Размещено на http://www.allbest.ru/

Міністерство освіти і науки України

Черкаський державний технологічний університет

Кафедра програмного забезпечення автоматизованих систем

Звіт з лабораторних робіт

з дисципліни

«Інтелектуальний аналіз даних»

Виконала: Плакасова Ж.М.

студентка групи ПЗ-134

Перевірив: старший

викладач Діденко І.О.

Черкаси 2016

Звіт з лабораторної роботи 1

Тема: створення нейронної мережі

Мета: знайомство із засобами і методами MATLAB і пакета Simulink для моделювання та дослідження нейронних мереж. Застосування нейронних мереж для апроксимації функцій

Короткі теоретичні відомості

Типовий приклад мережі з прямою передачею сигналу показаний на рисунку. Нейрони регулярним чином організовані в шари. Вхідний шар служить просто для введення значень вхідних змінних. Кожен з прихованих і вихідних нейронів з'єднаний з усіма елементами попереднього шару. можна було б розглядати мережі, в яких нейрони пов'язані тільки з деякими з нейронів попереднього шару; однак, для більшості додатків мережі з повною системою зв'язків краще.

При роботі (використання) мережі у вхідні елементи подаються значення вхідних змінних, потім сигнали послідовно відпрацьовують нейрони проміжних і вихідного шарів. Кожен з них обчислює своє значення активації, беручи зважену суму виходів елементів попереднього шару і віднімаючи з неї порогове значення. Потім значення активації перетворюються за допомогою функції активації, і в результаті виходить вихід нейрона. Після того, як вся мережа відпрацює, вихідні значення елементів вихідного шару приймаються за вихід всієї мережі в цілому. Спочатку мережа налаштовується. Процес настройки мережі отримав назву «Навчання мережі». Перед початком навчання зв'язків присвоюються невеликі випадкові значення.

Результати виконання роботи:

1. Работа с нейроною мережею в командному режимі

Створення НМ

x = [-1 -0.8 -0.5 -0.2 0 0.1 0.3 0.6 0.9 1];

>> y=[1 0.64 0.25 0.04 0 0.01 0.09 0.36 0.81 1];

>> a=newgrnn(x,y,0.01); % Створення НМ

>> Y1 = sim(a,[-0.9 -0.7 -0.3 0.4 0.8]) % Опитування НМ

Y1 =

0.8200 0.5049 0.0316 0.0710 0.6390

Покращення якості апроксимації

x = [-1 -0.8 -0.5 -0.2 0 0.1 0.3 0.6 0.9 1];

y=[1 0.64 0.25 0.04 0 0.01 0.09 0.36 0.81 1];

a=newrbe(x,y);

>> Y1 = sim(a,[-0.9 -0.7 -0.3 0.4 0.8])

Y1 =

0.8100 0.4900 0.0900 0.1600 0.6400

Створення Лінійної нейронної мережі, опитування при значенні входу 3.0

x = [1.0 1.5 3.0 -1.2];

y = [0.5 1.1 3.0 -1.0];

>> b=newlind(x,y);

>> y1 = sim(b, 3.0)

y1 =

2.7003

2. Использование GUI-интерфейса пакета нейронных сетей

Відкриття функції NTools в середовищі Matlab:

Рис. 1.1 Діалогове вікно функції

Рис. 1.2 Запуск тренування мережі

Рис. 1.3 Графік мережі

Рис. 1.4 Дані мережі

Отримаємо інформацію про ваги і зсувах безпосередньо в робочому вікні системи, виконавши команду:

network1.IW{1,1},network1.b{1}

ans = 9.4176

-3.5795

ans = -3.7139

-1.7793

Побудуємо модель НС в середовищі Simulink і відобразити її схему, використовуючи команду: >> gensim(network1)

Рис. 1.5 Діалогове вікно команди gensim

3. Моделювання нейронних мерез за допомогою Simulink

Основною функцією для формування нейромережевих моделей в Simulink є функція gensim.

