót.

A feladatok osztályának eldöntése után meg kell határozni az Elemzés elvégzéséhez szükséges változókat. A változók kiválasztásához használja a Változók gombot. Ha erre a gombra kattint, megjelenik a Bemenet (független), kimenet (függő) és választóváltozók kiválasztása párbeszédpanel. Ebben a párbeszédpanelben meg kell adnia két változólistát. Folyamatos kimenetek esetünkben a Kórházi felvétel ACEI/ARB, Kórházi BAB felvétel, Kórházi BKK felvétel, Vízhajtók kórházi felvétele és Központi hatású gyógyszerek kórházi felvétele változók. Példánkban a folyamatos bemenetek 1-61 kezdeti paramétert tartalmaznak.

9. ábra Változók kiválasztása elemzéshez

Az elemzés kiválasztása részben két lehetőség áll rendelkezésre: Intelligens problémamegoldó és Egyéni hálózattervező. A neurális hálózati paraméterek automatikus kiválasztásához az első opcióra van szükség, amely alapértelmezés szerint be van állítva. Az elemzés folytatásához kattintson az OK gombra.

A következő lépésben megjelenik az Intelligens problémamegoldó beállítása párbeszédpanel.

A Gyors rész olyan opciókat tartalmaz, amelyek felelősek a neurális hálózat keresési algoritmusának végrehajtási idejéért. Ezen a lapon meg kell adni a tesztelendő hálózatok számát (hogy megtudja, alkalmasak-e a megfogalmazott probléma megoldására), és azt is meg kell adni, hogy ezek közül a hálózatok közül hány kerüljön be a zárójelentésbe.

A tesztelt hálózatok részben 100-at, a megtartott hálózatokat 10-et jelezünk (10. ábra)

A Típusok lap megadja, hogy milyen típusú neurális hálózatokat használnak a tesztelési folyamatban. A nemlineáris regresszió problémájának megoldására egy többrétegű perceptron a legalkalmasabb, ezért a 11. ábrán jelölt hálózatokat választjuk.

10. ábra: A tesztelendő hálózatok számának beállítása

11. ábra Hálózati architektúra kiválasztása

Ezután a keresési és tesztelési folyamat megszervezéséhez meg kell jelölni a neuronok számában bekövetkezett változások tartományát a neurális hálózat egyes rétegeiben. A feladathoz javasolt értékek a 12. ábrán láthatók.

12. ábra A betanítási, kontroll- és tesztminták méretének feltüntetése

Most, az összes képzési paraméter beállítása után, a hálózatkeresési eljárás elindításához kattintson az OK gombra.

A keresési algoritmus állapota az IPS Training In Progress párbeszédpanelen jelenik meg.

Amíg a megfelelő neurális hálózat keresési algoritmusa fut, ez a párbeszédpanel információkat nyújt az algoritmus végrehajtási idejéről, valamint a figyelembe vett neurális hálózatokról. A keresési algoritmus célja, hogy számba vegye a neurális hálózati konfigurációkat, és válassza ki a legjobbat a hálózati kimenet minimális hibája és a maximális teljesítmény szempontjából.

A neurális hálózati módszerekkel kapcsolatos számos fogalmat a legjobban egy adott neurális hálózati program segítségével lehet megmagyarázni példaként. Ezért ebben a részben sok link lesz a csomagra STATISZTIKA Neural Networks (rövidítve ST Neural Networks, a StatSoft neurális hálózati csomagja), amely a neurális hálózatok adatelemzési módszereinek teljes készletének megvalósítása.

Az elmúlt néhány évben robbanásszerűen megnőtt az érdeklődés a neurális hálózatok iránt, amelyeket számos területen – üzleti, orvostudomány, mérnöki tudományok, geológia, fizika – sikeresen alkalmaznak. A neurális hálózatok mindenütt bevezették a gyakorlatot, ahol előrejelzési, osztályozási vagy vezérlési problémákat kell megoldani. Ennek a lenyűgöző sikernek több oka is van:

A neurális hálózatok rendkívül hatékony modellezési módszerek, amelyek rendkívül összetett függőségek reprodukálására képesek. Különösen a neurális hálózatok nemlineáris jellegűek (e fogalom jelentését a fejezet későbbi részében részletesen kifejtjük). Sok éven át a lineáris modellezés a domináns modellezési módszer a legtöbb területen, mert az optimalizálási eljárások jól kidolgozottak rá. Azokban a problémákban, ahol a lineáris közelítés nem kielégítő (és elég sok van), a lineáris modellek rosszul teljesítenek. Ráadásul a neurális hálózatok megbirkóznak a „dimenzionalitás átkával”, ami nem teszi lehetővé a lineáris függőségek modellezését nagyszámú változó esetén.

A neurális hálózatok tanulnak a példákból. A neurális hálózat felhasználója kiválasztja a reprezentatív adatokat, majd lefuttat egy tanulási algoritmust, amely automatikusan megtanulja az adatok szerkezetét. Ebben az esetben a felhasználónak természetesen bizonyos heurisztikus ismeretekkel kell rendelkeznie az adatok kiválasztásához és előkészítéséhez, a kívánt hálózati architektúra kiválasztásához és az eredmények értelmezéséhez, de a neurális hálózatok sikeres használatához szükséges tudásszinttel. sokkal szerényebb, mint például a hagyományos statisztikai módszerek alkalmazásakor.

A neurális hálózatok intuitívan vonzóak, mert az idegrendszerek primitív biológiai modelljén alapulnak. A jövőben az ilyen neurobiológiai modellek kidolgozása valóban gondolkodó számítógépek létrehozásához vezethet. Mindeközben az ST Neural Networks rendszer által felépített „egyszerű” neurális hálózatok erőteljes fegyvert jelentenek az alkalmazott statisztika specialistájának fegyvertárában (Neural networks. STATISTICA Neural Networks: Methodology and technologies of modern data analysis.).

