From WikiZMSI

Spis treści 1 Sztuczne sieci neuronowe I 1.1 Prosty perceptron - obliczenia w neuronie: 1.2 Przykład zadania klasyfikacji siecią typu perceptron prosty 1.3 Uczenie nadzorowane: reguła perceptronu

Sztuczne sieci neuronowe I

Poniższe przykłady pochodzą z podręcznika Neural Network Design.

Uruchomić w Matlabie poleceniem nnd zestaw programów demonstracyjnych do sieci neuronowych. Przyciskiem [Table of contents] wyświetlić spis treści. Poniżej przedstawiona jest lista zadań do wykonania:

Prosty perceptron - obliczenia w neuronie:

1. Neuron z jednym wejściem: Obserwacja zachowania pojedynczego neuronu.
   • Sprawdzić jakie wzory mają możliwe do wykorzystania funkcje aktywacji. help nazwa_funkcji
   • Zaobserwować zmianę wzbudzenia a(w) w zależności od zmiennej wartości wagi wejścia. Zanotuj wnioski.
2. Neuron dwuwejściowy: Należy dostroić wagi (w), bias(b), funkcję aktywacji (F) i (p), by uzyskać na wyjściu: -1, 0 , 6. Zanotuj użyte zestawy wag i funkcje aktywacji.

Przykład zadania klasyfikacji siecią typu perceptron prosty

Ze spisu treści należy uruchomić Klasyfikacja perceptronem [Chapter III - An illustrative example],

Zadanie prezentuje problem rozpoznania jabłka i pomarańczy.

• Wykonać kilkukrotne próby rozpoznania owoców. Jak sprawdza się sieć neuronowa w zadaniu?
• Co jest przedstawione na trójwymiarowym wykresie?
• Określić według jakich cech następuje rozpoznanie. W jakim stopniu mają one wpływ na rozpoznanie? Po czym określa się istotność danej cechy w modelu?
• Zastosowana w zadaniu sieć neuronowa jest już nauczona --- ma dobrane wagi do wykonywanego zadania. Jakie są wartości wag?
• Narysować sieć neuronową realizująca zadanie (jej budowę można wywnioskować z liczby wag) z opisem wszystkich elementów oznaczenia wag i biasów zgodne z oznaczeniami w zadaniu oraz podać wzory funkcji aktywacji.

Uczenie nadzorowane: reguła perceptronu

Ze spisu treści należy uruchomić następujące programy demonstracyjne:

1. Granica decyzyjna (separacji) na płaszczyźnie [Chapter IV - Decision Boundaries],:
   • Przemieścić prostą separacji tak, by oddzielić punkty białe (jednej klasy) od czarnych (drugiej klasy). (Jak położony jest wektor wag? Jakie są ich wartości?
   • Zmienić położenie punktów w przestrzeni wejść (na wykresie). Znaleźć taki układ, by nie dało się rozdzielić klas za pomocą prostej.
   • Jak położona jest prosta gdy b=0?
   • Jakie wartości mają wagi, gdy prosta jest rosnąca?
   • Jakie wartości mają wagi, gdy prosta jest malejąca?
2. Uczenie regułą perceptronu [Chapter IV - Perceptron Rule],
   • Przy zaznaczonej opcji No bias ucz sieć (zmieniaj wartości wag) przyciskając przycisk Learn. Jakie jest położenie prostej separacji? Kiedy kończy się proces uczenia?
   • Wylosuj nowe wagi (przycisk Random). Jak długo uczy się sieć?
   • Wylosuj nowe wagi (przycisk Random). Przy zaznaczonej opcji Bias ucz sieć (zmieniaj wartości wag) przyciskając przycisk Learn. Jakie jest położenie prostej separacji?
   • Rozmieść punkty tak, by nie udało się nauczyć sieci. Rozważ dwa warianty: No bias i Bias.