86302

Прогнозирование результата рекламы

Курсовая

Информатика, кибернетика и программирование

Цель моей работы: показать можно ли использовать нейронные сети и эффективно ли их применение в рамках наружной рекламы. В 50-х годах прошлого века группа исследователей объединила биологические и физиологические подходы и создала первые искусственные нейронные сети.

Русский

2015-04-05

1.56 MB

1 чел.

Федеральное государственное образовательное учреждение

высшего профессионального образования

«Российский государственный университет туризма и сервиса»

в г. Перми

Курсовая работа по дисциплине

«Интеллектуальные информационные системы»

Тема: «Прогнозирование результата рекламы»

                                                                   

Выполнила:

Шакирова Г.М.

Группа КО 28.003/05

Научный руководитель:

Ясницкий Л.Н.

г.Пермь

2008 г


Введение

Искусственные нейронные сети прочно вошли в нашу жизнь и сейчас широко используются при решении самых разных задач и активно применяются там, где обычные алгоритмические решения неэффективны или даже невозможны. Искусственным нейронным сетям доверяют решение таких задач как: распознавание текстов, игра на бирже, проверка проведения подозрительных операций по банковским картам, системы безопасности и видеонаблюдения — и это далеко не все.

Пользуясь некоторыми знаниями из области нейросетевых технологий, в данной курсовой работе я с помощью персептрона попытаюсь решить прикладную задачу из области рекламы, а именно, использование нейронных сетей в прогнозировании результата рекламы. Выбор данной темы был обусловлен  тем, что в данной области пока еще не применяли методов искусственного интеллекта. В своей работе я хотела бы посмотреть эффективно ли использование нейросетевых технологий при прогнозировании результата рекламы.

Т.о. цель моей работы: показать, можно ли использовать нейронные сети и эффективно ли их применение в рамках наружной рекламы.

Достижение поставленных целей предопределило постановку и решение следующих задач:

  -  раскрыть сущность искусственного интеллекта;

- провести обучение одного из нейросимуляторов.


Глава 1. Искусственный интеллект.

1.1 История ИИ

    Искусственный интеллект – это научная отрасль, занимающаяся исследованием и моделированием естественного интеллекта человека. Естественный интеллект человека является очень сложным объектом исследований и его моделирование осуществляется на разных уровнях абстрагирования [1]. Можно выделить три таких уровня, которым соответствуют три основные стратегии искусственного интеллекта:

  •  технология экспертных систем;  
  •  нейросетевые и нейрокомпьютерные технологии;
  •  технологии эволюционного (проявляющегося) моделирования.

    Самому высокому уровню абстрагирования соответствует технология экспертных систем – систем, основанных на явных знаниях о предметной области. Согласно этой стратегии знания о предметной области извлекаются из специалистов-экспертов, или других информационных источников. Именно человек-эксперт, обладающий знаниями о предметной области, способен действовать на самом высоком уровне. Его знания формализуются и закачиваются в программный комплекс – экспертную систему, которая на основе этих знаний делает логически обоснованные полезные выводы, тем самым, моделируя интеллект человека-эксперта. Именно эту стратегию впервые применил в XIII в. испанский ученый Раймунд Луллий.  Именно с нее берет начало область науки, называемая искусственным интеллектом.      

    На самом нижнем уровне абстрагирования лежат нейрокомпьютерные и нейросетевые технологии. Согласно этой стратегии строится модель, учитывающая структуру мозга, состоящего из множества нейронов, соединенных нервными волокнами. Знания поступают в такую модель в ходе ее обучения на специально подобранных примерах, характеризующих предметную область. Так же как и в мозге, знания хранятся в неявной форме – кодируются в виде множества сил синаптических связей, имитирующих электропроводность межнейронных соединений. Основоположниками этой стратегии, появившейся в середине XX в., являются американские ученые В.Мак-Каллок, В.Питтс и Ф.Розенблатт.