A neurális hálózatok a mesterséges intelligencia kutatásából jöttek létre, nevezetesen a biológiai idegrendszerek tanulási és hibajavítási képességének megismétlésére az agy alacsony szintű szerkezetének szimulálásával (Patterson, 1996). A 60-as és 80-as években a mesterséges intelligencia kutatásának fő területe a szakértői rendszerek voltak. Az ilyen rendszerek a gondolkodási folyamat magas szintű modellezésén alapultak (különösen azon az elképzelésen, hogy gondolkodási folyamatunk a szimbólumok manipulálására épül). Hamar kiderült hasonló rendszerek, bár bizonyos területeken hasznosak lehetnek, nem ragadják meg az emberi intelligencia néhány kulcsfontosságú aspektusát. Az egyik nézet szerint ennek az az oka, hogy nem képesek reprodukálni az agy szerkezetét. A mesterséges intelligencia létrehozásához hasonló architektúrájú rendszert kell felépíteni.

Az agy nagyon sok (körülbelül 10 000 000 000) neuronból áll, amelyeket számos kapcsolat köt össze (átlagosan több ezer kapcsolat neurononként, de ez a szám nagymértékben ingadozhat). A neuronok speciális sejtek, amelyek képesek elektrokémiai jelek továbbítására. Az idegsejtek elágazó szerkezetű információbevitellel (dendritek), maggal és elágazó kimenettel (axon) rendelkeznek. Egy sejt axonjai szinapszisok segítségével kapcsolódnak más sejtek dendritjeihez. Amikor aktiválódik, egy neuron elektrokémiai jelet küld az axonja mentén. A szinapszisokon keresztül ez a jel eljut más neuronokhoz, amelyek viszont aktiválódhatnak. Egy neuron akkor aktiválódik, ha a dendritekből a magjába érkező jelek összszintje meghalad egy bizonyos szintet (aktivációs küszöböt).

Az idegsejt által kapott jel intenzitása (és ezáltal aktiválódásának lehetősége) erősen függ a szinapszisok aktivitásától. Minden szinapszisnak van egy hosszúsága, és speciális vegyszerek jelet továbbítanak rajta. Az idegrendszerek egyik legelismertebb kutatója, Donald Hebb azt állította, hogy a tanulás elsősorban a szinaptikus kapcsolatok „erősségének” változásából áll. Például Pavlov klasszikus kísérletében minden alkalommal megszólalt egy csengő, közvetlenül a kutya etetése előtt, és a kutya gyorsan megtanulta a harangozást az étellel társítani. Megerősödtek a szinaptikus kapcsolatok az agykéreg hallásért felelős területei és a nyálmirigyek között, és amikor a kéreg csengőhanggal stimulált, a kutya nyálozni kezdett.

Így az agy nagyon sok nagyon egyszerű elemből épül fel (melyek mindegyike a bemeneti jelek súlyozott összegét veszi fel, és ha a teljes bemenet meghaladja egy bizonyos szintet, bináris jelet továbbít), az agy rendkívül összetett problémák megoldására képes. . Természetesen itt nem érintettük az agy szerkezetének sok összetett aspektusát, de az az érdekes, hogy ez a mesterségesA neurális hálózatok figyelemre méltó eredményeket érhetnek el a fent leírt modellnél nem sokkal bonyolultabb modell használatával.

Statistica Neural Networks (SNN) csomag

1. Nyissa meg az adatfájlt Sorozat_g a csomagban elérhető adatokból. A fájl egyetlen változót tartalmaz, amely havi adatrögzítéssel határozza meg a több éves forgalom volumenét. (A fájl megnyitásakor számos táblázat jelenik meg az intelligens megoldó opcióhoz kapcsolódóan, amelyeket ebben a szakaszban be kell zárni, és csak a forrásadattábla marad meg).
2. Állítsa be az „input – output” változótípust a következőképpen: válassza ki a változót a táblázat fejlécére kattintva, kattintson a jobb gombbal, és válasszon egy lehetőséget a menüből Bemenet kimenet. A változó neve zöld színnel lesz kiemelve.
3. Teremt új hálózat a párbeszédpanel segítségével Hálózat létrehozása. Ehhez nyomja meg egymás után: Fájl – Új – Hálózat. A monitor képernyőjén van egy párbeszédpanel (1. ábra).

Rizs. 1. Hálózat létrehozása párbeszédpanel

Egy idősoros előrejelzési feladatnál a hálózatnak tudnia kell, hogy egy változóból hány másolatot kell készítenie, és milyen messzire kell előre megjósolnia a változó értékét. Ebben a feladatban fogadja el a paramétert Lépések (időablak) egyenlő 12-vel, mert az adatok havi megfigyelések és a paraméter Előretekint– egyenlő 1-gyel.

1. Válassza a Multilayer Perceptront hálózattípusnak, és állítsa be a hálózati rétegek számát 3-ra. Ezután kattintson a Tanács gombra, aminek eredményeként a program automatikusan beállítja a neuronok számát a hálózat mindhárom rétegében: 12 – 6 – 1 (2. ábra).

Rizs. 2. Párbeszédpanel a hálózati paraméterek beállítása után

Ezt követően nyomja meg a gombot Teremt.

1. A hálózat létrehozásakor az SNN automatikusan hozzárendeli az adatfájl első 12 megfigyeléséhez, hogy figyelmen kívül hagyja. A hálózat idősorelemzési feladatának továbbképzése és működtetése során minden bemenetére szállított adatblokk több megfigyeléshez kapcsolódó adatot tartalmaz. A teljes blokk hozzá van rendelve ahhoz a megfigyeléshez, amely a kimeneti változó értékét tartalmazza. Következésképpen az első 12 megfigyelést nem hagyjuk figyelmen kívül, hanem az első idősor-adatblokk bemenetei, amely megfelel a 13. megfigyelésnek. Valójában a program egy átalakított adathalmazt készít, amelyben a megfigyelések száma 12-vel kevesebb, de az egyes megfigyelések adatait a forrásfájl 13 egymást követő sorából veszik.

A létrehozott hálózat az ábrán látható. 3.

