үй › Мәселелер › Зертханалық жұмыс статистикалық нейрондық желілер. STATISTICA Автоматтандырылған нейрондық желілер Автоматтандырылған нейрондық желілер. STATISTICA Нейрондық желіні есептеудегі нейрондық желілер

Зертханалық жұмыс статистикалық нейрондық желілер. STATISTICA Автоматтандырылған нейрондық желілер Автоматтандырылған нейрондық желілер. STATISTICA Нейрондық желіні есептеудегі нейрондық желілер

Пациенттерді бақылаудың белгілі бір тарихында деректер жиыны жинақталып, STATISTICA жүйесіндегі кестеде сақталады. Сәйкес деректер кестесі 6-суретте көрсетілген.

Сурет 6. Бастапқы деректер кестесінің фрагменті

Зерттеудің мақсаты – стационарда тағайындалған емге негізделген бастапқы деректердің берілген жиынтығына (науқасты тексеру деректері, тест нәтижелері, қабылдауға дейінгі емдеу) негізінде оның ауруына болжам жасайтын нейрондық желі моделін құру. емдеу (ауруханаға жатқызу мәндері I-APFARA, BAB, BKK, диуретиктер, орталық әсер ететін препараттар) жеткілікті дәлдікпен.

Мәселенің сызықты емес екендігі күмән тудырмайды. Әрине, STATISTICA сызықты емес бағалау модулін пайдаланып мәселені шешуге болады, атап айтқанда функция түрін «сылау» үшін осы модуль ұсынатын итерациялық процедураларды пайдалана отырып. Дегенмен, мұнда шешімді табу процедурасын айтарлықтай кеңейтетін бірқатар қиындықтар бар. Олардың ең маңыздысы зерттелетін тәуелділіктің айқын формасы туралы гипотезаны тұжырымдау, ол мүлдем анық емес.

Қосымша зерттеулерсіз тәуелділіктің айқын түрі туралы ештеңе айту қиын. Оның үстіне, біз тағы бір факторды есепке алмағанымызды айта кеткен жөн. Жалпы алғанда, мұндай мәселені сызықтық емес бағалау әдістерін қолдану арқылы шешу өте ұзақ уақытты алуы мүмкін немесе ештеңеге әкелмеуі мүмкін. Мұндай сыни жағдайларда, бұл белгілі болған кезде

Айнымалылар арасында байланыс бар;

Қатынас сөзсіз сызықты емес;

Тәуелділіктің айқын түрі туралы бірдеңе айту қиын,

Нейрондық желі алгоритмдері көмектеседі. STATISTICA нейрондық желілер модулінде бұл мәселені шешу жолын қарастырайық.

Өкінішке орай, белгілі бір мәселені шешу үшін қандай нейрондық желі топологиясын сақтау керектігін көрсететін әмбебап ережелер жоқ. Сондықтан дұрыс желіні табудың ақылға қонымды процедурасы қажет.

STATISTICA жүйесінің нейрондық желілер модулі қажетті желі конфигурациясын іздеуді ұйымдастыратын процедураны қамтиды. Бұл процедура әртүрлі архитектурасы бар көптеген желілерді құру және сынаудан тұрады, содан кейін олардың арасынан берілген мәселені шешуге ең қолайлы желіні таңдау. Бұл құрал интеллектуалды мәселені шешуші деп аталады. Нейрондық желілер модулін іске қосу үшін STATISTICA – Statistics жүйесінің негізгі мәзіріндегі аттас команданы пайдалану керек. (7-сурет)

Сурет 7. Нейрондық желілер модулін іске қосу

Келесі тезис өте кең таралған: «нейрондық желілер әмбебап құрылым, кез келген алгоритмді жүзеге асыруға мүмкіндік береді.» Келіңіздер, осы мәлімдемеге соқыр сене отырып, ұсынылған тәуелділікті дереу «ұстап алатын» нейрондық желіні құруға тырысайық (мағынасы, алдын ала барлау талдауынсыз).

Қазіргі ғылым әлі шешілмеген маңызды мәселелердің бірі - қажетті көп өлшемді сызықтық емес тәуелділікті жаңғыртуға қабілетті нейрондық желінің құрылымы туралы мәселе. Шынында да, 1957 жылы дәлелдеген Колмогоровтың толықтық туралы теоремасы нейрондық желі кез келген (өте маңызды - үздіксіз) функцияны жаңғыртуға қабілетті екенін айтады. Дегенмен, ол зерттеушіге мұндай желіні құрудың рецептін ұсынбайды. 1988 жылы бірқатар авторлар Колмогоровтың теоремасын жалпылап, кез келген үздіксіз функцияны бір жасырын қабаты бар үш қабатты нейрондық желі және кез келген дәлдік дәрежесімен кері таралу алгоритмі арқылы жуықтауға болатынын көрсетті. Осылайша, біздің жағдайда, оң аспект желі үш қабат болуы керек екенін білу болып табылады, бірақ «кез келген дәлдік дәрежесі» мен аралық нейрондар саны арасындағы байланысты белгілейтін ережелер жоқ. жасырын қабат деп аталады.

Жоғарыда айтылғандардың барлығын қорытындылай келе, белгілі бір мәселені шешу үшін қандай нейрондық желі топологиясын сақтау керектігін көрсететін әмбебап ережелер жоқ екенін атап өтеміз. Сондықтан дұрыс желіні табудың ақылға қонымды процедурасы қажет.

STATISTICA жүйесінің нейрондық желілер модулі қажетті желі конфигурациясын іздеуді ұйымдастыратын бірегей процедураны қамтиды. Бұл құрал интеллектуалды мәселені шешуші деп аталады. Осы құралды қолданып, біздің мәселемізді шешуге қабілетті нейрондық желіні іздейік.

Сурет 8. Нейрондық желілер модулінің іске қосу алаңы

Осы тілқатысу терезесінің «Жылдам» қойындысында «Мәселе түрі» бөлімінде бізде кездесетін мәселелер класын таңдау ұсынылады. Біздің мақсатымыз – көп айнымалы қатынасты немесе басқаша айтқанда, көп айнымалы сызықты емес регрессияны құру. Бұл Мәселе түрі бөлімінде Регрессияны көрсету керек дегенді білдіреді.

Тапсырмалар класы туралы шешім қабылдағаннан кейін, талдауды жүргізу үшін айнымалы мәндерді көрсету қажет. Айнымалы мәндерді таңдау үшін Айнымалылар түймешігін пайдаланыңыз. Осы түймені басқан кезде енгізу (тәуелсіз), шығыс (тәуелді) және таңдау айнымалыларын таңдау диалогтық терезесі пайда болады. Бұл диалогтық терезеде айнымалылардың екі тізімін көрсету керек. Үздіксіз нәтижелер, біздің жағдайда, ACEI/ARB госпитализациясы, ВАБ госпитализациясы, БКК ауруханасына түсуі, диуретиктер ауруханасына түсуі және орталықтандырылған әсер ететін препараттардың стационарға түсуі айнымалылар болып табылады. Үздіксіз енгізулер, біздің мысалда, 1-ден 61-ге дейінгі бастапқы параметрлер.

Сурет 9. Талдау үшін айнымалыларды таңдау

Талдауды таңдау бөлімінде екі опция қолжетімді: Ақылды мәселені шешуші және пайдаланушы желі дизайнері. Нейрондық желі параметрлерін автоматты түрде таңдау үшін әдепкі бойынша орнатылған бірінші опция қажет. Талдауды жалғастыру үшін OK түймесін басыңыз.

Келесі қадамда Intelligent Problem Solver орнату диалогтық терезесі пайда болады.