Нехай вхідний і цільовий вектори мають вигляд

р = [1 2 3 4 5]; t = [1 3 5 7 9];

Створимо лінійну НС і протестуємо її за даними навчальної вибірки:

net = newlind(p,t);

Y = sim(net,p)

Y =

1.0000 3.0000 5.0000 7.0000 9.0000

Потім запускаємо Simulink командою gensim(net,-1)

Потім натискаємо кнопку Start в панелі інструментів вікна моделі.

Розрахунок нового значення мережею проводиться практично миттєво. Для його виведення необхідно двічі клацнути на правому значку (на блоці у (1)).

Рис. 1.5 Графік структури мережі

Двічі клацаючи на блоці Neural Network, а потім на блоці Layer 1, можна отримати детальну графічну інформацію про структурі мережі

Рис. 1.6. Детальна інформація структури мережі

Висновок

Під час виконання роботи було із засобами і методами MATLAB і пакета Simulink для моделювання та дослідження нейронних мереж. І застосовано нейронні мережі для апроксимації функцій. Нейронна мережа була створена трьома способами: в командному режимі, з використанням GUI-інтерфейсу і з використанням Simulink.

Звіт з лабораторної роботи 2

Тема: генетичні алгоритми

Мета: навчитися реалізовувати генетичні алгоритми в додатку Genetic Algorithm and Direct Search Toolbox та застосовувати їх у завданнях оптимізації.

Короткі теоретичні відомості

Генетичний алгоритм (англ. genetic algorithm) - це евристичний алгоритм пошуку, що використовується для розвязання завдань оптимізації й моделювання шляхом випадкового підбору, комбінування й варіації шуканих параметрів з використанням механізмів, що нагадують біологічну еволюцію, є різновидом еволюційних обчислень. Відмінною рисою генетичного алгоритму є акцент на використанні оператора «схрещування», що виконує операцію рекомбінації рішень-кандидатів, роль якої аналогічна ролі схрещування в живій природі.

Функція придатності - це функція, що підлягає оптимізації. У випадку стандартних оптимізаційних алгоритмів вона відома як цільова функція. Функцію придатності можна записати в М-файл і передати у вигляді якогось аргументу в основний генетичний алгоритм.

Індивідуум - деяка точка, у якій можливий розрахунок функції придатності. Значення функції придатності індивідуалізованого об'єкта саме і є її кількісний показник. Наприклад, якщо функція придатності має такий вигляд:

f(x1,x2,x3) = (2x1 + 1)² + (3x2 + 4)² + (x3 - 2)²,

то вектор (2, 3, 1), розмірність якого дорівнює числу змінних даної задачі, і є індивідуум. Кількісний показник індивідуума як об'єкта (2, 3, 1) буде f(2, -3, 1) = 51. Об'єкт індивідуума іноді називається геном, а компоненти вектора називаються генами. Сімейство - це масив індивідуалізованих об'єктів. Той самий об'єкт індивідуума може з'являтися в даному сімействі більше одного разу.

Результати виконання роботи:

1. Необхідно знайти мінімум наступної функції:

.

2. Для створення m-файла, що необхідний для розрахунку даної функції, слід створити порожній m-файл і ввести наступний код:

function z = my_fun_didenko(x)

z = x(1)^2 - 2*x(1)*x(2) + 6*x(1) + x(2)^2 - 6*x(2);

Рис. 2.1 Запис фунції

3. Зберегти m-файл у поточній робочій директорії MATLAB з ім'ям my_fun. m.

4. Для перевірки, що М-файл повертає точне рішення, варто виконати:

my_fun([2 3])

ans = -5

5. Відкрити інструментарій генетичного алгоритму. У поле Fitness function ввести ім'я цільової функції @my_fun, указати розмірність вхідного вектора для функції придатності.



Рис. 2.2 Інструментарій генетичного алгоритму

6. У розділі Plots установити прапорці для графіків Best fitness, Best individual, Distance. Запустити генетичний алгоритм, проаналізувати отримані графіки.

7. У результаті завершення процесу у вікні Final point з'явиться значення змінної x, що відповідає мінімуму функції, а у вікні Status and result можна побачити знайдене мінімальне значення цільової функції.

