රසායනාගාර වැඩ සංඛ්යාන ස්නායු ජාල. STATISTICA ස්වයංක්‍රීය ස්නායු ජාල ස්වයංක්‍රීය ස්නායු ජාල. STATISTICA ස්නායුක ජාල පරිගණනයේ ස්නායු ජාල

රෝගීන් නිරීක්ෂණය කිරීමේ යම් ඉතිහාසයක් පුරා, දත්ත මාලාවක් එකතු වී STATISTICA පද්ධතියේ වගුවක ගබඩා කර ඇත. අනුරූප දත්ත වගුව රූප සටහන 6 හි දැක්වේ.

රූපය 6. මූලාශ්‍ර දත්ත වගුවේ කොටස

අධ්‍යයනයේ පරමාර්ථය වන්නේ රෝහලේදී නියම කර ඇති ප්‍රතිකාර මත පදනම්ව ලබා දී ඇති මූලික දත්ත සමූහයක් (රෝගී පරීක්ෂණ දත්ත, පරීක්ෂණ ප්‍රතිඵල, ඇතුළත් වීමට පෙර ප්‍රතිකාර) මත පදනම්ව, ඔහුගේ රෝග සඳහා පුරෝකථනයක් ඇති කරන ස්නායුක ජාල ආකෘතියක් ගොඩනැගීමයි. ප්‍රමාණවත් නිරවද්‍යතාවයකින් ප්‍රතිකාර (I-APFARA, BAB, BKK, diuretics, මධ්‍යගතව ක්‍රියා කරන ඖෂධ) රෝහලට ඇතුළත් කිරීමේ අගයන්.

ගැටලුව රේඛීය නොවන බව සැකයෙන් තොරය. ඇත්ත වශයෙන්ම, කෙනෙකුට STATISTICA Nonlinear Estimation මොඩියුලය භාවිතයෙන් ගැටළුව විසඳීමට උත්සාහ කළ හැකිය, එනම්, මෙම මොඩියුලය මඟින් ශ්‍රිතයේ වර්ගය සඳහා “ග්‍රෝප්” කිරීමට ඉදිරිපත් කරන පුනරාවර්තන ක්‍රියා පටිපාටි භාවිතා කිරීම. කෙසේ වෙතත්, විසඳුමක් සෙවීමේ ක්රියා පටිපාටිය සැලකිය යුතු ලෙස දීර්ඝ කරන ගැටළු ගණනාවක් මෙහි තිබේ. ඒවායින් වඩාත් වැදගත් වන්නේ අධ්‍යයනය කරනු ලබන යැපීමෙහි පැහැදිලි ස්වරූපය පිළිබඳ උපකල්පනයක් සැකසීමයි, එය කිසිසේත්ම පැහැදිලි නැත.

අතිරේක පර්යේෂණයකින් තොරව, පැහැදිලි ආකාරයේ යැපීම ගැන කිසිවක් පැවසීම අපහසුය. එපමණක් නොව, අප තවත් එක් කරුණක් සැලකිල්ලට නොගත් බව සඳහන් කළ යුතුය. සාමාන්‍යයෙන්, රේඛීය නොවන ඇස්තමේන්තු ක්‍රම භාවිතයෙන් එවැනි ගැටළුවක් විසඳීමට ඉතා දිගු කාලයක් ගත විය හැකිය, නැතහොත් කිසිවක් ගෙන නොයනු ඇත. එවැනි තීරණාත්මක අවස්ථාවන්හිදී, එය දන්නා විට

විචල්යයන් අතර සම්බන්ධතාවයක් ඇත;

සම්බන්ධතාවය නියත වශයෙන්ම රේඛීය නොවේ;

යැපීමේ පැහැදිලි ස්වරූපය ගැන කිසිවක් කීමට අපහසුය,

ස්නායු ජාල ඇල්ගොරිතම උපකාරී වේ. STATISTICA Neural Networks මොඩියුලයේ මෙම ගැටළුව විසඳීමට ක්රමයක් සලකා බලමු.

අවාසනාවකට, විශේෂිත ගැටළුවක් විසඳීම සඳහා කුමන ස්නායු ජාල ස්ථලකය අනුගමනය කළ යුතුද යන්න දැක්වෙන විශ්වීය රීති නොමැත. එබැවින් නිවැරදි ජාලය සොයා ගැනීම සඳහා සාධාරණ ක්රියා පටිපාටියක් අවශ්ය වේ.

STATISTICA පද්ධතියේ Neural Networks මොඩියුලයට අවශ්‍ය ජාල වින්‍යාසය සඳහා සෙවීම සංවිධානය කරන ක්‍රියා පටිපාටියක් ඇතුළත් වේ. මෙම ක්‍රියාපටිපාටිය සමන්විත වන්නේ විවිධ ගෘහනිර්මාණ සහිත ජාල විශාල සංඛ්‍යාවක් ගොඩ නැගීම සහ පරීක්ෂා කිරීම සහ ඒවායින් ලබා දී ඇති ගැටළුව විසඳීම සඳහා වඩාත් සුදුසු ජාලය තෝරා ගැනීමයි. මෙම මෙවලම හඳුන්වන්නේ බුද්ධිමත් ගැටළු විසඳන්නා ලෙසිනි. Neural Networks මොඩියුලය දියත් කිරීම සඳහා, ඔබ STATISTICA - Statistics පද්ධතියේ ප්‍රධාන මෙනුවේ එකම නමේ විධානය භාවිතා කළ යුතුය. (රූපය 7)

රූපය 7. Neural Networks මොඩියුලය දියත් කිරීම

පහත නිබන්ධනය ඉතා සුලභ ය: "ස්නායු ජාල වේ විශ්ව ව්යුහය, ඔබට ඕනෑම ඇල්ගොරිතමයක් ක්‍රියාත්මක කිරීමට ඉඩ සලසයි." මෙම ප්‍රකාශය අන්ධ ලෙස විශ්වාස කරමින්, යෝජිත යැපීම වහාම "අල්ලා ගන්නා" ස්නායුක ජාලයක් ගොඩනැගීමට උත්සාහ කරමු (එනම්, මූලික ගවේෂණාත්මක විශ්ලේෂණයකින් තොරව).

නවීන විද්‍යාව විසින් තවමත් විසඳා නැති වැදගත්ම ප්‍රශ්නවලින් එකක් වන්නේ අපේක්ෂිත බහුමාන රේඛීය නොවන යැපීම ප්‍රතිනිෂ්පාදනය කිරීමේ හැකියාව ඇති ස්නායු ජාලයක ව්‍යුහය පිළිබඳ ප්‍රශ්නයයි. ඇත්ත වශයෙන්ම, කොල්මොගොරොව්ගේ සම්පූර්ණත්වය පිළිබඳ ප්‍රමේයය, 1957 දී ඔහු ඔප්පු කළ පරිදි, ස්නායුක ජාලයකට ඕනෑම (ඉතා වැදගත් - අඛණ්ඩ) ශ්‍රිතයක් ප්‍රතිනිෂ්පාදනය කළ හැකි බව පවසයි. කෙසේ වෙතත්, එය පර්යේෂකයාට එවැනි ජාලයක් නිර්මාණය කිරීම සඳහා වට්ටෝරුවක් ඉදිරිපත් නොකරයි. 1988 දී, කතුවරුන් ගණනාවක් කොල්මොගොරොව්ගේ ප්‍රමේයය සාමාන්‍යකරණය කළ අතර ඕනෑම අඛණ්ඩ ශ්‍රිතයක් එක් සැඟවුණු ස්ථරයක් සහිත තුන්-ස්ථර ස්නායුක ජාලයකින් සහ ඕනෑම නිරවද්‍යතාවයකින් යුත් පසුබිම් ප්‍රචාරණ ඇල්ගොරිතමයකින් ආසන්න කළ හැකි බව පෙන්නුම් කළහ. මේ අනුව, අපගේ නඩුවේදී, ධනාත්මක අංගය වන්නේ ජාලය ස්ථර තුනක් විය යුතු බවට වන දැනුමයි, නමුත් නැවතත් "ඕනෑම මට්ටමක නිරවද්‍යතාවයක්" සහ අතරමැදි නියුරෝන ගණන අතර සම්බන්ධතාවය තහවුරු කරන නීති කිසිවක් අත ළඟ නැත. සැඟවුනු ස්ථරය ලෙස හැඳින්වේ.

ඉහත සියල්ල සාරාංශ කරමින්, විශේෂිත ගැටළුවක් විසඳීම සඳහා කුමන ස්නායු ජාල ස්ථලකය අනුගමනය කළ යුතුද යන්න දැක්වෙන විශ්වීය රීති නොමැති බව අපි සටහන් කරමු. එබැවින් නිවැරදි ජාලය සොයා ගැනීම සඳහා සාධාරණ ක්රියා පටිපාටියක් අවශ්ය වේ.

STATISTICA පද්ධතියේ Neural Networks මොඩියුලයට අවශ්‍ය ජාල වින්‍යාසය සෙවීම සංවිධානය කරන අද්විතීය ක්‍රියා පටිපාටියක් ඇතුළත් වේ. මෙම මෙවලම හඳුන්වන්නේ බුද්ධිමත් ගැටළු විසඳන්නා ලෙසිනි. අපි මෙම මෙවලම භාවිතා කර අපගේ ගැටලුව විසඳීමට සමත් ස්නායු ජාලයක් සොයමු.

රූපය 8. Neural Networks මොඩියුල දියත් කිරීමේ පෑඩ්

මෙම සංවාද කොටුවේ Quick පටිත්තෙහි, ගැටළු වර්ගය කොටසේ, අප මුහුණ දෙන ගැටළු පන්තිය තෝරා ගැනීමට යෝජනා කෙරේ. අපගේ ඉලක්කය වන්නේ බහුවිචල්‍ය සම්බන්ධතාවයක් ගොඩනැගීම හෝ වෙනත් වචන වලින් කිවහොත්, බහුවිචල්‍ය නොවන රේඛීය ප්‍රතිගාමීත්වයයි. ඒ කියන්නේ Problem Type කියන කොටසේ Regression කියන එක සඳහන් කරන්න.

කාර්යයන් පන්තිය තීරණය කිරීමෙන් පසු, විශ්ලේෂණය සිදු කිරීම සඳහා විචල්යයන් නියම කිරීම අවශ්ය වේ. විචල්‍යයන් තේරීමට, විචල්‍ය බොත්තම භාවිතා කරන්න. ඔබ මෙම බොත්තම ක්ලික් කළ විට, ආදානය (ස්වාධීන), ප්‍රතිදානය (රඳන) සහ තේරීම් විචල්‍ය සංවාද කොටුව දිස්වේ. මෙම සංවාද කොටුව තුළ, ඔබට විචල්‍ය ලැයිස්තුවක් දෙකක් සඳහන් කළ යුතුය. අඛණ්ඩ නිමැවුම්, අපගේ නඩුවේදී, විචල්‍යයන් වන්නේ ACEI/ARB රෝහලට ඇතුළත් කිරීම, BAB රෝහලට ඇතුළත් කිරීම, BKK රෝහලට ඇතුළත් කිරීම, ඩයුරිටික් රෝහලට ඇතුළත් කිරීම සහ මධ්‍යගතව ක්‍රියා කරන ඖෂධ රෝහලට ඇතුළත් කිරීම ය. අඛණ්ඩ යෙදවුම්, අපගේ උදාහරණයේ, ආරම්භක පරාමිති 1 සිට 61 දක්වා වේ.

රූපය 9. විශ්ලේෂණය සඳහා විචල්යයන් තෝරාගැනීම

විශ්ලේෂණ තෝරන්න කොටසේ, විකල්ප දෙකක් තිබේ: බුද්ධිමත් ගැටළු විසඳන්නා සහ අභිරුචි ජාල නිර්මාණකරු. ස්නායු ජාල පරාමිතීන් ස්වයංක්‍රීයව තේරීමට, පෙරනිමියෙන් සකසා ඇති පළමු විකල්පය අවශ්‍ය වේ. විශ්ලේෂණය දිගටම කරගෙන යාමට, හරි ක්ලික් කරන්න.

මීලඟ පියවරේදී, බුද්ධිමත් ගැටළු විසදුම් සැකසුම් සංවාද කොටුව දිස්වේ.