Жылдам бөлімде нейрондық желіні іздеу алгоритмінің орындалу уақытына жауап беретін опциялар тобы бар. Бұл қойындыда тестілеуді қажет ететін желілердің санын көрсету керек (олардың тұжырымдалған мәселені шешуге жарамдылығын білу үшін), сондай-ақ осы желілердің қаншасы қорытынды есепке қосылатынын көрсету керек.

Сынақталған желілер бөлімінде біз 100, сақталған желілер - 10 (10-сурет) көрсетеміз.

Түрлер қойындысы тестілеу процесінде нейрондық желілердің қандай түрлері қолданылатынын көрсетеді. Сызықты емес регрессия мәселесін шешу үшін көпқабатты перцептрон ең қолайлы, сондықтан 11-суретте белгіленген желілерді таңдаймыз.

Сурет 10. Тексерілетін желілер санын орнату

Сурет 11. Желі архитектурасын таңдау

Әрі қарай іздеу және тестілеу процесін ұйымдастыру үшін нейрондық желінің әрбір қабатындағы нейрондар санының өзгеру ауқымын көрсету қажет. Бұл тапсырма үшін ұсынылған мәндер 12-суретте көрсетілген.

Сурет 12. Оқу, бақылау және сынақ үлгілерінің өлшемдерін көрсету

Енді барлық оқыту параметрлерін орнатқаннан кейін желіні іздеу процедурасын бастау үшін OK түймесін басу керек.

Іздеу алгоритмінің күйі IPS Training In Progress диалогтық терезесінде көрсетіледі.

Сәйкес нейрондық желіні іздеу алгоритмі жұмыс істеп тұрған кезде, бұл диалогтық терезе алгоритмнің орындалу уақыты туралы, сондай-ақ қарастырылатын нейрондық желілер туралы ақпаратты береді. Іздеу алгоритмінің мақсаты – бірнеше нейрондық желі конфигурацияларын санау және желі шығысындағы ең аз қателік және оның өнімділігінің максимумы бойынша ең жақсысын таңдау.

Нейрондық желі әдістеріне қатысты көптеген түсініктер мысал ретінде белгілі бір нейрондық желі бағдарламасын пайдалану арқылы жақсы түсіндіріледі. Сондықтан бұл бөлімде пакетке көптеген сілтемелер болады СТАТИСТИКАНейрондық желілер (қысқартылған ST Neural Networks, StatSoft компаниясының нейрондық желі пакеті), ол деректерді талдауға арналған нейрондық желі әдістерінің барлық жиынтығын іске асыру болып табылады.

Соңғы бірнеше жылда біз әртүрлі салаларда – бизнесте, медицинада, инженерияда, геологияда, физикада сәтті қолданылатын нейрондық желілерге деген қызығушылықтың жарылуын байқадық. Нейрондық желілер болжау, жіктеу немесе бақылау мәселелерін шешу қажет болған жерде тәжірибеге енді. Бұл әсерлі табыс бірнеше себептерге байланысты:

Нейрондық желілер өте күрделі тәуелділіктерді жаңғырта алатын өте қуатты модельдеу әдісі болып табылады. Атап айтқанда, нейрондық желілер сызықты емес сипатта (бұл ұғымның мағынасы осы тарауда кейінірек егжей-тегжейлі түсіндіріледі). Көптеген жылдар бойы көптеген салаларда сызықтық модельдеу басым модельдеу әдісі болды, өйткені ол үшін оңтайландыру процедуралары жақсы дамыған. Сызықтық жуықтау қанағаттанарлықсыз есептерде (және олардың саны өте көп), сызықтық модельдер нашар жұмыс істейді. Сонымен қатар, нейрондық желілер «өлшемділіктің қарғысымен» күреседі, бұл айнымалылардың үлкен саны жағдайында сызықтық тәуелділіктерді модельдеуге мүмкіндік бермейді.

Нейрондық желілер мысалдардан үйренеді. Нейрондық желі пайдаланушысы өкілдік деректерді таңдайды, содан кейін деректер құрылымын автоматты түрде үйренетін оқу алгоритмін іске қосады. Бұл жағдайда пайдаланушыдан, әрине, деректерді таңдау және дайындау, қалаған желі архитектурасын таңдау және нәтижелерді түсіндіру туралы кейбір эвристикалық білімдер жиынтығы талап етіледі, бірақ нейрондық желілерді сәтті пайдалану үшін қажетті білім деңгейі. мысалы, дәстүрлі статистикалық әдістерді қолданған кездегіге қарағанда әлдеқайда қарапайым.

Нейрондық желілер интуитивті тартымды, өйткені олар жүйке жүйесінің қарабайыр биологиялық моделіне негізделген. Болашақта мұндай нейробиологиялық модельдердің дамуы шынайы ойлайтын компьютерлерді жасауға әкелуі мүмкін. Сонымен қатар, ST Neural Networks жүйесі құрастыратын «қарапайым» нейрондық желілер қолданбалы статистика маманының арсеналындағы қуатты қару болып табылады (Нейрондық желілер. STATISTICA Neural Networks: Қазіргі заманғы деректерді талдау әдістемесі мен технологиялары.).

Нейрондық желілер жасанды интеллект зерттеулерінен пайда болды, атап айтқанда мидың төменгі деңгейлі құрылымын модельдеу арқылы биологиялық жүйке жүйелерінің қателерді үйрену және түзету қабілетін қайталау әрекеттері (Паттерсон, 1996). 60-80 жылдардағы жасанды интеллектті зерттеудің негізгі бағыты сараптамалық жүйелер болды. Мұндай жүйелер ойлау үдерісін жоғары деңгейде модельдеуге негізделген (атап айтқанда, біздің ойлау үрдісіміз таңбалармен айла-шарғы жасау негізінде құрылған деген идеяға негізделген). Бұл көп ұзамай белгілі болды ұқсас жүйелер, олар кейбір салаларда пайдалы болуы мүмкін болса да, адам интеллектінің кейбір негізгі аспектілерін қамтымаңыз. Бір көзқарас - бұл олардың ми құрылымын қайта жасай алмайтындығынан. Жасанды интеллект құру үшін ұқсас архитектурасы бар жүйені құру қажет.

Ми өте үлкен саннан (шамамен 10 000 000 000) тұрады көптеген байланыстар арқылы қосылған нейрондар (әр нейронға орта есеппен бірнеше мың байланыс, бірақ бұл сан айтарлықтай ауытқуы мүмкін). Нейрондар - электрохимиялық сигналдарды беруге қабілетті арнайы жасушалар. Нейронның ақпарат кірісінің тармақталған құрылымы (дендриттер), ядро және тармақталған шығыс (аксон) болады. Жасушаның аксондары синапстар арқылы басқа жасушалардың дендриттерімен байланысады. Іске қосылған кезде нейрон аксон бойымен электрохимиялық сигнал жібереді. Синапстар арқылы бұл сигнал басқа нейрондарға жетеді, олар өз кезегінде белсендірілуі мүмкін. Нейрон оның ядросына дендриттерден келетін сигналдардың жалпы деңгейі белгілі бір деңгейден (белсендіру шегі) асқанда белсендіріледі.

Нейрон қабылдаған сигналдың қарқындылығы (демек, оның белсендіру мүмкіндігі) синапстардың белсенділігіне қатты байланысты. Әрбір синапстың ұзындығы бар және арнайы химиялық заттар оның бойымен сигнал береді. Нейрожүйелердің ең беделді зерттеушілерінің бірі Дональд Хебб оқыту ең алдымен синаптикалық байланыстардың «күшіндегі» өзгерістерден тұрады деп тұжырымдаған. Мысалы, Павловтың классикалық тәжірибесінде ит тамақтандырар алдында әр жолы қоңырау соғылады, ал ит қоңырау соғуын тамақпен байланыстыруды тез үйренді. Ми қыртысының естуге жауапты аймақтары мен сілекей бездері арасындағы синаптикалық байланыстар нығайып, қыртыс қоңыраудың дыбысымен қоздырылғанда иттің сілекейі шыға бастады.