    Исторически первой была модель искусственного интеллекта, основанного на явных знаниях, которая безраздельно господствовала, начиная с XIII в. и до середины XX в. Появление персептрона  в 1940-х гг. и первые его успехи, были встречены с надеждами и энтузиазмом, который, однако, продержался недолго, и к середине 1980-х гг. подавляющее большинство систем искусственного интеллекта представляли собой экспертные системы, ориентированные на конкретные предметные области. Однако победа высокоуровневой стратегии оказалась временной. Конец XX в. и начало XXI в. ознаменовались широкомасштабным наступление нейросетевых и нейрокомпьютерных технологий. Причем, имело место как применение этих технологий в новых предметных областях, так и вытеснение экспертных систем из тех областей, где они традиционно применялись ранее.

    Уже в течение полувека между высоко- и низкоуровневой стратегиями идет жесточайшая конкуренция. Вместе с тем многие специалисты отмечают наметившийся в последнее время процесс интеграции конкурирующих стратегий.

    Третья стратегия, появившаяся на свет в середине 1970-х гг. благодаря работам профессора Мичиганского университета Дж. Холланда, навеяна Дарвиновской теорией возникновения и эволюции жизни на Земле. Эволюционные модели начинают свою работу с создания целой популяции особей – кандидатов на решение проблемы. Отдельные особи популяции оцениваются по определенному критерию, позволяющему отобрать лучшие, которые затем видоизменяются, наследуя положительные свойства родителей и образуя новые поколения. Этот подход предполагает поиск источника интеллекта в самом процессе эволюции и взаимодействия особей. Знания в эволюционных моделях приобретаются в ходе конкурентной борьбы между особями.

    Подводя итог краткого обзора существующих стратегий искусственного интеллекта отметим, что на сегодняшний день безусловным лидером, как в области теоретических исследований, так и в части практических приложений, являются нейросетевые технологии. Попытки моделирования мозга на самом низком уровне абстрагирования – на уровне нейронной структуры, показывают себя как наиболее плодотворные технологии создания интеллектуальных систем.

1.2 Современность.

В 50-х годах прошлого века группа исследователей объединила биологические и физиологические подходы и создала первые искусственные нейронные сети. Тогда казалось, что ключ к искусственному интеллекту найден. Но, хотя эти сети эффективно решали некоторые задачи из области  предсказания погоды и анализа данных, иллюзии вскоре рассеялись. Сети были не в состоянии решать другие задачи, внешне похожие на те, с которыми они успешно справлялись. С этого времени начался период интенсивного анализа. Были построены теории, доказан ряд теорем. Но уже тогда стало понятно, что без привлечения серьезной математики рассчитывать на значительные успехи не следует [4].

С 70-х годов в научных журналах стали появляться публикации, касающиеся искусственных нейронных сетей. Постепенно был сформирован хороший теоретический фундамент, на основе которого сегодня создается большинство сетей. В последние два десятилетия разработанная теория стала активно применяться для решения прикладных задач. Появились и фирмы, занимающиеся разработкой прикладного программного обеспечения для конструирования искусственных нейронных сетей. К тому же 90-е годы ознаменовались приходом искусственных нейронных сетей в бизнес, где они показали свою реальную эффективность при решении многих задач — от предсказания спроса на продукцию до анализа платежеспособности клиентов банка [4]. http://www.compress.ru -Журнал "КомпьютерПресс", N 1, 2005 г.;

Сегодня существует большое число различных конфигураций нейронных сетей с различными принципами функционирования, которые ориентированы на решение самых разных задач. В качестве примера рассмотрим многослойную полносвязанную нейронную сеть прямого распространения (рис. 1), которая широко используется для поиска закономерностей и классификации образов. Полносвязанной нейронной сетью называется многослойная структура, в которой каждый нейрон произвольного слоя связан со всеми нейронами предыдущего слоя, а в случае первого слоя — со всеми входами нейронной сети. Прямое распространение сигнала означает, что такая нейронная сеть не содержит петель [2].