8. Знайти максимум функції:

9. Відобразити отримані графіки

Рис. 2.3 Графіки заданих функцій

Висновок

Під час виконання лабораторної роботи №2 було отримано навики реалізовування генетичних алгоритмів в додатку Genetic Algorithm and Direct Search Toolbox та застосовувано їх у завданні оптимізації.

Звіт з лабораторної роботи 3

Тема. Нечітка експертна система з алгоритмом виведення Mamdani

Мета: вивчити основи програмування в математичному пакеті MatLab у додатку Fuzzy Logic Toolbox. Навчитися створювати елементарні експертні системи з набором правил у базі даних системи

Завдання

Етап 1. Дослідження предметної області і опис представленої інформації, у вигляді достатньому для проектування нечіткої експертної системи. Зробити вибір предметної області та сформувати для цієї обраної області нечітку базу знань, визначивши кількість входів та виходів (наприклад: 3 вхідні лінгвістичні змінні, 1 вихідна лінгвістична змінна). Експертна система повинна бути досить продуманою і мати практичне значення.

Етап 2. Визначення правил типу «якщо ... то», «якщо ... або ... то», «якщо ... і ... то». Самостійно запропонувати вхідні змінні і правила виводу. Внести данні в таблицю « Набір показників».

Етап 3. Створення експертної системи

У середовищі Matlab створити власну експертну систему на основі нечіткого логічного висновку.

Провести налагодження бази знань для обраної предметної області та сформувати ряд контрольних прикладів: для розробленої системи самостійно змінити параметри функцій належності для досягнення кращих результатів роботи. Наприклад, можна змінити числові значення термів, тип функцій належності (трапецеїдальні, ґауссові 1 та 2-го порядку), додати правила в базу знань та ін.

Етап 4. Зробити порівняльні висновки стосовно роботи системи з різним настройками

Теоретичні відомості

Fuzzy Logic Toolbox - це пакет прикладних програм, що входять до складу середовища MatLab. Він дозволяє створювати системи нечіткого логічного виведення і нечіткої класифікації в рамках середовища MatLab з можливістю їх інтеграції в Simulink.

Основні властивості:

- визначення змінних, нечітких правил і функцій належності;

- інтерактивний перегляд нечіткого логічного виведення;

- сучасні методи: адаптивне нечітке виведення з використанням нейронних мереж, нечітка кластеризація;

- інтерактивне динамічне моделювання в Simulink;

- генерація переносного С коду за допомогою Real-Time Workshop.

Пакет Fuzzy Logic містить п'ять графічних редакторів для представлення необхідної інформації в процесі проектування, створення і тестування нечітких моделей.

Пакет Fuzzy Logic містить сучасні методи нечіткого моделювання, включаючи:

- адаптивне нечітке виведення з використанням нейронних мереж для автоматичного формування функції належності в процесі навчання їх на вхідних даних;

- нечітку логіку і кластеризацію для задач розпізнавання образів;

- можливість вибору широко відомого метода Мамдані або метода Сугено для створення гібридних нечітких систем.

Пакет дозволяє роботу:

- у режимі графічного інтерфейсу;

- у режимі командного рядка;

- з використанням блоків та прикладів пакета Simulink.

Порядок виконання роботи

Розробити експертну систему, згідно поставленого варіанту.

Тема: Експертна система «Вибору сорту плодового дерева».

1. Проведіть дослідження предметної області.

2. Розробіть базу знань заданої предметної області.

3. Створіть графічну класифікацію в базі знань на основі деревоподібної структури.

4. Побудуйте експертну систему, реалізувавши базу знань на вибрану тему. Повинно розпізнаватися 10-12 об'єктів

Етапи створення експертної системи вибору сорту плодового дерева:

Етап 1. Дослідження експертної системи.

При проектування бази знань, її стверджень і їх структури треба додержуватися недвозначну логічну організацію та дотримуватися мінімум надлишкової інформації. Так само як і в системі, що базується на правилах, мінімальна достатня кількість даних утворюють найбільш ефективну систему.

Розглядаємо експертну систему для вибору сорту плодового дерева.