Осылайша, өте қарапайым элементтердің өте үлкен санынан (олардың әрқайсысы кіріс сигналдарының салмақты қосындысын қабылдайды және егер жалпы кіріс белгілі бір деңгейден асып кетсе, екілік сигналды жібереді) құрастырылған, ми өте күрделі мәселелерді шешуге қабілетті. . Әрине, біз бұл жерде ми құрылымының көптеген күрделі аспектілеріне тоқталған жоқпыз, бірақ қызығы сол жасандынейрондық желілер жоғарыда сипатталғанға қарағанда күрделірек емес үлгіні пайдаланып тамаша нәтижелерге қол жеткізе алады.

Statistica нейрондық желілер (SNN) пакеті

Деректер файлын ашыңыз Series_gпакетте бар деректерден. Файлда ай сайынғы деректерді жазу арқылы бірнеше жыл бойы трафик көлемін анықтайтын жалғыз айнымалы бар. (Осы файлды ашқан кезде интеллектуалды шешуші опциясына қатысты бірнеше кестелер пайда болады, олар осы кезеңде жабық болуы керек, тек бастапқы деректер кестесін қалдырады).
«енгізу – шығару» айнымалы түрін келесідей орнатыңыз: кесте тақырыбын басу арқылы айнымалыны таңдаңыз, тінтуірдің оң жақ түймешігімен басыңыз және мәзірден опцияны таңдаңыз. Кіріс шығыс.Айнымалы атауы жасыл түспен бөлектеледі.
Жасау жаңа желідиалогтық терезені пайдалану Желі құру.Ол үшін кезекпен басыңыз: Файл – Жаңа – Желі.Монитор экранында диалогтық терезе бар (Cурет 1).

Күріш. 1. Желі құру диалогтық терезесі

Уақыт қатарын болжау мәселесінде желі бір айнымалының қанша көшірмесін алу керектігін және айнымалының мәнін қаншалықты алда болатынын білуі керек. Бұл тапсырмада параметрді қабылдаңыз Қадамдар (уақыт терезесі) 12-ге тең, себебі деректер ай сайынғы бақылаулар және параметр болып табылады Алға қарау– 1-ге тең.

Желі түрі ретінде Multilayer Perceptron параметрін таңдап, желі деңгейлерінің санын 3-ке орнатыңыз. Осыдан кейін «Кеңес» түймесін басыңыз, нәтижесінде бағдарлама желінің барлық үш қабатындағы нейрондар санын автоматты түрде орнатады: 12 – 6 – 1 (Cурет 2).

Күріш. 2. Желі параметрлерін орнатқаннан кейін диалогтық терезе

Осыдан кейін түймені басыңыз Жасау.

Желіні құру кезінде SNN деректер файлындағы алғашқы 12 бақылауды Ignore түріне автоматты түрде тағайындайды. Желіні уақыттық қатарларды талдау тапсырмасына әрі қарай оқыту және пайдалану кезінде оның кірісіне берілген әрбір деректер блогында бірнеше бақылауларға қатысты деректер бар. Бүкіл блок шығыс айнымалының мәнін қамтитын бақылауға тағайындалады. Нәтижесінде, алғашқы 12 бақылау іс жүзінде еленбейді, бірақ №13 бақылауға сәйкес келетін уақыттық қатар деректерінің бірінші блогына кіріс болып табылады. Шын мәнінде, бағдарлама бақылаулар саны 12-ге аз болатын, бірақ әрбір бақылаудағы деректер бастапқы файлдың 13 дәйекті жолынан алынған трансформацияланған деректер жиынтығын құрады.

Құрылған желі суретте көрсетілген. 3.

Күріш. 3. Үш қабатты перцептрон

Бастапқы деректер терезесінде «Деректер жинағының редакторы» 66 жаттығуды орнату (Тренинг)және 66 басқару (тексеру)бақылаулар (Cурет 4), содан кейін жолдарды араластыру түймесін төмендегідей басыңыз: мәзір арқылы Өңдеу – Істер – Араластыру – Барлығы (Өңдеу – Істер – Араластыру – Барлығы).
Левенберг-Маркард әдісі арқылы желіні жаттықтырыңыз, ол үшін мынаны басу керек: Пойыз – Көпқабатты перцептрон – Левенберг-Марквард (Пойыз – Көпқабатты перцептрон – Левенберг-Марквардт).Оқу процедурасы бірнеше секундты алады (процессор түріне байланысты). Левенберг-Маркард әдісі сенімді және жылдам оқыту алгоритмдерінің бірі болып табылады, бірақ оны пайдалану белгілі бір шектеулермен байланысты:

Күріш. 4. Бөлінген бақылаулары бар бастапқы деректер терезесі

бұл әдіс бір шығыс элементі бар желілер үшін ғана қолданылуы мүмкін.
Левенберг-Маркард әдісі желідегі салмақтар санының квадратына пропорционалды жадты қажет етеді, сондықтан әдіс желілер үшін жарамсыз. үлкен өлшем(шамамен 1000 салмақ).
Әдіс тек орташа квадраттық қате функциясы үшін ғана қолданылады.

Левенберг-Маркард алгоритмі орташа квадраттық қателік функциясын азайтуға арналған. Минималды нүктеге жақын жерде бұл болжам үлкен дәлдікпен орындалады, сондықтан алгоритм өте жылдам қозғалады. Минимумнан алыс, бұл болжам дұрыс болмауы мүмкін, сондықтан әдіс сызықтық модель мен градиенттің түсуі арасындағы ымыраға табады. Қадам қатені азайтқанда ғана қабылданады және қажет болған жағдайда прогрессті қамтамасыз ету үшін жеткілікті аз қадаммен градиент төмендеу қолданылады.

Левенберг-Маркард әдісінің диалогтық терезесі суретте көрсетілген. 5.

Күріш. 5. Левенберг-Маркард әдісінің диалогтық терезесі

Терезенің негізгі элементтері:

Дәуірлер (дәуірлер саны)– алгоритм орындалатын дәуірлер санын белгілейді. Әрбір дәуірде бүкіл жаттығу жиынтығы желі арқылы өтеді, содан кейін салмақтар реттеледі.
Кросс-верификация– позиция белгіленген кезде желі шығарған нәтиженің сапасы әр дәуірде бақылау жиынтығымен (егер ол көрсетілсе) тексеріледі. Өшірілген кезде, деректер файлында бар болса да, бақылау бақылаулары еленбейді.
Пойыз– Түймені басқан сайын, алгоритм көрсетілген дәуірлер саны бойынша жұмыс істейді.
Қайта инициализациялау– жаттығуды қайта бастамас бұрын, қалпына келтіру түймесін басу керек, өйткені бұл жағдайда желі салмақтары қайтадан кездейсоқ орнатылады.
Жүгіру салмағы –Алгоритм жергілікті минимумда тұрып қалуы мүмкін болғанда, бұл опция әрбір салмаққа аз мөлшерді қосады.

Қолдану арқылы уақыт қатарларының проекциясын құрыңыз Іске қосу – Уақыт сериясының проекциясысәйкес терезені ашыңыз (Cурет 6).