Рис. 1. Пример многослойной полносвязанной нейронной сети прямого распространения сигнала

Способность к обучению является основным свойством мозга. Для искусственных нейронных сетей под обучением понимается процесс настройки архитектуры сети (структуры связей между нейронами) и весов синаптических связей (влияющих на сигналы коэффициентов) для эффективного решения поставленной задачи. Обычно обучение нейронной сети осуществляется на некоторой выборке. По мере процесса обучения, который происходит по некоторому алгоритму, сеть должна все лучше и лучше (правильнее) реагировать на входные сигналы.

Существует большое число алгоритмов обучения, ориентированных на решение разных задач. Среди них выделяет алгоритм обратного распространения ошибки, который является одним из наиболее успешных современных алгоритмов. Его основная идея заключается в том, что изменение весов синапсов происходит с учетом локального градиента функции ошибки. Разница между реальными и правильными ответами нейронной сети, определяемыми на выходном слое, распространяется в обратном направлении —     на встречу потоку сигналов. В итоге каждый нейрон способен определить вклад каждого своего веса в суммарную ошибку сети. Простейшее правило обучения соответствует методу наискорейшего спуска, то есть изменения синаптических весов пропорционально их вкладу в общую ошибку.

Конечно, при таком обучении нейронной сети нет уверенности, что она обучилась наилучшим образом, поскольку всегда существует возможность попадания алгоритма в локальный минимум. Для этого используются специальные приемы, позволяющие «выбить» найденное решение из локального экстремума. Если после нескольких таких действий нейронная сеть сходится к тому же решению, то можно сделать вывод о том, что найденное решение, скорее всего, оптимально.

Уже сегодня искусственные нейронные сети используются во многих областях, но прежде чем их можно будет применять там, где на карту поставлены человеческие жизни или значительные материальные ресурсы, должны быть решены важные вопросы, касающиеся надежности их работы. Поэтому уровень допустимых ошибок следует определять исходя из природы самой задачи. Некоторые проблемы с анализом вопросов надежности возникают из-за допущения полной безошибочности компьютеров, тогда как искусственные нейронные сети могут быть неточны даже при их правильном функционировании. На самом же деле компьютеры, как и люди, тоже могут ошибаться. Первые — в силу различных технических проблем или ошибок в программах, вторые — из-за невнимательности, усталости или непрофессионализма. Следовательно, для особо критических задач необходимо, чтобы эти системы дублировали и страховали друг друга. А это значит, при решении таких задач нейронные сети должны выступать не в качестве единственных средств, а в качестве дополнительных, предупреждающих особые ситуации или берущих на себя управление, когда проблема не решается стандартным образом и какие-либо задержки могут привести к катастрофе [2].

Другая трудность использования нейронных сетей состоит в том, что традиционные нейронные сети неспособны объяснить, каким образом они решают задачу. Внутреннее представление результатов обучения зачастую настолько сложно, что его невозможно проанализировать, за исключением некоторых простейших случаев, обычно не представляющих интереса [2].

Области применения нейронных сетей весьма разнообразны — это распознавание текста и речи, семантический поиск, экспертные системы и системы поддержки принятия решений, предсказание курсов акций, системы безопасности, анализ текстов.

1.3 Нейросимулятор

Сегодня на рынке программного обеспечения есть много различных нейросимуляторов. Толковый нейросимулятор легко приспособить для решения практических задач на персональном компьютере, если не требуется производить вычисления как можно быстрее. Существуют симуляторы, поддерживающие нейроускорители - платы с процессорами цифровой обработки сигналов (DSP). Признаком добротного симулятора является подробное описание по применению с вводным курсом в теорию НС плюс техническая поддержка. Самые продвинутые симуляторы позволяют конструировать НС с экзотическими архитектурами и применять алгоритмы обучения, разработанные пользователем, а также обеспечивают мощное графическое отображение поведения НС при обучении и, если верить рекламе, генерируют исходный код на Си++. У «продвинутых», как и следовало ожидать, единственный недостаток - заоблачная цена.

