66552

Нейро-нечіткі мережі для поданя і обробки знань

Лабораторная работа

Информатика, кибернетика и программирование

Нейрониі мережі, наприклад, є зручними для задач розпізнавання образів, але дуже незручні для пояснення, як вони таке розпізнавання здійснюють. Вони можуть автоматично здобувати знання, але процес їхнього навчання найчастіше відбувається досить повільно

Украинкский

2014-11-30

102.15 KB

3 чел.

Міністерство освіти і науки України

Тернопільський національний технічний університет імені Івана Пулюя

Кафедра комп’ютерних наук

Лабораторна робота №6

Нейро-нечіткі мережі для поданя і обробки знань

 Виконав

 cтудент групи СНс-33

Михалевич М.М.

Перевірив

 Фалендиш В.В.

Тернопіль, 2011

Тема роботи:Нейро-нечіткі мережі для поданя і обробки знань.

Мета роботи:Ознайомитись з нейро-нечіткими мережами для поданя і обробки знань.

Теоритичні відомості

Різні типи інтелектуальних систем мають свої особливості, наприклад, за можливостями навчання, узагальнення і отримання результатів, що робить їх найбільш придатними для вирішення одних класів задач і менш придатними — для інших.

Нейрониі мережі, наприклад, є зручними для задач розпізнавання образів, але дуже незручні для пояснення, як вони таке розпізнавання здійснюють. Вони можуть автоматично здобувати знання, але процес їхнього навчання найчастіше відбувається досить повільно, а аналіз навченої мережі є дуже складним (навчена мережа є звичайно «чорною скринею» для користувача). При цьому яку-небудь апріорну інформацію (знання експерта) для прискорення процесу навчання в нейронну мережу ввести складно.

Системи з нечіткою логікою, напроти, є зручними для пояснення одержуваних за їхньою допомогою висновків, але вони не можуть автоматично здобувати знання для використання їх у механізмах виведень. Необхідність розбиття універсальних множин на окремі області, як правило, обмежує кількість вхідних змінних у таких системах невеликим значенням.

Хаяши  та Імура (А. Ітига) показали, що иейромережа прямого поширення може апроксимувати будь-яку систему, що заснована на нечітких правилах, та будь-яка нейромережа прямого поширення може бути апроксимована системою, що заснована на нечітких правилах.

Нейро-нечітка мережа - це подання системи нечіткого виведення у вигляді нейронної мережі, зручної для навчання, поповнення, аналізу та використання. Структура нейро-нечіткої мережі відповідає основним блокам систем нечіткого виведення.

Завдання до лабораторноїроботи

Згідно з номером індивідуального варіанта студента за журналом згенерувати навчаючу та тестову вибірки даних.

Нехай V- номер студента за журналом, а гапсі - функція, що генерує псев-довипадкові числа у діапазоні [0; 1]. Визначимо кількість екземплярів у навчаючій вибірці Sн кількість екземплярів у тестовій вибірці SТ, кількість вхідних змінних (ознак) вибірок N, значення ознак вибірок: навчаючої xн,  та тестової xт., а також значення цільових ознак для вибірок: навчаючої—yн та тестовоїyт.

Вхідні дані:

V  = 16; N = 2;

S n = 2* 16=  32;

S t = 3*16 = 48;

S= 1,2,3,… S n

S= 1,2,3,… S т

Результат роботи

Навчаюча вибірка Хн і тестова вибірка Хт

Цільові ознаки навчаючої Yн та тестової вибірки Yт

Висновок: На цій лабораторній роботі я ознайомився з нейро-нечіткими мережами для поданя і обробки знань.

Текст програми

unit Unit1;

interface

uses

 Windows, Messages, SysUtils, Variants, Classes, Graphics, Controls, Forms,

Dialogs, StdCtrls;

type

 TForm1 = class(TForm)

   Button1: TButton;

   Memo1: TMemo;

   Button2: TButton;

   Memo2: TMemo;

   Memo3: TMemo;

   Button3: TButton;

   Button4: TButton;

   Memo4: TMemo;

procedure Button1Click(Sender: TObject);

procedure Button2Click(Sender: TObject);

procedure Button3Click(Sender: TObject);

procedure Button4Click(Sender: TObject);

private

   { Privatedeclarations }

public

   { Publicdeclarations }

end;

var

 Form1: TForm1;

 V,N : real;

Sn,St :integer;

Xn : array [1..32, 1..6] ofreal;

Xt : array [1..48, 1..6] ofreal;

Yn : array [1..32] ofreal;

Yt : array [1..48] ofreal;

rand : real;

 s,j,i: integer;

implementation

{$R *.dfm}

procedure TForm1.Button1Click(Sender: TObject);

begin

randomize;

Random(10);

rand := random/10;

 V := 16;

 N := 2;

Sn := 32;

St := 48;

for s := 1 toSndo

begin

for j := 1 to 6 do

begin

Xn[s,j]:= (V/(s*j))* rand;

end;

     Memo1.Lines.Add(floatToStr(Xn[s,1]) + '|   |' + floatToStr(Xn[s,2])

            + '|   |' + floatToStr(Xn[s,3]) + '|   |' + floatToStr(Xn[s,4])

            + '|   |' + floatToStr(Xn[s,5]) + '|   |' + floatToStr(Xn[s,6]) );

end;

end;

procedure TForm1.Button2Click(Sender: TObject);

begin

randomize;

Random(10);

rand := random/10;

 V := 16;

for s := 1 toStdo

begin

for j := 1 to 6 do

begin

Xt[s,j]:= (V/(s*j))* rand;

end;

