Laboratorijas darbs statistikas neironu tīkli. STATISTIKA Automatizētie neironu tīkli Automatizētie neironu tīkli. STATISTIKA Neironu tīkli neironu tīklu skaitļošanā

Noteiktas pacientu novērošanas vēstures laikā ir uzkrājies datu masīvs, kas tiek saglabāts tabulā STATISTICA sistēmā. Atbilstošā datu tabula ir parādīta 6. attēlā.

6. attēls. Avota datu tabulas fragments

Pētījuma mērķis ir izveidot neironu tīkla modeli, kas, pamatojoties uz noteiktu sākotnējo datu kopumu (pacienta izmeklējumu dati, izmeklējumu rezultāti, ārstēšana pirms uzņemšanas), pamatojoties uz slimnīcā nozīmēto ārstēšanu, radītu prognozi ārstēšana (vērtības uzņemšanai slimnīcā I-APFARA, BAB, BKK, diurētiskie līdzekļi, centrālās darbības zāles) ar pietiekamu precizitāti.

Tas, ka problēma ir nelineāra, nav šaubu. Protams, problēmu varētu mēģināt atrisināt, izmantojot moduli STATISTICA Nonlinear Estimation, proti, izmantojot šī moduļa piedāvātās iteratīvās procedūras, lai “taustītu” pēc funkcijas veida. Tomēr šeit ir vairākas nepatikšanas, kas ievērojami pagarina risinājuma atrašanas procedūru. Vissvarīgākais no tiem ir hipotēzes formulēšana par pētāmās atkarības izteikto formu, kas nebūt nav acīmredzama.

Bez papildu pētījumiem ir grūti kaut ko teikt par acīmredzamo atkarības veidu. Turklāt jāpiemin, ka mēs neņēmām vērā vēl vienu faktoru. Kopumā šādas problēmas atrisināšana, izmantojot nelineārās aplēses metodes, var aizņemt ļoti ilgu laiku vai arī neko nenovest. Šādās kritiskās situācijās, kad zināms, ka

Pastāv saistība starp mainīgajiem lielumiem;

Attiecības noteikti ir nelineāras;

Ir grūti kaut ko teikt par acīmredzamo atkarības formu,

Neironu tīklu algoritmi palīdz. Apskatīsim veidu, kā atrisināt šo problēmu modulī STATISTICA neironu tīkli.

Diemžēl nav universālu noteikumu, kas norādītu, kura neironu tīkla topoloģija būtu jāievēro, lai atrisinātu konkrētu problēmu. Tāpēc ir nepieciešama saprātīga procedūra, lai atrastu pareizo tīklu.

STATISTICA sistēmas neironu tīklu modulis ietver procedūru, kas organizē vajadzīgās tīkla konfigurācijas meklēšanu. Šī procedūra sastāv no liela skaita dažādu arhitektūru tīklu izveides un testēšanas un pēc tam no tiem atlases tīkla, kas ir vispiemērotākais konkrētās problēmas risināšanai. Šo rīku sauc Intelligent Problem Solver. Lai palaistu Neironu tīklu moduli, sistēmas STATISTICA - Statistika galvenajā izvēlnē ir jāizmanto tāda paša nosaukuma komanda. (7. attēls)

7. attēls. Neironu tīklu moduļa palaišana

Ļoti izplatīta ir šāda tēze: “neironu tīkli ir universāla struktūra, kas ļauj īstenot jebkuru algoritmu." Mēģināsim, akli ticot šim apgalvojumam, izveidot neironu tīklu, kas nekavējoties "noķertu" ierosināto atkarību (tas nozīmē, bez iepriekšējas izpētes analīzes).

Viens no svarīgākajiem jautājumiem, ko mūsdienu zinātne vēl nav atrisinājusi, ir jautājums par neironu tīkla struktūru, kas spētu reproducēt vēlamo daudzdimensionālo nelineāro atkarību. Patiešām, Kolmogorova teorēma par pilnīgumu, ko viņš pierādīja tālajā 1957. gadā, apgalvo, ka neironu tīkls spēj reproducēt jebkuru (ļoti svarīgu - nepārtrauktu) funkciju. Taču tas pētniekam nepiedāvā recepti šāda tīkla izveidei. 1988. gadā vairāki autori vispārināja Kolmogorova teorēmu un parādīja, ka jebkuru nepārtrauktu funkciju var aproksimēt ar trīs slāņu neironu tīklu ar vienu slēptu slāni un atpakaļpavairošanas algoritmu ar jebkādu precizitātes pakāpi. Tādējādi mūsu gadījumā pozitīvais aspekts ir apziņa, ka tīklam jābūt trīs slāņiem, bet atkal nav noteikumu, kas noteiktu saistību starp “jebkuru precizitātes pakāpi” un neironu skaitu starpposmā, tātad. sauc par slēpto slāni.

Apkopojot visu iepriekš minēto, mēs atzīmējam, ka nav universālu noteikumu, kas norādītu, kura neironu tīkla topoloģija būtu jāievēro, lai atrisinātu konkrētu problēmu. Tāpēc ir nepieciešama saprātīga procedūra, lai atrastu pareizo tīklu.

STATISTICA sistēmas neironu tīklu modulis ietver unikālu procedūru, kas organizē vajadzīgās tīkla konfigurācijas meklēšanu. Šo rīku sauc Intelligent Problem Solver. Izmantosim šo rīku un meklēsim neironu tīklu, kas spēs atrisināt mūsu problēmu.

8. attēls. Neironu tīklu moduļa palaišanas bloks

Šī dialoglodziņa cilnes Ātrā sadaļā Problēmas veids tiek piedāvāts atlasīt problēmu klasi, ar kuru mēs saskaramies. Mūsu mērķis ir izveidot daudzfaktoru attiecības jeb, citiem vārdiem sakot, daudzfaktoru nelineāro regresiju. Tas nozīmē, ka sadaļā Problēmas veids jānorāda Regresija.

Pieņemot lēmumu par uzdevumu klasi, nepieciešams precizēt mainīgos lielumus analīzes veikšanai. Lai atlasītu mainīgos, izmantojiet pogu Mainīgie. Noklikšķinot uz šīs pogas, tiek parādīts dialoglodziņš Atlasīt ievadi (neatkarīgu), izvadi (atkarīgo) un atlasītāja mainīgos. Šajā dialoglodziņā ir jānorāda divi mainīgo lielumu saraksti. Nepārtrauktas izejas, mūsu gadījumā, ir mainīgie lielumi Uzņemšana slimnīcā ACEI/ARB, Uzņemšana slimnīcā BAB, Uzņemšana slimnīcā BKK, Uzņemšana diurētisko līdzekļu slimnīcā un uzņemšana centrāli iedarbīgo zāļu slimnīcā. Mūsu piemērā nepārtrauktās ievades ir no 1 līdz 61 sākotnējam parametram.

9. attēls. Mainīgo atlase analīzei

Sadaļā Atlasīt analīzi ir pieejamas divas iespējas: Intelligent Problem Solver un Custom Network Designer. Lai automātiski atlasītu neironu tīkla parametrus, ir nepieciešama pirmā opcija, kas ir iestatīta pēc noklusējuma. Lai turpinātu analīzi, noklikšķiniet uz Labi.

Nākamajā darbībā tiek parādīts Intelligent Problem Solver iestatīšanas dialoglodziņš.

