Автор работы: Пользователь скрыл имя, 22 Ноября 2011 в 22:10, курсовая работа
Искусственные нейронные сети, конечно, годятся не для всех задач, имеющих прикладное значение. Но им, например, будет отдаваться предпочтение в большом классе задач распознавания образов, с которыми плохо или вообще не справляются обычные компьютеры. Уже сейчас искусственные нейронные сети применяются для решения очень многих задач обработки изображений, управления роботами и непрерывными производствами, для понимания и синтеза речи, для диагностики заболеваний людей и технических неполадок в машинах и приборах.
В данном курсовом проекте будет спроектирована нейронная сеть, которая решает такую конкретную задачу, как прогнозирование и аппроксимация функции.
Введение 4
1. Постановка задачи 5
2. Генерирование обучающей выборки 10
3. Проектирование нейронных сетей и алгоритмов обучения 11
3.1 Алгоритм обратного распространения ошибки 11
3.2 Рекуррентная сеть. Архитектура сети. 15
4. Разработка программных модулей 21
5. Тестирование и результаты исследования 22
Заключение 27
Литература 28
Рис. 5.1. Главная форма системы
При нажатии кнопки «Решение» будет произведён расчёт эталонных точек исследуемой функции.
Рис.
5.2. Главная форма после решения.
Далее систему можно обучить, нажав на кнопку «Обучение».
Рис 5.3. Главная форма после обучения.
На данном этапе сеть обучена, и можно перейти к прогнозированию.
Рис
5.4. Главная форма после
Также можно построить графики по спрогнозированным и эталонным значениям (в координатах XY, YZ, XZ).
Чтобы просмотреть результаты построения графиков, необходимо нажать кнопку «XY», «XZ» или «YZ», результаты показаны на рис.5.5-5.7:
Рис.5.5.
График в координатах XY
Рис.5.6.
График в координатах XZ
Рис.5.7. График в координатах YZ
Для рекуррентной сети с шестью входными нейронами все действия аналогичны тем, которые были описаны в этом пункте для рекуррентной сети с тремя входными нейронами.
Детальные результаты тестирования обеих систем приведены в Приложении 2.
В
результате выполнения курсового проекта
было разработано программное
В ходе анализа полученных результатов было выявлено, что выбранная архитектура и алгоритмы обучения являются эффективными в разных случаях и позволяют осуществлять обучение сети за короткое время и с нужной точностью.
На основе полученных результатов можно сделать выводы, что нейронные сети являются подходящим средством для прогнозирования и аппроксимации функций, а алгоритм обратного распространения ошибки является простым и эффективным средством обучения нейронных сетей.