     Memo2.Lines.Add( floatToStr(Xt[s,1]) + '|   |' + floatToStr(Xt[s,2])

            + '|   |' + floatToStr(Xt[s,3]) + '|   |' + floatToStr(Xt[s,4])

            + '|   |' + floatToStr(Xt[s,5]) + '|   |' + floatToStr(Xt[s,6]));

end;

end;

procedure TForm1.Button3Click(Sender: TObject);

begin

for s := 1 toSndo

begin

Yn[s]:= 0.1*(Xn[s,1]+Xn[s,2]);

     Memo3.Lines.Add('Y= '+ floatToStr(Yn[s]));

end;

end;

procedure TForm1.Button4Click(Sender: TObject);

begin

for s := 1 toStdo

begin

Yt[s]:= 0.1*(Xn[s,1]+Xn[s,2]);

     Memo4.Lines.Add('Y= '+ floatToStr(Yt[s]));

end;

end;

end.


 

А также другие работы, которые могут Вас заинтересовать

77373. Язык программирования RiDE.L 18 KB
  Традиционно используемые в HPC языки с архитектурой классических компиляторов: C, C++, FORTRAN, Pascal – не позволяют справляться с этой сложностью настолько хорошо, насколько позволяют более поздние языки: Haskell, JavaScript, Oz, Ruby. Но программы, написанные на таких языках недостаточно эффективны во время исполнения
77374. Распределенная виртуальная сцена в онлайн-визуализации 30.5 KB
  Визуализация результатов вычислений для большого числа задач выполняется с помощью трехмерной графики. Для отображения результатов счета часто применяются стандартные графические пакеты, такие как ParaView или Open Data Explorer. При этом существует необходимость получать представление и о ходе выполнения программы и состоянии обрабатываемых данных.
77375. Изучение социальной тревожности у различных групп пользователей сети Интернет 391 KB
  Провести теоретический анализ работ, посвященных социальной тревожности и проблемам, связанным с использованием сети Интернет и онлайн-игр. Выделить и описать группы пользователей сети Интернет и виды сетевой активности. Выявить факторы, связанные с проявлением высокой социальной тревожности. Подобрать методически инструментарий, позволяющий определить уровень социальной тревожности. Провести анализ различий в проявлении социальной тревожности между респондентами из различных групп.
77376. О подсистеме истории в среде научной визуализации SharpEye 48.5 KB
  Обсуждаются пути реализации подсистемы редактируемой истории в возможности которой должны входить функции отката и повтора манипуляций проделанных пользователем сохранение и восстановлении подобранного вида сцены. Ключевые слова: научная визуализация система визуализации подключаемые внешние модули редактируемая истории откат повтор действий Введение В течение последних лет авторы разрабатывают среду ShrpEye – конструктор систем научной визуализации [34]. Соответственно система должна предоставлять пользователю функционал...
77377. Функциональные возможности среды-конструктора систем научной визуализации SharpEye 38.5 KB
  Существующие системы научной визуализации можно разделить на три группы: универсальные системы (VIZIT, ParaView), системы, специализированные для некоторого класса задач (IVS3D, Venus, VolVis); и системы, специализированные для конкретной задачи. Недостатки первых двух групп – сложность в освоении, неизменность встроенных алгоритмов представления или высокая сложность их модификации.
77378. СИСТЕМА СОБЫТИЙНО-УПРАВЛЯЕМОЙ ТРАНСЛЯЦИИ LiME 34.5 KB
  Но архитектура мультиклеточных процессоров кроме повышения эффективности исполнения кода обладает рядом других важных и необходимых на практике возможностей таких как продолжение исполнения программы даже при выходе из строя части исполнительных устройств и группировка функциональные устройства более оптимальным для каждой конкретной задачи образом отключая при этом в целях экономии энергии устройства которые не используются и некоторые другие. В этой разработке самой первой из самых трудоёмких задач следует решить задачу по переводу...
77379. СОВРЕМЕННЫЕ МЕТОДЫ ВИЗУАЛИЗАЦИИ БОЛЬШИХ И СВЕРХБОЛЬШИХ ОБЪЁМНЫХ ДАННЫХ 30.5 KB
  Методы визуализации больших объёмных данных активно развиваются в том числе благодаря новым аппаратным средствам. В данной работе рассматриваются различные подходы к визуализации объёмных данных как с программной так и с аппаратной стороны актуальные на сегодняшний день. Также рассматривается специфика представления объёмных данных в памяти видеокарты и следующие из этого особенности и ограничения распределение задачи визуализации между GPU и CPU...
77380. Создание грид-сервисов для автоматизированной интеграции инженерных пакетов и интерактивных средств визуализации 38.5 KB
  Использование технологий Грид для обеспечения серьезных научных вычислений в интересах промышленности требует поддержки современных инженерных (Computer-Aided Engineering – CAE) пакетов. Инженерные пакеты, по сути, являются средами решения задач математической физики
77381. СРЕДА-КОНСТРУКТОР СИСТЕМ НАУЧНОЙ ВИЗУАЛИЗАЦИИ 33.5 KB
  В докладе сообщается о разрабатываемой авторами системе научной визуализации. В основе процесса научной визуализации лежит методика перевода абстрактных объектов в геометрические образы что дает возможность исследователю наблюдать результаты численного моделирования. Проблемой традиционных систем визуализации является жестко прописанный набор алгоритмов так что затруднена визуализация объектов образы которых строятся иными процедурами.