Sadaļā Ātrā ir opciju grupa, kas ir atbildīga par neironu tīkla meklēšanas algoritma izpildes laiku. Šajā cilnē jānorāda pārbaudāmo tīklu skaits (lai noskaidrotu, vai tie ir piemēroti formulētās problēmas risināšanai), kā arī jānorāda, cik no šiem tīkliem tiks iekļauti gala ziņojumā.

Sadaļā Pārbaudītie tīkli norādām 100, saglabātie tīkli - 10 (10. attēls)

Cilnē Tipi ir norādīts, kādi neironu tīklu veidi tiks izmantoti testēšanas procesā. Lai atrisinātu nelineārās regresijas problēmu, vispiemērotākais ir daudzslāņu perceptrons, tāpēc izvēlamies 11. attēlā atzīmētos tīklus.

10. attēls. Pārbaudāmo tīklu skaita iestatīšana

11. attēls. Tīkla arhitektūras izvēle

Tālāk, lai organizētu meklēšanas un testēšanas procesu, ir jānorāda neironu skaita izmaiņu diapazons katrā neironu tīkla slānī. Ieteicamās vērtības šim uzdevumam ir parādītas 12. attēlā.

12. attēls. Apmācības, kontroles un testa paraugu lieluma norāde

Tagad, pēc visu apmācības parametru iestatīšanas, lai sāktu tīkla meklēšanas procedūru, jānoklikšķina uz Labi.

Meklēšanas algoritma statuss tiek parādīts dialoglodziņā IPS Training In Progress.

Kamēr darbojas piemērota neironu tīkla meklēšanas algoritms, šis dialoglodziņš sniedz informāciju par algoritma izpildes laiku, kā arī par aplūkotajiem neironu tīkliem. Meklēšanas algoritma mērķis ir uzskaitīt vairākas neironu tīkla konfigurācijas un izvēlēties labāko, ņemot vērā minimālo kļūdu tīkla izvadē un maksimālo tā veiktspēju.

Daudzus jēdzienus, kas saistīti ar neironu tīklu metodēm, vislabāk var izskaidrot, izmantojot konkrētu neironu tīkla programmu kā piemēru. Tāpēc šajā sadaļā būs daudz saišu uz paketi STATISTIKA Neironu tīkli (saīsināti kā ST neironu tīkli, neironu tīklu pakotne no StatSoft), kas ir visa neironu tīkla metožu kopuma ieviešana datu analīzei.

Dažu pēdējo gadu laikā ir novērojams intereses sprādziens par neironu tīkliem, kurus veiksmīgi izmanto dažādās jomās – uzņēmējdarbībā, medicīnā, inženierzinātnēs, ģeoloģijā, fizikā. Neironu tīkli ir kļuvuši praksē visur, kur ir jāatrisina prognozēšanas, klasifikācijas vai kontroles problēmas. Šo iespaidīgo panākumu iemesls ir vairāki iemesli:

Neironu tīkli ir ārkārtīgi spēcīga modelēšanas metode, kas var reproducēt ārkārtīgi sarežģītas atkarības. Jo īpaši neironu tīkli pēc būtības ir nelineāri (šī jēdziena nozīme ir sīkāk izskaidrota vēlāk šajā nodaļā). Daudzus gadus lineārā modelēšana ir bijusi dominējošā modelēšanas metode lielākajā daļā jomu, jo tai ir labi izstrādātas optimizācijas procedūras. Problēmās, kurās lineārā tuvināšana ir neapmierinoša (un tādu ir diezgan daudz), lineārie modeļi darbojas slikti. Turklāt neironu tīkli tiek galā ar “dimensiju lāstu”, kas neļauj modelēt lineārās atkarības liela skaita mainīgo gadījumā.

Neironu tīkli mācās no piemēriem. Neironu tīkla lietotājs atlasa reprezentatīvus datus un pēc tam palaiž mācīšanās algoritmu, kas automātiski apgūst datu struktūru. Šajā gadījumā lietotājam, protams, ir nepieciešams zināms heiristisko zināšanu kopums par to, kā atlasīt un sagatavot datus, izvēlēties vēlamo tīkla arhitektūru un interpretēt rezultātus, bet zināšanu līmenis, kas nepieciešams veiksmīgai neironu tīklu izmantošanai. ir daudz pieticīgāks nekā, piemēram, izmantojot tradicionālās statistikas metodes.

Neironu tīkli ir intuitīvi pievilcīgi, jo tie ir balstīti uz primitīvu nervu sistēmu bioloģisko modeli. Nākotnē šādu neirobioloģisko modeļu izstrāde var novest pie patiesi domājošu datoru radīšanas. Tikmēr “vienkāršie” neironu tīkli, ko veido ST Neironu tīklu sistēma, ir spēcīgs ierocis lietišķās statistikas speciālista arsenālā (Neironu tīkli. STATISTICA Neironu tīkli: Metodoloģija un mūsdienu datu analīzes tehnoloģijas.).

Neironu tīkli radās mākslīgā intelekta pētījumos, proti, mēģinājumos atkārtot bioloģisko nervu sistēmu spēju mācīties un labot kļūdas, simulējot smadzeņu zemā līmeņa struktūru (Patterson, 1996). Galvenā mākslīgā intelekta pētījumu joma 60. - 80. gados bija ekspertu sistēmas. Šādas sistēmas balstījās uz augsta līmeņa domāšanas procesa modelēšanu (jo īpaši uz domu, ka mūsu domāšanas process ir balstīts uz manipulācijām ar simboliem). Drīz vien tas kļuva skaidrs līdzīgas sistēmas, lai gan tie var būt noderīgi dažās jomās, tie neaptver dažus galvenos cilvēka intelekta aspektus. Viens viedoklis ir tāds, ka iemesls tam ir tas, ka viņi nespēj reproducēt smadzeņu struktūru. Lai radītu mākslīgo intelektu, ir jāizveido sistēma ar līdzīgu arhitektūru.

Smadzenes sastāv no ļoti liela skaita (apmēram 10 000 000 000) neironu, kas savienoti ar daudziem savienojumiem (vidēji vairāki tūkstoši savienojumu uz vienu neironu, taču šis skaits var ievērojami svārstīties). Neironi ir īpašas šūnas, kas spēj pārraidīt elektroķīmiskos signālus. Neironam ir sazarota informācijas ievades struktūra (dendrīti), kodols un sazarota izvade (aksons). Šūnas aksoni savienojas ar citu šūnu dendritiem, izmantojot sinapses. Aktivizējot, neirons pa savu aksonu nosūta elektroķīmisko signālu. Caur sinapsēm šis signāls sasniedz citus neironus, kas savukārt var tikt aktivizēti. Neirons tiek aktivizēts, kad kopējais signālu līmenis, kas nonāk tā kodolā no dendritiem, pārsniedz noteiktu līmeni (aktivācijas slieksni).

Neirona saņemtā signāla intensitāte (un līdz ar to tā aktivizācijas iespēja) ir ļoti atkarīga no sinapses aktivitātes. Katrai sinapsei ir garums, un īpašas ķīmiskas vielas pārraida signālu pa to. Viens no cienījamākajiem neirosistēmu pētniekiem Donalds Hebs apgalvoja, ka mācīšanās galvenokārt sastāv no sinaptisko savienojumu “spēka” izmaiņām. Piemēram, klasiskajā Pavlova eksperimentā zvans noskanēja katru reizi tieši pirms suņa pabarošanas, un suns ātri iemācījās zvana zvanīšanu saistīt ar ēdienu. Nostiprinājās sinaptiskie savienojumi starp smadzeņu garozas zonām, kas ir atbildīgas par dzirdi un siekalu dziedzeriem, un, kad garozu stimulēja zvana skaņa, suns sāka siekaloties.