ඉක්මන් කොටසෙහි ස්නායු ජාල සෙවුම් ඇල්ගොරිතම ක්‍රියාත්මක කිරීමේ කාලය සඳහා වගකිව යුතු විකල්ප සමූහයක් අඩංගු වේ. මෙම පටිත්තෙහි, ඔබ විසින් පරීක්ෂා කළ යුතු ජාල සංඛ්‍යාව සඳහන් කිරීමට අවශ්‍ය වේ (ඒවා සූත්‍රගත ගැටළුව විසඳීම සඳහා සුදුසු දැයි සොයා බැලීමට), සහ අවසාන වාර්තාවට මෙම ජාල කීයක් ඇතුළත් වේද යන්න සඳහන් කරන්න.

Networks tested කොටසේ අපි 100, Networks retained - 10 (Figure 10) දක්වන්නෙමු.

පරීක්ෂණ ක්‍රියාවලියේදී කුමන ආකාරයේ ස්නායුක ජාල භාවිතා කරන්නේද යන්න Types පටිත්ත නියම කරයි. රේඛීය නොවන ප්‍රතිග්‍රහනය පිළිබඳ ගැටළුව විසඳීම සඳහා, බහු ස්ථර ප්‍රතිග්‍රාහකයක් වඩාත් සුදුසු වේ, එබැවින් අපි රූප සටහන 11 හි සලකුණු කර ඇති ජාල තෝරා ගනිමු.

රූපය 10. පරීක්ෂා කිරීමට ජාල ගණන සැකසීම

රූපය 11. ජාල ගෘහ නිර්මාණ ශිල්පය තෝරා ගැනීම

ඊළඟට, සෙවුම් සහ පරීක්ෂණ ක්රියාවලිය සංවිධානය කිරීම සඳහා, ස්නායුක ජාලයේ එක් එක් ස්ථරයේ නියුරෝන සංඛ්යාවෙහි වෙනස්කම් පරාසය සඳහන් කිරීම අවශ්ය වේ. මෙම කාර්යය සඳහා නිර්දේශිත අගයන් රූප සටහන 12 හි පෙන්වා ඇත.

රූප සටහන 12. පුහුණුව, පාලනය සහ පරීක්ෂණ සාම්පලවල ප්‍රමාණයන් පිළිබඳ ඇඟවීම

දැන්, සියලු පුහුණු පරාමිතීන් සැකසීමෙන් පසුව, ජාල සෙවුම් ක්රියා පටිපාටිය ආරම්භ කිරීම සඳහා, ඔබ හරි ක්ලික් කළ යුතුය.

සෙවුම් ඇල්ගොරිතමයේ තත්ත්වය IPS පුහුණුව ප්‍රගතියේ සංවාද කොටුවේ පෙන්වයි.

සුදුසු ස්නායුක ජාලයක් සඳහා සෙවුම් ඇල්ගොරිතම ක්‍රියාත්මක වන අතර, මෙම සංවාද කොටුව ඇල්ගොරිතම ක්‍රියාත්මක වන කාලය පිළිබඳව මෙන්ම සලකා බලන ස්නායුක ජාල පිළිබඳ තොරතුරු සපයයි. සෙවුම් ඇල්ගොරිතමයේ අරමුණ වන්නේ ස්නායු ජාල වින්‍යාසයන් ගණනාවක් ගණනය කිරීම සහ ජාල ප්‍රතිදානයේ අවම දෝෂය සහ එහි ක්‍රියාකාරීත්වයේ උපරිමය අනුව හොඳම එක තෝරා ගැනීමයි.

ස්නායුක ජාල ක්‍රම හා සම්බන්ධ බොහෝ සංකල්ප නිදසුන් ලෙස විශේෂිත ස්නායුක ජාල වැඩසටහනක් භාවිතා කරමින් වඩාත් හොඳින් පැහැදිලි කර ඇත. එමනිසා, මෙම කොටසෙහි පැකේජයට බොහෝ සබැඳි ඇත STATISTICAස්නායු ජාල (ST Neural Networks ලෙස කෙටියෙන්, StatSoft වෙතින් ස්නායුක ජාල පැකේජයක්), එය දත්ත විශ්ලේෂණය සඳහා ස්නායුක ජාල ක්‍රමවල සම්පූර්ණ ක්‍රියාවලි කිරීමකි.

පසුගිය වසර කිහිපය තුළ, විවිධ ක්ෂේත්‍රවල - ව්‍යාපාර, වෛද්‍ය, ඉංජිනේරු, භූ විද්‍යාව, භෞතික විද්‍යාව වැනි විවිධ ක්ෂේත්‍රවල සාර්ථකව භාවිතා කරන ස්නායුක ජාල පිළිබඳ උනන්දුව පිපිරීමක් අපි දැක ඇත්තෙමු. පුරෝකථනය, වර්ගීකරණය හෝ පාලන ගැටළු විසඳීමට අවශ්‍ය ඕනෑම තැනක ස්නායුක ජාල ප්‍රායෝගිකව පැමිණ ඇත. මෙම ආකර්ෂණීය සාර්ථකත්වය හේතු කිහිපයක් නිසා ය:

ස්නායුක ජාල යනු අතිශය සංකීර්ණ පරායත්තතා ප්‍රතිනිෂ්පාදනය කළ හැකි අතිශය බලවත් ආකෘතිකරණ ක්‍රමයකි. විශේෂයෙන්ම, ස්නායුක ජාල රේඛීය නොවන ස්වභාවයක් ගනී (මෙම සංකල්පයේ අර්ථය මෙම පරිච්ඡේදයේ පසුව විස්තරාත්මකව විස්තර කෙරේ). වසර ගණනාවක් තිස්සේ රේඛීය ආකෘති නිර්මාණය බොහෝ ක්ෂේත්‍රවල ප්‍රමුඛතම ආකෘති නිර්මාණ ක්‍රමය වී ඇත්තේ ඒ සඳහා ප්‍රශස්තිකරණ ක්‍රියා පටිපාටි හොඳින් වර්ධනය වී ඇති බැවිනි. රේඛීය ආසන්න කිරීම සෑහීමකට පත් නොවන ගැටළු වලදී (සහ ඒවායින් බොහොමයක් තිබේ), රේඛීය ආකෘති දුර්වල ලෙස ක්‍රියා කරයි. ඊට අමතරව, ස්නායුක ජාල විචල්‍යයන් විශාල සංඛ්‍යාවක් සම්බන්ධයෙන් රේඛීය පරායත්තතා ආකෘතිකරණයට ඉඩ නොදෙන “මානයේ ශාපය” සමඟ සාර්ථකව කටයුතු කරයි.

ස්නායු ජාල උදාහරණ වලින් ඉගෙන ගනී. ස්නායුක ජාල පරිශීලකයා නියෝජිත දත්ත තෝරාගෙන පසුව දත්තවල ව්‍යුහය ස්වයංක්‍රීයව ඉගෙන ගන්නා ඉගෙනුම් ඇල්ගොරිතමයක් ක්‍රියාත්මක කරයි. මෙම අවස්ථාවෙහිදී, පරිශීලකයාට, ඇත්ත වශයෙන්ම, දත්ත තෝරා ගැනීම සහ සකස් කිරීම, අපේක්ෂිත ජාල ගෘහ නිර්මාණ ශිල්පය තෝරා ගැනීම සහ ප්රතිඵල අර්ථ නිරූපණය කිරීම පිළිබඳ යම් හෙයුරිස්ටික් දැනුමක් තිබිය යුතුය, නමුත් ස්නායුක ජාල සාර්ථක ලෙස භාවිතා කිරීම සඳහා අවශ්ය දැනුමේ මට්ටම. සාම්ප්‍රදායික සංඛ්‍යාන ක්‍රම භාවිතා කරන විට, උදාහරණයක් ලෙස, වඩා බොහෝ නිහතමානී වේ.

ස්නායු පද්ධති ප්‍රාථමික ජීව විද්‍යාත්මක ආකෘතියක් මත පදනම් වී ඇති නිසා ස්නායු ජාල බුද්ධිමත්ව ආකර්ශනීය වේ. අනාගතයේ දී, එවැනි ස්නායු ජීව විද්‍යාත්මක ආකෘති වර්ධනය කිරීම සැබවින්ම සිතන පරිගණක නිර්මාණය කිරීමට හේතු විය හැක. මේ අතර, ST Neural Networks පද්ධතිය ගොඩනඟන "සරල" ස්නායුක ජාල ව්‍යවහාරික සංඛ්‍යාලේඛන පිළිබඳ විශේෂඥයෙකුගේ අවි ගබඩාවේ ප්‍රබල ආයුධයකි (ස්නායු ජාල. STATISTICA Neural Networks: නවීන දත්ත විශ්ලේෂණයේ ක්‍රමවේදය සහ තාක්ෂණය.).

කෘත්‍රිම බුද්ධි පර්යේෂණ වලින් ස්නායු ජාල මතු විය, එනම් මොළයේ පහත් මට්ටමේ ව්‍යුහය අනුකරණය කිරීමෙන් ජීව විද්‍යාත්මක ස්නායු පද්ධතියට ඉගෙනීමට සහ නිවැරදි කිරීමට ඇති හැකියාව ප්‍රතිනිර්මාණය කිරීමට උත්සාහ කරයි (Patterson, 1996). 60-80 ගණන්වල කෘතිම බුද්ධිය පිළිබඳ පර්යේෂණයේ ප්‍රධාන ක්ෂේත්‍රය වූයේ විශේෂඥ පද්ධති ය. එවැනි පද්ධති පදනම් වූයේ චින්තන ක්‍රියාවලියේ ඉහළ මට්ටමේ ආකෘතිකරණය මත ය (විශේෂයෙන්, අපගේ චින්තන ක්‍රියාවලිය සංකේත හැසිරවීම මත ගොඩනගා ඇත යන අදහස මත). එය ඉක්මනින්ම පැහැදිලි විය සමාන පද්ධති, සමහර ප්‍රදේශවල ඒවා ප්‍රයෝජනවත් විය හැකි වුවද, මානව බුද්ධියේ සමහර ප්‍රධාන අංශ අල්ලා නොගන්න. එක් මතයක් නම් මෙයට හේතුව මොළයේ ව්‍යුහය ප්‍රතිනිෂ්පාදනය කිරීමට ඔවුන්ට නොහැකි වීමයි. කෘතිම බුද්ධිය නිර්මාණය කිරීම සඳහා, සමාන ගෘහ නිර්මාණ ශිල්පයක් සහිත පද්ධතියක් ගොඩනැගීම අවශ්ය වේ.

මොළය බොහෝ සම්බන්ධතා වලින් සම්බන්ධ වූ නියුරෝන විශාල සංඛ්‍යාවකින් (ආසන්න වශයෙන් 10,000,000,000) සමන්විත වේ (සාමාන්‍යයෙන් නියුරෝනයකට සම්බන්ධතා දහස් ගණනක්, නමුත් මෙම සංඛ්‍යාව විශාල වශයෙන් උච්චාවචනය විය හැක). නියුරෝන යනු විද්‍යුත් රසායනික සංඥා සම්ප්‍රේෂණය කළ හැකි විශේෂ සෛල වේ. නියුරෝනයකට තොරතුරු ආදානය (ඩෙන්ඩ්‍රයිට්), න්‍යෂ්ටියක් සහ අතු ප්‍රතිදානය (ඇක්සන්) යන අතු ව්‍යුහයක් ඇත. සෛලයක අක්සෝන උපාගම භාවිතයෙන් අනෙකුත් සෛලවල ඩෙන්ඩ්‍රයිට් වලට සම්බන්ධ වේ. සක්රිය වූ විට, නියුරෝනයක් එහි අක්ෂය ඔස්සේ විද්යුත් රසායනික සංඥාවක් යවයි. උපාගම හරහා, මෙම සංඥාව අනෙකුත් නියුරෝන වෙත ළඟා වන අතර, එය සක්රිය කළ හැක. නියුරෝනයක් සක්‍රීය වන්නේ ඩෙන්ඩ්‍රයිට් වලින් එහි න්‍යෂ්ටිය වෙත පැමිණෙන සංඥාවල සම්පූර්ණ මට්ටම යම් මට්ටමක් (සක්‍රීය කිරීමේ සීමාව) ඉක්මවන විටය.

