Нейросетевые технологии. Каширина И.Л. - 25 стр.

UptoLike

ВУЗ: 

ВГУ | Воронеж

Составители: 

Рубрика: 

25
«крестик» и 0.5, если клетка пуста. На выходе нейросети получается новое
положение после хода нейросети (нейросеть учится играть ноликами). На-
чинают крестики. Например:
Позиция на входе :
Код входа : 0.5 0.5 0.5 0.5 0.99 0.5 0.5 0.5 0.5
Ответ нейросети : 0.5 0.5 0.5 0.5 0.99 0.01 0.5 0.5 0.5
Позиция после хода нейросети:
Предварительно сыграйте сами с собой несколько примерных партий,
записывая последовательности ходов. Обучите нейросеть, задав
все ходы –
ответы ноликами. Далее пытайтесь играть с нейросетью, если она будет
выдавать неверный (или невозможный) ответ, сделайте ход за нее и вклю-
чите этот пример в обучающую выборку, продолжите обучение.
2. Напишите программу, обучающую сеть обратного распространения
распознаванию букв латинского алфавита. На вход сети подаются графи-
ческие изображения букв, разбитые
на квадраты (или пиксели) аналогично,
как для однослойного персептрона. Желательно использовать не менее
10–15 различных шрифтов (например, шрифты True Type). Выходом сети
может служить двоичное представление порядкового номера буквы (мож-
но также положить число выходов сети равным числу букв, но это сущест-
венно увеличит размер сети и время ее обучения).
3. Для сетей
обратного распространения часто в качестве функции актива-
ции используют двухполюсный сигмоид. Эта функция имеет область зна-
чений (–1,1) и определяется формулой:
1
1
2
)( −
+
=
−s
e
sf . Производную
этой функции можно выразить в виде:
))(1))((1(
2
1
)(' sfsfsf −+=
. Выве-
дите правило коррекции весов для выходного и скрытого слоев в этом случае.
4. Используя функцию активации из задачи 3, напишите программу, обу-
чающую сеть обратного распространения прогнозированию курса евро (по
отношению к рублю). Сеть имеет 10 входов, на которые подаются при-
ращения курса евро за 10 последовательных дней. Выходной слой содер-
жит всего
один нейрон, выдающий величину изменения курса на 11-й
день (по сравнению с 10-м). Для обучения сети необходимо иметь стати-
стику курса евро за несколько последних месяцев (доступную, например,
на сайте www.finam.ru).
x
x
o
«крестик» и 0.5, если клетка пуста. На выходе нейросети получается новое
положение после хода нейросети (нейросеть учится играть ноликами). На-
чинают крестики. Например:
Позиция на входе :

                                        x

Код входа : 0.5 0.5 0.5 0.5 0.99 0.5 0.5 0.5 0.5
Ответ нейросети :   0.5 0.5 0.5 0.5 0.99 0.01 0.5 0.5 0.5
Позиция после хода нейросети:

                                        x o

   Предварительно сыграйте сами с собой несколько примерных партий,
записывая последовательности ходов. Обучите нейросеть, задав все ходы –
ответы ноликами. Далее пытайтесь играть с нейросетью, если она будет
выдавать неверный (или невозможный) ответ, сделайте ход за нее и вклю-
чите этот пример в обучающую выборку, продолжите обучение.
2. Напишите программу, обучающую сеть обратного распространения
распознаванию букв латинского алфавита. На вход сети подаются графи-
ческие изображения букв, разбитые на квадраты (или пиксели) аналогично,
как для однослойного персептрона. Желательно использовать не менее
10–15 различных шрифтов (например, шрифты True Type). Выходом сети
может служить двоичное представление порядкового номера буквы (мож-
но также положить число выходов сети равным числу букв, но это сущест-
венно увеличит размер сети и время ее обучения).
3. Для сетей обратного распространения часто в качестве функции актива-
ции используют двухполюсный сигмоид. Эта функция имеет область зна-
                                                     2
чений (–1,1) и определяется формулой: f ( s ) =            − 1 . Производную
                                                  1 + e− s
                                                1
этой функции можно выразить в виде: f ' ( s ) = (1 + f ( s ))(1 − f ( s )) . Выве-
                                                2
дите правило коррекции весов для выходного и скрытого слоев в этом случае.
4. Используя функцию активации из задачи 3, напишите программу, обу-
чающую сеть обратного распространения прогнозированию курса евро (по
отношению к рублю). Сеть имеет 10 входов, на которые подаются при-
ращения курса евро за 10 последовательных дней. Выходной слой содер-
жит всего один нейрон, выдающий величину изменения курса на 11-й
день (по сравнению с 10-м). Для обучения сети необходимо иметь стати-
стику курса евро за несколько последних месяцев (доступную, например,
на сайте www.finam.ru).

                                       25

Страницы