Tādējādi, veidojot ļoti lielu skaitu ļoti vienkāršu elementu (katrs no tiem ņem svērtu ieejas signālu summu un, ja kopējais ievades apjoms pārsniedz noteiktu līmeni, pārraida bināro signālu), smadzenes spēj atrisināt ārkārtīgi sarežģītas problēmas. . Protams, mēs šeit neesam pieskārušies daudziem sarežģītiem smadzeņu struktūras aspektiem, bet interesanti ir tas, ka tas ir mākslīgsneironu tīkli var sasniegt ievērojamus rezultātus, izmantojot modeli, kas nav daudz sarežģītāks par iepriekš aprakstīto.

Statistica neironu tīklu (SNN) pakotne

1. Atvērt datu failu Sērija_g no iepakojumā pieejamajiem datiem. Fails satur vienu mainīgo, kas nosaka trafika apjomu vairāku gadu garumā ar ikmēneša datu ierakstīšanu. (Atverot šo failu, parādās vairākas tabulas, kas saistītas ar viedo risinātāju opciju, kas šajā posmā ir jāaizver, atstājot tikai avota datu tabulu).
2. Iestatiet mainīgā veidu “input – output” šādi: atlasiet mainīgo, noklikšķinot uz tabulas galvenes, ar peles labo pogu noklikšķiniet un izvēlieties opciju no izvēlnes Ieejas izejas. Mainīgā nosaukums tiks iezīmēts zaļā krāsā.
3. Izveidot jauns tīkls izmantojot dialoglodziņu Izveidot tīklu. Lai to izdarītu, secīgi nospiediet: Fails – Jauns – Tīkls. Monitora ekrānā ir dialoglodziņš (1. att.).

Rīsi. 1. Tīkla izveides dialoglodziņš

Laikrindas prognozēšanas uzdevumā tīklam ir jāzina, cik viena mainīgā kopiju tam vajadzētu aizņemt un cik tālu uz priekšu tam vajadzētu paredzēt mainīgā lieluma vērtību. Šajā uzdevumā pieņemiet parametru Soļi (laika logs) vienāds ar 12, jo dati ir ikmēneša novērojumi un parametrs Skaties uz priekšu- vienāds ar 1.

1. Kā tīkla veidu izvēlieties Multilayer Perceptron un iestatiet tīkla slāņu skaitu uz 3. Pēc tam noklikšķiniet uz pogas Padoms, kā rezultātā programma automātiski iestatīs neironu skaitu visos trīs tīkla slāņos: 12 – 6 – 1 (2. att.).

Rīsi. 2. Dialoglodziņš pēc tīkla parametru iestatīšanas

Pēc tam nospiediet pogu Izveidot.

1. Kad veidojat tīklu, SNN automātiski piešķirs pirmajiem 12 novērojumiem datu failā, lai ievadītu Ignorēt. Tīkla turpmākās apmācības un darbības laikā laikrindu analīzes uzdevumā katrs tā ievadei piegādātais datu bloks satur datus, kas saistīti ar vairākiem novērojumiem. Viss bloks tiek piešķirts novērojumam, kas satur izvades mainīgā vērtību. Rezultātā pirmie 12 novērojumi faktiski netiek ignorēti, bet ir ievadi pirmajā laikrindu datu blokā, kas atbilst novērojumam Nr. 13. Faktiski programma izveido pārveidotu datu kopu, kurā novērojumu skaits ir par 12 mazāks, bet dati katrā novērojumā tiek ņemti no 13 secīgām avota faila rindām.

Izveidotais tīkls ir parādīts attēlā. 3.

Rīsi. 3. Trīsslāņu perceptrons

1. Avota datu logā "Datu kopas redaktors" komplekts 66 treniņš (Apmācība) un 66 vadības ierīces (Pārbaude) novērojumus (4. att.), pēc tam nospiediet pogu rindu jaukšanai šādi: caur izvēlni Rediģēt — lietas – Jauktā secībā — visi (rediģēšana — lietas — jauktā secībā — visi).
2. Apmāciet tīklu, izmantojot Levenberga-Marquard metodi, kurai jums jānoklikšķina: Vilciens – Daudzslāņu perceptrons - Levenbergs-Marquardt (Vilciens - Daudzslāņu Perceptrons - Levenbergs-Marquardt). Mācīšanās process aizņem dažas sekundes (atkarībā no procesora veida). Levenberga-Marquard metode ir viens no uzticamākajiem un ātrajiem mācīšanās algoritmiem, taču tās izmantošana ir saistīta ar noteiktiem ierobežojumiem:

Rīsi. 4. Avota datu logs ar atsevišķiem novērojumiem

• šo metodi var izmantot tikai tīkliem ar vienu izvades elementu.
• Levenberga-Marquard metodei nepieciešama atmiņa, kas ir proporcionāla svaru skaita kvadrātam tīklā, tāpēc metode nav piemērota tīkliem liels izmērs(apmēram 1000 svari).
• Metode ir piemērojama tikai vidējās kvadrātiskās kļūdas funkcijai.

Levenberga-Marquard algoritms ir izstrādāts, lai samazinātu vidējās kvadrātiskās kļūdas funkciju. Netālu no minimālā punkta šis pieņēmums ir spēkā ar lielu precizitāti, tāpēc algoritms pārvietojas ļoti ātri. Tālu no minimuma, šis pieņēmums var nebūt pareizs, tāpēc metode atrod kompromisu starp lineāro modeli un gradienta nolaišanos. Solis tiek sperts tikai tad, ja tas samazina kļūdu, un, kur nepieciešams, tiek izmantots gradienta nolaišanās ar pietiekami mazu soli, lai nodrošinātu progresu.

Levenberga-Marquard metodes dialoglodziņš ir parādīts attēlā. 5.

Rīsi. 5. Levenberga-Marquard metodes dialoglodziņš

Galvenie loga elementi:

• Laikmeti (laikmetu skaits)– iestata periodu skaitu, kuru laikā darbosies algoritms. Katrā laikmetā viss treniņu komplekts tiek izvadīts caur tīklu, un pēc tam tiek pielāgoti svari.
• Savstarpēja pārbaude– kad pozīcija ir atzīmēta, tīkla radītā rezultāta kvalitāte katrā laikmetā tiek pārbaudīta pret vadības komplektu (ja tā ir norādīta). Ja tas ir izslēgts, kontroles novērojumi tiek ignorēti, pat ja tie atrodas datu failā.
• Vilciens– Katru reizi, kad tiek nospiesta poga, algoritms iziet cauri noteiktajam skaitam epohu.
• Atkārtoti inicializēt– pirms atsākt treniņu, jānospiež atiestatīšanas poga, jo šajā gadījumā tīkla svari tiek atkārtoti iestatīti nejauši.
• Skriešanas svari - Ja algoritms var iestrēgt vietējā minimumā, šī opcija katram svaram pievieno nelielu summu.