නියුරෝන මගින් ලැබෙන සංඥාවේ තීව්‍රතාවය (සහ එම නිසා එය ක්‍රියාත්මක වීමේ හැකියාව) උපාගම වල ක්‍රියාකාරිත්වය මත දැඩි ලෙස රඳා පවතී. සෑම උපාගමයක්ම දිගක් ඇති අතර විශේෂ රසායනික ද්‍රව්‍ය එය දිගේ සංඥාවක් සම්ප්‍රේෂණය කරයි. ස්නායු පද්ධති පිළිබඳ වඩාත් ගෞරවනීය පර්යේෂකයෙකු වන ඩොනල්ඩ් හෙබ් උපකල්පනය කළේ ඉගෙනීම මූලික වශයෙන් උපාගම සම්බන්ධතා වල "ශක්තියේ" වෙනස්කම් වලින් සමන්විත වන බවයි. නිදසුනක් වශයෙන්, Pavlov ගේ සම්භාව්‍ය අත්හදා බැලීමේදී, බල්ලා පෝෂණය කිරීමට පෙර සෑම විටම සීනුවක් නාද වූ අතර, බල්ලා ඉක්මනින් සීනුව නාදය ආහාර සමඟ සම්බන්ධ කිරීමට ඉගෙන ගත්තේය. ශ්‍රවණය සඳහා වගකිව යුතු මස්තිෂ්ක බාහිකයේ ප්‍රදේශ සහ ඛේට ග්‍රන්ථි අතර උපාගම සම්බන්ධතා ශක්තිමත් වූ අතර, සීනුව නාදයෙන් බාහිකය උත්තේජනය කළ විට, බල්ලා කෙළ ගැසීම ආරම්භ කළේය.

මේ අනුව, ඉතා සරල මූලද්‍රව්‍ය විශාල සංඛ්‍යාවකින් ගොඩ නැගීම (ඒ සෑම එකක්ම බරිත ආදාන සංඥා එකතුවක් ගන්නා අතර, සම්පූර්ණ ආදානය යම් මට්ටමකට වඩා වැඩි නම්, ද්විමය සංඥාවක් සම්ප්‍රේෂණය කරයි), අතිශය සංකීර්ණ ගැටළු විසඳීමට මොළය සමත් වේ. . ඇත්ත වශයෙන්ම, අපි මෙහි මොළයේ ව්‍යුහයේ බොහෝ සංකීර්ණ අංශ ස්පර්ශ කර නැත, නමුත් සිත්ගන්නා කරුණ නම් එය කෘතිම වීමයිඉහත විස්තර කර ඇති ආකෘතියට වඩා සංකීර්ණ නොවන ආකෘතියක් භාවිතයෙන් ස්නායුක ජාලවලට විශිෂ්ට ප්‍රතිඵල ලබා ගත හැක.

Statistica Neural Networks (SNN) පැකේජය

1. දත්ත ගොනුව විවෘත කරන්න මාලාව_gපැකේජයේ ඇති දත්ත වලින්. ගොනුවේ මාසික දත්ත පටිගත කිරීම සමඟ වසර කිහිපයක් පුරා ගමනාගමනයේ පරිමාව තීරණය කරන තනි විචල්‍යයක් අඩංගු වේ. (ඔබ මෙම ගොනුව විවෘත කරන විට, බුද්ධිමත් විසඳුම් විකල්පයට අදාළ වගු ගණනාවක් දිස්වේ, මෙම අවස්ථාවෙහිදී එය වසා දැමිය යුතු අතර, මූලාශ්‍ර දත්ත වගුව පමණක් ඉතිරි වේ).
2. විචල්‍ය වර්ගය “ආදාන - ප්‍රතිදානය” පහත පරිදි සකසන්න: වගු ශීර්ෂය මත ක්ලික් කිරීමෙන් විචල්‍යය තෝරන්න, දකුණු-ක්ලික් කර මෙනුවෙන් විකල්පයක් තෝරන්න ආදානය / ප්‍රතිදානය.විචල්‍ය නාමය කොළ පැහැයෙන් උද්දීපනය කෙරේ.
3. නිර්මාණය කරන්න නව ජාලයසංවාද කොටුව භාවිතයෙන් ජාලය සාදන්න.මෙය සිදු කිරීම සඳහා, අනුපිළිවෙලින් ඔබන්න: ගොනුව - නව - ජාලය.මොනිටරයේ තිරය මත සංවාද කොටුවක් ඇත (රූපය 1).

සහල්. 1. ජාල නිර්මාණය සංවාද කොටුව

කාල ශ්‍රේණි පුරෝකථනය කිරීමේ ගැටලුවකදී, ජාලය එක් විචල්‍යයක පිටපත් කීයක් ගත යුතුද යන්න දැන සිටිය යුතු අතර විචල්‍යයේ අගය කොපමණ දුරක් ඉදිරියට යා යුතුද යන්න දැන සිටිය යුතුය. මෙම කාර්යයේදී, පරාමිතිය පිළිගන්න පියවර (කාල කවුළුව)දත්ත මාසික නිරීක්ෂණ සහ පරාමිතිය නිසා 12 ට සමාන වේ ඉදිරිය බලන්න- 1 ට සමාන වේ.

1. ජාල වර්ගය ලෙස බහු ස්ථර පර්සෙප්‍රොන් තෝරා ජාල ස්ථර ගණන 3 ලෙස සකසන්න. ඉන් පසු, උපදේශන බොත්තම ක්ලික් කරන්න, එහි ප්‍රතිඵලයක් ලෙස වැඩසටහන මඟින් ජාලයේ ස්ථර තුනේම ඇති නියුරෝන ගණන ස්වයංක්‍රීයව සකසනු ඇත: 12 - 6 – 1 (රූපය 2).

සහල්. 2. ජාල පරාමිතීන් සැකසීමෙන් පසු සංවාද කොටුව

ඊට පසු, බොත්තම ඔබන්න නිර්මාණය කරන්න.

1. ජාලය නිර්මාණය කරන විට, SNN විසින් දත්ත ගොනුවේ ඇති පළමු නිරීක්ෂණ 12 නොසලකා හැරීම ටයිප් කිරීමට ස්වයංක්‍රීයව පවරනු ඇත. කාල ශ්‍රේණි විශ්ලේෂණ කාර්යයේදී ජාලය තවදුරටත් පුහුණු කිරීමේදී සහ ක්‍රියාත්මක කිරීමේදී, එහි ආදානයට සපයනු ලබන සෑම දත්ත කොටසකම නිරීක්ෂණ කිහිපයකට අදාළ දත්ත අඩංගු වේ. ප්‍රතිදාන විචල්‍යයේ අගය අඩංගු නිරීක්‍ෂණයට සම්පූර්ණ කොටසම පවරා ඇත. එහි ප්‍රතිඵලයක් ලෙස, පළමු නිරීක්ෂණ 12 ඇත්ත වශයෙන්ම නොසලකා හරිනු නොලැබේ, නමුත් නිරීක්ෂණ #13 ට අනුරූප වන කාල ශ්‍රේණි දත්තවල පළමු කොටසට ආදාන වේ. ඇත්ත වශයෙන්ම, වැඩසටහන මඟින් නිරීක්ෂණ සංඛ්‍යාව 12 කින් අඩු වන පරිවර්තන දත්ත කට්ටලයක් ගොඩනඟයි, නමුත් එක් එක් නිරීක්‍ෂණයේ දත්ත මූලාශ්‍ර ගොනුවේ අඛණ්ඩ පේළි 13 කින් ලබා ගනී.

සාදන ලද ජාලය රූපයේ දැක්වේ. 3.

සහල්. 3. තට්ටු තුනේ perceptron

1. මූලාශ්ර දත්ත කවුළුව තුළ "දත්ත කට්ටල සංස්කාරකය" 66 පුහුණුව (පුහුණුව)සහ 66 පාලන (සත්‍යාපනය)නිරීක්ෂණ (රූපය 4), ඉන්පසු පහත පරිදි පේළි මාරු කිරීම සඳහා බොත්තම ඔබන්න: මෙනුව හරහා සංස්කරණය - නඩු – කලවම් කරන්න - සියල්ල (සංස්කරණය - සිද්ධි - කලවම් කරන්න - සියල්ල).
2. ඔබ ක්ලික් කළ යුතු Levenberg-Marquard ක්‍රමය භාවිතයෙන් ජාලය පුහුණු කරන්න: දුම්රිය – බහු ස්ථර Perceptron - Levenberg-Marquardt (දුම්රිය - Multilayer Perceptron - Levenberg-Marquardt).ඉගෙනීමේ ක්රියා පටිපාටිය තත්පර කිහිපයක් ගතවේ (ප්රොසෙසර වර්ගය අනුව). Levenberg-Marquard ක්‍රමය විශ්වාසදායක සහ වේගවත් ඉගෙනුම් ඇල්ගොරිතම වලින් එකකි, නමුත් එහි භාවිතය යම් සීමාවන් සමඟ සම්බන්ධ වේ:

සහල්. 4. වෙන්වූ නිරීක්ෂණ සහිත මූලාශ්‍ර දත්ත කවුළුව

• මෙම ක්‍රමය භාවිතා කළ හැක්කේ එක් ප්‍රතිදාන මූලද්‍රව්‍යයක් සහිත ජාල සඳහා පමණි.
• Levenberg-Marquard ක්‍රමයට මතකය ජාලයේ බර ගණනේ වර්ගයට සමානුපාතිකව අවශ්‍ය වේ, එබැවින් ක්‍රමය ජාල සඳහා සුදුසු නොවේ. විශාල ප්රමාණය(බර 1000 ක් පමණ).
• ක්‍රමය අදාළ වන්නේ මූල මධ්‍යන්‍ය වර්ග දෝෂ ශ්‍රිතය සඳහා පමණි.

Levenberg-Marquard ඇල්ගොරිතම නිර්මාණය කර ඇත්තේ මූල මධ්‍යන්‍ය වර්ග දෝෂ ශ්‍රිතය අවම කිරීමටය. අවම ලක්ෂ්‍යයට ආසන්නව, මෙම උපකල්පනය ඉතා නිරවද්‍යතාවයකින් යුක්ත වේ, එබැවින් ඇල්ගොරිතම ඉතා ඉක්මනින් ගමන් කරයි. අවමයට වඩා බොහෝ දුරට, මෙම උපකල්පනය නිවැරදි නොවිය හැක, එබැවින් ක්‍රමය රේඛීය ආකෘතිය සහ ශ්‍රේණිගත සම්භවය අතර සම්මුතියක් සොයා ගනී. පියවරක් ගනු ලබන්නේ එය දෝෂය අඩු කරන්නේ නම් පමණක් වන අතර, අවශ්‍ය විටදී, ප්‍රගතිය සහතික කිරීම සඳහා ප්‍රමාණවත් තරම් කුඩා පියවරක් සහිත අනුක්‍රමණ බැසීමක් භාවිතා කරයි.

Levenberg-Marquard ක්‍රම සංවාද කොටුව රූපයේ දැක්වේ. 5.

සහල්. 5. Levenberg-Marquard method සංවාද කොටුව

කවුළුවේ ප්රධාන අංග:

• යුග (යුග ගණන)- ඇල්ගොරිතම ක්‍රියාත්මක වන යුග ගණන සකසයි. සෑම යුගයකම, සම්පූර්ණ පුහුණු කට්ටලය ජාලය හරහා සම්මත කර ඇති අතර, පසුව බර සකස් කරනු ලැබේ.
• හරස් සත්යාපනය- ස්ථානය සලකුණු කරන විට, ජාලය විසින් නිෂ්පාදනය කරන ලද ප්රතිඵලයේ ගුණාත්මක භාවය පාලක කට්ටලයට එරෙහිව එක් එක් යුගයේදී පරීක්ෂා කරනු ලැබේ (එය නියම කර ඇත්නම්). ක්‍රියාවිරහිත කළ විට, දත්ත ගොනුවේ තිබුණද, පාලන නිරීක්ෂණ නොසලකා හරිනු ලැබේ.
• දුම්රිය- බොත්තම එබූ සෑම අවස්ථාවකම, ඇල්ගොරිතම නිශ්චිත යුග ගණන හරහා ධාවනය වේ.
• නැවත ආරම්භ කරන්න- නැවත පුහුණුව ආරම්භ කිරීමට පෙර, ඔබ යළි පිහිටුවීමේ බොත්තම එබිය යුතුය, මන්ද මෙම අවස්ථාවේදී ජාල බර අහඹු ලෙස නැවත සකසා ඇත.
• ජෝග් බර -ඇල්ගොරිතම දේශීය අවම අගයක සිරවිය හැකි විට, මෙම විකල්පය එක් එක් බරට කුඩා මුදලක් එකතු කරයි.