Rizs. 3. Háromrétegű perceptron

1. A forrásadatok ablakában "Adatkészlet-szerkesztő" meg 66 képzés (Kiképzés)és 66 kezelőszerv (Igazolás) megfigyeléseket (4. ábra), majd nyomja meg a gombot a sorok keveréséhez az alábbiak szerint: a menün keresztül Szerkesztés – Esetek – Keverés – Összes (Szerkesztés – Esetek – Keverés – Összes).
2. Tanítsa meg a hálózatot a Levenberg-Marquard módszerrel, amelyhez kattintson: Vonat – Többrétegű Perceptron – Levenberg-Marquardt (Train – Multilayer Perceptron – Levenberg-Marquardt). A tanulási folyamat néhány másodpercet vesz igénybe (a processzor típusától függően). A Levenberg-Marquard módszer az egyik megbízható és gyors tanulási algoritmus, de használata bizonyos korlátokkal jár:

Rizs. 4. Forrásadat ablak elkülönített megfigyelésekkel

• ez a módszer csak egy kimeneti elemmel rendelkező hálózatoknál használható.
• A Levenberg-Marquard módszer a hálózatban lévő súlyok számának négyzetével arányos memóriát igényel, így a módszer nem alkalmas hálózatokra nagy méretű(kb. 1000 súly).
• A módszer csak az átlagos négyzetes hibafüggvényre alkalmazható.

A Levenberg-Marquard algoritmust úgy tervezték, hogy minimalizálja a négyzetes középérték függvényt. A minimumpont közelében ez a feltevés nagy pontossággal érvényesül, így az algoritmus nagyon gyorsan mozog. Ez a feltevés messze nem a minimumtól lehet, hogy nem helyes, így a módszer kompromisszumot talál a lineáris modell és a gradiens süllyedés között. Lépést csak akkor kell megtenni, ha az csökkenti a hibát, és ahol szükséges, kellően kis lépéssel gradiens süllyedést alkalmaznak az előrehaladás biztosítására.

A Levenberg-Marquard-módszer párbeszédpanel az ábrán látható. 5.

Rizs. 5. Levenberg-Marquard módszer párbeszédpanel

Az ablak fő elemei:

• Korszakok (korszakok száma)– beállítja az epochák számát, amely alatt az algoritmus futni fog. Minden korszakban a teljes edzéskészletet átvezetik a hálózaton, majd beállítják a súlyokat.
• Keresztellenőrzés– a pozíció megjelölésekor a hálózat által előállított eredmény minőségét minden korszakban ellenőrzik a vezérlőkészlettel (ha van megadva). Kikapcsolt állapotában a rendszer figyelmen kívül hagyja a vezérlő megfigyeléseket, még akkor is, ha az adatfájlban jelen vannak.
• Vonat– Minden alkalommal, amikor megnyomja a gombot, az algoritmus végigfut a megadott számú korszakon.
• Újrainicializálás– Mielőtt újra elkezdené az edzést, nyomja meg a reset gombot, mert ebben az esetben a hálózat súlyai ​​ismét véletlenszerűen vannak beállítva.
• Kocogó súlyok – Ha az algoritmus elakad egy helyi minimumban, ez a beállítás minden súlyhoz hozzáad egy kis összeget.

1. Készítsen idősoros vetületet a segítségével Futtatás – Times Series vetítés nyissa meg a megfelelő ablakot (6. ábra).

Rizs. 6. Idősor vetítési ablak

A párbeszédpanel leírása

• Rajt– megadja, hogy az idősor-vetítés valamilyen megfigyelési számnál kezdődjön-e (ügyszám) adatállományban vagy egyéni megfigyelésből.
• ügyszám – Ha egy adatfájlból idősort vetítünk ki, akkor megjelenik a megfigyelési szám a kimeneti értékkel, amelyből kiindulni kell.
• Hossz– azon lépések száma, amelyekre az előrejelzést vetítik.
• Változó– jelzi a tervezendő változót.

1. Egy betanított hálózat segítségével idősoros vetítést végezhet. Kezdetben a hálózat az első 12 bemeneti értékkel dolgozik, ami a következő érték előrejelzését eredményezi. Ezután az előrejelzett érték az előző 11 bemeneti értékkel együtt ismét a hálózat bemenetére kerül, és az utóbbi elkészíti a következő érték előrejelzését.

Az egyetlen kiválasztandó vezérlőparaméter a vetítési hossz. Ebben a példában összesen 144 megfigyelés van, ebből 12 eltávolításra kerül az előfeldolgozás során, így az eredmények legfeljebb 132 lépésben hasonlíthatók össze. A rendelkezésre álló adatok határain túlra is lehet azonban egy sorozatot vetíteni, de nem lesz mihez hasonlítani az eredményt.

Tekintse meg az előrejelzett értékek viselkedését különböző hosszúságban a gombbal Fuss megfigyelheti a sorozat cél- és kimeneti értékeinek változásait.

Az adott ábrán. A 6. ábra azt mutatja, hogy az előre jelzett görbe (kék a monitor képernyőjén) nem volt túl jól betanítva, mivel jelentős eltérések vannak az eredeti és az előre jelzett sorozat között, körülbelül 70 megfigyeléstől kezdve.

1. Végezzen sorozat-előrejelzést egy intelligens megoldó segítségével (a harmadik gomb balról a felső sorban). Ebben az esetben számos kérdésre kell válaszolni párbeszéd módban:

• Válassza ki a fő verziót (7. ábra), és kattintson a gombra Következő.

Rizs. 7. A fő verzió kiválasztása

• Határozza meg a feladat típusát (standard vagy idősor). Itt szükséges megjegyezni az idősort (8. ábra).

Rizs. 8. Feladattípus kiválasztása

• Állítsa a megfigyelési időszakot 12 hónapra (9. ábra).

Rizs. 9. A megfigyelési időszak beállítása

• Válassza ki a függő és független változókat, amelyek ugyanazok a változók Sorozat.
• Határozza meg a számítási eljárás idejét 2 perccel (10. ábra).

Rizs. 10. Az elszámolási eljárás időpontjának meghatározása

• Adja meg a mentendő hálózatok számát és a mentésükkor végrehajtandó műveleteket (11. ábra).

Rizs. 11. Műveletek a hálózatok kiválasztásához

• Válassza ki az eredmények megjelenítéséhez szükséges űrlapokat (12. ábra), majd kattintson a gombra Befejez.

Rizs. 12. Az eredmények bemutatására szolgáló űrlap kiválasztása

Az intelligens megoldó alkalmazása révén az előrejelzés sokkal pontosabb, mivel a betanított hálózat sokkal közelebb áll az eredeti sorozathoz (13. ábra).