Класифікація в базі знань може ґрунтуватися на основних характеристиках плодових дерев. Згідно цієї класифікації розрізняємо такі характеристики вибору плодового дерева:

· якість;

· морозостійкість;

· довговічність;

· витривалість.

Для вибору сорту плодового дерева використовується список характеристик. Кількість ознак визначає ступінь точності класифікації. Для вибору сорту використовується безліч характеристик. Всі перераховані нижче характеристики є необхідними. Дані характеристики зображені на Рис.1.

1. Якість: задовільна; добра; відмінна.

2. Довголіття: довговічні; недовговічні.

3. Витривалість: маловитривалі; середньо-витривалі; добре-витривалі.

4. Морозостійкість: малостійкі; середньо-стійкі; добре-стійкі.

Рис. 3.1 Критерії вибору плодового дерева

Етап 2. Штучні нейронні мережі

Створена обчислювальна модель нейронної мережі має один вихід, і чотири входи. Дані входи і вихід мають чіткі правила, за допомогою яких розроблена експертна система вибору плодового дерева. Дані правила відображені в Таблиці 1 та зображені на Рисунку 3.1:

Таблиця 1

Правила побудови експертно системи

Входи	Вихід
Якість	Морозостійкість	Витривалість	Довголіття
Задовільна	або	Малостійка	або	Маловитривала	або	Недовговічні	Тоді	Поганий
Задовільна	або	Малостійка	або	Маловитривала	або	Недовговічні	Тоді	Поганий
Добра	і	Середньостійка	І	Середньовитривала	і	Довговічні	Тоді	Середній
Добра	і	Середньостійка	І	Середньовитривала	і	Довговічні	Тоді	Поганий
Добра	і	Середньостійка	І	Середньовитривала	і	Довговічні	Тоді	Середній
Відмінна	і	Високостійка	І	Добревитривала	і	Довговічні	Тоді	Добрий
Відмінна	і	Високостійка	І	Добревитривала	і	Довговічні	Тоді	Добрий
Добра	і	Середньостійка	І	Середньовитривала	і	Довговічні	Тоді	Поганий

Етап 3. Результати виконання експертної системи вибору сорту плодового дерева.

Рис. 3. Характеристики вибору плодового дерева

Рис. 3.3 Правила вибору плодового дерева

алгоритм програмування нейронний мережа



Рис. 3.4 Відображення системи вибору плодового дерева

Висновок

Експертні системи є найбільш відомим і поширеним видом інтелектуальних систем.

Як і будь-які інші системи, вони мають ряд своїх особливостей:

· експертні системи орієнтовані на вирішення широкого кола завдань в неформалізованих областях, на додатки, які до недавнього часу вважалися малодоступними для обчислювальної техніки.

· за допомогою експертних систем фахівці, які не знають програмування, можуть самостійно розробляти цікавлять їх додатки, що дозволяє різко розширити сферу використання обчислювальної техніки.

· при вирішенні практичних завдань експертні системи досягають результатів, які не поступаються, а іноді й переважаючих можливості людей- експертів, не оснащених ЕОМ. У ході виконання розрахунково-графічної роботи була створена експертна система для вибору моделі автомобіля по заданим параметрам. Таким чином, проблема розробки і використання експертних систем є досить актуальною в сучасному суспільстві.

Звіт з лабораторної роботи 4

Тема: дерево рішень

Мета: знайомство із засобами і методами MATLAB і пакета Simulink для моделювання та дослідження дерева рішень. Застосування функії Statistics Toolbox для побудови дерева рішень.

Короткі теоретичні відомості

Treefit (X, y) функція призначена для розрахунку структури І, визначальною параметри ієрархічної нелінійної регресійної моделі або бінарного дерева класифікації спостережень для матриці незалежних змінних Х і вектора значень залежної змінної y. Розмірність матриці Х - n Ч m, де n - число спостережень, m - кількість незалежних змінних. Рядки Х відповідають спостереженням, стовпці Х - незалежних змінних. Число елементів вектора y має дорівнювати n. Вектор y може бути заданий як вектор числових значень, вектор рядків або масив осередків із строковими елементами. У 1-му випадку вирішується завдання регресії, у 2-му і 3-му випадках - завдання класифікації. Вихідна змінна T визначає бінарне дерево рішень, в якому проміжні вузли діляться гілками на 2 можливих рішення. Як умова вибору напрямку переходу виступає обмеження на значення незалежної змінної.