1. භාවිතා කරමින් කාල ශ්‍රේණි ප්‍රක්ෂේපණයක් සාදන්න ධාවනය - Times Series Projectionඅනුරූප කවුළුව විවෘත කරන්න (රූපය 6).

සහල්. 6. කාල ශ්‍රේණි ප්‍රක්ෂේපණ කවුළුව

සංවාද කොටුවේ විස්තරය

• ආරම්භ කරන්න- කාල ශ්‍රේණි ප්‍රක්ෂේපණය යම් නිරීක්ෂණ අංකයකින් ආරම්භ විය යුතුද යන්න සඳහන් කරයි (නඩු අංකය)දත්ත ගොනුවක හෝ පුද්ගල නිරීක්ෂණයකින්.
• නඩු අංකය -දත්ත ගොනුවකින් කාල ශ්‍රේණියක් ප්‍රක්ෂේපණය කරන විට, ආරම්භ කළ යුතු ප්‍රතිදාන අගය සමඟ නිරීක්ෂණ අංකය දක්වනු ලැබේ.
• දිග- පුරෝකථනය පුරෝකථනය කරනු ලබන පියවර ගණන.
• විචල්ය- සැලසුම් කරන විචල්‍යය පෙන්නුම් කරයි.

1. පුහුණු ජාලයක් භාවිතා කරමින්, ඔබට කාල ශ්‍රේණි ප්‍රක්ෂේපණයක් සිදු කළ හැකිය. මුලදී, ජාලය පළමු ආදාන අගයන් 12 මත ක්‍රියා කරනු ඇත, එහි ප්‍රතිඵලයක් ලෙස ඊළඟ අගය පිළිබඳ පුරෝකථනයක් සිදු වේ. එවිට පුරෝකථනය කළ අගය, පෙර ආදාන අගයන් 11 සමඟ නැවතත් ජාලයේ ආදානය වෙත පෝෂණය වන අතර, දෙවැන්න ඊළඟ අගය පිළිබඳ අනාවැකියක් නිපදවයි.

තෝරා ගත යුතු එකම පාලන පරාමිතිය වන්නේ ප්රක්ෂේපණ දිග වේ. මෙම උදාහරණයේ සම්පූර්ණ නිරීක්ෂණ 144ක් ඇති අතර, ඉන් 12ක් පෙර සැකසීමේදී ඉවත් කරනු ලැබේ, එබැවින් ප්‍රතිඵල උපරිම වශයෙන් පියවර 132කින් සැසඳිය හැක. කෙසේ වෙතත්, පවතින දත්තවල සීමාවෙන් ඔබ්බට ශ්‍රේණියක් ප්‍රක්ෂේපණය කළ හැකි නමුත් ප්‍රති result ලය සමඟ සැසඳීමට කිසිවක් නොමැත.

බොත්තම භාවිතයෙන් විවිධ දිගින් පුරෝකථනය කළ අගයන්ගේ හැසිරීම බලන්න දුවන්නඔබට ශ්‍රේණියේ ඉලක්ක සහ ප්‍රතිදාන අගයන්හි වෙනස්කම් නිරීක්ෂණය කළ හැකිය.

දී ඇති fig දී. දළ වශයෙන් නිරීක්ෂණ 70 කින් ආරම්භ වන මුල් සහ පුරෝකථනය කරන ලද ශ්‍රේණි අතර සැලකිය යුතු අපගමනයන් පවතින බැවින්, පුරෝකථනය කරන ලද වක්‍රය (මොනිටරයේ තිරයේ නිල්) ඉතා හොඳින් පුහුණු කර නොමැති බව රූප සටහන 6 පෙන්වා දෙයි.

1. බුද්ධිමත් විසදුමක් භාවිතා කරමින් ශ්‍රේණි පුරෝකථනය සිදු කරන්න (ඉහළ පේළියේ වමේ සිට තුන්වන බොත්තම). මෙම අවස්ථාවේදී, සංවාද මාදිලියේ ප්රශ්න කිහිපයකට පිළිතුරු සැපයීම අවශ්ය වේ:

• ප්රධාන අනුවාදය තෝරන්න (රූපය 7) සහ ක්ලික් කරන්න ඊළඟ.

සහල්. 7. ප්රධාන අනුවාදය තෝරාගැනීම

• කාර්යයේ වර්ගය (සම්මත හෝ කාල මාලාව) තීරණය කරන්න. මෙහිදී කාල මාලාව සටහන් කිරීම අවශ්ය වේ (රූපය 8).

සහල්. 8. කාර්ය වර්ගයක් තෝරාගැනීම

• නිරීක්ෂණ කාලය මාස 12 දක්වා සකසන්න (රූපය 9).

සහල්. 9. නිරීක්ෂණ කාලය සැකසීම

• එකම විචල්‍යය වන පරායත්ත සහ ස්වාධීන විචල්‍ය තෝරන්න මාලාවක්.
• මිනිත්තු 2 ට සමාන ගණනය කිරීමේ ක්රියා පටිපාටියේ කාලය තීරණය කරන්න (රූපය 10).

සහල්. 10. බේරුම්කරණ ක්රියා පටිපාටියේ කාලය සැකසීම

• සුරැකිය යුතු ජාල ගණන සහ ඒවා සුරැකීමේදී ගත යුතු ක්‍රියාමාර්ග සඳහන් කරන්න (රූපය 11).

සහල්. 11. ජාල තෝරා ගැනීම සඳහා ක්‍රියා

• ප්රතිඵල ඉදිරිපත් කිරීම සඳහා ආකෘති තෝරන්න (රූපය 12) සහ ක්ලික් කරන්න අවසන් කරන්න.

සහල්. 12. ප්රතිඵල ඉදිරිපත් කිරීම සඳහා පෝරමයක් තෝරා ගැනීම

බුද්ධිමත් විසදුමක් භාවිතා කිරීමේ ප්රතිඵලයක් වශයෙන්, පුහුණු ජාලය මුල් මාලාවට වඩා සමීප වන බැවින්, අනාවැකිය වඩාත් නිවැරදි වේ (රූපය 13).

සහල්. 13. බුද්ධිමත් විසදුමක් භාවිතා කරමින් පුරෝකථනය කරන්න

ව්යායාම කරන්න

පහත පරිදි Statistica පැකේජයෙන් අනුකරණය කරන ලද කාල ශ්‍රේණියක් සාදන්න:

• නිර්මාණය කරන්න නව ගොනුව, පේළි 20 කින් සහ තීරු 2 කින් සමන්විත වේ.
• මෙනුව හරහා දත්ත - විචල්ය පිරිවිතර=vnormal(rnd(1);1;3) යන ප්‍රකාශය සූත්‍ර කවුළුවට ඇතුල් කරන්න.
• ගණිතමය අපේක්ෂාව 1 ට සමාන වන අතර සම්මත අපගමනය 3 ට සමාන වන අහඹු ලෙස බෙදා හරින ලද විචල්‍යයක අගයන් 20 ක් අනුකරණය කරන්න. මෙම අගයන් 20 Var 1 විචල්‍යය නිර්වචනය කරයි. ඒවා පූර්ණ සංඛ්‍යා දත්ත වර්ගයකට පරිවර්තනය කර එය විචල්‍යයට සකසන්න. විස්තර කවුළුව ලෙස ටයිප් කරන්නඅර්ථය පූර්ණ සංඛ්යාව.
• පහත පරිදි Var 2 විචල්‍යයට යන්න: Var 2 හි පළමු අගය Var 1 විචල්‍යයේ පළමු අගයට සමාන වේ; දෙවන අගය Var 2 යනු Var 1 විචල්‍යයේ පළමු අගයන් දෙකේ එකතුවට සමාන වේ; Var 2 විචල්‍යයේ තුන්වන අගය Var 1 වැනි විචල්‍යයේ පළමු අගයන් තුනේ එකතුවට සමාන වේ.
• Var 2 විචල්‍යය පිටපත් කර SNN පැකේජයට යන්න, පිටපත් කරන ලද දත්ත සාදන ලද නව ගොනුවේ තබන්න.
• ස්නායු ජාලයක් භාවිතයෙන් ලැබෙන ශ්‍රේණියේ පුරෝකථනය සිදු කරන්න.

මුද්රිත අනුවාදය

දත්ත විශ්ලේෂණය සඳහා ස්නායුක ජාල ක්‍රම, රුසියානු පරිශීලකයා සඳහා සම්පූර්ණයෙන්ම අනුවර්තනය කරන ලද Statistica Neural Networks පැකේජය (StatSoft විසින් නිෂ්පාදනය කරන ලද) භාවිතය මත පදනම්ව ගෙනහැර දක්වා ඇත. ස්නායුක ජාල පිළිබඳ සිද්ධාන්තයේ මූලික කරුණු ලබා දී ඇත; ව්‍යාපාර, කර්මාන්ත, කළමනාකරණය සහ මූල්‍ය යන ක්ෂේත්‍රවල පුළුල් යෙදුම් ඇති ප්‍රබල දත්ත විශ්ලේෂණය සහ පුරෝකථන මෙවලමක් වන - සංඛ්‍යාලේඛන ස්නායු ජාල පැකේජය භාවිතයෙන් පර්යේෂණ පැවැත්වීමේ ක්‍රමවේදය සහ තාක්ෂණය ප්‍රායෝගික ගැටලු විසඳීම කෙරෙහි වැඩි අවධානයක් යොමු කෙරේ. පොතේ දත්ත විශ්ලේෂණය සඳහා බොහෝ උදාහරණ අඩංගු වේ, ප්රායෝගික නිර්දේශවිශ්ලේෂණය, පුරෝකථනය, වර්ගීකරණය, රටා හඳුනාගැනීම, කළමනාකරණය සඳහා නිෂ්පාදන ක්රියාවලීන්ස්නායුක ජාල භාවිතා කරමින් බැංකු, කර්මාන්ත, ආර්ථික විද්‍යාව, ව්‍යාපාර, භූ විද්‍යාත්මක ගවේෂණ, කළමනාකරණය, ප්‍රවාහනය සහ වෙනත් ක්ෂේත්‍රවල පර්යේෂණවල නියැලී සිටින පුළුල් පරාසයක පාඨකයන් සඳහා. අන්තර්ගතය දෙවන සංස්කරණයට පෙරවදන හැඳින්වීම. Neural Networks වෙත ආරාධනයක් Chapter 1. දත්ත විශ්ලේෂණයේ මූලික සංකල්ප 2. සම්භාවිතා න්‍යාය සඳහා හැඳින්වීම Chapter 3. NEURAL NETWORKS THERYSPERAL NEORYCHAPTER 4V. ජීව විද්‍යාවෙන් මූලික කෘත්‍රිම ආකෘතිය ස්නායුක ජාල පෙර සහ පසු සැකසුම් යෙදීම ජාලය සාමාන්‍යකරණය වූ ප්‍රතිගාමී ස්නායු ජාලය රේඛීය ජාලය ජාලය කොහොනෙන් වර්ගීකරණ ගැටළු ප්‍රතිගාමී ගැටළු කාල ශ්‍රේණි පුරෝකථනය විචල්‍යයන් තෝරාගැනීම සහ මානයන් අඩු කිරීම පරිච්ඡේදය 5. සංඛ්‍යාලේඛන ස්නායු ජාලයේ පළමු පියවර rying out classificationChapter 6. වැඩිදුර හැකියාවන් NEURAL NETWORKSlassic උදාහරණය: Fisher's IrisesTraining with cross-validation Stopping කොන්දේසි ප්‍රතිගමන ගැටළු විසඳීම රේඩියල් පදනම් ක්‍රියා රේඛීය ආකෘති Kohonen networks Probabilistic සහ generalized regression networks Network constructor PV ICT 7 ආදාන දත්ත කාල ශ්‍රේණිය PV ALB 7 ආදාන දත්ත ශ්‍රේණිය තෝරා ගැනීම සඳහා ජාන ඇල්ගොරිතම. දත්ත හුදකලා කිරීම ඉදිරිපත් කිරීම ප්‍රයෝජනවත් ආදාන විචල්‍යවල මානයන් අඩු කිරීම ජාල ගෘහ නිර්මාණ ශිල්පයේ තේරීම අභිරුචි ජාල ගෘහ නිර්මාණ කාල ශ්‍රේණිය 8 වන පරිච්ඡේදය. අයදුම් කිරීමේ උදාහරණ (නඩු අධ්‍යයනය IES) උදාහරණය 1. භූ විද්‍යාත්මක පර්යේෂණවල මානයන් අඩු කිරීම උදාහරණ 2 න්‍යාය සැකැස්ම 3 වර්ගීකරණයන් වර්ගීකරණය. ple 4. රසායනාගාර පර්යේෂණ අනුව විවිධ ඉන්ධන සාම්පල ඛණ්ඩනය කිරීම උදාහරණ 5. චර්යාත්මක ලකුණු ආකෘතියක් තැනීම උදාහරණ 6. කාර්යය ආසන්න කිරීම උදාහරණය 7. තෙල් අලෙවිය පුරෝකථනය කිරීම උදාහරණ 8. ස්ථාපනයකදී උෂ්ණත්ව තත්ත්වයන් නිරීක්ෂණය කිරීම සහ පුරෝකථනය කිරීම උදාහරණ 9. 9. ඩිජිටල් අත්සනක් ining networksවෙනත් වර්ග ජාලයන් ජාලයක් සමඟ ක්‍රියා කිරීම STATISTICA පද්ධතියට ප්‍රතිඵල යැවීම පරිච්ඡේදය 10. ස්නායුක ජාලවලට විකල්ප සම්භාව්‍ය ක්‍රම කේත උත්පාදක උපග්‍රන්ථය 2. ERP පද්ධති සමඟ STATISTICA ඒකාබද්ධ කිරීම ග්‍රන්ථ නාමාවලිය

