Лабораторная по Архитектуре информационных систем в программе Neural Network Wizard

Варианты заданий
На основе заданной числовой последовательности требуется построить нейронную сеть,
способную прогнозировать следующий член последовательности. В зависимости от того, какие
закономерности присутствуют в исходной последовательности, может потребоваться
10
использовать в качестве входа сети для предсказания очередного члена последовательности
различное количество или группировку предыдущих.
Задание 1
Номер варианта Задание
1, 6
sin ( )cos( )
2
y  x x
2, 7
y  sin(x)cos(x)
3, 8
2sin( )cos(4 )
2
y  x x
4, 9
)tg( )
2
sin( x
x y 
5, 10
4cos( )sin( )
2
y  x x
Задание 2
Вариант Задание
1
2sin ( ), 0,1
2
y  x x
2

,  ,
cos( )
4 x
x
x
y
3
0,5 4,8 3,5
2
y  x  x 
4
x
y e
2
2


5
1
 
x
y x e
6
y  2 x sin(x 1)
7
y  sin(x)cos(x 1)
8
y  2cos (x)  x
2
9
y e x
x
 
sin( )
10
x
y x x e
2 2
(0,5 4,8 3,5)

  
11
 
0 0
y  x sin(x)  cos(x), x  90 ,90
12
y 1,5x  x  2sin(2x)
Необходимо с помощью нейронной сети провести аппроксимацию функции вида
y = f(x) на интервале x, где x – входная переменная, а y выходная переменных. Диапазоны
изменения входных переменных определить самостоятельно, у периодических функций – не
менее периода.
11
2) Подготовить обучающую выборку средствами приложения Microsoft Excel и оформить
ее в виде файла *.csv (для задач аппроксимации алгебраических функций). Примечание: Чтобы
создать набор случайных чисел, воспользуйтесь функцией: = СЛЧИС()*100. В соседнем
столбце рассчитайте значение заданной функции. Сохраните файл, выбрав расширение . csv.
3) Провести обучение нескольких нейронных сетей c помощью программного
нейроимитатора Neural Network Wizard с количеством нейронов в скрытом слое, равном 1, 3, 5,
7 и функцией активации «сигмоидная» (Logistic). Обучение каждой сети вести, например, в 100
шагов. Обучение вести по алгоритму обратного распространения.
4) Проверить качество каждой обученной сети, для чего рассчитать несколько значений
выходной переменной по заданной функции и по нейронной сети, затем на графике показать
близость каждой обученной модели к исходной.
5) Рассчитать вручную одно выходное значение нейронной сети (для MLP сети с 5-ю
нейронами в скрытом слое). Сравнить со значением, рассчитанным с помощью
нейроимитатора.