Нейроимитатор NEUROPRO 0.25

Программка NeuroPro 0.25 является свободно распространяемой бета-версией разрабатываемого программного продукта для работы с нейронными сетями и производства познаний из данных при помощи обучаемых искусственных нейронных сетей. Главное окно программки приведено на рис. 1.13

Рис. 1.13. Главное окно программки

Требования к аппаратуре:

- Микропроцессор Intel Pentium.

- Монитор SVGA с разрешением 800*600 точек и выше.

- Операционная система Microsoft Нейроимитатор NEUROPRO 0.25 Windows 95 либо Microsoft Windows NT 4.0.

Главные способности программки:

1. Создание нейропроекта (см. рис. 1.13: «Файл» — «Создать»).

2. Подключение к нейропроекту файла (базы) данных (см. рис. 1.13: «Открыть файл данных»).

В качестве файлов данных (содержащих обучающую подборку для нейронных сетей) употребляются файлы форматов DBF (форматы пакетов Dbase, FoxBase, FoxPro, Clipper) и DB (Paradox). Может быть Нейроимитатор NEUROPRO 0.25 чтение и редактирование этих файлов, и сохранение модифицированных файлов на диске. Программка не накладывает ограничений на число записей (строк) в файле данных.

3. Редактирование файла данных и создание нейронной сети.

Интегрированные способности нейроимиатора по редактированию файлов данных довольно ограничены. Для внесения конфигураций в файл данных целенаправлено пользоваться табличным микропроцессором Нейроимитатор NEUROPRO 0.25 MS Excel с следующим сохранением файла в формате DBF 4, который читается программкой Neuropro 0.25 (см. таблицу данных на рис. 1.13).

Добавление в нейропроект нейронной сети слоистой архитектуры с числом слоев нейронов от 1 до 10, числом нейронов в слое – до 100 (число нейронов для каждого слоя сети может задаваться раздельно). Для сотворения Нейроимитатор NEUROPRO 0.25 новейшей сети нужно щелкнуть по кнопке «Новая сеть», которая находится за таблицей данных и становится активной после открытия файла данных (рис. 1.14).

Рис. 1.14. Создание нейронной сети

4. Выбор метода обучения, предназначение требуемой точности прогноза, настройка характеристик нейронной сети.

Обучение нейронной сети на неком задачнике делается градиентными способами оптимизации, градиент рассчитывается по принципу двойственности. В Нейроимитатор NEUROPRO 0.25 программке реализованы четыре метода оптимизации:

- Градиентный спуск.

- Измененный ParTan.

- Способ сопряженных градиентов.

- Квазиньютоновский BFGS-метод.

При разработке нейропроекта в качестве метода по дефлоту принимается ParTan. Изменение метода осуществляется через пункты меню «Настройка» — «Метод оптимизации».

Примеру задачника соответствует запись (строчка) файла данных. Для включения записи файла данных в задачник в записи Нейроимитатор NEUROPRO 0.25 должны находиться данные для всех полей, применяемых нейронной сетью в качестве входных и выходных.

Обучение прекращается при достижении данной точности решения задачки или при невозможности предстоящей оптимизации.

Нейросеть может решать сразу несколько задач как прогнозирования (пророчества значений нескольких количественных признаков), так и задачки систематизации (пророчества состояний нескольких Нейроимитатор NEUROPRO 0.25 высококачественных признаков), так и задачки прогнозирования и систематизации сразу для каждой из задач могут быть установлены свои требования к точности.

Для предсказуемого высококачественного признака точность значит очень допустимое отклонение прогноза сети от настоящего значения признака. Лучше задавать как можно наименее жесткие требования к точности. Это ускорит как процесс обучения, так и Нейроимитатор NEUROPRO 0.25 процесс упрощения сети. Также задачку можно будет решить на базе нейронной сети с наименьшим числом слоев либо нейронов и обычно на основании наименьшего числа входных сигналов. Требуемая точность ни при каких обстоятельствах не должна превосходить погрешностей получения сигнала (погрешностей измерительных устройств, погрешностей огрубления значений при вводе их Нейроимитатор NEUROPRO 0.25 в компьютер). Так, если значение признака меняется в спектре [0,10] и измерительный прибор имеет свою точность ±0.1, то нельзя добиваться от сети пророчества с точностью ±0.01.

Для высококачественного признака точность (надежность) значит уверенность в принадлежности высококачественного признака тому либо иному дискретному состоянию. Чем больше уровень требуемой убежденности, тем паче накрепко должна сеть диагностировать отличия Нейроимитатор NEUROPRO 0.25 каждого дискретного состояния от других.

5. Обучение нейронной сети решению задачки пророчества либо систематизации.

