и висновок, що мережа навчена і може класифікувати невідомі вектори.
. 8.5 Тестування мережі
Для перевірки правильності навчання побудованої нейронної мережі в Нейроімітатор передбачені спеціальні засоби її тестування. У мережу вводиться деякий сигнал, який, як правило, не збігається з жодним з вхідних сигналів прикладів навчальної вибірки. Далі аналізується вийшов вихідний сигнал мережі.
Тестування навченої мережі може проводитися або на одиночних вхідних сигналах, або на тестовій вибірці, яка має структуру, аналогічну навчальній вибірці, і також складається з пар ( lt; вхід gt ;, lt; необхідний вихід gt;). Зазвичай, навчальна і тестова вибірки не перетинаються. Тестова вибірка будується індивідуально для кожної розв'язуваної задачі.
Для тестування мережі необхідно ввести на вхід невідомі зразки. На (рис. 13) показана навчена мережа. Для тестування візьмемо 12 зразків з явною належністю до певного нейрону, тобто зразок повинен перебувати до одного нейрону ближче ніж до інших.
Для тестування візьмемо з вибірки невикористані зразки (табл. 1):
1 клас (з 41 по 50)
2 клас (з 91 по 100)
1 клас (з 141 по 150)
Сформуємо послідовності векторів для кожного клас окремо і Промоделюємо карту Кохонена на отриманих масивах:
- 1 клас=[- 0.898 - 0.864 - 0.796 - 0.864 - 0.898 - 0.762 - 0.830 - 0.762 - 0.830 - 0.830 - 0.830;- 0.75 - 0.833 - 0.916 - 1 - 0.833 - 0.833 - 0.83333 - 0.916 - 0.75 - 0.916 - 0.916]
a=sim (net, P)=
(2,1) 1
(7,2) 1
(1,3) 1
(1,4) 1
(7,5) 1
(2,6) 1
(7,7) 1
(7,8) 1
(2,9) 1
(1,10) 1
(1,11) 1
- 2 клас
P=[- 0.32 0.05 0.25 - 0.11 0.32 0.01 0.01 0.15 0.28 0.35;- 0.16 0 0.08 0.16 0 0 0.083 0.08 0.33]
а=sim (net, P)
a=
(3,1) 1
(20,2) 1
(28,3) 1
(19,4) 1
(22,5) 1
(20,6) 1
(20,7) 1
(15,8) 1
(28,9) 1
(19,10) 1
3 клас=[0.627 0.627 0.491 0.728 0.389 0.457 0.525 0.355 0.389 0.694; 0.416 0.75 0.666 1 0.583 0.5 0.666 0.583 0.916 1]=sim (net, P)
a=
(23,1) 1
(18,2) 1
(11,3) 1
(12,4) 1
(5,5) 1
(5,6) 1
(11,7) 1
(5,8) 1
(6,9) 1
(12,10) 1
Після цього проводимо кластерезацію зразків і порівнюємо отриманий вихід з необхідним. Заносимо дані в (табл. 3.6).
Табл. 3.6
Класифікація тестових зразків
1 класс2 класс3 класс134245796 1010 1512 1617 1918 2022 2123 2224 2529 2630 27 11 28
Порівнюючи табл. 3.5 і табл. 3.6 бачимо, що фактичні і необхідні значення збігаються, карта Кохонена вказує приналежність до того чи іншого кластеру вірно. У другому класі зустрічається двадцять другого кластер, який ще не однозначно класифікує зразки.
Можна зробити висновок про те, що створена нейронна мережа навчена і працює коректно. Нейрони з номерами 4, 10, 22 класифікують неоднозначно, тому що знаходяться в зоні кордону двох класів. Для вирішення цієї проблеми можна збільшити кількість нейронів в мережі.
. 9 Порівняння результатів кластеризації в Matlab і Excel
Тепер для більш об'єктивної оцінки роботи нейронної мережі навчимо нейронну мережу 4000 зразків.
Побудуємо на топографічній карті початкове розташування нейронів карти Кохонена (рис. 3.33):
hold on (P (1,;), P (2, :), * до , markersize , 10)
Рис. 3.33. Розташування вибірки з 4000 навчальних зразків
Вектори входу помічені символом * і, а початкове розташування нейронів відповідає точці з координатами (1, 0.5).
Навчання мережі
Насамперед визначається нейрон-переможець і коригуються його вектор ваг і вектори ваг сусідніх нейронів згід...