Другой отряд нейросетевого «персонального» программного обеспечения ориентирован на тугие кошельки и оптимизирован под выполнение конкретных задач. Наиболее распространены предназначенные для финансистов нейропредсказатели платежеспособности, банкротства и т. п. Кроме того, есть промышленное нейросетевое ПО, эксклюзивное, по сути и назначению, намертво взаимосвязанное со специализированным «железом». Последнее осуществляет предварительную обработку поступающих извне сигналов, передает полученные данные (образы) на вход НС, ускоряет функционирование самой НС и выводит готовую информацию в нужном виде. Возможность работы в реальном времени достигается посредством параллельных вычислений с использованием нейропроцессоров или же путем запараллеливания нескольких стандартных DSP. В некоторых случаях одного DSP оказывается достаточно, благо эти процессоры буквально «рождены» для НС, выполняя за один такт операцию умножения с накоплением суммы - наиболее часто используемую операцию в алгоритме любой нейросети. Дополнительные же DSP берут на себя ускорение вычислений на этапе предварительной обработки. Впрочем, на этом этапе НС пока используются больше в исследовательских целях, поскольку реализация совместной (особенно одновременной) работы нескольких НС разного типа не так проста, как казалось ранее.

На вкладке «Проектирование сети» указываются: тип активационной функции у каждого слоя сети, число нейронов входного и выходного слоя сети, а также число скрытых слоев. На вкладке «Обучение» загружается выборка, используемая для обучения, также здесь задается число итераций обучения и скорость обучения, а уже на вкладке «Вычисления» вводятся входные параметры для проверки работы нейросимулятора.

Основной принцип работа этого нейросимулятора: сигналы, поступающие на входы Х1,-,Хn, умножаются на коэффициенты (веса, синапсы) соответствующие каждому входу и определяют уровень возбуждения нейрона. Выходной сигнал получается пропусканием суммарного сигнала возбужденных нейронов скрытого слоя через нелинейную функцию.

Итак,  в настоящее время существуют методы, алгоритмы и устройства, которые позволяют нам довольно неплохо решать различные прикладные задачи. В рамках данной главы мы рассмотрели основные положения нейросетевых технологий: определения, как работает нейронная сеть, как построить нейронную сеть, обучение нейросетей. Также рассмотрели пример нейросимулятора, созданного студентом ПГУ.


ГЛАВА 2. Практическое применение нейронных сетей при прогнозировании результата рекламы

2.1. Постановка задачи

Нейросетевые технологии применяются при решении таких задач, в которых не существует чёткого алгоритма, точных действий либо формальных правил, позволяющих без каких-либо затруднений получить желаемый результат.

Я попробую применить нейросетевые технологии для прогнозирования результата рекламы, т.к. считаю эту тему очень интересной.

Цель рекламы - это донесение продукта до пользователя. Привлечение внимания пользователя и раскрытие основных качеств, положительных черт продукта. Но при этом реклама не должна ущемлять другие виды реклам или как-либо порочить продукты не связанные с ней. Реклама на сегодняшний день является существенным двигателем товара, без нее не возможно заявит о себе миру.  Она играет большую роль в любом предприятии, организации, агентстве и т.д. Реклама требует затраты больших денег, но в замен она отдаст тебе спрос и потребителей. Именно это главная задача любого предпринимателя. Главное – это повысить спрос на товар, а следовательно это и товарооборот. Получается так, что здесь цепочка взаимосвязана.

«Чем «лучше» реклама тем лучше для тебя».  Но всегда возникает вопрос «А стоит ли тратить большие деньги на это?». «Удачная ли будет реклама?». «Заметит ли ее прохожий?». Вот в этом на сегодняшний день, наверно, сложность. Потенциальный заказчик рекламы прежде всего задумается о том, поможет ли она ему в продвижении своего товара, не зря ли он затратит на нее свои деньги.

Нейросети могут помочь в решении данного вопроса. Задача состоит в том, чтобы с помощью нейронных сетей определить будет ли реклама удачной или нет, а может для этого понадобится время?

