№
E = 0.00000287983
3. Кількість входів дорівнює 10. p align="justify"> Процес навчання:
№
E = 0,000003
Прогнозування на підставі отриманих результатів навчання:
№
E = 0.00000216793
Отримали залежність середньоквадратичної помилки при прогнозуванні від кількості входів мережі. Побудуємо графік залежності:
Висновок
В ході проведення контрольної роботи було встановлено:
В· 3-шарова нейронна мережа багато в чому схожа на 2-шарову (способи навчання аналогічні, відрізняються лише особливостями реалізації);
В· 3-шарова нейронна мережа є більш точною в порівнянні з 2-шарової (якщо порівнювати результати лабораторної роботи № 2, то видно, що 3-шарова ІНС має більшу швидкістю навчання, більшою точністю);
В· в 3-шарових ІНС в процесі навчання спостерігається В«ефект уточненняВ» - на кожному наступному кроці величина середньоквадратичної помилки зменшується;
В· в ході роботи було розглянуто вплив зміни кількості входів на точність ІНС і побудовані графіки залежності. При аналізі даних графіків можна припустити, що дана точність не максимальна і шляхом збільшення кількості входів точність можна збільшити. Однак з графіка також видно, що при додаванні чергового кількості входів ефект від них набагато менше, ніж від попередніх. Відповідно з цим постає питання про доцільність нарощування кількості входів.
В· як і в 1 - та 2-шарових ІНС, адаптивний крок навчання є більш ефективним за швидкістю отримання результату (3 кроки - при навчанні з постійним кроком, 2 кроки - при навчанні з адаптивним кроком), але мене точним (E = +0,00000026073 - при навчанні з постійним кроком; E = 0,0189632 - при навчанні з адаптивним кроком).