Күріш. 6. Уақыт қатарларының проекциясының терезесі

Диалогтық терезенің сипаттамасы

Бастау– уақыт қатары проекциясының қандай да бір бақылау санынан басталуы керектігін анықтайды (Іс №)деректер файлында немесе жеке бақылаудан.
Іс № -Деректер файлынан уақыттық қатарды проекциялау кезінде басталатын шығыс мәні бар бақылау нөмірі көрсетіледі.
Ұзындығы– болжам жобаланатын қадамдар саны.
Айнымалы– жобаланатын айнымалыны көрсетеді.

Оқытылған желіні пайдаланып, уақыт қатарларының проекциясын орындауға болады. Бастапқыда желі алғашқы 12 кіріс мәнінде жұмыс істейді, нәтижесінде келесі мәнді болжауға болады. Содан кейін болжамды мән алдыңғы 11 кіріс мәндерімен бірге қайтадан желінің кірісіне беріледі, ал соңғысы келесі мәннің болжамын шығарады.

Таңдау қажет жалғыз басқару параметрі - проекция ұзындығы. Бұл мысалда барлығы 144 бақылау бар, оның 12-сі алдын ала өңдеу кезінде жойылады, сондықтан нәтижелерді ең көбі 132 қадаммен салыстыруға болады. Дегенмен, қол жетімді деректердің шегінен тыс қатарды жобалауға болады, бірақ нәтижені салыстыратын ештеңе болмайды.

Түймені пайдаланып әртүрлі ұзындықтағы болжамды мәндердің әрекетін қараңыз Жүгірусерияның мақсатты және шығыс мәндеріндегі өзгерістерді байқауға болады.

Берілген суретте. 6-сурет болжанған қисық (монитор экранындағы көк) өте жақсы оқытылмағанын көрсетеді, өйткені бастапқы және болжамды қатар арасында шамамен 70 бақылаудан бастап елеулі ауытқулар бар.

Зияткерлік шешуші арқылы серияларды болжауды орындаңыз (жоғарғы қатардағы сол жақтағы үшінші түйме). Бұл жағдайда диалог режимінде бірқатар сұрақтарға жауап беру қажет:

Негізгі нұсқаны таңдап (Cурет 7) және басыңыз Келесі.

Күріш. 7. Негізгі нұсқаны таңдау

Тапсырманың түрін анықтаңыз (стандартты немесе уақыттық қатар). Мұнда уақыттық қатарларды атап өту қажет (8-сурет).

Күріш. 8. Тапсырма түрін таңдау

Бақылау мерзімін 12 айға орнатыңыз (Cурет 9).

Күріш. 9. Бақылау кезеңін белгілеу

Бірдей айнымалы болып табылатын тәуелді және тәуелсіз айнымалыларды таңдаңыз Сериялар.
2 минутқа тең есептеу процедурасының уақытын анықтаңыз (10-сурет).

Күріш. 10. Есеп айырысу процедурасының уақытын орнату

Сақталатын желілердің санын және оларды сақтау кезінде орындалатын әрекеттерді көрсетіңіз (Cурет 11).

Күріш. 11. Желілерді таңдау әрекеттері

Нәтижелерді көрсету үшін пішіндерді таңдап (Cурет 12) және басыңыз Аяқтау.

Күріш. 12. Нәтижелерді ұсыну пішінін таңдау

Интеллектуалды шешушіні қолдану нәтижесінде болжам әлдеқайда дәл болады, өйткені оқытылған желі бастапқы серияға әлдеқайда жақын (Cурет 13).

Күріш. 13. Интеллектуалды шешуші көмегімен болжау

Жаттығу

Statistica бумасынан имитацияланған уақыт қатарын төмендегідей құрастырыңыз:

Жасау жаңа файл, 20 жолдан және 2 бағаннан тұрады.
Мәзір арқылы Деректер – Айнымалы сипаттамаларформула терезесіне =vnormal(rnd(1);1;3) өрнегін енгізіңіз.
Кездейсоқ қалыпты үлестірілген айнымалының 20 мәнін математикалық күтуі 1-ге тең және стандартты ауытқуы 3-ке тең етіп модельдеңіз. Бұл 20 мән Var 1 айнымалысын анықтайды. Оларды айнымалыға орнатып, бүтін деректер түріне түрлендіріңіз. сипаттау терезесі ретінде Түрмағынасы бүтін сан.
Var 2 айнымалысына келесідей өтіңіз: Var 2 бірінші мәні Var 1 айнымалысының бірінші мәніне тең; екінші Var 2 мәні Var 1 айнымалысының алғашқы екі мәнінің қосындысына тең; Var 2 айнымалысының үшінші мәні Var 1 айнымалысының алғашқы үш мәнінің қосындысына тең және т.б.
Var 2 айнымалысын көшіріп, SNN бумасына өтіңіз, көшірілген деректерді жасалған жаңа файлға орналастырыңыз.
Нейрондық желінің көмегімен алынған қатардың болжамын орындаңыз.

басып шығару нұсқасы

Деректерді талдауға арналған нейрондық желі әдістері ресейлік пайдаланушыға толығымен бейімделген Statistica нейрондық желілер пакетін (StatSoft шығарған) пайдалануға негізделген. Нейрондық желілер теориясының негіздері беріледі; Практикалық мәселелерді шешуге көп көңіл бөлінеді, Statistica нейрондық желілер пакетін қолдану арқылы зерттеу жүргізудің әдіснамасы мен технологиясы – бизнесте, өнеркәсіпте, менеджментте және қаржыда кең қолданбалы мүмкіндіктері бар қуатты деректерді талдау және болжау құралы – жан-жақты қарастырылады. Кітапта деректерді талдаудың көптеген мысалдары бар, практикалық ұсыныстарталдау, болжау, жіктеу, үлгіні тану, басқару үшін өндірістік процестернейрондық желілерді пайдалану.Банк ісі, өнеркәсіп, экономика, бизнес, геологиялық барлау, менеджмент, көлік және басқа салаларда зерттеумен айналысатын оқырмандардың кең ауқымына арналған. Мазмұны Екінші басылымға алғысөз Кіріспе. Нейрондық желілерге шақыру 1-тарау. ДЕРЕКТЕРДІ ТАЛДАУДЫҢ НЕГІЗГІ ТҮСІНІКТЕРІ 2-тарау. ЫҚТИМАЛДЫҚ ТЕОРИЯСЫНА КІРІСПЕ 3-тарау. НЕЙРЛІК ЖЕЛІЛЕР ТЕОРИЯСЫНА КІРІСПЕ 4-тарау. ЕКІ ЖЕЛІЛІК ЖЕЛІЛЕРГЕ ЖАЛПЫ ШОЛУ. sАлдын ала және кейінгі өңдеу. Көпқабатты қабылдау.Радиалды негіз функциясы Ықтимал нейрондық желіЖалпыланған регрессиялық нейрондық желіСызықтық желіЖелі Kohonen Жіктеу мәселелеріРегрессия мәселелеріУақыт қатарларын болжауАйнымалыларды таңдау және өлшемдіктерді азайту 5-тарау. СТАТИСТИКА НЕЙРАЛЫ ЖЕЛІЛЕРІНДЕГІ АЛҒАШҚЫ ҚАДАМДАР. Жұмысты бастау Деректер жиынын жасау Жаңа желіні құру Деректер жиынын құру және желіні ажырату6C. НЕЙРАЛДЫҚ ҚОСЫМША МҮМКІНДІКТЕР NETWORKSCлассикалық мысал: Фишердің Иристері Айқас валидациямен жаттығу Тоқтату шарттары Регрессия мәселелерін шешу Радиалды негіздегі функциялар Сызықтық модельдер Кохонен желілері Ықтималдық және жалпыланған регрессиялық желілер Желілік конструктор Кіріс деректерін таңдауға арналған генетикалық алгоритм Уақыт сериясы 7 тарау. теңдік Желінің архитектурасын таңдау Таңдамалы желі архитектуралары Уақыт қатары 8-тарау. ЖАҒДАЙЛАР Мысал 1. Геологиялық зерттеулердегі өлшемді азайту 2-мысал Үлгіні тануМысал 3. Екі өлшемді жиынтықтардың сызықтық емес жіктелуіМысал 4. Зертханалық зерттеулерге сәйкес әртүрлі отын үлгілерін сегменттеу 5-мысал. мінез-құлық баллдық моделіМысал 6. Функцияларды жуықтауМысал 7. Мұнай сатуды болжауМысал 8. Орнату кезіндегі температура жағдайларын бақылау және болжауМысал 9. Цифрлық қолтаңбаның сенімділігін анықтау 9-тарау ЖЫЛДАМ БАСҚҰРУШЫЛЫҚДеректерЖелілерОқыту желілері Желілердің басқа түрлерімен ЖЫЛДАМ БАСҚҰРУШЫЛЫҚДеректерЖелілерОқыту желілері. ICAL НЕЙРЛІК ЖЕЛІЛЕРДІҢ АЛТЕРНАТИВІ ӘДІСТЕРSTSTATISTICКлассификациядағы классикалық дискриминантты талдау Логит регрессия STATISTICA 11-тараудағы факторлық талдау. STATISTICA қосымшасында ТАҒАН ДЕРЕКТЕР 1. Код генераторы Қосымша 2. STATISTICAIntegration Systems-мен ERPISBxliография.