Выясним, какие параметры наиболее существенно влияют на принятие решения в данном случае.

В своем понимании наружная реклама очень обширное понятие, туда входят понятия как баннер, листовки, телевизионная реклама, разнообразные пиар-акции. Большое значение в качество рекламы вносят, непосредственно, работники, связанные с изготовлением макета рекламы. И конечно же результат зависит о того, с какой компанией вы сотрудничаете. Это наиболее значимые факторы для того, что бы определить удачная ли будет реклама.

Мы получили достаточное число параметров для решения поставленной задачи.

Так как параметры, описывающие предметную область, имеют разнообразный характер, то всю нечисловую информацию мы закодируем в числовом виде, поскольку нейросеть в состоянии обрабатывать только числа.

Ниже приводится список параметров:

X1- с каким рекламным агентством вы сотрудничаете:

        0 – грифон,

        1 – президент,

        2 – паритет,

        3 – ура,

        4 – гримм;

X2 – есть ли баннер у вашей компании (организации):

        0 – нет,

        1 – да

X3 – баннер стоит в центре города?:

        0 – его нет вообще,

        1 – нет,

        2 – да,

        3 – на окраине,

        4 – около центра;

X4 – были ли у вашей компании пиар-акции?:

        0 – да,

        1 – нет,

X5 – есть ли у вас реклама на телевидении?:

       0 – нет,

       1 – да;

X6 – реклама на телевидении выходит часто?:

       0 – нет,

       1 – да;

X7 –    раздавали ли ваши работники листовки?:

       0 – нет,

       1 – да;

X8 –как много листовок ушло (за день)?:

        0 – ни одной,

        1 – 200;

        2 – 200-400,

        3 – 400-700,

X9 –  хорошо ли работают ваши агенты по рекламе?:

        0 – нет,

        1 – да;

        2 – « так себе»

         X10 – давно ли ваша компания связана с рекламой?:

        0 – нет,

        1 – да;

        2 – 1-3 года,

        3 – 3-5 лет,

        4 – 5-10 лет;

X11 –хорошие ли у рекламного агенства кадры (в плане образования)?:

        0 – скорее всего нет,

        1 – да;

        2 – терпимо,

        3 – приемлемо (ближе к нет);

На выходе итог рекламы:

У- результат рекламы:

        0 – скорее всего нет,

        1 – да удачная;

        2 – для этого понадобиться время.

Для своего исследования я использовала нейросимулятор разработанный в ПГУ[1].

Рис.2. Нейросимулятор

На вкладке «Проектирование сети» указываются: тип активационной функции у каждого слоя сети, число нейронов входного и выходного слоя сети, а также число скрытых слоев. На вкладке «Обучение» загружается выборка, используемая для обучения, также здесь задается число итераций обучения и скорость обучения, а уже на вкладке «Вычисления» вводятся входные параметры для проверки работы нейросимулятора.

Основной принцип работа этого нейросимулятора: сигналы, поступающие на входы Х1,-,Хn, умножаются на коэффициенты (веса, синапсы) соответствующие каждому входу и определяют уровень возбуждения нейрона. Выходной сигнал получается пропусканием суммарного сигнала возбужденных нейронов скрытого слоя через нелинейную функцию.

Приведем пример использования нейронных сетей при анализе итога рекламы. Создаем таблицу, которую будем заносить в нейросимулятор входные и выходные параметры:

