значалося вище, після процесу навчання НС на інтервалі навчання (25% вибірки), необхідно перевірити ефективність її роботи на тестовій вибірці, складовою 75% обсягу всієї вибірки.
Як видно з рисунку 8 - рисунку 9 еталонні значення виходів НС приймають значення 0 або 1, а фактичні сигнали на виході НС (в силу інерційності процесу переміщення тимчасового ( вікна ) можуть брати безперервні значення в інтервалі [0; 1]. Тому доводиться округляти обчислені значення x 1 і x 2 до найближчого цілого числа:
(12)
При цьому, можуть мати місце помилки I і II роду, тобто віднесення стану до класу .
На наступних малюнках (чч-чч) представлені значення виходів нейронної мережі.
В
Рисунок 8 - Класифікація режимів роботи ГТД (1й вихід НС)
В
Рисунок 10 - Класифікація режимів роботи ГТД (2й вихід НС)
В
Рисунок 10 - Класифікація режимів роботи ГТД (3й вихід НС)
Дані підходи знайшли своє відображення у вигляді комбінованого вирішального правила у відповідному програмному модулі, виконуючому нейромережевому класифікацію режимів роботи авіаційного двигуна. p align="justify"> Для визначення достовірності класифікації можна скористатися такими формулами (13). Тут Кош, Ккач - коефіцієнти помилковою і якісної класифікації:
(13)
де Тош - сумарний час ділянок, відповідних помилкової класифікації;
То - тривалість тестової вибірки (у нашому випадку Те = 4 хв).
У таблиці 2 і таблиці 3 наведені результати порівняльного аналізу помилок класифікації та якості класифікації режимів роботи двигуна для різних класів архітектур НС.
Таблиця 2 - Помилки класифікації режимів для різних архітектур НС у (%)
Архітектура НСОшібка класифікації на виході 1 ( e 1) Помилка класифікації на виході 2 ( e 2) Помилка класифікації на виході 3 ( e Таблиця 3 - Коефіцієнт якості класифікації режимів для різних архітектур НС у (%)
Архітектура НСВиход_1 ( x 1) Виход_2 ( x 2) Виход_2 ( x Аналіз (таблиця 2) - (таблиця 3) показує, що застосування для...