Rizs. 13. Előrejelzés intelligens megoldó segítségével

Gyakorlat

Készítsen szimulált idősort a Statistica csomagból az alábbiak szerint:

• Teremt új fájl, amely 20 sorból és 2 oszlopból áll.
• A menün keresztül Adatok – Változó specifikációkírja be a =vnormal(rnd(1);1;3) kifejezést a képletablakba.
• Simuláljon egy véletlenszerű, normális eloszlású változó 20 értékét, amelynek matematikai elvárása 1 és szórása 3. Ez a 20 érték határozza meg a Var 1 változót. Konvertálja őket egész adattípussá, beállítva a változóba leírás ablak mint típus jelentése Egész szám.
• Menjen a Var 2 változóhoz a következőképpen: a Var 2 első értéke egyenlő a Var 1 változó első értékével; a második Var 2 érték egyenlő a Var 1 változó első két értékének összegével; a Var 2 változó harmadik értéke egyenlő a Var 1 változó első három értékének összegével stb.
• Másolja a Var 2 változót, és lépjen az SNN-csomaghoz, és helyezze el a másolt adatokat az új létrehozott fájlba.
• Végezze el a kapott sorozatok előrejelzését neurális hálózat segítségével.

nyomtatott változat

Az adatok elemzésére szolgáló neurális hálózati módszereket a Statistica Neural Networks (a StatSoft által gyártott) csomag használatán alapul, amely teljes mértékben adaptált az orosz felhasználók számára. Adják a neurális hálózatok elméletének alapjait; Nagy figyelmet fordítanak a gyakorlati problémák megoldására, átfogóan áttekintik a Statistica Neural Networks csomagot használó kutatások módszertanát és technológiáját - egy hatékony adatelemző és előrejelző eszközt, amely széleskörű alkalmazásokkal rendelkezik az üzleti életben, az iparban, a menedzsmentben és a pénzügyekben. A könyv számos adatelemzési példát tartalmaz, gyakorlati ajánlások elemzéshez, előrejelzéshez, osztályozáshoz, mintafelismeréshez, kezeléshez termelési folyamatok neurális hálózatok segítségével.. A banki, ipari, közgazdasági, üzleti, geológiai feltárás, menedzsment, közlekedési és egyéb kutatásokkal foglalkozó olvasók széles körének. TartalomElőszó a második kiadáshozBevezetés. Felhívás a neurális hálózatokhoz 1. fejezet. AZ ADATELEMZÉS ALAPVETŐ FOGALMAI 2. fejezet. BEVEZETÉS A VALÓSZÍNŰSÉG-ELMÉLETBE 3. fejezet. BEVEZETÉS A NEURÁLIS HÁLÓZATOKBA hálózatok Elő- és utófeldolgozás. Több integrált perceptronRadiális bázisfüggvény Valószínűségi neurális hálózatÁltalános regressziós neurális hálózatLineáris hálózat Hálózat Kohonen Osztályozási problémákRegressziós problémákIdősor-előrejelzés Változók kiválasztása és dimenziócsökkentés Fejezet 5. ELSŐ LÉPÉSEK A STATISTIKÁBAN NEURÁLIS HÁLÓZATOK.Első lépésekAdatkészlet létrehozásaÚj hálózat létrehozásaAdatkészlet létrehozása és hálózat kiépítéseRCüzemelés. TOVÁBBI KÉPESSÉGEI NEURÁLIS HÁLÓZATKlasszikus példa: Fisher's IrisesTréning keresztellenőrzéssel Leállítási feltételek Regressziós problémák megoldása Radiális bázisfüggvények Lineáris modellek Kohonen-hálózatok Valószínűségi és általánosított regressziós hálózatok Hálózatkonstruktor Genetikai algoritmus a bemeneti adatok kiválasztásához Idősorok 7. fejezet. GYAKORLATI PROBLÉMÁK Adatok megfejtéséhez hasznos bemeneti változók méretének csökkentése Hálózati architektúra kiválasztása Egyedi hálózati architektúrák Idősorok Fejezet 8. ALKALMAZÁSI PÉLDÁK (ESETTANULMÁNYOK) 1. példa Dimenziócsökkentés a geológiai kutatásban 2. példa MintafelismerésPélda 3. Kétdimenziós halmazok nemlineáris osztályozása 4. példa. Különféle tüzelőanyag-minták szegmentálása laboratóriumi kutatás szerint 5. példa Viselkedési pontozási modell felépítése 6. példa FunkcióközelítésPélda 7. Olajértékesítés előrejelzése 8. példa Hőmérsékleti viszonyok megfigyelése és előrejelzése egy létesítménybenPélda 9. Digitális aláírás megbízhatóságának meghatározása hálózatok Munkavégzés hálózattal Eredmények elküldése a STATISTICA rendszerbe 10. fejezet. KLASSZIKUS MÓDSZEREK ALTERNATÍV A NEURÁLIS HÁLÓZATHOZKlasszikus diszkriminanciaanalízis a STATISTICAClassificationLogit regressionFactor elemzésben a STATISTICA fejezetben 11. fejezet. STATISTICA ERP rendszerekkel BibliographyIndex

• Elő- és utófeldolgozás, beleértve az adatkiválasztást, névleges kódolást, skálázást, normalizálást, a hiányzó adatok eltávolítását osztályozási, regressziós és idősoros problémák értelmezésével;
• Kivételes egyszerű használat plusz páratlan analitikai erő; például nincs analógja Megoldás varázsló végigvezeti a felhasználót a különféle neurális hálózatok létrehozásának minden szakaszán, és kiválasztja a legjobbat (ezt a feladatot egyébként hosszú „próbálkozás és hiba” folyamattal oldják meg, és alapos elméleti ismereteket igényel);
• Hatékony feltárási és elemzési technológiák, beleértve Főkomponens analízisÉs Dimenziócsökkentés feltáró (neurális hálózat) adatelemzésben a szükséges bemeneti változók kiválasztásához (a neurális hálózatokhoz szükséges bemeneti változók kiválasztása gyakran sokáig tart; a rendszer STATISTICA Neurális hálózatok elvégezheti ezt a munkát a felhasználó helyett);
• A legfejlettebb, optimalizált és leghatékonyabb hálózati képzési algoritmusok (beleértve a konjugált gradienst és Levenberg-Marquard); a hálózat minőségét befolyásoló összes paraméter teljes ellenőrzése, mint például az aktiválási és hibafunkciók, a hálózat összetettsége;
• -ban létrehozott, szinte korlátlan méretű neurális hálózatok és neurális hálózati architektúrák együtteseinek támogatása. Hálózati készletek - Hálózati készletek; neurális hálózati szegmensek szelektív betanítása; hálózatkészletek egyesítése és mentése külön fájlokban;
• Teljes integráció a rendszerrel STATISZTIKA; minden eredmény, grafikon, jelentés stb. erős grafikus és elemző eszközökkel tovább módosítható STATISZTIKA(például a várható maradványok elemzéséhez, részletes jelentés elkészítéséhez stb.);
• Zökkenőmentes integráció erőteljes automatizált eszközökkel STATISZTIKA; teljes értékű makrók rögzítése bármilyen elemzéshez; saját neurális hálózati elemzések és alkalmazások létrehozása segítségével STATISTICA Visual Basic, kihívás STATISTICA Neurális hálózatok bármely olyan alkalmazásból, amely támogatja COM technológia(például automatikus neurális hálózat elemzés egy táblázatban MS Excel vagy több beírt egyéni alkalmazás kombinálása C++, C#, Java stb.).