Число входных и выходных сигналов сети ограничено наибольшим числом полей в файле данных и не может в сумме превосходить 255 либо 511 (зависимо от файла данных) сигналов. Каждому входному и выходному сигналу соответствует поле в Нейроимитатор NEUROPRO 0.25 файле данных. Но при обработке высококачественных признаков каждому входному либо выходному полю могут соответствовать несколько входных либо выходных сигналов сети. Процедура задания входных и выходных сигналов новейшей сети изображена на рис. 1.15.

Рис. 1.15. Задание входных и выходных сигналов новейшей сети

Нейронная сеть может обрабатывать только поля в файле данных, содержащие числовые значения. Из всего Нейроимитатор NEUROPRO 0.25 набора полей в файле данных можно избрать отдельные поля для обработки нейросетью. Обрабатываемые поля могут быть непрерывными (количественными) и дискретнозначными (высококачественными).

Каждое количественное поле в файле данных будет соответствовать одному входному либо выходному сигналу сети. Перед подачей количественных входных полей нейронной сети происходит их нормировка в Нейроимитатор NEUROPRO 0.25 спектр значений [-1,1] по каждому полю. Выходные сигналы сети нормируются в спектр настоящих значений.

После описания всех входных и выходных сигналов сети нужно задать ее структуру (число слоев нейронов, число нейронов в каждом слое и характеристику – коэффициент преобразователя нейрона). Задание структуры новейшей сети изображено на рис. 1.16.

Рис. 1.16. Задание структуры новейшей сети

На реальный Нейроимитатор NEUROPRO 0.25 момент имеется возможность работы только со слоистыми и слоистыми однообразными нейронными сетями с числом слоев нейронов от 1 до 10, числом нейронов в слое – до 100. Число нейронов в слое не находится в зависимости от числа входных сигналов и числа выходных сигналов. После последнего слоя нейронов сеть имеет слой адаптивных сумматоров Нейроимитатор NEUROPRO 0.25 с числом сумматоров, равных числу выходных сигналов, с которых и снимаются выходные сигналы сети. Веса синапсов при обучении могут изменяться в спектре [-1,1], при разработке сети инициируются случайными числами.

Нелинейная функция нейрона имеет вид f(A)=A/(c+|A|), где c — параметр крутизны переходного участка сигмоидной функции, который задается при разработке сети Нейроимитатор NEUROPRO 0.25 в спектре [0.0001,1] и не меняется при обучении. Параметр крутизны (черта) может задаваться раздельно для каждого слоя сети.

После задания структуры сети нужно щелкнуть по кнопке «Создать» и в основном меню избрать пункты «Нейросеть» — «Обучение». Окончание процесса обучения изображено на рис. 1.17. Скорость обучения зависит как от трудности обучающей Нейроимитатор NEUROPRO 0.25 подборки, так и от данной для выходного поля точности обучения (рис. 1.15). Нужно уделять свое внимание на то, чтоб сеть верно решала все примеры обучающей подборки.

Рис. 1.17. Итог обучения сети

6. Тестирование нейронной сети на файле данных («Нейросеть» — «Тестирование»).

Результаты тестирования нейронной сети изображены на рис. 1.18. Для каждого выходного поля сети нейроимитатор показывает Нейроимитатор NEUROPRO 0.25 прогнозное значение и ошибку, а в нижней части таблицы – количество правильных и некорректных ответов, среднюю и наивысшую ошибку.

Для выполнения процедуры прогнозирования нужно перед вызовом процедуры «Тестирование» внести в таблицу данных значения входных характеристик, на основании которых нейросеть будет делать прогноз («Таблица» — «Добавить запись»). Поле выходного параметра должно оставаться пустым Нейроимитатор NEUROPRO 0.25, а курсор нужно перевести кнопкой «TAB» в последующую строчку.

Рис. 1.18. Итог тестирования нейронной сети

После повторного выполнения процедуры тестирования нижняя строчка таблицы содержит прогноз нейронной сети (рис. 1.19).

Рис. 1.19. Прогноз нейронной сети

7. Вычисление характеристик значимости каждого из входных сигналов для решения задачки («Нейросеть» — «Значимость входных сигналов», см. рис. 1.20), сохранение вычисленных Нейроимитатор NEUROPRO 0.25 характеристик значимости в файле на диске.

Рис. 1.20. Значимость входных сигналов

Значимость входных сигналов позволяет узреть, исходя из убеждений сети, степень воздействия входных характеристик на выходной. Это позволяет, к примеру, избавиться от малозначимых входных характеристик.

8. Упрощение нейронной сети («Нейросеть» — «Сокращение, упрощение и т.д.»).

Упрощение нейронной сети производится на базе вычисленных Нейроимитатор NEUROPRO 0.25 характеристик значимости. Характеристики значимости рассчитываются в 5 точках в пространстве адаптивных характеристик сети и усредняются в одной из норм.

Процедура упрощения строится как последовательное исключение из сети менее важного входного сигнала либо элемента сети, предстоящее дообучение сети и исключение другого сигнала либо элемента, если удалось дообучить сеть до данной юзером точности. В Нейроимитатор NEUROPRO 0.25 неприятном случае процедура упрощения останавливается.