X1

X2

X3

X4

X5

X6

X7

X8

X9

X10

X11

D

0

0

0

0

0

0

0

0

0

0

0

0

1

1

1

1

1

1

1

1

1

1

1

1

0

1

1

1

1

1

1

1

1

1

1

1

1

0

0

1

1

1

1

1

1

1

1

0

1

1

2

1

1

1

1

1

1

1

1

1

1

1

1

0

1

1

1

1

1

1

1

1

1

1

1

1

0

0

1

1

1

1

0

0

1

1

1

1

1

1

2

1

1

1

1

1

1

1

1

1

1

1

0

0

1

1

2

2

0

0

0

0

1

2

1

1

1

1

2

2

1

0

0

0

0

0

0

0

0

0

0

0

1

0

0

1

0

0

1

2

1

1

1

2

0

1

3

0

0

0

1

2

2

2

2

2

0

1

3

1

1

2

0

0

1

3

1

1

2

1

2

1

0

3

0

0

1

0

1

1

2

2

2

0

0

0

0

0

2

2

3

1

1

1

2

2

1

2

2

2

2

1

0

1

4

0

0

0

1

4

0

0

1

2

3

2

3

1

2

1

0

0

0

0

0

2

1

0

3

0

0

1

1

1

0

0

1

0

1

2

0

1

4

0

1

1

1

2

1

3

1

1

1

1

4

0

0

0

1

2

1

3

1

2

0

1

3

0

0

0

0

0

2

2

3

2

1

1

3

0

1

1

1

1

1

2

1

1

2

0

0

0

1

3

1

2

2

3

3

1

2

1

4

0

0

0

0

1

1

4

3

2

3

0

0

0

0

0

0

0

0

0

2

0

3

0

0

0

0

0

0

0

0

0

0

0

0

0

0

1

1

2

1

2

2

3

2

2

0

0

0

1

1

3

0

0

1

3

1

2

4

1

1

0

0

0

1

1

1

4

3

2

3

0

0

2

1

1

2

2

2

4

3

2

0

0

1

2

0

0

0

0

1

1

1

2

1

1

2

2

2

0

0

0

2

2

2

1

1

1

3

0

1

3

0

0

2

4

1

1

2

0

0

1

1

1

1

1

1

1

1

1

3

1

2

1

1

1

1

1

1

0

0

2

4

0

1

0

1

1

0

0

0

0

2

2

0

0

0

1

1

2

1

1

0

4

3

2

1

1

2

1

0

0

0

0

0

0

0

0

2

2

2

2

2

2

2

2

2

2

2

1

2

1

1

1

1

1

1

1

1

1

1

1

2

2

2

1

1

1

1

1

1

1

1

2

2

2

2

2

2

1

1

1

1

1

1

2

2

2

2

2

2

2

1

1

1

1

1

2

2

2

2

2

2

2

2

2

1

1

1

1

2

2

2

2

2

2

2

2

2

1

1

1

3

2

2

2

2

2

2

2

2

2

2

1

4

2

2

2

2

2

2

2

2

2

2

1

1

2

2

2

2

2

2

2

2

2

2

1

0

2

2

2

2

2

2

2

2

2

2

1

3

0

0

2

2

2

2

2

2

2

2

1

3

0

0

0

0

2

2

2

2

2

2

2

3

0

0

0

0

0

0

0

0

2

2

0

4

0

0

0

0

0

0

0

0

0

2

0

4

1

1

1

1

1

1

1

1

1

1

1

4

1

1

0

0

0

0

1

1

1

1

2

4

0

0

1

1

1

1

1

1

0

0

1

4

1

1

0

0

0

0

0

0

1

1

2

4

0

0

0

0

0

0

0

0

0

0

0

4

2

2

1

1

0

0

0

0

0

0

2

Таблица 1

После того как нейросимулятор обучится вводятся значения «Тестирующей выборки», в которой мы сможем определить как точно выдаются ответы.

X1

X2

X3

X4

X5

X6

X7

X8

X9

X10

X11

D

4

1

1

1

1

2

2

1

1

0

0

2

4

0

0

0

0

0

1

1

1

1

1

0

4

0

0

1

1

3

1

3

1

2

1

1

3

0

0

1

1

3

1

3

1

4

2

1

3

0

0

0

1

1

1

2

1

3

3

2

3

0

0

0

1

1

0

1

2

2

1

2

3

0

0

0

0

0

1

2

0

0

2

0

Таблица 2

2.2.Обучение персептрона

Переходим к программе нейросимулятор.