1. Izveidojiet laikrindas projekciju, izmantojot Run — Times Series projekcija atveriet atbilstošo logu (6. att.).

Rīsi. 6. Laika rindu projekcijas logs

Dialoglodziņa apraksts

• Sākt– norāda, vai laikrindas projekcijai jāsākas ar kādu novērojumu numuru (lieta Nr.) datu failā vai no individuāla novērojuma.
• Lieta Nr- Projicējot laikrindu no datu faila, tiek norādīts novērojuma numurs ar izejas vērtību, no kuras sākt.
• Garums– soļu skaits, kam tiks prognozēta prognoze.
• Mainīgs– norāda mainīgo, kas tiks projektēts.

1. Izmantojot apmācītu tīklu, varat veikt laikrindu projekciju. Sākotnēji tīkls strādās ar pirmajām 12 ievades vērtībām, kā rezultātā tiks prognozēta nākamā vērtība. Tad prognozētā vērtība kopā ar iepriekšējām 11 ievades vērtībām atkal tiek ievadīta tīkla ieejā, un pēdējais veido nākamās vērtības prognozi.

Vienīgais vadības parametrs, kas jāizvēlas, ir projekcijas garums. Šajā piemērā kopā ir 144 novērojumi, no kuriem 12 tiks noņemti priekšapstrādes laikā, tāpēc rezultātus var salīdzināt ne vairāk kā 132 soļos. Tomēr ir iespējams projicēt virkni ārpus pieejamo datu robežām, taču rezultātu nebūs ar ko salīdzināt.

Skatiet paredzēto vērtību uzvedību dažādos garumos, izmantojot pogu Skrien jūs varat novērot izmaiņas sērijas mērķa un izvades vērtībās.

Dotajā att. 6. attēlā redzams, ka prognozētā līkne (monitora ekrānā zilā krāsā) nebija īpaši labi apmācīta, jo pastāv ievērojamas novirzes starp sākotnējo un prognozēto sēriju, sākot no aptuveni 70 novērojumiem.

1. Veiciet sēriju prognozēšanu, izmantojot viedo risinātāju (augšējā rindā trešā poga no kreisās puses). Šajā gadījumā dialoga režīmā ir jāatbild uz vairākiem jautājumiem:

• Izvēlieties galveno versiju (7. att.) un noklikšķiniet uz Nākamais.

Rīsi. 7. Galvenās versijas izvēle

• Nosakiet uzdevuma veidu (standarta vai laikrindas). Šeit ir jāatzīmē laika rindas (8. att.).

Rīsi. 8. Uzdevuma veida izvēle

• Iestatiet novērošanas periodu uz 12 mēnešiem (9. att.).

Rīsi. 9. Novērošanas perioda iestatīšana

• Atlasiet atkarīgos un neatkarīgos mainīgos, kas ir viens un tas pats mainīgais sērija.
• Nosakiet aprēķina procedūras laiku, kas vienāds ar 2 minūtēm (10. att.).

Rīsi. 10. Norēķinu procedūras laika noteikšana

• Norādiet saglabājamo tīklu skaitu un darbības, kas jāveic, tos saglabājot (11. att.).

Rīsi. 11. Darbības tīklu atlasei

• Izvēlieties veidlapas rezultātu prezentēšanai (12. att.) un noklikšķiniet Pabeigt.

Rīsi. 12. Rezultātu prezentācijas formas izvēle

Izmantojot viedo risinātāju, prognoze ir daudz precīzāka, jo apmācītais tīkls ir daudz tuvāks oriģinālajai sērijai (13. att.).

Rīsi. 13. Prognoze, izmantojot viedo risinātāju

Vingrinājums

Izveidojiet simulētu laikrindu no Statistica pakotnes šādi:

• Izveidojiet jaunu failu, kas sastāv no 20 rindām un 2 kolonnām.
• Izmantojot izvēlni Dati — mainīgās specifikācijas ievadiet formulu logā izteiksmi =vnormal(rnd(1);1;3).
• Simulēt 20 nejauša, normāli sadalīta mainīgā vērtības ar matemātisko paredzējumu, kas vienāds ar 1 un standarta novirzi, kas vienāds ar 3. Šīs 20 vērtības nosaka mainīgo Var 1. Pārveidojiet tās par veselu datu tipu, iestatot to mainīgajā. apraksta logs kā Tips nozīmē Vesels skaitlis.
• Pārejiet uz mainīgo Var 2 šādi: Var 2 pirmā vērtība ir vienāda ar mainīgā Var 1 pirmo vērtību; otrā vērtība Var 2 ir vienāda ar mainīgā Var 1 pirmo divu vērtību summu; mainīgā Var 2 trešā vērtība ir vienāda ar mainīgā Var 1 pirmo trīs vērtību summu utt.
• Nokopējiet mainīgo Var 2 un dodieties uz SNN pakotni, ievietojot kopētos datus jaunajā izveidotajā failā.
• Veikt iegūto sēriju prognozēšanu, izmantojot neironu tīklu.

drukātā versija

Ir izklāstītas neironu tīklu metodes datu analīzei, pamatojoties uz Statistica neironu tīklu pakotnes (ražotājs StatSoft) izmantošanu, kas pilnībā pielāgota Krievijas lietotājam. Doti neironu tīklu teorijas pamati; Liela uzmanība tiek pievērsta praktisku problēmu risināšanai, vispusīgi tiek apskatīta pētījumu veikšanas metodoloģija un tehnoloģija, izmantojot Statistica Neural Networks pakotni - jaudīgu datu analīzes un prognozēšanas rīku, kam ir plašs pielietojums uzņēmējdarbībā, rūpniecībā, vadībā un finansēs. Grāmatā ir daudz datu analīzes piemēru, praktiski ieteikumi analīzei, prognozēšanai, klasifikācijai, modeļu atpazīšanai, pārvaldībai ražošanas procesiem izmantojot neironu tīklus.Plašam lasītāju lokam, kas nodarbojas ar pētniecību banku, rūpniecības, ekonomikas, uzņēmējdarbības, ģeoloģiskās izpētes, vadības, transporta un citās jomās. SatursOtrā izdevuma priekšvārdsIevads. Aicinājums uz neironu tīkliem 1.nodaļa. DATU ANALĪZES PAMATJĒDZIENI 2.nodaļa. IEVADS VARBŪTĪBU TEORIJĀ 3.nodaļa. IEVADS NEIRĀLO TĪKLU TEORIJAS 4.nodaļa. VISPĀRĒJS PĀRSKATS NEIRĀLUMĀLĪGĀS BIIOLOĢIJAS MODEĻU VISPĀRĒJS PĀRSKATS. tīkliPirms un pēcapstrāde. Vairāki integrēti uztvereRadiālās bāzes funkcija Varbūtības neironu tīklsVispārināts regresijas neironu tīklsLineārais tīklsTīkls Kohonen Klasifikācijas problēmasRegresijas problēmasLaika rindu prognozēšanaMainīgo atlase un dimensiju samazināšanaNodaļa 5. PIRMIE SOĻI STATISTIKĀ NEIRĀLO TĪKLOS.Darba sākšanaDatu kopas izveideJauna tīkla izveideDatu kopas un tīkla izveideRCizveideRCizveide. TURPMĀKĀS IESPĒJAS NEIRĀLIE TĪKLI Klasisks piemērs: Fišera īrisiApmācība ar šķērsvalidāciju Apstāšanās nosacījumi Regresijas problēmu risināšana Radiālās bāzes funkcijas Lineārie modeļi Kohonena tīkli Varbūtības un vispārinātās regresijas tīkli Tīkla konstruktors Ģenētiskais algoritms ievaddatu atlasei Laikrindas 7. nodaļa. PRAKTISKĀS RISINĀŠANAS PROBLĒMAS noderīgu ievades mainīgo izmēru samazināšana Tīkla arhitektūras izvēle Pielāgotas tīkla arhitektūras Laika rindas Nodaļa 8. PIELIETOŠANAS PIEMĒRI (GADĪJUMA IZPĒTES) 1. piemērs. Dimensiju samazināšana ģeoloģiskajā izpētē 2. piemērs Rakstu atpazīšanaPiemērs 3. Divdimensiju kopu nelineārā klasifikācijaPiemērs 4. Dažādu degvielas paraugu segmentēšana saskaņā ar laboratorijas pētījumiemPiemērs 5. Uzvedības vērtēšanas modeļa konstruēšanaPiemērs 6. Funkcijas aproksimācijaPiemērs 7. Naftas pārdošanas prognozēšanaPiemērs 8. Temperatūras apstākļu uzraudzība un prognozēšana iekārtāPiemērs 9. Digitālā paraksta uzticamības noteikšana. tīkluDarbs ar tīklu Rezultātu nosūtīšana uz STATISTICA sistēmu.Nodaļa 10. KLASISKĀS METODES ALTERNATĪVA NEIRĀLAM TĪKLAMSKlasiskā diskriminantu analīze STATISTIKAKlasifikācijaLogit regresijas koeficientu analīze STATISTIKACapter 11.DOB CAAPpendation 2.pielikums. STATISTICA ar ERP sistēmām BibliographyIndex