• දත්ත තේරීම, නාමික කේතීකරණය, පරිමාණය, සාමාන්‍යකරණය, වර්ගීකරණය, ප්‍රතිගමනය සහ කාල ශ්‍රේණියේ ගැටළු සඳහා අර්ථකථනය සමඟ නැතිවූ දත්ත ඉවත් කිරීම ඇතුළුව පෙර සහ පසු සැකසුම්;
• සුවිශේෂී භාවිතයේ පහසුව සහ අසමසම විශ්ලේෂණ බලය; උදාහරණයක් ලෙස, ඇනෙලොග් නොමැත විසඳුම් විශාරදයාවිවිධ ස්නායුක ජාල නිර්මාණය කිරීමේ සියලු අදියරයන් හරහා පරිශීලකයාට මඟ පෙන්වනු ලබන අතර හොඳම එක තෝරන්න (මෙම කාර්යය, එසේ නොමැති නම්, "අත්හදා බැලීමේ සහ දෝෂය" දිගු ක්රියාවලියක් හරහා විසඳා ඇති අතර න්යාය පිළිබඳ සම්පූර්ණ දැනුමක් අවශ්ය වේ);
• බලවත් ගවේෂණ සහ විශ්ලේෂණ තාක්ෂණය, ඇතුළුව ප්රධාන සංරචක විශ්ලේෂණයසහ Dimensionality අඩු කිරීමගවේෂණාත්මක (ස්නායු ජාල) දත්ත විශ්ලේෂණයේදී අවශ්‍ය ආදාන විචල්‍ය තෝරා ගැනීම සඳහා (ස්නායු ජාල සඳහා අවශ්‍ය ආදාන විචල්‍යයන් තේරීමට බොහෝ විට දිගු කාලයක් ගතවේ; පද්ධතිය STATISTICA Neural Networksපරිශීලකයා සඳහා මෙම කාර්යය කළ හැකිය);
• වඩාත්ම දියුණු, ප්‍රශස්ත සහ බලවත් ජාල පුහුණු ඇල්ගොරිතම (සංයුජ අනුක්‍රමය සහ Levenberg-Marquard); සක්‍රිය කිරීම සහ දෝෂ ක්‍රියාකාරිත්වය, ජාල සංකීර්ණත්වය වැනි ජාල ගුණාත්මක භාවයට බලපාන සියලුම පරාමිතීන් පිළිබඳ පූර්ණ පාලනය;
• තුළ නිර්මාණය කරන ලද අසීමිත ප්‍රමාණයේ ස්නායුක ජාල සහ ස්නායුක ජාල ගෘහ නිර්මාණ එකතුව සඳහා සහාය ජාල කට්ටල - ජාල කට්ටල; ස්නායුක ජාල කොටස් තෝරා ගැනීමේ පුහුණුව; වෙනම ගොනු වල ජාල කට්ටල ඒකාබද්ධ කිරීම සහ සුරැකීම;
• පද්ධතිය සමඟ සම්පූර්ණ ඒකාබද්ධතාවය STATISTICA; සියලු ප්රතිඵල, ප්රස්තාර, වාර්තා, ආදිය. ප්‍රබල චිත්‍රක සහ විශ්ලේෂණ මෙවලම් භාවිතයෙන් තවදුරටත් වෙනස් කළ හැක STATISTICA(උදාහරණයක් ලෙස, පුරෝකථනය කළ අවශේෂ විශ්ලේෂණය කිරීම, සවිස්තර වාර්තාවක් නිර්මාණය කිරීම, ආදිය);
• බලවත් ස්වයංක්‍රීය මෙවලම් සමඟ බාධාවකින් තොරව ඒකාබද්ධ වීම STATISTICA; ඕනෑම විශ්ලේෂණයක් සඳහා පූර්ණ-පරිපූර්ණ මැක්රෝස් පටිගත කිරීම; ඔබේම ස්නායුක ජාල විශ්ලේෂණයන් සහ යෙදුම් භාවිතයෙන් නිර්මාණය කිරීම STATISTICA Visual Basic, අභියෝගය STATISTICA Neural Networksසහාය දක්වන ඕනෑම යෙදුමකින් COM තාක්ෂණය(උදාහරණයක් ලෙස, වගුවක ස්වයංක්‍රීය ස්නායුක ජාල විශ්ලේෂණය MS Excelහෝ ලියා ඇති අභිරුචි යෙදුම් කිහිපයක් ඒකාබද්ධ කිරීම C++, C#, Javaආදිය).

STATISTICA ස්නායුක ජාල පරිගණනයේ ස්නායු ජාල:

• ස්නායුක ජාල භාවිතය ස්නායු ජාල ක්‍රම භාවිතයෙන් දත්ත සැකසීමට වඩා බොහෝ දේ ඇතුළත් වේ.
• STATISTICA Neural Networksවිවිධත්වය සපයයි ක්රියාකාරිත්වය, නවතම දේ පමණක් නොව ඉතා සංකීර්ණ කාර්යයන් සමඟ වැඩ කිරීම සඳහා Neural Network Architecturesසහ ඇල්ගොරිතම ඉගෙනීම, නමුත් නව ප්‍රවේශයන් ද ඇත ආදාන දත්ත තෝරාගැනීමසහ ජාලයක් ගොඩනැගීම. ඊට අමතරව, සංවර්ධකයින් මෘදුකාංගසහ යෙදුම් සැකසීම් සමඟ අත්හදා බලන පරිශීලකයින් සරල සහ අවබෝධාත්මක අතුරු මුහුණතක් තුළ නිශ්චිත අත්හදා බැලීම් සිදු කිරීමෙන් පසුව අගය කරනු ඇත. STATISTICA Neural Networks,ස්නායු ජාල විශ්ලේෂණ අභිරුචි, යෙදුමක් තුළ ඒකාබද්ධ කළ හැක. පුස්තකාලය භාවිතයෙන් මෙය සාක්ෂාත් කරගනු ලැබේ STATISTICA COM කාර්යයන්, එය වැඩසටහනේ සියලුම ක්‍රියාකාරීත්වය සම්පූර්ණයෙන්ම පිළිබිඹු කරයි, නැතහොත් භාෂාවේ කේතය භාවිතා කරයි C (C++, C#)හෝ දෘෂ්ය මූලික, එය වැඩසටහන මගින් ජනනය කරන අතර සම්පුර්ණයෙන්ම පුහුණු වූ ස්නායුක ජාලයක් හෝ ජාල සමූහයක් ධාවනය කිරීමට උපකාරී වේ.

මූලික දත්ත

මොඩියුලය STATISTICA Neural Networksපද්ධතිය සමඟ සම්පුර්ණයෙන්ම ඒකාබද්ධ වී ඇත STATISTICAමේ අනුව, විශ්ලේෂණය සඳහා දත්ත සංස්කරණය කිරීම (සූදානම් කිරීම) සඳහා මෙවලම් විශාල තේරීමක් (පරිවර්තන, නිරීක්ෂණ තෝරාගැනීම සඳහා කොන්දේසි, දත්ත පරීක්ෂා කිරීමේ මෙවලම්, ආදිය) ලබා ගත හැකිය. සියලුම පරීක්ෂණ මෙන් STATISTICA, මෙම වැඩසටහන ස්ථානීය සැකසුම් මෙවලම් භාවිතයෙන් දුරස්ථ දත්ත ගබඩාවකට "ඇමිණීම" හෝ සජීවී දත්ත වෙත සම්බන්ධ කළ හැකි අතර එමඟින් දත්ත වෙනස් වන විට ස්වයංක්‍රීයව ආකෘති පුහුණු කිරීම හෝ ධාවනය කිරීම (උදා: පුරෝකථනය කළ අගයන් ගණනය කිරීම හෝ වර්ගීකරණය කිරීම) සිදු කෙරේ.

ආදාන තේරීම සහ මානය අඩු කිරීම

දත්ත සකස් කිරීමෙන් පසුව, ස්නායුක ජාලය සමඟ වැඩ කිරීමේදී කුමන විචල්යයන් භාවිතා කළ යුතුද යන්න තීරණය කළ යුතුය. විචල්‍ය සංඛ්‍යාව වැඩි වන තරමට ස්නායුක ජාලය වඩාත් සංකීර්ණ වනු ඇත, එබැවින් එයට වැඩි මතකයක් සහ පුහුණු කාලයක් අවශ්‍ය වනු ඇත, මෙන්ම පුහුණු උදාහරණ විශාල සංඛ්‍යාවක් (නිරීක්ෂණ). විචල්‍යයන් අතර ප්‍රමාණවත් දත්ත සහ/හෝ සහසම්බන්ධතා නොමැති විට, අර්ථවත් ආදාන විචල්‍යයන් තෝරා ගැනීම සහ තොරතුරු කුඩා විචල්‍ය සංඛ්‍යාවකට සම්පීඩනය කිරීමේ ගැටළු බොහෝ ස්නායුක ජාල යෙදුම්වල ඉතා වැදගත් වේ.

Dimensionality අඩු කිරීමේ ඇල්ගොරිතම:

• තුල STATISTICA Neural Networksප්රතිලෝම සහ සෘජු පියවරෙන් පියවර තේරීම් ඇල්ගොරිතම ක්රියාත්මක කර ඇත. මීට අමතරව, ආදාන දත්ත තෝරාගැනීම සඳහා ස්නායු-ජාන ඇල්ගොරිතම ජාන ඇල්ගොරිතමවල හැකියාවන් ඒකාබද්ධ කරයි. PNN/GRNN (PNN - සම්භාවිතා ස්නායු ජාල, GRNN - සාමාන්‍ය ප්‍රතිගාමී ස්නායු ජාල)ආදාන විචල්‍යවල ප්‍රශස්ත සංයෝජන සඳහා ස්වයංක්‍රීය සෙවීම සඳහා, ඒවා අතර සහසම්බන්ධතා සහ රේඛීය නොවන පරායත්තතා ඇති අවස්ථාවන් ඇතුළුව. පාහේ ක්ෂණික ඉගෙනුම් වේගය PNN/GRNN ඇල්ගොරිතමඅයදුම් කිරීමට හැකි වනවා පමණක් නොවේ ආදාන දත්ත තේරීම සඳහා ස්නායු-ජාන ඇල්ගොරිතම, නමුත් ඔබට (පවතින ඒවා භාවිතා කරමින් සංස්කරණය හෝපද්ධති දත්ත STATISTICA Neural Networksනොවැදගත් විචල්‍යයන් යටපත් කිරීමේ පහසු ක්‍රම) තත්‍ය කාලීන දත්ත සංවේදීතාව පිළිබඳ ඔබේම අත්හදා බැලීම් කරන්න. STATISTICA Neural Networksගොඩනඟන ලද පද්ධතියක් ද අඩංගු වේ ප්රධාන සංරචක විශ්ලේෂණය (PCA, සහ "රේඛීය නොවන PCA" සඳහා ආශ්‍රිත ජාල), මූලාශ්‍ර දත්තවල මානය අඩු කිරීමට ඔබට ඉඩ සලසයි. දත්තවල මානය අඩු කිරීම සඳහා විශාල සංඛ්‍යානමය ක්‍රම මූලික පද්ධතිය තුළ පවතින බව සලකන්න. STATISTICA.

