Федеральное агентство по образованию РЫБИНСКАЯ ГОСУДАРСТВЕННАЯ АВИАЦИОННАЯ ТЕХНОЛОГИЧЕСКАЯ АКАДЕМИЯ им. П.А. СОЛОВЬЕВА Шебакпольский М.Ф. НЕЙРОКОМПЬЮТЕРНЫЕ СИСТЕМЫ Лабораторный практикум Рыбинск, 2010 2 ОГЛАВЛЕНИЕ ЛАБОРАТОРНАЯ РАБОТА № 1 Создание программной модели персептрона, подбор коэффициентов для решения задач «И», «ИЛИ» и других .......................................................................................................................3 ЛАБОРАТОРНАЯ РАБОТА № 2 Обучение многослойной сети, оценка влияния параметров обучения на сходимость и качество обучения .................4 ЛАБОРАТОРНАЯ РАБОТА № 3 Обучение персептрона с помощью стохастических методов обучения. .......................................................................5 Библиографический список ..........................................................................6 3 ЛАБОРАТОРНАЯ РАБОТА № 1 СОЗДАНИЕ ПРОГРАММНОЙ МОДЕЛИ ПЕРСЕПТРОНА, ПОДБОР КОЭФФИЦИЕНТОВ ДЛЯ РЕШЕНИЯ ЗАДАЧ «И», «ИЛИ» И ДРУГИХ Цель работы: изучение основных свойств нейронных систем, освоение базовых навыков проектирования нейронных систем (на примере персептрона), выполнение трассировки работы нейронной системы. ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ Любой структурный язык программирования, позволяющий в том или ином виде оперировать классами и структурами, например Object Pascal (в среде разработки TurboPascal, Borland Delphi), С++ (в среде разработки Microsoft Visual Studio), Java и др. Студент выбирает язык программирования по собственному предпочтению. РАЗРАБОТКА НЕЙРОННОЙ СИСТЕМЫ Студенту предлагается спроектировать и реализовать простейшую нейронную сеть - персептрон. Например, с помощью подхода ООП, когда сущности (нейрон, синапсы) представляются с помощью классов, а механизмы функционирования сети - с помощью взаимодействия экземпляров классов. МЕТОДИЧЕСКИЕ РЕКОМЕНДАЦИИ При разработке использовать объектно-ориентированный подход. Допускаются другие подходы к проектированию и реализации нейронной системы, при условии понимания студентом сравнительных характеристик его метода с подходом ООП. 4 ЛАБОРАТОРНАЯ РАБОТА № 2 ОБУЧЕНИЕ МНОГОСЛОЙНОЙ СЕТИ, ОЦЕНКА ВЛИЯНИЯ ПАРАМЕТРОВ ОБУЧЕНИЯ НА СХОДИМОСТЬ И КАЧЕСТВО ОБУЧЕНИЯ Цель работы: закрепление практических навыков работы с многослойными нейронными разработки и настройки сети. сетями, выполнение проектирования, ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ Аналогично лабораторной работе 1. ПРАКТИЧЕСКОЕ ЗАДАНИЕ На основе наработок, выполненных с лабораторной работе 1, построить многослойную нейронную сеть (обратного или встречного распространения). Изучить влияние параметров обучения (коэффициент обучения, интенсивность накладываемого шума, длина обучающего множества) на скорость обучения и качество работы обученной сети. МЕТОДИЧЕСКИЕ РЕКОМЕНДАЦИИ Аналогично лабораторной работе 1. 5 ЛАБОРАТОРНАЯ РАБОТА № 3 ОБУЧЕНИЕ ПЕРСЕПТРОНА С ПОМОЩЬЮ СТОХАСТИЧЕСКИХ МЕТОДОВ ОБУЧЕНИЯ. Цель работы: изучение стохастических методов обучения. ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ Аналогично лабораторной работе 1. ПРАКТИЧЕСКОЕ ЗАДАНИЕ На основе разработанной в лабораторной работе 1 модели персептрона реализовать алгоритм стохастического обучения. Выполнить сравнение скорости и качества обучения стохастическим методом и классическим алгоритмом. МЕТОДИЧЕСКИЕ РЕКОМЕНДАЦИИ Аналогично лабораторной работе 1. 6 БИБЛИОГРАФИЧЕСКИЙ СПИСОК 1. Уоссермен Ф. «Нейрокомпьютерная техника: Теория и практика.» - Пер. с англ., 1992. - 118 с. 2. С. Хайкин, «Нейронные сети: полный курс, 2-е издание». : Пер. с англ. – М. : Издательский дом «Вильямс», 2006. – 1104 с. 3. А.И. Иванов, «Нейросетевые алгоритмы биометрической идентификации личности», М.: Радиотехника, 2004. – 144 с. 4. «Нейрокомпьютеры в космической технике», под ред. В.В. Ефимова – М.: Радиотехника, 2004. – 320 с. 5. «Нейроуправляемые конструкции и системы», под ред. Абовского Н.П. – М.: Радиотехника, 2003. – 368 с.