• Iepriekšēja un pēcapstrāde, tostarp datu atlase, nominālā kodēšana, mērogošana, normalizācija, trūkstošo datu noņemšana ar interpretāciju klasifikācijai, regresijas un laikrindu problēmas;
• Izcila lietošanas vienkāršība un nepārspējama analītiskā jauda; piemēram, tam nav analogu Risinājumu vednis vadīs lietotāju cauri visiem dažādu neironu tīklu izveides posmiem un izvēlēsies labāko (šis uzdevums pretējā gadījumā tiek atrisināts ar ilgstošu “mēģināšanas un kļūdu” procesu un prasa pamatīgas teorijas zināšanas);
• Jaudīgas izpētes un analītiskās tehnoloģijas, ieskaitot Galvenās sastāvdaļas analīze Un Izmēru samazināšana nepieciešamo ievades mainīgo atlasei pētnieciskajā (neironu tīklu) datu analīzē (neironu tīkliem nepieciešamo ievades mainīgo atlase bieži prasa ilgu laiku; sistēma STATISTIKA Neironu tīkli var veikt šo darbu lietotāja vietā);
• Vismodernākie, optimizētākie un jaudīgākie tīkla apmācības algoritmi (ieskaitot konjugāta gradienta un Levenberga-Marquard); pilnīga kontrole pār visiem parametriem, kas ietekmē tīkla kvalitāti, piemēram, aktivizēšanas un kļūdu funkcijas, tīkla sarežģītību;
• gadā izveidoto gandrīz neierobežota izmēra neironu tīklu ansambļu un neironu tīklu arhitektūru atbalsts. Tīkla komplekti - Tīkla komplekti; neironu tīklu segmentu selektīva apmācība; tīklu kopu apvienošana un saglabāšana atsevišķos failos;
• Pilnīga integrācija ar sistēmu STATISTIKA; visi rezultāti, grafiki, atskaites utt. var tālāk modificēt, izmantojot jaudīgus grafiskos un analītiskos rīkus STATISTIKA(piemēram, lai analizētu paredzamos atlikumus, izveidotu detalizētu pārskatu utt.);
• Nemanāma integrācija ar jaudīgiem automatizētiem rīkiem STATISTIKA; pilnvērtīgu makro ierakstīšana jebkurai analīzei; izveidot savu neironu tīklu analīzi un lietojumprogrammas, izmantojot STATISTIKA Visual Basic, izaicinājums STATISTIKA Neironu tīkli no jebkuras lietojumprogrammas, kas atbalsta COM tehnoloģija(piemēram, automātiska neironu tīkla analīze tabulā MS Excel vai kombinējot vairākas pielāgotas lietojumprogrammas, kas ierakstītas C++, C#, Java utt.).

STATISTICA Neironu tīkli neironu tīklu skaitļošanā:

• Neironu tīklu izmantošana ietver daudz vairāk nekā tikai datu apstrādi, izmantojot neironu tīkla metodes.
• STATISTIKA Neironu tīkli nodrošina dažādas funkcionalitāte, darbam ar ļoti sarežģītiem uzdevumiem, tostarp ne tikai jaunākajiem Neironu tīklu arhitektūras Un Mācību algoritmi, bet arī jaunas pieejas Ievaddatu izvēle Un Tīkla izveide. Turklāt izstrādātāji programmatūra un lietotāji, kas eksperimentē ar lietojumprogrammu iestatījumiem, novērtēs to, ka pēc noteiktu eksperimentu veikšanas vienkāršā un intuitīvā saskarnē STATISTIKA Neironu tīkli,neironu tīklu analīzes var apvienot pielāgotā lietojumprogrammā. Tas tiek panākts, izmantojot bibliotēku STATISTICA COM funkcijas, kas pilnībā atspoguļo visu programmas funkcionalitāti, vai izmantojot kodu valodā C (C++, C#) vai Visual Basic, ko ģenerē programma un kas palīdz palaist pilnībā apmācītu neironu tīklu vai tīkla ansambli.

Sākotnējie dati

Modulis STATISTIKA Neironu tīkli pilnībā integrēta sistēmā STATISTIKA Tādējādi ir pieejams milzīgs rīku klāsts datu rediģēšanai (sagatavošanai) analīzei (transformācijas, novērojumu atlases nosacījumi, datu pārbaudes rīki utt.). Tāpat kā visi testi STATISTIKA, programmu var "pievienot" attālai datu bāzei, izmantojot in-place apstrādes rīkus, vai saistīt ar tiešajiem datiem, lai modeļi tiktu apmācīti vai palaistu (piemēram, lai aprēķinātu prognozētās vērtības vai klasificētu) automātiski, kad dati mainās.

Ievades izvēle un izmēru samazināšana

Pēc datu sagatavošanas jums ir jāizlemj, kuri mainīgie ir jāizmanto, strādājot ar neironu tīklu. Jo lielāks ir mainīgo lielumu skaits, jo sarežģītāks būs neironu tīkls, un tāpēc tam būs nepieciešams vairāk atmiņas un apmācības laika, kā arī lielāks apmācības piemēru (novērojumu) skaits. Ja nav pietiekami daudz datu un/vai korelāciju starp mainīgajiem lielumiem, daudzās neironu tīklu lietojumprogrammās ārkārtīgi svarīgi kļūst jautājumi par nozīmīgu ievades mainīgo atlasi un informācijas saspiešanu mazākā mainīgo skaitā.