Для начала укажем общие параметры сети:

  1.  Задаем количество входных нейронов по количеству признаков, у нас их 14 штук;
  2.  Скрытых слоев указываем 1, если персептрон не будет обучаться то добавим слои ;
  3.  На выходе у нас только один нейрон, показывающий результат;
  4.  Количество нейронов на скрытом слое высчитываем по формуле:

Ny –число выходов = 1,

Nx –число входов = 11,

Nw – необходимое число синаптических весов

Q – число элементов обучающей выборки =61(25)

Число скрытых  слоев = 1.

Подставив эти значения в формулу, получим:

4.4<Nw<44.5

Выбираем Nw желательно из середины интервала, но для более точного определения кол-ва нейронов возьмем несколько примеров: 10, 15, 20, 25 нейронов на скрытом слое и попытаемся найти наиболее оптимальный вариант с минимальной погрешностью.

Итак, число нейронов на скрытом слое = 12.

Обучаем персептрон на всей совокупности примеров (61 наблюдений).  

Открываем нейросимулятор и начинаем работать с программой, внося известные нам параметры.

Рис 3. Проектирование сети используя 12 нейронов


Далее переходим на вкладку обучение и начинаем набирать данные из приведенной выше таблицы. Обучаем:

Рис.4 Обучение нейросимулятора с12 нейронами.

Видим, что у нас все обучается. Теперь мы переносим данные «Обучающей таблицы» на вкладку вычислить, где проверяем корректность вычислений.

Рис.5 значения «Обучающей выборки» для 12 нейронов

Изучив обучающие примеры, теперь берем примеры тестируемой выборки и вносим их на вкладку «Вычислить» и точно также проверяем получившиеся результаты со значениями приведенной выше таблицы.

Рис.6 Вычисленные значения «Тестируемой выборки» для 20 нейронов

Максимальная погрешность с 12 нейронами:

  •  0,0004 – в обучающей выборке;
  •  0,0171 – в тестируемой выборке.

Повторяем тоже самое для всех остальных нейронов (13, 15, 17, 20, 23 и 25). Кол-во скрытых слоев мы не будем увеличивать, так как программа довольно хорошо обучается.

2.3. Анализ полученных результатов

«При проектировании персептронов необходимо понимать, что персептрон должен не только правильно реагировать на примеры, на которых он обучен, но и уметь обобщать приобретенные знания, т.е. правильно реагировать на примеры, которых в обучающей выборке не было». Погрешность персептрона, вычисленная на обучающей выборке называется погрешностью обучения, обозначаемой, а вычисленная на тестовой выборке – погрешностью обобщения, обозначаемой T.

Находим в каждых парах значений (обучающей и тестирующей выборки) максимальные погрешности и записываем в таблицу для дальнейшего изучения погрешностей.


Погрешность обучающей и тестируемой выборки

кол-во нейронов

обучающая выборка

тестируемая выборка

10

1,1069

4,2042

12

0,005

0,0016

15

0,0276

3,3298

20

0,2033

0,0086

25

0,0095

2,1528

Таблица 3

Для лучшего представления создаем диаграмму.

Рис.7 Зависимость погрешности обучающей и тестируемой выборки

Из диаграммы видно, что наилучшего результата можно получить используя 12 нейронов.

Конечно, значение все равно не идеально, но оно хорошо показало себя в тестируемой выборке, и дала наилучший результат в обучающей выборке.

Из приведенных ниже диаграмм можно увидеть, что погрешность минимальна в обеих выборках.

Рис.8 Результаты обучающей выборки.

                 Рис.9 Результаты тестируемой выборки.

Результаты получаются практически точные. Данный персептрон смог решить поставленную задачу и показал хорошие результаты в обучающей выборке и с явным результатом в тестируемой выборке.


2.4. Показатели значимости некоторых параметров на результат

Следующим шагом моей курсовой работы стало выявление наиболее значимых параметров (Хn).

Взяв за основу данные «Тестируемой выборки» мы можем их проанализировать изменяя различные характеристики Хn.


Заключение

Подведём итог проделанной работы.

В первой части работы я обобщила знания в области нейросетевых технологий.