Деректерді таңдауды, номиналды кодтауды, масштабтауды, қалыпқа келтіруді, жіктеу, регрессия және уақыт қатарларының есептері үшін интерпретациямен жетіспейтін деректерді жоюды қоса алғанда, алдын ала және кейінгі өңдеу;
Пайдаланудың ерекше қарапайымдылығы және теңдесі жоқ аналитикалық қуат; мысалы, аналогтары жоқ Шешім шеберіпайдаланушыны әртүрлі нейрондық желілерді құрудың барлық кезеңдері бойынша бағыттайды және ең жақсысын таңдайды (бұл тапсырма, әйтпесе, ұзақ «сынау және қателік» процесі арқылы шешіледі және теорияны мұқият білуді талап етеді);
Күшті барлау және аналитикалық технологиялар, соның ішінде Негізгі құрамдас талдауЖәне Өлшемді азайтубарлау (нейрондық желі) деректерді талдауда қажетті кіріс айнымалыларын таңдау үшін (нейрондық желілер үшін қажетті кіріс айнымалыларын таңдау көбінесе ұзақ уақытты алады; жүйе STATISTICA Нейрондық желілербұл жұмысты пайдаланушы үшін жасай алады);
Ең жетілдірілген, оңтайландырылған және қуатты желілік оқыту алгоритмдері (соның ішінде конъюгаттық градиент және Левенберг-Маркард); белсендіру және қате функциялары, желінің күрделілігі сияқты желі сапасына әсер ететін барлық параметрлерді толық бақылау;
жылы құрылған нейрондық желілер ансамбльдері мен нейрондық желі архитектураларының шексіз дерлік өлшемдерін қолдау Желі жинақтары - Желі жинақтары; нейрондық желі сегменттерін таңдамалы оқыту; желілердің жиынтықтарын бөлек файлдарда біріктіру және сақтау;
Жүйемен толық интеграция СТАТИСТИКА; барлық нәтижелер, графиктер, есептер және т.б. қуатты графикалық және аналитикалық құралдардың көмегімен одан әрі өзгертуге болады СТАТИСТИКА(мысалы, болжамды қалдықтарды талдау, егжей-тегжейлі есеп құру және т.б.);
Қуатты автоматтандырылған құралдармен үздіксіз интеграция СТАТИСТИКА; кез келген талдау үшін толыққанды макростарды жазу; пайдалана отырып, өзіңіздің нейрондық желі талдауларыңызды және қолданбаларды жасау STATISTICA Visual Basic, шақыру STATISTICA Нейрондық желілерқолдайтын кез келген қолданбадан COM технологиясы(мысалы, кестедегі нейрондық желіні автоматты талдау MS Excelнемесе бірнеше реттелетін қолданбаларды біріктіру C++, C#, Javaжәне т.б.).

STATISTICA Нейрондық желіні есептеудегі нейрондық желілер:

Нейрондық желілерді пайдалану нейрондық желілер әдістерін пайдаланып деректерді өңдеуден әлдеқайда көп нәрсені қамтиды.
STATISTICA Нейрондық желілералуан түрлілігін қамтамасыз етеді функционалдылық, өте күрделі тапсырмалармен жұмыс істеу үшін, соның ішінде тек соңғы емес Нейрондық желі архитектурасыЖәне Алгоритмдерді оқу, сонымен қатар жаңа тәсілдер Енгізілетін деректерді таңдауЖәне Желіні құру. Сонымен қатар, әзірлеушілер бағдарламалық қамтамасыз етужәне қолданба параметрлерімен тәжірибе жасайтын пайдаланушылар қарапайым және интуитивті интерфейсте көрсетілген эксперименттерді өткізгеннен кейін фактіні бағалайды. STATISTICA Нейрондық желілер,нейрондық желі талдауларын теңшелетін қолданбада біріктіруге болады. Бұған кітапхананы пайдалану арқылы қол жеткізіледі STATISTICA COM функциялары, ол бағдарламаның барлық функционалдығын толық көрсетеді немесе тілдегі кодты пайдаланады C (C++, C#)немесе Visual Basic, ол бағдарлама арқылы жасалады және толық дайындалған нейрондық желіні немесе желі ансамблін іске қосуға көмектеседі.

Бастапқы деректер

Модуль STATISTICA Нейрондық желілержүйесімен толықтай біріктірілген СТАТИСТИКАОсылайша, талдау үшін деректерді өңдеу (дайындау) құралдарының үлкен таңдауы (түрлендірулер, бақылауларды таңдау шарттары, деректерді тексеру құралдары және т.б.) қол жетімді. Барлық сынақтар сияқты СТАТИСТИКА, бағдарламаны орнындағы өңдеу құралдарын пайдаланып қашықтағы дерекқорға «тіркеуге» немесе деректер өзгерген сайын модельдерді үйрету немесе іске қосу (мысалы, болжамды мәндерді есептеу немесе жіктеу үшін) үшін тірі деректермен байланыстыруға болады.

Енгізуді таңдау және өлшемді азайту

Деректерді дайындағаннан кейін нейрондық желімен жұмыс істеу кезінде қандай айнымалыларды пайдалану керектігін шешу керек. Айнымалылар саны неғұрлым көп болса, нейрондық желі соғұрлым күрделі болады, сондықтан ол жады мен жаттығу уақытын, сонымен қатар оқыту мысалдарының (бақылаулардың) көп санын қажет етеді. Айнымалылар арасында жеткіліксіз деректер және/немесе корреляциялар болған кезде, мағыналы кіріс айнымалыларын таңдау және ақпаратты айнымалылардың аз санына қысу мәселелері көптеген нейрондық желі қолданбаларында аса маңызды болады.

