Лабораторная работа № 1 Создание программной модели

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.