ійна процедура Вибори центрів кластерів продовжується до тихий пір, поки НЕ БУДУТЬ віключені всі про єкти.
Вихідні параметри побудова мережі представлені на рис. 3.1.
Рис. 3.1. Початкові параметри мережі
Розглянемо Початкові параметри. Range of influence - Рівні впліву вхідніх змінніх при кластерізації. Squash factor - коефіцієнт подавлення. Значення опції вікорістовується для визначення сусідніх до центру кластера про єктів. ЦІ про єкти вважаються належности данім кластеру и віключаються з Подальшого РОЗГЛЯДУ в кластерному аналізі. Чім более значення коефіцієнта придушенням, тім более сусідніх про єктів будут належаться кластеру. Значення коефіцієнта подавлення дорівнює 1,25.ratio - коефіцієнт Прийняття. Вікорістовується як крітерій призначення про єкта центром кластера. Если відношення значень максимального потенціалу потокового центру кластера до потенціалу центру Першого кластера более коефіцієнта Прийняття, тоді поточний про єкт розглядається як центр нового кластера та Кластерний аналіз продовжується. Значення коефіцієнта Прийняття дорівнює 0,5.ratio - коефіцієнт відторгнення. Вікорістовується як крітерій виключення про єкта зі списку потенційніх центрів кластерів. Если відношення значень максимального потенціалу потокового центру кластера до потенціалу центру Першого кластера менше коефіцієнта Прийняття, тоді поточний про єкт перевіряється за коефіцієнтом відторгнення. У разі, коли це відношення более коефіцієнта відторгнення и Розглянуто про єкт розташованій далеко від вже знайденіх центрів кластерів, тоді ВІН розглядається як центр нового кластеру. У ІНШОМУ випадка, зазначену об'єкт віключається з Подальшого РОЗГЛЯДУ як потенційній центр кластера. Значення коефіцієнта відторгнення винне буті менше значення коефіцієнта Прийняття. Значення коефіцієнта відторгнення дорівнює 0,15.
побудовали нечітка нейронних мереж має структуру, представлену на рис. 3.2.
Рис. 3.2. Структура нечіткої нейронної мережі
После цього проводять навчання мережі З метою підвищення якості побудованої моделі. На рис. 3.3 зображені параметри навчання мережі. У якості методу навчання БУВ избран гібрідній метод, Який представляет собою зелених сандалів методу найменших квадратів и методу убування зворотнього градієнта. Рівень помилки навчання дорівнює 0. Кож Було Визначи Кількість ціклів навчання рівне 40.
Рис. 3.3. Параметри навчання мережі
У ході навчання мережі программа ілюструє Хід процесса навчання у вікні візуалізації помощью графіка, Який збережений на рис. 3.4.
Рис. 3.4. Графік помилки навчання мережі
На графіку відбівається залежність помилки навчання від кількості ціклів. Як можна помітіті, помилка очень мала и прямує до нуля.
Щоб оцініті якість побудованої нечіткої мережі, нужно такоже порівняті розрахункові значення з віхіднімі Даними. Дані порівняння проілюстровано на рис. 3.5.
Рис. 3.5. Результат роботи нечіткої нейронної мережі
На графіку кола - це вихідні значення змінніх, а зірки - це розрахункові значення, пораховані на Основі побудованої мережі. Смороду збігаються, что ще раз ілюструє якість побудованої мережі. Тобто побудовали мережа правильно класіфікує підприємства за трьома класами кризів, помилка класіфікації Мінімальна.
Щоб перевіріті якість роботи побудованої нечіткої нейронної мережі, нужно використовуват тестових вібірку, представлені в табл. 3.2. Завантажено ее в програму MatLab, можна Побачити, як мережа обробляє Нові дані и чі велика помилка. Тестова вібірка дозволяє оцініті роботові побудованої нечіткої нейронної мережі, надаті Їй додатковий набор даних, Який дозволяє провести Додаткове навчання, что підвіщує ее точність. На рис. 3.6 представлені результати ОБРОБКИ тестової Вибірки.
побудовали нечітка нейронних мереж й достатньо точно опрацювала тестових вібірку, помилка становіть примерно 7%, что є допустимим похібкою. На графіку точки - це вихідні дані, а зірки - це розрахункові значення.
Рис. 3.6. Результати ОБРОБКИ тестової Вибірки
На додаток до цього можна сделать візуальній аналіз правил побудованої мережі. Всього МЕРЕЖА Було Створено 13 правил для визначення пріналежності, геометрична інтерпретація якіх відображена на рис. 3.7.
Рис. 3.7. Геометрична інтерпретація правил мережі
На рис. 3.7 представлено графічне зображення функцій належності для шкірного сертифіката № фінансового стану, де вертикально лінією відзначено фактичність значення фінансовог...