දත්ත පරිමාණය සහ නාමික අගය පරිවර්තනය:

• දත්ත ජාලයට ඇතුල් කිරීමට පෙර, එය නිශ්චිත ආකාරයකින් සකස් කළ යුතුය. ප්‍රතිදාන දත්ත නිවැරදිව අර්ථකථනය කළ හැකි වීම ද ඒ හා සමානව වැදගත් වේ. තුල STATISTICA Neural Networksආදාන සහ ප්‍රතිදාන දත්ත ස්වයංක්‍රීයව පරිමාණය කිරීමේ හැකියාව ඇත (අවම/උපරිම අගයන් සහ සාමාන්‍ය/සම්මත අපගමනය මගින් පරිමාණය කිරීම ඇතුළුව); 1-of-N කේතීකරණ ක්‍රමය භාවිතා කිරීම ඇතුළුව නාමික අගයන් සහිත විචල්‍යයන් ස්වයංක්‍රීයව නැවත සංකේතනය කළ හැක (උදාහරණයක් ලෙස, ස්ත්‍රී පුරුෂ භාවය=(පිරිමි, ගැහැණු)). STATISTICA Neural Networksනැතිවූ දත්ත සමඟ වැඩ කිරීම සඳහා මෙවලම් ද අඩංගු වේ. වැනි සාමාන්යකරණ කාර්යයන් ක්රියාත්මක කර ඇත "තනි මුදලක්", "ජයග්‍රාහකයා සියල්ල රැගෙන යයි"සහ "ඒකක දිග දෛශිකය". කාල ශ්‍රේණි විශ්ලේෂණය සඳහා විෙශේෂෙයන් නිර්මාණය කර ඇති දත්ත සැකසීම සහ අර්ථකථන මෙවලම් ඇත. මූලික පද්ධතියේ විවිධාකාර සමාන මෙවලම් ද ක්රියාත්මක වේ STATISTICA.
• වර්ගීකරණ ගැටළු වලදී, විශ්වාසනීය කාල පරතරයන් සැකසිය හැක STATISTICA Neural Networksපසුව එක් පන්තියකට හෝ තවත් පන්තියකට නිරීක්ෂණ පැවරීමට භාවිතා කරයි. තුළ ක්රියාත්මක කරන ලද විශේෂ සමඟ ඒකාබද්ධව STATISTICA Neural Networksසක්රිය කිරීමේ කාර්යය Softmaxසහ හරස් එන්ට්‍රොපි දෝෂ ශ්‍රිත, මෙය වර්ගීකරණ ගැටළු සඳහා මූලික සම්භාවිතා-න්‍යායාත්මක ප්‍රවේශයක් සපයයි.

Neural Network ආකෘතියක් තෝරාගැනීම, Network ensembles

විවිධ ස්නායුක ජාල ආකෘති සහ සැකසීමට අවශ්‍ය බොහෝ පරාමිති (ජාල ප්‍රමාණය, ඉගෙනුම් ඇල්ගොරිතම පරාමිතීන්, ආදිය) සමහර පරිශීලකයින් ව්‍යාකූල කළ හැකිය (එබැවින් පවතී විසඳුම් විශාරදයා, ඕනෑම සංකීර්ණතාවයකින් සුදුසු ජාල ගෘහ නිර්මාණ ශිල්පයක් ස්වයංක්‍රීයව සෙවිය හැක).

STATISTICA Neural Networks පද්ධතිය ප්‍රායෝගික ගැටළු විසඳීම සඳහා භාවිතා කරන සියලුම ප්‍රධාන ස්නායු ජාල ක්‍රියාත්මක කරයි, ඇතුළුව:

• බහු ස්ථර perceptrons (සෘජු සංඥා සම්ප්රේෂණය සහිත ජාල);
• රේඩියල් පදනම් කාර්යයන් මත පදනම් වූ ජාල;
• ස්වයං-සංවිධාන කොහොනෙන් සිතියම්;
• සම්භාවිතා (බයේසියානු) ස්නායු ජාල;
• සාමාන්‍ය ප්‍රතිගාමී ස්නායු ජාල;
• ප්රධාන සංරචක ජාල;
• පොකුරු සඳහා ජාල;
• රේඛීය ජාල.

එසේම, පද්ධතිය තුළ STATISTICA Neural Networksක්රියාත්මක කර ඇත ජාල සමූහ, ඉහත ජාල වල අහඹු (නමුත් සැලකිය යුතු) සංයෝජන වලින් සෑදී ඇත. තවත් පහසු විශේෂාංගයක් වන්නේ ඔබට ජාල එකට සම්බන්ධ කළ හැකි වන පරිදි ඒවා අනුක්‍රමිකව ක්‍රියාත්මක වීමයි. අවම පිරිවැයක් සහිත විසඳුම් සෙවීමට පෙර සැකසුම් කිරීමේදී මෙය ප්රයෝජනවත් වේ.

පැකේජය තුළ STATISTICA Neural Networksසුදුසු ජාල ගෘහ නිර්මාණ ශිල්පයක් තෝරා ගැනීමට පරිශීලකයාට උපකාර කිරීමට බොහෝ මෙවලම් තිබේ. පද්ධතියේ සංඛ්‍යානමය සහ චිත්‍රක මෙවලම්වලට සමස්ත ජනගහනය සඳහා හිස්ටෝග්‍රෑම්, න්‍යාස සහ දෝෂ සටහන් ඇතුළත් වන අතර තනි නිරීක්ෂණ සඳහා, නිවැරදි/වැරදි වර්ගීකරණය පිළිබඳ අවසාන දත්ත, සහ සියලුම වැදගත් සංඛ්‍යාලේඛන - උදාහරණයක් ලෙස, විචල්‍යයේ පැහැදිලි කළ අනුපාතය - ස්වයංක්‍රීයව ගණනය කෙරේ.

පැකේජයක දත්ත දෘශ්‍යමාන කිරීමට STATISTICA Neural Networksජාලයේ "හැසිරීම" තේරුම් ගැනීමට පරිශීලකයාට උපකාර කිරීම සඳහා Scatterplots සහ 3D ප්රතිචාර පෘෂ්ඨයන් ක්රියාත්මක වේ.
ඇත්ත වශයෙන්ම, ඔබට වෙනත් ක්රම මගින් වැඩිදුර විශ්ලේෂණය සඳහා ලැයිස්තුගත මූලාශ්රවලින් ලබාගත් ඕනෑම තොරතුරක් භාවිතා කළ හැකිය. STATISTICA, මෙන්ම පසුව වාර්තා ඇතුළත් කිරීම සඳහා හෝ අභිරුචිකරණය සඳහා.

STATISTICA Neural Networksකාර්යය අත්හදා බැලීමේදී ඔබට ලැබුණු හොඳම ජාල විකල්පය ස්වයංක්‍රීයව මතක තබා ගන්නා අතර ඔබට ඕනෑම වේලාවක එය වෙත යොමු විය හැකිය. ජාලයේ ප්‍රයෝජනය සහ එහි පුරෝකථන හැකියාව ස්වයංක්‍රීයව පරීක්ෂා කරනු ලබන්නේ විශේෂ පරීක්ෂණ නිරීක්ෂණ කට්ටලයක් මත මෙන්ම ජාලයේ විශාලත්වය, එහි කාර්යක්ෂමතාව සහ වැරදි වර්ගීකරණයේ පිරිවැය ඇස්තමේන්තු කිරීමෙනි. තුළ ක්‍රියාත්මක කර ඇත STATISTICA Neural Networksස්වයංක්‍රීය හරස් වලංගුකරණය සහ විධිමත් කිරීමේ ක්‍රියා පටිපාටි Wigend පරිමාණයන්ඔබගේ ජාලය ප්‍රමාණවත් නොවේද නැතහොත්, ඊට ප්‍රතිවිරුද්ධව, දී ඇති කාර්යයක් සඳහා ඉතා සංකීර්ණද යන්න ඉක්මනින් සොයා ගැනීමට ඔබට ඉඩ සලසයි.

පැකේජයේ කාර්ය සාධනය වැඩි දියුණු කිරීම සඳහා STATISTICA Neural Networksජාල වින්‍යාස විකල්ප රාශියක් ඉදිරිපත් කර ඇත. මේ අනුව, ඔබට ප්‍රතිගාමී ගැටළු වලදී රේඛීය ප්‍රතිදාන ජාල ස්ථරයක් හෝ සම්භාවිතා ඇස්තමේන්තු සහ වර්ගීකරණ ගැටළු වලදී softmax සක්‍රීය කිරීමේ ශ්‍රිතයක් නියම කළ හැක. ඔබේ දත්ත වලට පිටස්තර ගොඩක් තිබේ නම්, ජාලය පුහුණු කිරීමේදී, ඔබට සම්මත දෝෂ ශ්‍රිතය අඩු සංවේදී ශ්‍රිතයක් සමඟ ප්‍රතිස්ථාපනය කළ හැකිය. "නගර කුට්ටි". පද්ධතිය තොරතුරු න්‍යාය ආකෘති සහ ගනනාවක් මත පදනම්ව හරස් එන්ට්‍රොපි දෝෂ ශ්‍රිත ක්‍රියාත්මක කරයි විශේෂ කාර්යයන්සක්‍රිය කිරීම්, ඇතුළුව: පියවර, කියත් සහ සයින්.

විසඳුම් විශාරද (ගැටලුව ස්වයංක්‍රීයව තක්සේරු කර විවිධ ගෘහ නිර්මාණ ජාල කිහිපයක් තෝරා ගනී):

• පැකේජයේ කොටසක් STATISTICA ස්නායු ජාලය s වේ විසඳුම් විශාරදයා - බුද්ධිමත් ගැටළු විසඳන්නා, විවිධ ගෘහනිර්මාණ සහ සංකීර්ණත්වයේ බොහෝ ස්නායුක ජාල ඇගයීමට ලක් කරන අතර දී ඇති කාර්යයක් සඳහා හොඳම ගෘහ නිර්මාණ ශිල්පයේ ජාල තෝරා ගනී.
• මාස්ටර්ස්වාධීන නිරීක්ෂණ (සම්මත ප්‍රතිගාමී ජාල, වර්ගීකරණ ජාල, හෝ මිශ්‍ර ඒවා) සහිත දත්ත සඳහා ජාල ගොඩනගා ගැනීමට හැකියාව ඇත, මෙන්ම එම විචල්‍යයේ පවතින අගයන් (කාලය) මත පදනම්ව යම් විචල්‍යයක අනාගත අගයන් අනාවැකි කිරීමට නිර්මාණය කර ඇති ජාල මාලාව ජාල).
• ස්නායුක ජාලයක් නිර්මාණය කිරීමේදී, සුදුසු විචල්‍යයන් තෝරා ගැනීම සහ හූරිස්ටික් සෙවුම භාවිතයෙන් ජාල ගෘහ නිර්මාණ ශිල්පය ප්‍රශස්ත කිරීම සඳහා සැලකිය යුතු කාලයක් වැය වේ. STATISTICA Neural Networksමෙම කාර්යය භාර ගන්නා අතර ස්වයංක්‍රීයව ඔබ වෙනුවෙන් හූරිස්ටික් සෙවීම සිදු කරයි. මෙම ක්රියාපටිපාටිය ආදාන මානය, ජාල වර්ගය, ජාල මානයන් සහ අවශ්ය ප්රතිදාන කේතීකරණ කාර්යයන් සැලකිල්ලට ගනී.
• සෙවුම් අතරතුර, පුහුණු ක්රියාවලියේදී ලැබුණු ප්රතිචාර ගණන සැකසිය හැක. උපරිම විස්තර මාදිලිය සැකසීමේදී විසඳුම් විශාරදයාඑය පරීක්ෂා කරන ලද එක් එක් ජාලය සඳහා ගෘහ නිර්මාණ ශිල්පය සහ තත්ත්ව මට්ටම් පෙන්වනු ඇත.
• විසඳුම් විශාරදයාසංකීර්ණ තාක්ෂණික ක්රම භාවිතා කරන විට අතිශයින්ම ඵලදායී මෙවලමක් වන අතර, ඔබට හොඳම ජාල ගෘහ නිර්මාණ ශිල්පය ස්වයංක්රීයව සොයා ගැනීමට ඉඩ සලසයි. පැය ගණනාවක් පරිගණකය ඉදිරිපිට වාඩි වී සිටීම වෙනුවට, පද්ධතියට ඉඩ දෙන්න STATISTICA Neural Networksඔබ වෙනුවෙන් මෙම කාර්යය කරන්න.
• ස්වයංක්‍රීය ජාල නිර්මාණකරුමොඩියුලය වන විට ආදර්ශ සංවර්ධනයේදී ද භාවිතා කළ හැක STATISTICA Neural Networks,මූලික පද්ධතියේ අනෙකුත් මොඩියුල සමඟ එක්ව STATISTICA, වඩාත්ම වැදගත් විචල්‍යයන් හඳුනා ගැනීමට භාවිතා කරයි (උදාහරණයක් ලෙස, ඕනෑම ආකෘතියකට ඒවා පසුව ඇතුළත් කිරීම සහ පරීක්ෂා කිරීම සඳහා හොඳම අනාවැකිකරුවන් රේඛීය නොවන ඇස්තමේන්තුව).