Өлшемді азайту алгоритмдері:

IN STATISTICA Нейрондық желілерКері және тура қадамдық таңдау алгоритмдері жүзеге асырылды. Сонымен қатар, кіріс деректерді таңдауға арналған нейро-генетикалық алгоритм генетикалық алгоритмдердің мүмкіндіктерін біріктіреді және PNN/GRNN (PNN – ықтималдық нейрондық желілер, GRNN – жалпыланған регрессиялық нейрондық желілер)кіріс айнымалыларының оңтайлы комбинацияларын автоматты түрде іздеу үшін, соның ішінде олардың арасында корреляциялар мен сызықтық емес тәуелділіктер болған жағдайларда. Лездік дерлік оқу жылдамдығы PNN/GRNN алгоритміқолдануға мүмкіндік беріп қана қоймайды Енгізілетін деректерді таңдаудың нейро-генетикалық алгоритмі, сонымен қатар сізге мүмкіндік береді (қол жетімді Редакторжүйелік деректер STATISTICA Нейрондық желілерелеусіз айнымалыларды басу үшін ыңғайлы құралдар) нақты уақытта деректер сезімталдығы бойынша өз тәжірибелеріңізді жүргізіңіз. STATISTICA Нейрондық желілеркіріктірілген жүйе де бар Негізгі құрамдас талдау (PCA және «сызықты емес PCA» үшін ассоциативті желілер), бұл бастапқы деректердің өлшемін азайтуға мүмкіндік береді. Негізгі жүйеде деректердің өлшемділігін азайтуға арналған статистикалық әдістердің үлкен әртүрлілігі бар екенін ескеріңіз СТАТИСТИКА.

Деректерді масштабтау және номиналды мәнді түрлендіру:

Мәліметтерді желіге енгізбес бұрын оны белгілі бір жолмен дайындау керек. Шығарылатын деректердің дұрыс түсіндірілуі де бірдей маңызды. IN STATISTICA Нейрондық желілеркіріс және шығыс деректерді автоматты түрде масштабтау мүмкіндігі бар (ең төменгі/максималды мәндер бойынша және орташа/стандартты ауытқу бойынша масштабтауды қоса); Номиналды мәндері бар айнымалы мәндерді автоматты түрде қайта кодтауға болады (мысалы, Gender=(Male, Female)), соның ішінде 1-of-N кодтау әдісін қолдана отырып. STATISTICA Нейрондық желілерсонымен қатар жетіспейтін деректермен жұмыс істеуге арналған құралдарды қамтиды. сияқты қалыпқа келтіру функцияларын жүзеге асырды «бір сома», «Жеңімпаз бәрін алады»Және «Ұзындық бірлігі векторы». Уақыт серияларын талдау үшін арнайы әзірленген деректерді дайындау және интерпретациялау құралдары бар. Ұқсас құралдардың кең ауқымы негізгі жүйеде де енгізілген СТАТИСТИКА.
Жіктеу есептерінде сенімділік интервалдарын орнатуға болады STATISTICA Нейрондық желілерсодан кейін бір немесе басқа сыныпқа бақылауларды тағайындау үшін қолданылады. Арнайы комбинацияда жүзеге асырылады STATISTICA Нейрондық желілербелсендіру функциясы Softmaxжәне кросс-энтропия қателік функциялары, бұл жіктеу мәселелеріне іргелі ықтималдық-теориялық көзқарасты қамтамасыз етеді.

Нейрондық желі моделін таңдау, Желілік ансамбльдер

Нейрондық желі модельдерінің әртүрлілігі және орнатуды қажет ететін көптеген параметрлер (желі өлшемі, оқыту алгоритмінің параметрлері және т.б.) кейбір пайдаланушыларды шатастырады (сондықтан да бар Шешім шебері, ол кез келген күрделіліктегі қолайлы желі архитектурасын автоматты түрде іздей алады).

STATISTICA нейрондық желілер жүйесі практикалық есептерді шешуде қолданылатын нейрондық желілердің барлық негізгі түрлерін жүзеге асырады, соның ішінде:

көпқабатты перцептрондар (сигналдың тікелей берілуі бар желілер);
радиалды функцияларға негізделген желілер;
өздігінен ұйымдастырылатын Кохонен карталары;
ықтималдық (байес) нейрондық желілер;
жалпыланған регрессиялық нейрондық желілер;
негізгі құрамдас желілер;
кластерлеуге арналған желілер;
сызықтық желілер.

Сондай-ақ, жүйеде STATISTICA Нейрондық желілержүзеге асырылды Желілік ансамбльдер, жоғарыда аталған желілердің кездейсоқ (бірақ маңызды) комбинацияларынан құрылған. Тағы бір ыңғайлы мүмкіндік - сіз желілерді бір-бірімен байланыстыра аласыз, осылайша олар дәйекті түрде жұмыс істейді. Бұл ең аз шығынмен шешімдерді табу үшін алдын ала өңдеу кезінде пайдалы.

Пакетте STATISTICA Нейрондық желілерПайдаланушыға сәйкес желі архитектурасын таңдауға көмектесетін көптеген құралдар бар. Жүйенің статистикалық және графикалық құралдары гистограммаларды, матрицаларды және бүкіл халық үшін және жеке бақылаулар үшін қателер сызбаларын, дұрыс/қате жіктеу бойынша соңғы деректерді қамтиды және барлық маңызды статистикалық мәліметтер – мысалы, дисперсияның түсіндірілген үлесі – автоматты түрде есептеледі.

Бумадағы деректерді визуализациялау үшін STATISTICA Нейрондық желілерПайдаланушыға желінің «мінез-құлқын» түсінуге көмектесу үшін шашыраңқы графиктер мен 3D жауап беттері жүзеге асырылады.
Әрине, аталған көздерден алынған кез келген ақпаратты басқа әдістермен әрі қарай талдау үшін пайдалануға болады. СТАТИСТИКА, сондай-ақ кейіннен есептерге қосу немесе теңшеу үшін.

STATISTICA Нейрондық желілертапсырмамен тәжірибе жасау кезінде алынған ең жақсы желі опциясын автоматты түрде есте сақтайды және оған кез келген уақытта сілтеме жасай аласыз. Желінің пайдалылығы және оның болжау мүмкіндігі автоматты түрде бақылаулардың арнайы сынақ жиынында, сондай-ақ желінің көлемін, оның тиімділігін және қате жіктеу құнын бағалау арқылы тексеріледі. жылы жүзеге асырылды STATISTICA Нейрондық желілеравтоматты кросс-валидация және реттеу процедуралары Wigend таразыларысіздің желіңіздің жеткіліксіз немесе, керісінше, берілген тапсырма үшін тым күрделі екенін жылдам анықтауға мүмкіндік береді.

Пакетте өнімділікті жақсарту үшін STATISTICA Нейрондық желілерКөптеген желі конфигурациясының опциялары ұсынылған. Осылайша, регрессия есептерінде сызықтық шығыс желі деңгейін немесе ықтималдық бағалау және жіктеу есептерінде softmax белсендіру функциясын көрсетуге болады. Егер деректеріңізде шектен тыс көрсеткіштер көп болса, желіні жаттықтыру кезінде стандартты қате функциясын сезімталдығы төмен функциямен ауыстыруға болады. «қалалық блоктар». Жүйе сонымен қатар ақпараттық теория үлгілеріне және бірқатарына негізделген кросс-энтропия қателік функцияларын жүзеге асырады арнайы функцияларбелсендірулер, соның ішінде: қадам, ара тіс және синус.