STATISTICA Neurális hálózatok a neurális hálózati számítástechnikában:

• A neurális hálózatok használata sokkal többet foglal magában, mint az adatok neurális hálózati módszerekkel történő feldolgozását.
• STATISTICA Neurális hálózatok változatosságot biztosít funkcionalitás, nagyon összetett feladatokkal való munkavégzéshez, beleértve nem csak a legújabb Neurális hálózati architektúrákÉs Tanulási algoritmusok, hanem új megközelítések is Bemeneti adatok kiválasztásaÉs Hálózat kiépítése. Ezen kívül a fejlesztők szoftverés az alkalmazásbeállításokkal kísérletező felhasználók értékelni fogják azt a tényt, hogy meghatározott kísérletek elvégzése után egy egyszerű és intuitív felületen STATISTICA Neurális hálózatok,A neurális hálózati elemzések kombinálhatók egy egyedi ,alkalmazásban. Ez a könyvtár használatával érhető el STATISTICA COM funkciókat, amely teljes mértékben tükrözi a program összes funkcióját, vagy kódot használ a nyelven C (C++, C#) vagy Visual Basic, amelyet a program generál, és segít egy teljesen betanított neurális hálózat vagy hálózati együttes futtatásában.

Kezdeti adatok

Modul STATISTICA Neurális hálózatok teljesen integrálva a rendszerbe STATISZTIKAÍgy az adatok elemzésre történő szerkesztéséhez (előkészítéséhez) (transzformációk, megfigyelések kiválasztásának feltételei, adatellenőrző eszközök stb.) hatalmas választék áll rendelkezésre. Mint minden teszt STATISZTIKA, a program „csatolható” egy távoli adatbázishoz helyszíni feldolgozó eszközök segítségével, vagy összekapcsolható élő adatokkal, így a modellek betanítása vagy futtatása (pl. előrejelzett értékek kiszámítása vagy osztályozás) automatikusan megtörténik, amikor az adatok megváltoznak.

Bemenet kiválasztása és méretcsökkentés

Az adatok elkészítése után el kell döntenie, hogy mely változókat használja a neurális hálózattal végzett munka során. Minél nagyobb a változók száma, annál összetettebb lesz a neurális hálózat, ezért több memóriát és képzési időt, valamint több betanítási példát (megfigyelést) igényel. Ha nincs elegendő adat és/vagy korreláció a változók között, akkor az értelmes bemeneti változók kiválasztásának és az információk kisebb számú változóba való tömörítésének kérdése rendkívül fontossá válik számos neurális hálózati alkalmazásban.

Dimenziócsökkentő algoritmusok:

• BAN BEN STATISTICA Neurális hálózatok Inverz és közvetlen lépésről lépésre kiválasztási algoritmusokat valósítottak meg. Ezenkívül a bemeneti adatok kiválasztására szolgáló neurogenetikus algoritmus egyesíti a genetikai algoritmusok és a PNN/GRNN (PNN – valószínűségi neurális hálózatok, GRNN – általánosított regressziós neurális hálózatok) a bemeneti változók optimális kombinációinak automatikus kereséséhez, beleértve azokat az eseteket is, amikor korrelációk és nemlineáris függőségek vannak közöttük. Szinte azonnali tanulási sebesség PNN/GRNN algoritmus nemcsak a jelentkezést teszi lehetővé Neuro-Genetikus algoritmus a bemeneti adatok kiválasztásához, hanem lehetővé teszi (a rendelkezésre álló Szerkesztő rendszeradatok STATISTICA Neurális hálózatok kényelmes eszköz a jelentéktelen változók elnyomására) valós időben végezzen saját kísérleteket az adatérzékenységgel kapcsolatban. STATISTICA Neurális hálózatok beépített rendszert is tartalmaz Főkomponens analízis (PCA és asszociatív hálózatok a "nemlineáris PCA"-hoz), amely lehetővé teszi a forrásadatok méretének csökkentését. Megjegyzendő, hogy az alaprendszerben az adatok dimenziósságának csökkentésére szolgáló statisztikai módszerek hatalmas választéka áll rendelkezésre STATISZTIKA.

Adatskálázás és névérték konverzió:

• Mielőtt az adatokat bevinnénk a hálózatba, azokat bizonyos módon elő kell készíteni. Ugyanilyen fontos, hogy a kimeneti adatok helyesen értelmezhetők legyenek. BAN BEN STATISTICA Neurális hálózatok lehetőség van a bemeneti és kimeneti adatok automatikus skálázására (beleértve a minimális/maximális értékek és az átlagos/szórás szerinti skálázást); A névleges értékű változók automatikusan újrakódolhatók (például Gender=(Férfi, Nő)), beleértve az 1-ből N kódolási módszert is. STATISTICA Neurális hálózatok eszközöket is tartalmaz a hiányzó adatok kezeléséhez. Megvalósított normalizálási funkciók, mint pl "egyszeri összeg", "a győztes mindent visz"És "egységnyi hosszúságú vektor". Vannak kifejezetten idősorelemzésre kifejlesztett adat-előkészítő és értelmező eszközök. Az alaprendszerben is sokféle hasonló eszköz van megvalósítva STATISZTIKA.
• Az osztályozási feladatokban lehetőség van olyan konfidenciaintervallumok beállítására, amelyek STATISTICA Neurális hálózatok azután a megfigyelések egyik vagy másik osztályhoz való hozzárendelésére szolgál. Speciálisan megvalósított in STATISTICA Neurális hálózatok aktiválási funkció Softmaxés keresztentrópia hibafüggvények, ez alapvető valószínűségelméleti megközelítést biztosít az osztályozási problémákhoz.