ස්නායු ජාල පුහුණුව:

• හොඳම ජාල වර්ගය සහ ගෘහ නිර්මාණ ශිල්පය සොයා ගැනීමට ඔබගේ අත්හදා බැලීම්වල සාර්ථකත්වය සැලකිය යුතු ලෙස ජාල ඉගෙනුම් ඇල්ගොරිතමවල ගුණාත්මකභාවය සහ වේගය මත රඳා පවතී. පද්ධතිය තුළ STATISTICA Neural Networksමේ දක්වා හොඳම පුහුණු ඇල්ගොරිතම ක්රියාත්මක කර ඇත.
• පද්ධතියේ බහු ස්ථර සංවේදනයන් පුහුණු කිරීමට STATISTICA Neural Networksපළමුවෙන්ම, backpropagation ක්‍රමය ක්‍රියාත්මක කරනු ලැබේ - කාලය වෙනස් වන ඉගෙනුම් අනුපාතය සහ අවස්ථිති සංගුණකය සමඟ, ඇල්ගොරිතමයේ ඊළඟ පියවරට පෙර නිරීක්ෂණ මිශ්‍ර කිරීම සහ ශක්තිමත් සාමාන්‍යකරණය සඳහා ආකලන ශබ්දය එකතු කිරීම. ඊට අමතරව, පද්ධතිය තුළ STATISTICA Neural Networksවේගවත් දෙවන පෙළ ඇල්ගොරිතම දෙකක් ක්‍රියාවට නංවා ඇත - සංයුක්ත අනුක්‍රම ක්‍රම සහ ලෙවන්බර්ග්-මාර්කාඩ්. දෙවැන්න අතිශයින්ම බලගතු නවීන රේඛීය නොවන ප්‍රශස්තිකරණ ඇල්ගොරිතමයක් වන අතර ප්‍රවීණයන් එය භාවිතා කිරීම බෙහෙවින් නිර්දේශ කරයි. ඒ අතරම, මෙම ක්‍රමයේ යෙදුමේ විෂය පථය එක් ප්‍රතිදාන නියුරෝනයක් සහිත සාපේක්ෂව කුඩා ප්‍රමාණයේ ජාල සඳහා සහ පැකේජයේ වඩාත් අපහසු කාර්යයන් සඳහා සීමා වේ. STATISTICA Neural Networks conjugate gradient ක්‍රමයක් තියෙනවා. සාමාන්‍යයෙන්, ඇල්ගොරිතම දෙකම පසු ප්‍රචාරණයට වඩා වේගයෙන් අභිසාරී වන අතර සාමාන්‍යයෙන් වඩා හොඳ විසඳුමක් නිපදවයි.
• පද්ධතියේ ජාල පුහුණු කිරීමේ පුනරාවර්තන ක්රියාවලිය STATISTICA Neural Networksවත්මන් පුහුණු දෝෂයේ ස්වයංක්‍රීය සංදර්ශනයක් සමඟින් සහ පරීක්ෂණ කට්ටලය මත ස්වාධීනව ගණනය කරන ලද දෝෂය සහ සම්පූර්ණ දෝෂයේ ප්‍රස්ථාරයක් ද පෙන්වයි. බොත්තමක් එබීමෙන් ඔබට ඕනෑම වේලාවක පුහුණුවට බාධා කළ හැකිය. ඊට අමතරව, නැවතුම් කොන්දේසි සැකසීමට හැකි වන අතර, ඒ යටතේ පුහුණුව බාධා කරනු ලැබේ; එවැනි කොන්දේසියක්, උදාහරණයක් ලෙස, යම් දෝෂ මට්ටමක් සාක්ෂාත් කර ගැනීම හෝ ලබා දී ඇති සාමාර්ථ ගණනකට වඩා පරීක්ෂණ දෝෂයේ ස්ථාවර වැඩිවීමක් විය හැකිය - “යුග” (එය ජාලයේ ඊනියා නැවත පුහුණු කිරීම පෙන්නුම් කරයි). අධික ලෙස ගැලපීම සිදු වුවහොත්, පරිශීලකයා සැලකිලිමත් නොවිය යුතුය: STATISTICA Neural Networksඅවස්ථාව ස්වයංක්රීයව මතක තබා ගනී හොඳම ජාලයපුහුණු ක්‍රියාවලියේදී ලබාගත් අතර, මෙම ජාල විකල්පය සෑම විටම අදාළ බොත්තම ක්ලික් කිරීමෙන් ප්‍රවේශ විය හැක. ජාල පුහුණුව අවසන් වූ පසු, ඔබට වෙනම පරීක්ෂණ කට්ටලයක් මත එහි කාර්යයේ ගුණාත්මකභාවය පරීක්ෂා කළ හැකිය.
• පැකේජය තුළ STATISTICA Neural Networksවෙනත් ගෘහ නිර්මාණ ශිල්පයේ අනෙකුත් ජාල සඳහා ඉගෙනුම් ඇල්ගොරිතම ගණනාවක් ද ක්රියාත්මක කර ඇත. රේඩියල් පදනම් ශ්‍රිතයක් මත පදනම් වූ ජාල සඳහා රේඩියල් ස්ප්ලයින් සහ සුමට කිරීමේ සංගුණකවල පරාමිතීන් සහ සාමාන්‍යකරණය වූ ප්‍රතිගාමී ජාල වැනි ඇල්ගොරිතම භාවිතයෙන් තෝරා ගත හැකිය: කොහොනෙන් පුහුණුව, උප නියැදිය, K- කියන්නේ ක්‍රමය, සමස්ථානික සහ ආසන්නතම අසල්වැසි ක්රම. රේඛීය ජාල වල මෙන් රේඩියල් පදනම් ශ්‍රිතයක් මත පදනම් වූ ජාල වල රේඛීය ප්‍රතිදාන ස්ථරයේ නියුරෝන සම්පූර්ණයෙන්ම ප්‍රශස්ත කර ඇත. ඒකීය අගය වියෝජනය (SVD) ක්රමය.
• දෙමුහුන් ජාල ව්යුහයන් නිර්මාණය කිරීම. පද්ධතිය තුළ STATISTICA Neural Networksමිශ්ර ව්යුහයේ ජාල නිර්මාණය කිරීමට හැකි වේ. උදාහරණයක් ලෙස, රේඩියල් පදනම් ශ්‍රිතයක් මත පදනම් වූ නවීකරණය කරන ලද ජාලයක, නියුරෝන වල පළමු ස්ථරය පුහුණු කළ හැක්කේ කොහොනෙන් ඇල්ගොරිතමඅහ්, සහ දෙවන එක - රේඛීය නොවන ස්ථරය - Levenberg-Marquard ක්රමය.

ස්නායු ජාල පරීක්ෂාව:

• ජාලය පුහුණු කිරීමෙන් පසු, ඔබ එහි කාර්යයේ ගුණාත්මකභාවය පරීක්ෂා කර එහි ලක්ෂණ තීරණය කළ යුතුය. මෙම කාර්යය සඳහා පැකේජයේ STATISTICA Neural Networksතිරයේ සංඛ්යා ලේඛන සහ චිත්රක මෙවලම් කට්ටලයක් ඇත.
• ආකෘති කිහිපයක් (ජාල සහ සමූහ) සඳහන් කර ඇති අවස්ථාවක, (හැකි නම්) STATISTICA ස්නායු ජාලය s සංසන්දනාත්මක ප්‍රතිඵල පෙන්වනු ඇත (උදාහරණයක් ලෙස, එක් ප්‍රස්ථාරයක ආකෘති කිහිපයක ප්‍රතිචාර ප්‍රතිචාර වක්‍ර, හෝ එක් වගුවක පවතින මාදිලි කිහිපයක පුරෝකථනය කරන්න). මෙම ගුණාංගය එකම දත්ත කට්ටලයක් මත පුහුණු කරන ලද විවිධ මාදිලි සංසන්දනය කිරීම සඳහා ඉතා ප්රයෝජනවත් වේ.
• සියලුම සංඛ්‍යාලේඛන පුහුණුව, වලංගු කිරීම සහ පරීක්ෂණ කට්ටල සඳහා වෙන වෙනම ගණනය කෙරේ. සියලුම බර සහ සක්රිය කිරීමේ පරාමිතීන් පහසු ලෙස ලබා ගත හැකිය පෙළ ගොනුව, එක් ක්ලික් කිරීමකින් පද්ධති ප්‍රතිඵල වගුවක් බවට පරිවර්තනය කළ හැක STATISTICA. තනි නිරීක්ෂණ සඳහා හෝ සම්පූර්ණ දත්ත කට්ටලය සඳහා වූ පර්යේෂණාත්මක ප්‍රතිඵල වගු ආකාරයෙන් ද බැලිය හැක STATISTICAසහ වැඩිදුර විශ්ලේෂණ හෝ ප්‍රස්ථාරවල භාවිතා කරන්න.
• පහත සාරාංශ සංඛ්‍යාලේඛන ස්වයංක්‍රීයව ගණනය කෙරේ: ජාලයේ මූල මධ්‍යන්‍ය වර්ග දෝෂය, ඊනියා විෂමතා න්‍යාසය (ව්‍යාකූල අනුකෘතිය)වර්ගීකරණ ගැටළු සඳහා (නිවැරදි සහ වැරදි වර්ගීකරණයේ සියලුම අවස්ථා සාරාංශගත කර ඇත) සහ ප්‍රතිගාමී ගැටළු සඳහා පැහැදිලි කළ ප්‍රතිගාමීත්වයේ අනුපාතය. කොහොනෙන් ජාලයකවුළුවක් ඇත ස්ථල විද්‍යාත්මක සිතියම, ඔබට ජාල මූලද්‍රව්‍ය සක්‍රිය කිරීම දෘශ්‍යමය වශයෙන් නිරීක්ෂණය කළ හැකි අතර දත්ත විශ්ලේෂණ ක්‍රියාවලියේදී නිරීක්ෂණ සහ නෝඩ් වල ලේබල වෙනස් කළ හැකිය. ස්ථාන විද්‍යාත්මක සිතියමක පොකුරු ක්ෂණිකව ස්ථානගත කිරීමට ඔබට ඉඩ සලසන Win Frequency කවුළුවක් ද ඇත. පොකුරු විශ්ලේෂණයවිශේෂ පද්ධති පොකුරු රූප සටහනක් සහිත සම්මත ගෘහ නිර්මාණ ජාලයක එකතුවක් භාවිතයෙන් සිදු කළ හැක STATISTICA Neural Networks. උදාහරණයක් ලෙස, ඔබට ප්‍රධාන සංරචක විශ්ලේෂණය සඳහා ජාලයක් පුහුණු කළ හැකි අතර පළමු සංරචක දෙකට ප්‍රක්ෂේපණය කර ඇති දත්ත ප්‍රස්ථාරගත කළ හැක.