Шешім шебері (мәселені автоматты түрде бағалайды және әртүрлі архитектураның бірнеше желісін таңдайды):

Пакеттің бір бөлігі STATISTICA нейрондық желі s болып табылады Шешім шебері – мәселені интеллектуалды шешуші, ол әртүрлі архитектуралық және күрделіліктегі көптеген нейрондық желілерді бағалайды және берілген тапсырма үшін ең жақсы архитектураның желілерін таңдайды.
Мастертәуелсіз бақылаулары бар деректерге арналған желілерді (стандартты регрессиялық желілер, жіктеу желілері немесе аралас желілер), сондай-ақ сол айнымалының (уақыт) бар мәндеріне негізделген белгілі бір айнымалының болашақ мәндерін болжауға арналған желілерді құра алады. сериялы желілер).
Нейрондық желіні құру кезінде эвристикалық іздеу арқылы сәйкес айнымалыларды таңдауға және желі архитектурасын оңтайландыруға көп уақыт жұмсалады. STATISTICA Нейрондық желілербұл жұмысты қабылдайды және сіз үшін эвристикалық іздеуді автоматты түрде орындайды. Бұл процедура кіріс өлшемін, желі түрін, желі өлшемдерін және қажетті шығыс кодтау функцияларын ескереді.
Іздеу кезінде оқу процесінде алынған жауаптар санын орнатуға болады. Максималды егжей-тегжейлі режимді орнату кезінде Шешім шеберіОл сынақтан өткен әрбір желі үшін архитектура мен сапа деңгейлерін көрсетеді.
Шешім шеберіең жақсы желі архитектурасын автоматты түрде табуға мүмкіндік беретін күрделі әдістерді пайдалану кезінде өте тиімді құрал болып табылады. Компьютердің алдында көп сағат отырудың орнына, жүйеге рұқсат етіңіз STATISTICA Нейрондық желілербұл жұмысты сіз үшін жасаңыз.
Автоматты желі конструкторымодуль кезінде үлгіні әзірлеу кезінде де пайдалануға болады STATISTICA нейрондық желілер,базалық жүйенің басқа модульдерімен бірге СТАТИСТИКА, ең маңызды айнымалыларды анықтау үшін қолданылады (мысалы, оларды кейіннен қосу және кез келген үлгіге тестілеу үшін ең жақсы болжаушылар Сызықты емес бағалау).

Нейрондық желіні оқыту:

Желінің ең жақсы түрі мен архитектурасын табу бойынша тәжірибелеріңіздің сәттілігі айтарлықтай желіні оқыту алгоритмдерінің сапасы мен жылдамдығына байланысты. Жүйеде STATISTICA Нейрондық желілерБүгінгі таңда ең жақсы оқыту алгоритмдері енгізілді.
Жүйедегі көп қабатты перцептрондарды жаттықтыру STATISTICA Нейрондық желілерЕң алдымен кері таралу әдісі жүзеге асырылады - уақыт бойынша өзгеретін оқыту жылдамдығымен және инерция коэффициентімен, алгоритмнің келесі қадамына дейін бақылауларды араластыру және сенімді жалпылау үшін аддитивті шу қосу. Сонымен қатар, жүйеде STATISTICA Нейрондық желілерЕкі жылдам екінші ретті алгоритмдер енгізілді - конъюгаттық градиент әдістері және Левенберг-Маркард. Соңғысы өте қуатты заманауи сызықты емес оңтайландыру алгоритмі және сарапшылар оны пайдалануды ұсынады. Сонымен қатар, бұл әдісті қолдану аясы бір шығыс нейроны бар салыстырмалы түрде шағын өлшемді желілер жағдайларымен және пакеттегі күрделірек тапсырмалармен шектеледі. STATISTICA Нейрондық желілерКонъюгаттық градиент әдісі бар. Әдетте, екі алгоритм де кері таралуға қарағанда тезірек біріктіріледі және әдетте жақсырақ шешім шығарады.
Жүйедегі желіні оқытудың итерациялық процесі STATISTICA Нейрондық желілерағымдағы жаттығу қатесінің және сынақ жиынында тәуелсіз есептелген қатенің автоматты дисплейімен сүйемелденеді және жалпы қатенің графигі де көрсетіледі. Жаттығуды кез келген уақытта түймені басу арқылы тоқтатуға болады. Сонымен қатар, жаттығу тоқтатылатын тоқтату шарттарын орнатуға болады; мұндай жағдай, мысалы, белгілі бір қателік деңгейіне жету немесе сынақ қатесінің берілген өту саны бойынша тұрақты ұлғаюы болуы мүмкін - «дәуірлер» (бұл желіні қайта даярлау деп аталатынды көрсетеді). Егер шамадан тыс орнату орын алса, пайдаланушыға: STATISTICA Нейрондық желілердананы автоматты түрде есте сақтайды ең жақсы желіоқу процесінде алынған және бұл желі опциясына әрқашан сәйкес түймені басу арқылы қол жеткізуге болады. Желілік оқыту аяқталғаннан кейін оның жұмысының сапасын жеке сынақ жинағында тексеруге болады.
Пакетте STATISTICA Нейрондық желілерБасқа архитектураның басқа желілері үшін де бірқатар оқыту алгоритмдері енгізілді. Радиалды сплайндардың параметрлерін және радиалды негіздік функцияға және жалпыланған регрессиялық желілерге негізделген желілер үшін тегістеу коэффициенттерін келесі алгоритмдер арқылы таңдауға болады: Кохонен жаттығуы, ішкі үлгі, K-әдісі, изотропия және жақын көршілес әдістер. Радиалды негіздегі функцияға негізделген желілердің сызықтық шығыс қабатының нейрондары, сызықтық желілер сияқты, толығымен оңтайландырылған. сингулярлық мәннің декомпозициясы (SVD) әдісі.
Гибридті желі құрылымдарын құру. Жүйеде STATISTICA Нейрондық желілерАралас құрылымды желілерді құруға болады. Мысалы, радиалды функцияға негізделген модификацияланған желіде нейрондардың бірінші қабатын Кохонен алгоритміа, ал екіншісі - сызықты емес қабат – Левенберг-Маркард әдісі.

Нейрондық желіні тестілеу:

Желіні оқытқаннан кейін оның жұмысының сапасын тексеріп, оның сипаттамаларын анықтау керек. Осы мақсатта пакетте STATISTICA Нейрондық желілерЭкрандағы статистикалық және графикалық құралдар жиынтығы бар.
Бірнеше үлгілер (желілер мен ансамбльдер) көрсетілген жағдайда, (мүмкіндігінше) STATISTICA нейрондық желі s салыстырмалы нәтижелерді көрсетеді (мысалы, бір графикте бірнеше үлгілердің қисық жауап қисығы немесе бір кестеде бірнеше үлгілердің болжаушыларын ұсынады). Бұл сипат бір деректер жиынында оқытылған әртүрлі үлгілерді салыстыру үшін өте пайдалы.
Барлық статистика оқыту, тексеру және сынақ жинақтары үшін бөлек есептеледі. Барлық салмақтар мен белсендіру параметрлері ыңғайлы ретінде қол жетімді мәтіндік файл, оны бір рет басу арқылы жүйе нәтижелерінің кестесіне түрлендіруге болады СТАТИСТИКА. Жеке бақылаулар немесе бүкіл деректер жиынтығы үшін эксперимент нәтижелерін кесте түрінде де көруге болады СТАТИСТИКАжәне одан әрі талдауларда немесе графиктерде пайдаланыңыз.
Келесі жиынтық статистика автоматты түрде есептеледі: желінің орташа квадраттық қатесі, сәйкессіздік матрицасы деп аталатын (шатасу матрицасы)жіктеу есептері үшін (дұрыс және қате жіктеудің барлық жағдайлары жинақталған) және регрессия есептері үшін түсіндірілген регрессияның үлесі. Кохонен желісітерезесі бар Топологиялық карта, онда желі элементтерінің белсендірілуін көзбен байқауға, сондай-ақ деректерді талдау процесінде бақылаулар мен түйіндердің белгілерін өзгертуге болады. Сондай-ақ топологиялық картадағы кластерлерді лезде локализациялауға мүмкіндік беретін Win Frequency терезесі бар. Кластерлік талдауарнайы жүйелік кластер диаграммасы бар стандартты архитектуралық желі комбинациясын қолдану арқылы орындалуы мүмкін STATISTICA Нейрондық желілер. Мысалы, негізгі құрамдас талдау үшін желіні жаттықтыруға және деректерді алғашқы екі құрамдасқа жобаланған графигін салуға болады.