Neurális hálózati modell kiválasztása, Hálózati együttesek

A neurális hálózati modellek sokfélesége és a sok beállítandó paraméter (hálózat mérete, tanulási algoritmus paraméterei stb.) megzavarhatja egyes felhasználókat (ezért van Megoldás varázsló, amely képes automatikusan megkeresni a megfelelő hálózati architektúrát bármilyen bonyolultságú).

A STATISTICA Neural Networks rendszer a gyakorlati problémák megoldásához használt összes főbb neurális hálózattípust megvalósítja, beleértve:

• többrétegű perceptronok (közvetlen jelátvitelű hálózatok);
• radiális bázisfüggvényeken alapuló hálózatok;
• önszerveződő Kohonen térképek;
• valószínűségi (bayesi) neurális hálózatok;
• általánosított regressziós neurális hálózatok;
• fő komponens hálózatok;
• hálózatok klaszterezéshez;
• lineáris hálózatok.

Ráadásul a rendszerben STATISTICA Neurális hálózatok megvalósítani Hálózati együttesek, amely a fenti hálózatok véletlenszerű (de jelentős) kombinációiból jött létre. Egy másik hasznos funkció, hogy összekapcsolhatja a hálózatokat, így azok egymás után futnak. Ez hasznos az előfeldolgozásban, hogy minimális költséggel találjunk megoldást.

A csomagban STATISTICA Neurális hálózatok Számos eszköz áll rendelkezésre, amelyek segítik a felhasználót a megfelelő hálózati architektúra kiválasztásában. A rendszer statisztikai és grafikus eszközei között megtalálhatók a teljes sokaságra és az egyes megfigyelésekre vonatkozó hisztogramok, mátrixok és hibadiagramok, a helyes/helytelen osztályozás végleges adatai, valamint minden fontos statisztika – például a variancia magyarázata – automatikusan kiszámításra kerül.

Adatok megjelenítése egy csomagban STATISTICA Neurális hálózatok Scatterplotok és 3D válaszfelületek vannak megvalósítva, hogy segítsenek a felhasználónak megérteni a hálózat „viselkedését”.
Természetesen a felsorolt ​​forrásokból szerzett bármilyen információt felhasználhat további elemzésekhez más módon is. STATISZTIKA, valamint a későbbi jelentésekben való szerepeltetéshez vagy testreszabáshoz.

STATISTICA Neurális hálózatok automatikusan megjegyzi a legjobb hálózati lehetőséget azokból, amelyeket a feladattal való kísérletezés során kapott, és bármikor hivatkozhat rá. A hálózat hasznosságát és előrejelző képességét automatikusan tesztelik egy speciális tesztsorozaton, valamint a hálózat méretének, hatékonyságának és a téves besorolás költségeinek becslésével. ben megvalósítva STATISTICA Neurális hálózatok automatikus keresztellenőrzési és rendszeresítési eljárások Wigend mérlegek lehetővé teszi, hogy gyorsan megtudja, hogy a hálózat nem elégséges, vagy éppen ellenkezőleg, túl bonyolult-e egy adott feladathoz.

A csomag teljesítményének javítása érdekében STATISTICA Neurális hálózatok Számos hálózati konfigurációs lehetőség jelenik meg. Így megadhat egy lineáris kimeneti hálózati réteget a regressziós feladatokban, vagy egy softmax aktiválási függvényt a valószínűségi becslési és osztályozási problémákban. Ha az adatok sok kiugró értékkel rendelkeznek, akkor a hálózat betanítása során a normál hibafunkciót lecserélheti egy kevésbé érzékeny funkcióra "várostömbök". A rendszer információelméleti modelleken és számoson alapuló keresztentrópia hibafüggvényeket is megvalósít speciális funkciók aktiválások, beleértve: lépés, fűrészfog és szinusz.

Megoldás varázsló (automatikusan kiértékeli a problémát, és több, különböző architektúrájú hálózatot választ ki):

• A csomag része STATISTICA Neurális Hálózat s az Megoldás varázsló – Intelligens problémamegoldó, amely számos különböző architektúrájú és összetettségű neurális hálózatot értékel, és kiválasztja az adott feladathoz a legjobb architektúra hálózatait.
• Fő képes hálózatokat építeni az adatokhoz független megfigyelésekkel (standard regressziós hálózatok, osztályozási hálózatok vagy vegyes hálózatok), valamint olyan hálózatokat, amelyek célja egy adott változó jövőbeli értékeinek előrejelzése ugyanazon változó (idő) meglévő értékei alapján sorozatos hálózatok).
• A neurális hálózat létrehozásakor jelentős időt fordítanak a megfelelő változók kiválasztására és a hálózati architektúra heurisztikus kereséssel történő optimalizálására. STATISTICA Neurális hálózatokátveszi ezt a munkát, és automatikusan elvégzi helyetted a heurisztikus keresést. Ez az eljárás figyelembe veszi a bemeneti dimenziót, a hálózat típusát, a hálózat méreteit és a szükséges kimeneti kódolási funkciókat.
• A keresés során beállíthatja, hogy a képzési folyamat során hány válasz érkezik. A maximális részletezési mód beállításakor Megoldás varázsló Megjeleníti minden tesztelt hálózat architektúráját és minőségi szintjeit.
• Megoldás varázsló rendkívül hatékony eszköz összetett technikák alkalmazásakor, lehetővé téve a legjobb hálózati architektúra automatikus megtalálását. Ahelyett, hogy sok órát töltene a számítógép előtt, hagyja a rendszert STATISTICA Neurális hálózatok ezt a munkát ön helyett.
• Automatikus hálózatépítő modellfejlesztés során is használható, amikor a modul STATISTICA neurális hálózatok, az alaprendszer többi moduljával együtt STATISZTIKA, a legjelentősebb változók azonosítására szolgál (például a legjobb előrejelzők azok későbbi beépítéséhez és teszteléséhez bármely modellben Nemlineáris becslés).