ස්නායුක ජාල සංස්කරණය කිරීම, වෙනස් කිරීම සහ අනුක්‍රමික සම්බන්ධතාවය

පද්ධතිය තුළ STATISTICA Neural Networksපවතින ජාල වලින් කෑලි කපා දැමීමට සහ බහු ජාල එකට සම්බන්ධ කිරීමට ඔබට ඉඩ සලසන බුද්ධිමත් මෙවලම් තිබේ. මේ අනුව, ඔබට තනි නියුරෝන ඉවත් කිරීමට හෝ එකතු කිරීමට, ජාලයෙන් සම්පූර්ණ ස්ථරයක් ඉවත් කිරීමට සහ යෙදවුම්/ප්‍රතිදාන ගණනට අනුකූල වන ජාල අනුක්‍රමිකව එකිනෙකට සම්බන්ධ කළ හැක. මෙම විශේෂාංග වලට ස්තූතියි, පැකේජය STATISTICA Neural Networksආශ්‍රිත ජාල සහ අලාභ න්‍යාසය (අවම පාඩු සහිත තීරණ ගැනීම සඳහා) භාවිතා කරමින් මානයන් අඩු කිරීම (පෙර-සැකසීමේදී) වැනි මෙවලම් භාවිතා කිරීමට ඔබට ඉඩ සලසයි. සම්භාවිතා ස්නායු ජාල සමඟ වැඩ කිරීමේදී පාඩු අනුකෘතිය ස්වයංක්‍රීයව භාවිතා වේ.

සූදානම් කළ විසඳුම් (STATISTICA Neural Networks භාවිතා කරන අභිරුචි යෙදුම්):

• සරල සහ පහසු පද්ධති අතුරුමුහුණත STATISTICA Neural Networksඔබගේ ගැටළු විසඳීම සඳහා ඉක්මනින් ස්නායු ජාල යෙදුම් නිර්මාණය කිරීමට ඔබට ඉඩ සලසයි.
• මෙම විසඳුම් පවතින පද්ධතියකට ඒකාබද්ධ කිරීම අවශ්‍ය වන තත්වයක් තිබිය හැකිය, උදාහරණයක් ලෙස, ඒවා පුළුල් පරිගණක පරිසරයක කොටසක් බවට පත් කිරීම (මෙය වෙන වෙනම සංවර්ධනය කර ආයතනික පරිගණක පද්ධතියට ගොඩනගා ඇති ක්‍රියා පටිපාටි විය හැකිය).
• පුහුණු වූ ස්නායුක ජාල ක්‍රම කිහිපයකින් නව දත්ත කට්ටලවලට (පුරෝකථනය සඳහා) යෙදිය හැක: ඔබට පුහුණු කළ ජාලය හෝ ජාල සමූහය සුරැකිය හැක (උදාහරණයක් ලෙස, බහු ගෘහ නිර්මාණ ශිල්පය මත සාමාන්‍ය අනාවැකියක් ගණනය කිරීමට) පසුව එය නව දත්ත කට්ටලයකට යෙදිය හැක ( පුරෝකථනය, පුරෝකථනය කළ වර්ගීකරණය හෝ අනාවැකි සඳහා); ඔබට භාෂාවකින් වැඩසටහන් කේතය ස්වයංක්‍රීයව ජනනය කිරීමට කේත උත්පාදක යන්ත්‍රයක් භාවිතා කළ හැක C (C++, C#)හෝ දෘෂ්ය මූලිකතවද ඕනෑම මෘදුකාංග පරිසරයක නව දත්ත පුරෝකථනය කිරීමට එය තවදුරටත් භාවිතා කරන්න දෘශ්‍ය මූලික හෝ C++ (C#), i.e. ඔබගේ යෙදුමට සම්පුර්ණයෙන්ම පුහුණු වූ ස්නායුක ජාලයක් ක්‍රියාත්මක කරන්න. අවසාන වශයෙන්, සියලුම පද්ධති ක්රියාකාරිත්වය STATISTICA, ඇතුළුව STATISTICA Neural Networksලෙස භාවිතා කළ හැක COM වස්තු (සංරචක වස්තු ආකෘතිය)වෙනත් යෙදුම්වල (උදාහරණයක් ලෙස, ජාවා, එම්එස් එක්සෙල්ආදිය). උදාහරණයක් ලෙස, ඔබට නිර්මාණය කරන ලද ස්වයංක්‍රීය විශ්ලේෂණ ක්‍රියාත්මක කළ හැකිය STATISTICA Neural Networksමේස වලට MS Excel.

ඉගෙනුම් ඇල්ගොරිතම ලැයිස්තුව:

• Backpropagation;
• ලෙවන්බර්ග්-මාර්ක්වාර්ඩ්;
• සංයෝජන අනුක්‍රමණය;
• ක්වාසි-නිව්ටෝනියානු;
• වේගවත් පැතිරීම;
• ඩෙල්ටා-ඩෙල්ටා-බාර් සහිත;
• ව්යාජ ප්රතිලෝම;
• කොහොනෙන් පුහුණුව;
• අසල පන්ති සලකුණු කිරීම;
• පුහුණු දෛශික ක්වොන්ටයිසර්;
• රේඩියල් (උප) නියැදීම;
• K-එනම් ක්රමය;
• K-ළඟම අසල්වැසි (KNN) ක්රමය;
• සමස්ථානික අපගමනය සැකසීම;
• පැහැදිලි අපගමනය සැකසීම;
• සම්භාවිතා ස්නායු ජාලය;
• සාමාන්‍ය ප්‍රතිගාමී ස්නායු ජාලය;
• ආදාන දත්ත තෝරාගැනීම සඳහා ජාන ඇල්ගොරිතම;
• ආදාන දත්තවල පියවරෙන් පියවර සෘජු හෝ ප්‍රතිලෝම තේරීම.

පද්ධති අවශ්යතා

පද්ධති STATISTICA Neural Networksසාපේක්ෂව දුර්වල හෝ පැරණි පරිගණකවල පවා වැඩ කළ හැක. කෙසේ වෙතත්, පැකේජයේ බොහෝ ක්‍රියා පටිපාටි ගණනය කිරීමේ තීව්‍ර බැවින්, එය භාවිතා කිරීම තරයේ නිර්දේශ කෙරේ පෙන්ටියම් ප්‍රොසෙසරය මෙගා බයිට් 32ක RAM එකකින්.

ජාල ප්‍රමාණය සීමා කිරීම්:

• ස්නායුක ජාලයක් ඕනෑම ප්‍රමාණයකින් විය හැකිය (එනම්, එහි මානයන් ඇත්ත වශයෙන්ම අවශ්‍ය සහ සාධාරණ ප්‍රමාණයට වඩා බොහෝ ගුණයකින් විශාල විය හැක); නියුරෝන ගණන සීමා කිරීමකින් තොරව ස්ථර 128 ක් දක්වා අවසර දෙනු ලැබේ. ඇත්ත වශයෙන්ම, ඕනෑම ප්‍රායෝගික කාර්යයන් සඳහා වැඩසටහන සීමා වන්නේ පරිගණකයේ දෘඩාංග හැකියාවන්ගෙන් පමණි.

විද්‍යුත් අත්පොත:

• පද්ධතියේ කොටසක් ලෙස STATISTICA Neural Networksස්නායුක ජාල පිළිබඳ සම්පූර්ණ හා පැහැදිලි හැඳින්වීමක් මෙන්ම උදාහරණ සපයන මනාව නිදර්ශන පෙළ පොතක් තිබේ. ඕනෑම සංවාද කොටුවකින් සවිස්තරාත්මක, සන්දර්භය-සංවේදී උපකාර පද්ධතියක් ඇත.

මූලාශ්ර කේත උත්පාදක යන්ත්රය:

• උත්පාදක යන්ත්රය ප්රභව කේතයපද්ධතිය මත පදනම්ව පරිශීලකයින්ට ඔවුන්ගේම යෙදුම් පහසුවෙන් නිර්මාණය කිරීමට ඉඩ සලසන අතිරේක නිෂ්පාදනයක් වේ STATISTICA Neural Networks. මෙම ඇඩෝන නිෂ්පාදනය ස්නායුක ජාල ආකෘතිය සඳහා මූලාශ්‍ර පද්ධති කේතය නිර්මාණය කරයි (C, C++, C# හි ගොනුවක් ලෙස), නොමිලේ බෙදා හැරීම සඳහා ඔබේ වැඩසටහනට වෙන වෙනම සම්පාදනය කර ඒකාබද්ධ කළ හැකිය. මෙම නිෂ්පාදනය විශේෂයෙන් නිර්මාණය කර ඇත්තේ ව්‍යවසාය පද්ධති සංවර්ධකයින් සඳහා මෙන්ම නිර්මාණය කරන ලද ඉහළ ප්‍රශස්ත ක්‍රියා පටිපාටි පරිවර්තනය කිරීමට අවශ්‍ය පරිශීලකයින් සඳහා ය. STATISTICA Neural Networksසංකීර්ණ විශ්ලේෂණ ගැටළු විසඳීම සඳහා බාහිර යෙදුම් වලට.

ස්නායු ජාල ක්‍රම විවිධ ක්ෂේත්‍රවල වැඩි වැඩියෙන් ව්‍යාප්ත වෙමින් පවතී.

කර්මාන්ත:

• ක්‍රියාවලි කළමනාකරණය (විශේෂයෙන්, පාලන පරාමිතීන් අඛණ්ඩව නියාමනය කිරීම සමඟ නිෂ්පාදන ක්‍රියාවලීන් අධීක්ෂණය කිරීම).
• ඉන්ධන සාම්පල වර්ගීකරණය (ඔවුන්ගේ වර්ණාවලි විශ්ලේෂණය මත ඉන්ධන ශ්රේණිවල ඛණ්ඩනය).
• තාක්ෂණික රෝග විනිශ්චය (මුල් අවධියේදී යාන්ත්‍රණයේ දෝෂ හඳුනා ගැනීමට සහ වැළැක්වීමේ අලුත්වැඩියාවන් සිදු කිරීමට කම්පනය සහ ශබ්දය භාවිතා කරන්න).
• එන්ජින් පාලන පද්ධති (සංවේදක දත්ත භාවිතයෙන් ඉන්ධන පරිභෝජනය තක්සේරු කිරීම සහ පාලනය කිරීම).
• භෞතික විද්‍යාවේ තත්‍ය කාලීන ස්විචින් අනාවරක පද්ධති. ස්නායුක ජාල ශබ්දයට ඔරොත්තු දෙන අතර විශාල සංඛ්‍යානමය ශබ්දයක් සහිත භෞතික දත්තවල ශක්තිමත් රටා භාවිතයට ඉඩ සලසයි.

අලෙවි:

• රන් මිල පුරෝකථනය;
• අමුද්‍රව්‍ය සඳහා මිල ගණන් පුරෝකථනය කිරීම;
• සෘජු තැපෑලෙන් වෙළඳාම් කරන්න.

මූල්ය:

• ණය සුදුසුකම් තක්සේරු කිරීම (සම්භාව්‍ය කාර්යය වන්නේ දී ඇති ණය ගැනුම්කරු විශ්වාසදායකද යන්න පුද්ගලික දත්ත වලින් තීරණය කිරීමයි).
• මූල්‍ය කාල මාලාව පුරෝකථනය කිරීම.

භූ විද්යාත්මක ගවේෂණය:

• පතල් කැණීමේ ක්‍රියාවලියේ කාර්යක්ෂමතාව වැඩි කිරීම (කැණීම් කාර්යක්ෂමතා දර්ශක කෙරෙහි බලපාන සැලකිය යුතු සාධක ඉස්මතු කිරීම).

වෙනත් කර්මාන්ත:

• අත්සන හඳුනාගැනීම ඇතුළුව දෘශ්‍ය අක්ෂර හඳුනාගැනීම;
• පින්තූර සැකසීම;
• අවුල් සහගත කාල මාලාවක් පුරෝකථනය කිරීම;
• වෛද්ය රෝග විනිශ්චය;
• කථන සංස්ලේෂණය;
• භාෂාමය විශ්ලේෂණය.