Нейрондық желілерді өңдеу, өзгерту және сериялық қосу

Жүйеде STATISTICA Нейрондық желілерБар желілердің бөліктерін кесіп тастауға және бірнеше желіні біріктіруге мүмкіндік беретін интеллектуалды құралдар бар. Осылайша, жеке нейрондарды жоюға немесе қосуға, желіден бүкіл қабатты жоюға және кіріс/шығыс саны бойынша сәйкес келетін желілерді бір-бірімен дәйекті түрде қосуға болады. Осы мүмкіндіктердің арқасында пакет STATISTICA Нейрондық желілерассоциативті желілерді және жоғалту матрицасын (ең аз шығынмен шешім қабылдау үшін) пайдалана отырып, өлшемді азайту (алдын ала өңдеу кезінде) сияқты құралдарды пайдалануға мүмкіндік береді. Жоғалту матрицасы ықтималдық нейрондық желілермен жұмыс істегенде автоматты түрде қолданылады.

Дайын шешімдер (STATISTICA нейрондық желілерін пайдаланатын арнайы қолданбалар):

Қарапайым және ыңғайлы жүйелік интерфейс STATISTICA Нейрондық желілермәселелеріңізді шешу үшін нейрондық желі қолданбаларын жылдам жасауға мүмкіндік береді.
Бұл шешімдерді бар жүйеге біріктіру қажет болатын жағдай болуы мүмкін, мысалы, оларды кеңірек есептеу ортасының бөлігі ету (бұл жеке әзірленген және корпоративтік есептеу жүйесіне енгізілген процедуралар болуы мүмкін).
Оқытылған нейрондық желілерді жаңа деректер жиынына (болжау үшін) бірнеше жолмен қолдануға болады: Оқытылған желіні немесе желілер ансамблін сақтауға болады (мысалы, бірнеше архитектураға негізделген орташа болжамды есептеу үшін), содан кейін оны жаңа деректер жиынына қолдануға болады ( болжау, болжамды жіктеу немесе болжау үшін); Бағдарлама кодын тілде автоматты түрде жасау үшін код генераторын пайдалануға болады C (C++, C#)немесе Visual Basicжәне одан әрі оны кез келген бағдарламалық жасақтама ортасында жаңа деректерді болжау үшін пайдаланыңыз Visual Basic немесе C++ (C#), яғни. қолданбаңызға толық дайындалған нейрондық желіні енгізіңіз. Қорытындылай келе, жүйенің барлық функционалдығы СТАТИСТИКА, соның ішінде STATISTICA Нейрондық желілерретінде пайдалануға болады COM нысандары (компоненттік нысан үлгісі)басқа қолданбаларда (мысалы, Java, MS Excelжәне т.б.). Мысалы, ішінде жасалған автоматтандырылған талдауларды жүзеге асыруға болады STATISTICA Нейрондық желілеркестелерге MS Excel.

Оқу алгоритмдерінің тізімі:

Кері таралу;
Левенберг-Маркард;
Конъюгаттық градиенттер;
Квази Ньютондық;
Жылдам таралу;
Дельта-дельта-бар;
Псевдо-кері;
Кохонен тренингі;
Жақын жерде орналасқан сыныптарды белгілеу;
Оқу векторының квантизаторы;
Радиалды (қосалқы) сынама алу;
K-құралдар әдісі;
K-Ең жақын көршілер (KNN) әдісі;
Изотропты ауытқуларды орнату;
Айқын ауытқуларды орнату;
Ықтималды нейрондық желі;
Жалпыланған регрессиялық нейрондық желі;
Енгізілетін деректерді таңдаудың генетикалық алгоритмі;
Енгізілетін деректерді кезең-кезеңімен тікелей немесе кері таңдау.

Жүйе талаптары

Жүйе STATISTICA Нейрондық желілерсалыстырмалы түрде әлсіз немесе ескі компьютерлерде де жұмыс істей алады. Дегенмен, пакеттің көптеген процедуралары есептеуді қажет ететіндіктен, оны пайдалану ұсынылады Pentium процессоры 32 мегабайт жедел жадымен.

Желі өлшемінің шектеулері:

Нейрондық желі кез келген дерлік өлшемде болуы мүмкін (яғни, оның өлшемдерін іс жүзінде қажет және ақылға қонымдыдан бірнеше есе үлкенірек алуға болады); Нейрондар санына шектеусіз 128 қабатқа дейін рұқсат етіледі. Шын мәнінде, кез келген практикалық тапсырмалар үшін бағдарлама тек компьютердің аппараттық мүмкіндіктерімен шектеледі.

Электрондық нұсқаулық:

Жүйенің бөлігі ретінде STATISTICA Нейрондық желілернейрондық желілерге толық және түсінікті кіріспе, сондай-ақ мысалдар беретін жақсы суреттелген оқулық бар. Егжей-тегжейлі, контекстке сезімтал анықтама жүйесі кез келген диалогтық терезеде қол жетімді.

Бастапқы код генераторы:

Генератор бастапқы кодпайдаланушыларға жүйе негізінде өз қолданбаларын оңай жасауға мүмкіндік беретін қосымша өнім болып табылады STATISTICA Нейрондық желілер. Бұл қосымша өнім нейрондық желі үлгісі үшін бастапқы жүйе кодын жасайды (C, C++, C# тілінде файл ретінде), оны бөлек құрастыруға және тегін тарату үшін бағдарламаңызға біріктіруге болады. Бұл өнім арнайы кәсіпорындық жүйелерді әзірлеушілерге, сондай-ақ келесіде жасалған жоғары оңтайландырылған процедураларды түрлендіруді қажет ететін пайдаланушыларға арналған. STATISTICA Нейрондық желілеркүрделі аналитикалық есептерді шешу үшін сыртқы қолданбаларға.

Нейрондық желі әдістері әр түрлі салаларда барған сайын кең таралуда.

Өнеркәсіп:

Процесті басқару (атап айтқанда, бақылау параметрлерін үздіксіз реттеу арқылы өндірістік процестерді бақылау).
Отын үлгілерінің классификациясы (олардың спектрлерін талдау негізінде отын сорттарын сегменттеу).
Техникалық диагностика (ерте кезеңде механизмдегі ақауларды анықтау және профилактикалық жөндеу жұмыстарын жүргізу үшін діріл мен шуды қолдану).
Қозғалтқышты басқару жүйелері (датчик деректерін пайдаланып отын шығынын бағалау және бақылау).
Физикадағы нақты уақыттағы коммутациялық детекторлық жүйелер. Нейрондық желілер шуға төзімді және үлкен статистикалық шу бар физикалық деректерде сенімді үлгілерді пайдалануға мүмкіндік береді.

Маркетинг:

Алтын бағасын болжау;
Шикізат бағасын болжау;
Тікелей пошта арқылы сауда жасаңыз.

Қаржы:

Несие қабілеттілігін бағалау (классикалық міндет – бұл жеке деректер бойынша берілген қарыз алушының сенімділігін анықтау).
Қаржылық уақыт қатарын болжау.