Dimensiju samazināšanas algoritmi:

• IN STATISTIKA Neironu tīkli Ir ieviesti apgrieztie un tiešās soli pa solim atlases algoritmi. Turklāt neiroģenētiskais algoritms ievades datu atlasei apvieno ģenētisko algoritmu iespējas un PNN/GRNN (PNN — varbūtības neironu tīkli, GRNN — vispārinātās regresijas neironu tīkli) automātiskai ievades mainīgo optimālo kombināciju meklēšanai, tostarp gadījumos, kad starp tām pastāv korelācijas un nelineāras atkarības. Gandrīz momentāns mācīšanās ātrums PNN/GRNN algoritms ne tikai dod iespēju pieteikties Neiroģenētiskais algoritms ievades datu atlasei, bet arī ļauj jums (izmantojot pieejamo Redaktors sistēmas dati STATISTIKA Neironu tīkliērti līdzekļi nenozīmīgu mainīgo lielumu nomākšanai) veiciet savus eksperimentus ar datu jutīgumu reāllaikā. STATISTIKA Neironu tīkli satur arī iebūvētu sistēmu Galvenās sastāvdaļas analīze (PCA un asociatīvie tīkli "nelineārajai PCA"), kas ļauj samazināt avota datu dimensiju. Ņemiet vērā, ka pamatsistēmā ir pieejamas ļoti dažādas statistikas metodes datu dimensijas samazināšanai STATISTIKA.

Datu mērogošana un nominālās vērtības konvertēšana:

• Pirms datu ievadīšanas tīklā tie ir jāsagatavo noteiktā veidā. Tikpat svarīgi ir, lai izejas datus varētu pareizi interpretēt. IN STATISTIKA Neironu tīkli ir iespējama ievades un izvades datu automātiska mērogošana (ieskaitot mērogošanu pēc minimālajām/maksimālajām vērtībām un pēc vidējās/standarta novirzes); Mainīgos ar nominālvērtībām var arī automātiski pārkodēt (piemēram, Dzimums = (Vīrietis, Sieviete)), tostarp izmantojot kodēšanas metodi 1-of-N. STATISTIKA Neironu tīkli satur arī rīkus darbam ar trūkstošajiem datiem. Īstenotas normalizācijas funkcijas, piemēram, "viena summa", "uzvarētājs ņem visu" Un "garuma vienības vektors". Ir datu sagatavošanas un interpretācijas rīki, kas īpaši izstrādāti laikrindu analīzei. Pamatsistēmā ir ieviests arī plašs līdzīgu rīku klāsts STATISTIKA.
• Klasifikācijas uzdevumos ir iespējams iestatīt ticamības intervālus, kas STATISTIKA Neironu tīkli pēc tam tiek izmantots, lai piešķirtu novērojumus vienai vai otrai klasei. Kombinācijā ar īpašu ieviestu in STATISTIKA Neironu tīkli aktivizācijas funkcija Softmax un krustentropijas kļūdu funkcijas, tas nodrošina fundamentālu varbūtības teorētisko pieeju klasifikācijas problēmām.

Neironu tīkla modeļa izvēle, Tīkla ansambļi

Neironu tīklu modeļu daudzveidība un daudzie parametri, kas jāiestata (tīkla lielums, mācīšanās algoritma parametri utt.), dažus lietotājus var mulsināt (tāpēc ir Risinājumu vednis, kas var automātiski meklēt piemērotu jebkuras sarežģītības tīkla arhitektūru).

STATISTICA neironu tīklu sistēma realizē visus galvenos neironu tīklu veidus, ko izmanto praktisko problēmu risināšanā, tostarp:

• daudzslāņu perceptroni (tīkli ar tiešu signāla pārraidi);
• tīkli, kuru pamatā ir radiālās bāzes funkcijas;
• pašorganizējošās Kohonen kartes;
• varbūtības (Bayesian) neironu tīkli;
• vispārinātās regresijas neironu tīkli;
• galveno komponentu tīkli;
• tīkli klasteru veidošanai;
• lineārie tīkli.

Arī sistēmā STATISTIKA Neironu tīkliīstenoti Tīkla ansambļi, kas izveidots no nejaušām (bet nozīmīgām) iepriekšminēto tīklu kombinācijām. Vēl viena ērta funkcija ir tā, ka varat saistīt tīklus, lai tie darbotos secīgi. Tas ir noderīgi priekšapstrādē, lai atrastu risinājumus ar minimālām izmaksām.

Iepakojumā STATISTIKA Neironu tīkli Ir pieejami daudzi rīki, kas palīdz lietotājam izvēlēties piemērotu tīkla arhitektūru. Sistēmas statistikas un grafiskie rīki ietver histogrammas, matricas un kļūdu diagrammas visai populācijai un atsevišķiem novērojumiem, gala datus par pareizu/nepareizu klasifikāciju, un visa svarīgā statistika – piemēram, izskaidrotā dispersijas proporcija – tiek aprēķināta automātiski.

Lai vizualizētu datus paketē STATISTIKA Neironu tīkli Izkliedes diagrammas un 3D atbildes virsmas ir ieviestas, lai palīdzētu lietotājam izprast tīkla “uzvedību”.
Protams, jūs varat izmantot jebkuru informāciju, kas iegūta no uzskaitītajiem avotiem tālākai analīzei ar citiem līdzekļiem. STATISTIKA, kā arī vēlākai iekļaušanai pārskatos vai pielāgošanai.

STATISTIKA Neironu tīkli automātiski atceras labāko tīkla opciju no tām, kuras saņēmāt, eksperimentējot ar uzdevumu, un jūs jebkurā laikā varat to izmantot. Tīkla lietderība un tā prognozēšanas spēja tiek automātiski pārbaudīta īpašā testa novērojumu komplektā, kā arī novērtējot tīkla izmēru, tā efektivitāti un nepareizas klasifikācijas izmaksas. Ieviests gadā STATISTIKA Neironu tīkli automātiskās savstarpējās validācijas un legalizācijas procedūras Wigend svariļauj ātri noskaidrot, vai jūsu tīkls ir nepietiekams vai, gluži pretēji, pārāk sarežģīts konkrētajam uzdevumam.

Lai uzlabotu veiktspēju iepakojumā STATISTIKA Neironu tīkli Tiek piedāvātas daudzas tīkla konfigurācijas opcijas. Tādējādi jūs varat norādīt lineāro izvades tīkla slāni regresijas problēmās vai softmax aktivizācijas funkciju varbūtības novērtēšanas un klasifikācijas problēmās. Ja jūsu datiem ir daudz novirzes, tad, apmācot tīklu, standarta kļūdu funkciju varat aizstāt ar mazāk jutīgu funkciju "pilsētas kvartāli". Sistēma ievieš arī krustentropijas kļūdu funkcijas, kuru pamatā ir informācijas teorijas modeļi un vairāki īpašas funkcijas aktivācijas, tai skaitā: solis, zāģa zobs un sinusa.