Neurális hálózat képzés:

• A legjobb hálózati típus és architektúra megtalálására irányuló kísérletek sikere jelentősen függ a hálózati tanulási algoritmusok minőségétől és sebességétől. Rendszerben STATISTICA Neurális hálózatok Az eddigi legjobb képzési algoritmusokat alkalmazták.
• Többrétegű perceptronok betanítása a rendszerben STATISTICA Neurális hálózatok Mindenekelőtt a backpropagation módszert valósítjuk meg - időben változó tanulási sebességgel és tehetetlenségi együtthatóval, a megfigyelések keverésével az algoritmus következő lépése előtt, és additív zaj hozzáadásával a robusztus általánosítás érdekében. Ráadásul a rendszerben STATISTICA Neurális hálózatok két gyors másodrendű algoritmust valósítottak meg - konjugált gradiens módszerek és Levenberg-Marquard. Ez utóbbi egy rendkívül hatékony modern nemlineáris optimalizáló algoritmus, és a szakértők erősen ajánlják a használatát. Ugyanakkor ennek a módszernek az alkalmazási köre a viszonylag kis méretű, egy kimeneti neuronnal rendelkező hálózatok eseteire, valamint a csomagban található bonyolultabb feladatokra korlátozódik. STATISTICA Neurális hálózatok Létezik egy konjugált gradiens módszer. Általában mindkét algoritmus gyorsabban konvergál, mint a visszaterjesztés, és általában jobb megoldást ad.
• Hálózati képzés iteratív folyamata a rendszerben STATISTICA Neurális hálózatok kíséri az aktuális edzési hiba és az attól függetlenül számított hiba automatikus kijelzése a tesztkészleten, valamint megjelenik a teljes hiba grafikonja is. Az edzést bármikor megszakíthatja egy gombnyomással. Ezen kívül lehetőség van leállási feltételek beállítására, amelyek mellett az edzés megszakad; ilyen feltétel lehet például egy bizonyos hibaszint elérése, vagy a teszthiba stabil növekedése adott számú áthaladáson - „korszakon” (ami a hálózat ún. átképzését jelzi). Ha túlillesztés történik, a felhasználónak nem kell törődnie: STATISTICA Neurális hálózatok automatikusan megjegyzi az esetet legjobb hálózat a képzési folyamat során szerzett, és ez a hálózati lehetőség mindig elérhető a megfelelő gombra kattintva. A hálózati betanítás befejezése után egy külön tesztkészleten ellenőrizheti a munka minőségét.
• A csomagban STATISTICA Neurális hálózatok Számos tanulási algoritmust is implementáltak más architektúrák más hálózataihoz. A radiális spline-ok és a simítási együtthatók paraméterei radiális bázisfüggvényen és általánosított regressziós hálózatokon alapuló hálózatokhoz olyan algoritmusok segítségével választhatók ki, mint például: Kohonen képzés, részminta, K-módszer, izotrópia és a legközelebbi szomszéd módszerek. A sugárirányú bázisfüggvényen alapuló hálózatok lineáris kimeneti rétegének neuronjai, akárcsak a lineáris hálózatoké, teljesen optimalizáltak szinguláris érték dekompozíció (SVD) módszer.
• Hibrid hálózati struktúrák létrehozása. Rendszerben STATISTICA Neurális hálózatok Lehetőség van vegyes szerkezetű hálózatok létrehozására. Például egy radiális bázisfüggvényen alapuló módosított hálózatban a neuronok első rétege tanítható Kohonen algoritmus ah, és a második... nemlineáris réteg - Levenberg-Marquard módszer.

Neurális hálózat tesztelése:

• A hálózat betanítása után ellenőriznie kell a munka minőségét és meg kell határoznia a jellemzőit. Erre a célra a csomagban STATISTICA Neurális hálózatok Van egy sor képernyőn megjelenő statisztika és grafikus eszköz.
• Abban az esetben, ha több modell (hálózatok és együttesek) van megadva, akkor (ha lehetséges) STATISTICA Neurális Hálózat Az s összehasonlító eredményeket jelenít meg (például több modell válaszgörbéjét ábrázolja egy grafikonon, vagy több modell előrejelzőjét egy táblázatban jeleníti meg). Ez a tulajdonság nagyon hasznos az ugyanazon az adatkészleten betanított különböző modellek összehasonlításához.
• Minden statisztikai adatot külön számítanak ki a képzési, érvényesítési és tesztkészletekre vonatkozóan. Minden súly és aktiválási paraméter kényelmesen elérhető szöveges fájl, amely egy kattintással rendszereredmények táblázatává alakítható STATISZTIKA. Az egyes megfigyelésekre vagy a teljes adatsorra vonatkozó kísérleti eredmények táblázatos formában is megtekinthetők STATISZTIKAés további elemzésekben vagy grafikonokban használható.
• A rendszer automatikusan kiszámítja a következő összesítő statisztikákat: a hálózat négyzetes középhibája, az ún. eltérési mátrix (zavaros mátrix) osztályozási problémákra (ahol a helyes és helytelen osztályozás összes esetét összegzik) és a magyarázott regresszió arányát a regressziós problémákra. Kohonen hálózat ablaka van Topológiai térkép, amelyben vizuálisan megfigyelheti a hálózati elemek aktiválását, valamint megváltoztathatja a megfigyelések és a csomópontok címkéit az adatelemzés folyamatában. Van egy Win Frequency ablak is, amely lehetővé teszi a klaszterek azonnali lokalizálását egy topológiai térképen. Klaszteranalízis szabványos architektúrájú hálózat és speciális rendszerfürt diagram kombinációjával hajtható végre STATISTICA Neurális hálózatok. Például betaníthat egy hálózatot főkomponens-elemzésre, és az adatokat az első két komponensre vetítve ábrázolhatja.

Neurális hálózatok szerkesztése, módosítása, soros csatlakoztatása

Rendszerben STATISTICA Neurális hálózatok Vannak intelligens eszközök, amelyek lehetővé teszik a meglévő hálózatok darabjainak levágását és több hálózat összekapcsolását. Így eltávolíthat vagy hozzáadhat egyes neuronokat, eltávolíthat egy teljes réteget a hálózatból, és a bemenetek/kimenetek számát tekintve konzisztens hálózatok egymás után kapcsolódhatnak egymáshoz. Ezeknek a tulajdonságoknak köszönhetően a csomag STATISTICA Neurális hálózatok lehetővé teszi olyan eszközök használatát, mint például a méretcsökkentés (előfeldolgozás során) asszociatív hálózatok és veszteségmátrix segítségével (a legkisebb veszteséggel járó döntések meghozatalához). A veszteségmátrix automatikusan használatos, ha valószínűségi neurális hálózatokkal dolgozik.