Предоставляются последующие способности по упрощению сети:

- сокращение числа входных сигналов;

- сокращение числа нейронов сети;

- сокращение числа синапсов сети;

- сокращение числа неоднородных (пороговых) входов нейронов сети;

- равномерное упрощение сети, чтоб на каждый нейрон сети приходило менее n сигналов;

- бинаризация (приведение к виду Нейроимитатор NEUROPRO 0.25: 1 либо -1) весов синапсов и неоднородных входов сети. Бинаризованные синапсы и неоднородные входы в предстоящем не учатся. Бинаризация синапсов сети приводит к упрощению итоговой нелинейной регрессионной модели сети.

Сокращение входных сигналов и нейронов может достигаться и при выполнении других операций по упрощению сети, а не только лишь при целенаправленном сокращении конкретно входных сигналов Нейроимитатор NEUROPRO 0.25 и нейронов.

Нейрон сети считается удаленным, если у него удалены все выходы либо его сигнал не употребляется нейронами последующего слоя.

Входной сигнал считается удаленным, если удалены все синапсы, по которым этот сигнал поступал на нейроны первого слоя сети. Удаленные при упрощении элементы на физическом уровне остаются в Нейроимитатор NEUROPRO 0.25 нейронной сети, но при генерации вербального описания сети не вносятся в него.

9. Генерация и визуализация вербального описания нейронной сети («Нейросеть» — «Вербализация»). Редактирование и сохранение вербального описания нейронной сети в файле на диске.

При генерации вербального описания в тексте перечисляются применяемые поля файла данных, правила их предобработки для подачи сети Нейроимитатор NEUROPRO 0.25, описание нелинейных функций нейронов, функционирование нейронной сети послойно и понейронно, правила нормировки выходных сигналов сети в спектр настоящих значений. Сигналам, генерируемым нейронами сети, присваиваются некие имена, и в предстоящем юзер при анализе сети может называть эти сигналы в определениях проблемной области.

Файлы вербального описания сети, результатов тестирования нейросети Нейроимитатор NEUROPRO 0.25, характеристик значимости входных сигналов имеют стандартный ASCII-формат текстовых файлов данных и могут читаться всеми программами-редакторами текстов и импортироваться в электрические таблицы.

Получив вербализованное описание нейронной сети, юзер может попробовать вернуть правила, сформированные сетью для решения задачки – записать на естественном языке метод решения неформализованной задачки пророчества либо систематизации.

10. Сохранение Нейроимитатор NEUROPRO 0.25 нейропроекта на диске («Файл» — «Сохранить как»).

Файлы нейропроекта имеют уникальный формат, поддерживаемый только истинной программкой. В последующих версиях может быть изменение этого формата без сохранения сопоставимости с истинной версией.

В итоге получаем осмысленный текст, описывающий дерево рассуждений в определениях некой проблемной области. Принципно, что для одной и той же таблицы данных Нейроимитатор NEUROPRO 0.25 и разных сетей (или даже одной сети, но с разной исходной случайной генерацией начальных значений настраиваемых характеристик) после обучения, упрощения и вербализации может получиться несколько разных логически прозрачных сетей и, соответственно, несколько полуэмпирических теорий решения задачки. Это не представляется недочетом.

Программа-нейроимитатор способна дать только некий Нейроимитатор NEUROPRO 0.25 полуфабрикат эмпирической теории – вербальное описание нейронной сети на естественном языке, где имена симптомов и синдромов будут сгенерированы программкой автоматом и не привязаны к проблемной области. Юзер, выполняя когнитивный анализ, подменяет абстрактные имена на осмысленные.

Таким макаром, имеется возможность автоматизации последующих процедур. Во-1-х, построение одной либо нескольких более логически прозрачных сетей, варьируя Нейроимитатор NEUROPRO 0.25 процедуры упрощения и оценивая другие варианты. Во-2-х, генерация вербального описания нейронных сетей (автоматических теорий), после этого юзеру остается только задачка осмысления приобретенного текста и привязка к проблемной области. Ситуация, когда юзер садится за компьютер, задает файл данных, надавливает одну единственную кнопку (либо пункт меню) и получает текст, применимый Нейроимитатор NEUROPRO 0.25 для вставки в дипломную работу (диссертацию, статью), пока не вероятна. Но такое пожелание обрисовывает эталон, к которому необходимо стремиться, и указывает пути предстоящего развития представленной технологии.


nejron-osobennosti-stroeniya-i-funkcij-otlichiya-nejronov-ot-drugih-kletok-gliya-gematoencefalicheskij-barer-cerebrospinalnaya-zhidkost.html
nejronalnie-receptori-v-kletkah-immunnoj-sistemi-referat.html
nejronnaya-organizaciya-spinnogo-mozga-stroenie-serogo-veshestva-spinnogo-mozga-refleksi-stvola-golovnogo-mozga.html