Risinājumu vednis (automātiski novērtē problēmu un atlasa vairākus dažādu arhitektūru tīklus):

• Daļa no iepakojuma STATISTIKA Neironu tīkls s ir Risinājumu vednis — inteliģents problēmu risinātājs, kas novērtē daudzus dažādas arhitektūras un sarežģītības neironu tīklus un izvēlas vislabākās arhitektūras tīklus konkrētajam uzdevumam.
• Meistars spēj izveidot datu tīklus ar neatkarīgiem novērojumiem (standarta regresijas tīkli, klasifikācijas tīkli vai jaukti), kā arī tīklus, kas paredzēti noteikta mainīgā lieluma nākotnes vērtību prognozēšanai, pamatojoties uz tā paša mainīgā (laika) esošajām vērtībām. sērijas tīkli).
• Veidojot neironu tīklu, ievērojams laiks tiek pavadīts atbilstošu mainīgo atlasei un tīkla arhitektūras optimizēšanai, izmantojot heiristisko meklēšanu. STATISTIKA Neironu tīkli pārņem šo darbu un automātiski veic heiristisko meklēšanu jūsu vietā. Šī procedūra ņem vērā ievades izmēru, tīkla veidu, tīkla izmērus un nepieciešamās izvades kodēšanas funkcijas.
• Meklēšanas laikā var iestatīt apmācības procesā saņemto atbilžu skaitu. Iestatot maksimālo detalizācijas režīmu Risinājumu vednis Tajā tiks parādīta katra pārbaudītā tīkla arhitektūra un kvalitātes līmeņi.
• Risinājumu vednis ir ārkārtīgi efektīvs rīks, izmantojot sarežģītas metodes, kas ļauj automātiski atrast labāko tīkla arhitektūru. Tā vietā, lai pavadītu daudzas stundas sēžot pie datora, ļaujiet sistēmai STATISTIKA Neironu tīkli darīt šo darbu jūsu vietā.
• Automātiskais tīkla konstruktors var izmantot arī modeļa izstrādes laikā, kad modulis STATISTICA neironu tīkli, kopā ar citiem bāzes sistēmas moduļiem STATISTIKA, tiek izmantots, lai identificētu nozīmīgākos mainīgos (piemēram, labākos prognozētājus to turpmākai iekļaušanai un pārbaudei jebkurā modelī Nelineārais novērtējums).

Neironu tīklu apmācība:

• Jūsu eksperimentu panākumi, lai atrastu labāko tīkla veidu un arhitektūru, lielā mērā ir atkarīgi no tīkla mācīšanās algoritmu kvalitātes un ātruma. Sistēmā STATISTIKA Neironu tīkli Ir ieviesti līdz šim labākie apmācības algoritmi.
• Apmācīt sistēmā daudzslāņu perceptronus STATISTIKA Neironu tīkli Pirmkārt, tiek ieviesta atpakaļpropagācijas metode - ar laika mainīgu mācīšanās ātrumu un inerces koeficientu, sajaucot novērojumus pirms nākamā algoritma soļa un pievienojot aditīvu troksni spēcīgai vispārināšanai. Turklāt sistēmā STATISTIKA Neironu tīkli ir ieviesti divi ātri otrās kārtas algoritmi - konjugētā gradienta metodes un Levenbergs-Marquards. Pēdējais ir ārkārtīgi spēcīgs mūsdienu nelineārās optimizācijas algoritms, un eksperti ļoti iesaka to izmantot. Tajā pašā laikā šīs metodes piemērošanas joma ir ierobežota ar salīdzinoši mazu tīklu gadījumiem ar vienu izejas neironu un apgrūtinošākiem uzdevumiem pakotnē. STATISTIKA Neironu tīkli Ir konjugētā gradienta metode. Parasti abi algoritmi saplūst ātrāk nekā atpakaļpavairošana un parasti rada labāku risinājumu.
• Iteratīvs tīkla apmācības process sistēmā STATISTIKA Neironu tīkli pavada automātisks pašreizējās treniņu kļūdas un neatkarīgi no tās aprēķinātās kļūdas displejs testēšanas komplektā, kā arī tiek parādīts kopējās kļūdas grafiks. Jūs varat pārtraukt treniņu jebkurā laikā, vienkārši nospiežot pogu. Papildus ir iespējams iestatīt apstāšanās nosacījumus, pie kuriem treniņš tiks pārtraukts; šāds nosacījums var būt, piemēram, noteikta kļūdas līmeņa sasniegšana vai stabils testa kļūdas pieaugums noteiktā piegājienu skaitā - “epohiem” (kas norāda uz tā saukto tīkla pārkvalifikāciju). Ja notiek pārmērīga uzstādīšana, lietotājam nevajadzētu rūpēties: STATISTIKA Neironu tīkli automātiski atceras gadījumu labākais tīkls iegūts apmācības procesā, un šai tīkla opcijai vienmēr var piekļūt, noklikšķinot uz atbilstošās pogas. Kad tīkla apmācība ir pabeigta, varat pārbaudīt tā darba kvalitāti atsevišķā testa komplektā.
• Iepakojumā STATISTIKA Neironu tīkli Vairāki mācību algoritmi ir ieviesti arī citiem citu arhitektūru tīkliem. Radiālo splainu un izlīdzināšanas koeficientu parametrus tīkliem, kuru pamatā ir radiālās bāzes funkcija un vispārinātās regresijas tīkli, var izvēlēties, izmantojot tādus algoritmus kā: Kohonena apmācība, apakšizlase, K-nozīmē metode, izotropijas un tuvākā kaimiņa metodes. Tīklu lineārā izvades slāņa neironi, kuru pamatā ir radiālās bāzes funkcija, tāpat kā lineāro tīklu neironi, ir pilnībā optimizēti singular value decomposition (SVD) metode.
• Hibrīdtīklu struktūru izveide. Sistēmā STATISTIKA Neironu tīkli Ir iespējams izveidot jauktas struktūras tīklus. Piemēram, modificētā tīklā, kura pamatā ir radiālās bāzes funkcija, pirmo neironu slāni var apmācīt Kohonena algoritms ak, un otrais - nelineārais slānis - Levenberga-Marquard metode.

Neironu tīkla pārbaude:

• Pēc tīkla apmācības jums jāpārbauda tā darba kvalitāte un jānosaka tā īpašības. Šim nolūkam iepakojumā STATISTIKA Neironu tīkli Ir ekrānā redzamās statistikas un grafisko rīku komplekts.
• Ja ir norādīti vairāki modeļi (tīkli un ansambļi), tad (ja iespējams) STATISTIKA Neironu tīkls s parādīs salīdzinošus rezultātus (piemēram, vairāku modeļu atbildes līknes attēlo vienā grafikā vai vairāku modeļu prognozes vienā tabulā). Šis īpašums ir ļoti noderīgs, lai salīdzinātu dažādus modeļus, kas apmācīti vienā datu kopā.
• Visa statistika tiek aprēķināta atsevišķi apmācības, validācijas un testa komplektiem. Visi svari un aktivizācijas parametri ir pieejami kā ērts teksta fails, kuru ar vienu klikšķi var pārvērst sistēmas rezultātu tabulā STATISTIKA. Eksperimentu rezultātus atsevišķiem novērojumiem vai visai datu kopai var apskatīt arī tabulas veidā STATISTIKA un izmantot turpmākās analīzēs vai grafikos.
• Tiek automātiski aprēķināta šāda kopsavilkuma statistika: tīkla vidējā kvadrātiskā kļūda, tā sauktā neatbilstības matrica (apjukuma matrica) klasifikācijas problēmām (kur tiek summēti visi pareizās un nepareizās klasifikācijas gadījumi) un izskaidrotās regresijas īpatsvars regresijas problēmām. Kohonen tīkls ir logs Topoloģiskā karte, kurā var vizuāli novērot tīkla elementu aktivizēšanos, kā arī datu analīzes procesā mainīt novērojumu un mezglu etiķetes. Ir arī Win Frequency logs, kas ļauj uzreiz lokalizēt kopas topoloģiskā kartē. Klasteru analīze var veikt, izmantojot standarta arhitektūras tīkla kombināciju ar īpašu sistēmu klasteru diagrammu STATISTIKA Neironu tīkli. Piemēram, varat apmācīt tīklu galveno komponentu analīzei un attēlot datus, kas projicēti uz pirmajiem diviem komponentiem.