Kész megoldások (egyéni alkalmazások a STATISTICA neurális hálózatokat használva):

• Egyszerű és kényelmes rendszerfelület STATISTICA Neurális hálózatok lehetővé teszi a neurális hálózati alkalmazások gyors létrehozását a problémák megoldására.
• Előfordulhat olyan helyzet, amikor ezeket a megoldásokat egy meglévő rendszerbe kell integrálni, például egy tágabb számítási környezet részévé tenni (ezek lehetnek külön kidolgozott és a vállalati számítástechnikai rendszerbe beépített eljárások).
• A betanított neurális hálózatok többféleképpen alkalmazhatók új adatkészletekre (előrejelzésre): Mentheti a betanított hálózatot vagy hálózatok együttesét (például több architektúra alapján átlagos előrejelzés kiszámításához), majd alkalmazhatja egy új adatkészletre ( előrejelzéshez, előre jelzett osztályozáshoz vagy előrejelzéshez); A kódgenerátor segítségével automatikusan generálhat programkódot egy adott nyelven C (C++, C#) vagy Visual Basicés tovább használja új adatok előrejelzésére bármilyen szoftverkörnyezetben Visual Basic vagy C++ (C#), azaz implementáljon egy teljesen betanított neurális hálózatot az alkalmazásába. Összefoglalva, a rendszer összes funkciója STATISZTIKA, beleértve STATISTICA Neurális hálózatok mint COM objektumok (Component Object Model) más alkalmazásokban (pl. Java, MS Excel stb.). Például megvalósíthatja a ben létrehozott automatizált elemzéseket STATISTICA Neurális hálózatok asztalokhoz MS Excel.

Tanulási algoritmusok listája:

• Visszaszaporítás;
• Levenberg-Marquard;
• Konjugált gradiensek;
• kvázi-newtoni;
• Gyors terjedés;
• Delta-delta-rúddal;
• Pszeudo-inverz;
• Kohonen képzés;
• Közeli osztályok jelölése;
• Képzési vektor kvantáló;
• Radiális (al)mintavételezés;
• K-közép módszer;
• K-Legközelebbi szomszédok (KNN) módszere;
• Izotróp eltérések beállítása;
• Nyilvánvaló eltérések beállítása;
• Valószínűségi neurális hálózat;
• Általánosított regressziós neurális hálózat;
• Genetikai algoritmus bemeneti adatok kiválasztásához;
• A bemeneti adatok lépésről lépésre történő közvetlen vagy fordított kiválasztása.

Rendszerkövetelmények

Rendszer STATISTICA Neurális hálózatok még viszonylag gyenge vagy régi számítógépeken is működhet. Mivel azonban a csomag számos eljárása számításigényes, erősen ajánlott a használata Pentium processzor 32 megabájt RAM-mal.

Hálózat méretre vonatkozó korlátozások:

• Egy neurális hálózat szinte bármilyen méretű lehet (azaz méretei többszörösére vehetők a ténylegesen szükségesnél és ésszerűnél); Legfeljebb 128 réteg megengedett a neuronok számának korlátozása nélkül. Valójában minden gyakorlati feladatnál a programnak csak a számítógép hardveres képességei szabnak határt.

E-kézikönyv:

• A rendszer részeként STATISTICA Neurális hálózatok van egy jól illusztrált tankönyv, amely teljes és világos bevezetést ad a neurális hálózatokhoz, valamint példákat. A részletes, környezetfüggő súgórendszer bármely párbeszédpanelen elérhető.

Forráskód generátor:

• Generátor forráskód egy kiegészítő termék, amely lehetővé teszi a felhasználók számára, hogy a rendszer alapján egyszerűen létrehozzák saját alkalmazásaikat STATISTICA Neurális hálózatok. Ez a kiegészítő termék létrehozza a neurális hálózati modell forrásrendszerkódját (fájlként C, C++, C# nyelven), amely külön-külön összeállítható és ingyenes terjesztés céljából integrálható a programjába. Ezt a terméket kifejezetten vállalati rendszerfejlesztőknek, valamint azoknak a felhasználóknak tervezték, akiknek át kell alakítaniuk a STATISTICA Neurális hálózatok külső alkalmazásokba komplex elemzési problémák megoldására.

A neurális hálózati módszerek egyre szélesebb körben terjednek el számos területen.

Ipar:

• Folyamatmenedzsment (elsősorban a gyártási folyamatok nyomon követése az ellenőrzési paraméterek folyamatos szabályozásával).
• Az üzemanyagminták osztályozása (a tüzelőanyag-minőségek szegmentálása spektrumaik elemzése alapján).
• Műszaki diagnosztika (rezgés és zaj használata a mechanizmus hibáinak korai szakaszában történő azonosítására és a megelőző javítások elvégzésére).
• Motorvezérlő rendszerek (üzemanyag-fogyasztás felmérése és szabályozása szenzoradatok segítségével).
• Valós idejű kapcsolási detektorrendszerek a fizikában. A neurális hálózatok zajállóak, és lehetővé teszik robusztus minták használatát a fizikai adatokban, nagy statisztikai zajjal.

Marketing:

• Aranyár előrejelzés;
• Nyersanyagok árának előrejelzése;
• Kereskedelem direkt mailben.

Pénzügy:

• Hitelképesség felmérése (klasszikus feladat annak meghatározása személyes adatokból, hogy az adott hitelfelvevő megbízható-e).
• Pénzügyi idősorok előrejelzése.

Geológiai feltárás:

• A bányászati ​​folyamat hatékonyságának növelése (a bányászati ​​hatékonysági mutatókat befolyásoló jelentős tényezők kiemelése).

Egyéb iparágak:

• Optikai karakterfelismerés, beleértve az aláírás-felismerést;
• Képfeldolgozás;
• Kaotikus idősorok előrejelzése;
• Orvosi diagnosztika;
• Beszédszintézis;
• Nyelvi elemzés.