Во второй части работы я показала применение на практике нейросети. Определила все необходимые параметры, по которым работа персептрона была бы оптимальной. Доказала, что можно решать задачи с использованием нейронных сетей для определения оценки за экзамен.

Я убедилась, что персептрон смог решить поставленную перед ним задачу. Подав на вход персептрона сигналы, которых не было в обучающей выборке, на выходе мы получили адекватные результаты, то есть соответствующие действительности. Анализируя работу были выведены диаграммы в которых можно отследить значимость некоторых параметров и именно здесь персептрон смог отследить закономерности которые не может точно проанализировать человек.

Проведенная работа показывает, что использование персептрона для принятия решений эффективно использовать и в дальнейшем можно увеличить или совсем изменить входные параметры, чтобы снизить или совсем избавиться от погрешности. Проделанная работа стала опорной точкой, в этой области, которую можно будет применять, усовершенствовать видоизменять, чтобы в последствии любой желающий мог использовать программу которая сможет практически на 100% предсказать результаты в предстоящей сессии.


Список используемой литературы

  1.  Ясницкий Л.Н.Введение в искусственный интеллект:Учеб. пособие для студ. высш. учеб. заведений/Леонид Нахимович Ясницкий.-М.:Издательский центр «Академия», 2005.
  2.  Хайкин С. Нейронные сети. Издательство «Вильямс», 2005.-1104 с.
  3.  Черепанов Ф.М., Ясницкий Л.Н. Симулятор нейронных сетей «Нейросимулятор 1.0». Свидетельство об отраслевой регистрации №8756 от 12.06.2007.


 

А также другие работы, которые могут Вас заинтересовать

51287. Изучение явления интерференции света в тонких плёнках на примере колец Ньютона 131.5 KB
  Цель работы: изучение явления интерференции света определение радиуса кривизны линзы с помощью колец Ньютона определение длины волны пропускания светофильтров
51289. Изучение методов получения когерентных источников света искусственным делением фронта световой волны (бипризма Френеля) 42.5 KB
  Цель работы: изучение методов получения когерентных источников света искусственным делением фронта световой волны бипризма Френеля; изучение явления интерференции света; определение длины волны источника света и расстояний между когерентными источниками света. Приборы и принадлежности: источник света светофильтры раздвижная щель бипризма Френеля микроскоп с отсчет ной шкалой оптические рейтеры.Определение длины волны источника света. Вывод: изучили методы получения когерентных источников света искусственным делением...
51290. Иучение явления интерференции света с помощью бипризмы Френеля 52.5 KB
  Цель работы: Изучение методов получения когерентных источников света искусственным делением фронта световой волны бипризма Френеля; изучение явления интерференции света. Приборы и принадлежности: источник света светофильтры раздвижная...
51291. Изучение явления дифракции света с помощью лазера 55 KB
  Цель работы: изучение явления дифракции света в параллельных лучах дифракция Фраунгофера; практическое знакомство с работой газового лазера непрерывного действия. Вычисления заносим в таблицу...
51292. Финансы и финансовая деятельность 178.88 KB
  Финансы — это экономические денежные отношения по формированию, распределению и использованию фондов денежных средств государства, его территориальных подразделений, а также предприятий, организаций и учреждений, необходимых для обеспечения расширенного воспроизводства и социальных нужд, в процессе осуществления которых происходит распределение и перераспределение общественного продукта и контроль за удовлетворением потребностей общества.
51294. Изучение поляризации отраженного от диэлектриков света 328 KB
  Цель работы: Изучение свойств света поляризованного при отражении от диэлектриков; изучение законов поляризации света при отражении от прозрачной среды; изучение методов определения показателя преломления диэлектрика по степени поляризации отраженного света...
51295. Этика делового общения и его основные характеристики 383.18 KB
  Этика делового общения основывается на таких правилах и нормах поведения партнеров, которые в конечном счете способствуют развитию сотрудничества, т.е. укрепляют сущностную основу деловых отношений.