Neironu tīklu rediģēšana, modificēšana un seriālā pieslēgšana

Sistēmā STATISTIKA Neironu tīkli Ir viedie rīki, kas ļauj nogriezt esošos tīklus un savienot vairākus tīklus. Tādējādi jūs varat noņemt vai pievienot atsevišķus neironus, noņemt visu slāni no tīkla, un tīklus, kas atbilst ieeju/izeju skaitam, var secīgi savienot viens ar otru. Pateicoties šīm funkcijām, iepakojums STATISTIKA Neironu tīkliļauj izmantot tādus rīkus kā izmēru samazināšana (pirmsapstrādes laikā), izmantojot asociatīvos tīklus un zudumu matricu (lēmumu pieņemšanai ar vismazākajiem zaudējumiem). Zaudējumu matrica tiek automātiski izmantota, strādājot ar varbūtības neironu tīkliem.

Gatavie risinājumi (pielāgotas lietojumprogrammas, izmantojot STATISTICA neironu tīklus):

• Vienkāršs un ērts sistēmas interfeiss STATISTIKA Neironu tīkliļauj ātri izveidot neironu tīkla lietojumprogrammas, lai atrisinātu jūsu problēmas.
• Var rasties situācija, kad nepieciešams šos risinājumus integrēt esošajā sistēmā, piemēram, padarīt tos par daļu no plašākas skaitļošanas vides (tās var būt procedūras, kas izstrādātas atsevišķi un iebūvētas korporatīvajā skaitļošanas sistēmā).
• Apmācītus neironu tīklus var lietot jaunām datu kopām (prognozēšanai) vairākos veidos: varat saglabāt apmācīto tīklu vai tīklu ansambli (piemēram, lai aprēķinātu vidējo prognozi, pamatojoties uz vairākām arhitektūrām) un pēc tam lietot to jaunai datu kopai ( prognozēšanai, paredzamai klasifikācijai vai prognozēšanai); Varat izmantot koda ģeneratoru, lai automātiski ģenerētu programmas kodu valodā C (C++, C#) vai Visual Basic un tālāk izmantot to jaunu datu prognozēšanai jebkurā programmatūras vidē Visual Basic vai C++ (C#), t.i. savā lietojumprogrammā ieviesiet pilnībā apmācītu neironu tīklu. Noslēgumā visa sistēmas funkcionalitāte STATISTIKA, ieskaitot STATISTIKA Neironu tīkli var izmantot kā COM objekti (Component Object Model) citās lietojumprogrammās (piemēram, Java, MS Excel utt.). Piemēram, varat ieviest automatizētas analīzes, kas izveidotas STATISTIKA Neironu tīkli uz galdiem MS Excel.

Mācību algoritmu saraksts:

• Pavairošana atpakaļ;
• Levenbergs-Marquards;
• Konjugētie gradienti;
• Kvaziņūtona;
• Ātra izplatīšanās;
• Delta-delta-ar-stieni;
• Pseido-inversie;
• Kohonena apmācība;
• Tuvumā esošo nodarbību atzīmēšana;
• Apmācības vektora kvantētājs;
• Radiālā (apakš)izlase;
• K-nozīmē metode;
• K-Tuvāko kaimiņu (KNN) metode;
• Izotropo noviržu iestatīšana;
• Acīmredzamu noviržu iestatīšana;
• Varbūtības neironu tīkls;
• Vispārējās regresijas neironu tīkls;
• Ģenētiskais algoritms ievaddatu atlasei;
• Soli pa solim tiešā vai apgrieztā ievades datu atlase.

Sistēmas prasības

Sistēma STATISTIKA Neironu tīkli var darboties pat salīdzinoši vājos vai vecos datoros. Tomēr, tā kā daudzas no paketes procedūrām ir skaitļojoši intensīvas, to ļoti ieteicams izmantot Pentium procesors ar 32 megabaitu operatīvo atmiņu.

Tīkla lieluma ierobežojumi:

• Neironu tīkls var būt gandrīz jebkura izmēra (tas ir, tā izmēri var būt daudzkārt lielāki, nekā tas ir faktiski nepieciešams un saprātīgs); Ir atļauti līdz 128 slāņiem bez neironu skaita ierobežojumiem. Faktiski jebkuru praktisku uzdevumu veikšanai programmu ierobežo tikai datora aparatūras iespējas.

E-rokasgrāmata:

• Kā daļa no sistēmas STATISTIKA Neironu tīkli ir labi ilustrēta mācību grāmata, kas sniedz pilnīgu un skaidru ievadu neironu tīkliem, kā arī piemērus. Detalizētas, kontekstjutīgas palīdzības sistēma ir pieejama jebkurā dialoglodziņā.

Avota koda ģenerators:

• Ģenerators avota kods ir papildu produkts, kas ļauj lietotājiem viegli izveidot savas lietojumprogrammas, pamatojoties uz sistēmu STATISTIKA Neironu tīkli. Šis pievienojumprogrammas produkts izveido neironu tīkla modeļa avota sistēmas kodu (kā fails C, C++, C#), kuru var atsevišķi apkopot un integrēt savā programmā bezmaksas izplatīšanai. Šis produkts ir īpaši izstrādāts uzņēmumu sistēmu izstrādātājiem, kā arī tiem lietotājiem, kuriem nepieciešams pārveidot augsti optimizētas procedūras, kas izveidotas STATISTIKA Neironu tīkliārējos lietojumos, lai atrisinātu sarežģītas analītiskas problēmas.

Neironu tīklu metodes kļūst arvien izplatītākas dažādās jomās.

Nozare:

• Procesu vadība (jo īpaši ražošanas procesu uzraudzība ar nepārtrauktu kontroles parametru regulēšanu).
• Degvielas paraugu klasifikācija (degvielas marku segmentēšana, pamatojoties uz to spektru analīzi).
• Tehniskā diagnostika (izmantojiet vibrāciju un troksni, lai agrīnā stadijā identificētu mehānisma bojājumus un veiktu profilaktiskos remontdarbus).
• Dzinēja vadības sistēmas (degvielas patēriņa novērtēšana un kontrole, izmantojot sensoru datus).
• Reālā laika komutācijas detektoru sistēmas fizikā. Neironu tīkli ir izturīgi pret troksni un ļauj izmantot stabilus modeļus fiziskajos datos ar lielu statistisko troksni.

Mārketings:

• Zelta cenas prognozēšana;
• Izejvielu cenu prognozēšana;
• Tirdzniecība ar tiešo pastu.

Finanses:

• Kredītspējas novērtējums (klasiskais uzdevums ir pēc personas datiem noteikt, vai konkrētais aizņēmējs ir uzticams).
• Finanšu laika rindas prognozēšana.

Ģeoloģiskā izpēte:

• Ieguves procesa efektivitātes paaugstināšana (izceļot nozīmīgus faktorus, kas ietekmē ieguves efektivitātes rādītājus).

Citas nozares:

• Optiskā rakstzīmju atpazīšana, tostarp parakstu atpazīšana;
• Attēlu apstrāde;
• Haotisku laika rindu prognozēšana;
• Medicīniskā diagnostika;
• Runas sintēze;
• Lingvistiskā analīze.