ихідних областей, так як число цифр десять, можна використовувати тільки 9 нейронів. Для цифри 1 значення на вихід першого нейрона буде максимальним, рівним 1, а на всіх інших мінімальним, рівним 0 для бінарної сігмоідной функції. Для цифри 2 значення на виході другого нейрона буде максимальним, а на всіх інших мінімальним. І так далі для всіх цифр до 9. Для цифри 0, приймемо значення всіх нейронів вихідного шару рівним нулю.
Отже, розташовуємо три шари. Вхідний з 35 нейронів, прихований, з 6 нейронів і вихідний шар з 9 нейронів. Коли всі шари розташовані на робочій області, необхідно натиснути кнопку Далі. При цьому створиться модель нейронної мережі. У процесі ініціалізації моделі нейронної мережі, тобто об'єкта класу Net, у користувача питається яка функція активації буде використовуватися в нейронах обробних шарів. Для розглянутого прикладу слід вибрати бінарну сигмоїдальну. Так само необхідно задати розмір введеного зразка, тобто розміри прямокутної області яка буде вводитися користувачем як вхідний вплив для мережі. У нашому прикладі це буде 5 стовпців, 7 рядків.
Коли створиться модель нейронної мережі, пункти меню пов'язані з функціонуванням нейронної мережі стають активними. І користувач може переглянути властивості мережі, тобто кількість шарів, кількість нейронів у кожному шарі, і всі вагові коефіцієнти кожного нейронного елемента. Так само з'являється можливість запуску механізмів навчання нейронної мережі, і розрахунку результату на основі даних, що вводяться.
Після завершення створення моделі нейронної мережі користувачеві виводиться схематичне зображення мережі, які з усіх перерахованих нейронів, згрупованих за верствам. показані всі зв'язки: між шарами, вхідні і вихідні зв'язки, малюнок 4.4.
При необхідності зберегти модель нейронної мережі, слід вибрати пункт меню Зберегти як. У запропонованому діалоговому вікні користувач вибирає директорію де буде зберігатися файл моделі мережі, а також вводить ім'я файлу. Розширення файлів, що зберігаються повинно бути , якщо розширення не вказано, або вказано інше, то програма додає в кінці імені самостійно потрібне розширення. Для розглянутого прикладу вкажемо кореневу директорію і ім'я файлу cifri.
У разі коли користувачеві необхідно відкрити вже існуючу модель нейронної мережі, слід вибрати пункт меню Відкрити. У діалоговому вікні вибрати шлях до директорії де зберігається потрібний файл і вибрати його. Після відкриття файлу також стають активними пункти меню для роботи з нейронною мережею.
. 3 Навчання нейронної мережі
Навчання нейронної мережі відбувається за принципом навчання з учителем, згідно з алгоритмом зворотного поширення помилки. Навчання з учителем увазі наявність в навчальних зразках не тільки вхідних даних але і точно їм відповідним цільовим значенням вихідних нейронів.
При створеної або відкритої нейронної мережі, слід вибрати в меню пункт Навчання. Далі в режимі діалогу користувач повідомляє програмі всі необхідні дані. А саме кількість навчальних зразків в одній епосі, значення необхідної середньоквадратичної помилки і значення швидкості навчання. Потім вводяться опису кожного зразка, тобто вхідні і цільові вихідні значення. Вхідні дані повинні відповідати масивам, наведеним на рисунку 4.1. Цільові вихідні значення ставляться згідно з методикою зазначеної в п.4.2, ці значення виглядають як показано на малюнку 4.5. Після введення останнього зразка, програма без додаткових дій користувача починає навчання нейронної мережі. Після закінчення навчання видається повідомлення про завершення процесу.
. 4 Отримання результату функціонування нейронної мережі
При створеної або відкритої нейронної мережі, слід вибрати в меню пункт Розрахунок. Далі в режимі діалогу користувач повідомляє програмою що саме подається на вхід мережі. У нашому прикладі, це зображення цифри, одне з представлених, на малюнку 4.1. Далі нейронна мережа здійснює розрахунок і видає результат На малюнку 4.6 показаний результат розрахунку мережею дослідного зразка, що представляє цифру зо три. Як видно, значення на виході третій нейронного елемента максимально, всі інші близькі до нуля. Ці значення, максимуми і мінімуми не збігаються з 1 і з 0, оскільки сигмоїдальна функція ніколи не досягає цих значень. Але значення третього вихідного нейронного елемента, рівне 0,93 досить переконливо вказує на те, що на вхід нейронної мережі дійсно подавалося зображення цифри зо три.
У вікні результату передбачено, що функція активації може бути бінарною і біполярної.
Малюнок 4.1 - піксельно зображення цифр
Малюнок 4.2 - Вікно програми моделювання нейронної мережі