T = treefit (X, y, 'param1', val1, 'param2', val2, ...) додаткові параметри 'param1', 'param2', ... задаються у вигляді пари "назва параметра, значення".

Результати виконання завдання:

Виконати задачу регресії виду

Залежна змінна y визначена на числовий шкалою. Задано мінімальне число спостережень для подальшого розподілу проміжного вузла 'splitmin' = 20 і скасована можливість розрахунку параметрів послідовності скорочених ієрархічних регресійних моделей 'prune' = 'off'.

Рис. 4.1 Побудова регресії

Рис. 4.2 Побудова дерева рішень для регресії

Висновок

Під час виконання лабораторної роботи №4 було отримано навики реалізовування дерев рішень засобами і методами MATLAB і пакета Simulink. Застосовано функцію Statistics Toolbox для побудови дерева рішень.

Звіт з лабораторної роботи 5

Тема: карти Кохонена

Мета: отримати навички розв'язання практичних задач за допомогою мереж Кохонена

Короткі теоретичні відомості

Карти Кохонена, що самоорганізуються -- це спеціальний клас штучних НМ, робота яких базується на конкурентному принципі навчання (competitive learning): виходи нейронів конкурують між собою за право перейти в стан збудження. Виходом мережі вважається нейрон-переможець ("winner takes all"). Для реалізації конкурентного принципу навчання використовуються латеральні гальмуючі зв'язки між нейронами. Ця ідея була започаткована Розенблаттом.

У картах самоорганізації КСО (Self-Organizing Maps -- SOM) нейрони реалізуються у вузлах одномірної або двовимірної решітки. У процесі конкурентного навчання вони вибірково налаштовуються на різні вхідні образи (стимули), або класи вхідних образів. Позиції нейронів-переможців впорядковуються відносно інших.

Карти, що самоорганізуються, формують топографічне відображення вхідних образів, при якому просторове розташування (координати) нейронів решітки відбиває внутрішні статистичні властивості вхідних образів.

КСО поєднує два рівні адаптації:

- правила адаптації, сформовані на мікрорівні одного нейрона;

- формування експериментально більш ефективних і фізично досяжних властивостей на макрорівні шару.

КСО за своєю природою нелінійні, і їх можна розглядати як нелінійне узагальнення аналізу головних компонентів.

Розвиток КСО мотивований відмінною рисою людського мозку: входи від різних органів почуттів представлені топологічно упорядкованими обчислювальними відображеннями (картами). Зорова, звукова і дотикальна інформація відображається на різні області і топологічно впорядковується.

Обчислювальні відображення є основними будівельними блоками інфраструктури обробки інформації в нервовій системі людини.

Результати виконання завдання:

Кількість нейронів - 4

База знань - z

Розмірність бази знань - 2х200

Задамо одне з множин значень кластера №1.

Центром кластера буде є точка (3; 0) з невеликим розкидом від центру rand (1,30) і кількістю відліків 50.plot(x1,y1,'ob') :

>> y2=0+rand(1,30);

>> x2=-3+rand(1,30);

>> plot(x2,y2,'or')

Рис. 5.1 Зображення першого кластера функції

Також поставимо безліч значень для другого кластера з центром (-3; 0):

>> y2=0+rand(1,30)

>> x2=-3+rand(1,30)

>> plot(x2,y2,'or')

Рис. 5.2 Зображення другого кластера функції

Для повної наочності розглянемо всі кластери на одному графіку:

>> figure (1)

>> hold on

>> plot(x3,y3,'og')

>> plot(x4,y4,'oy')

>> plot(x1,y1,'ob')

>> plot(x2,y2,'or')

>> grid on

>> hold off



Рис. 5.3 Зображення функції

Висновок

У ході виконання лабораторної роботи я ознайомилась з теоретичними відомостями, необхідними для розв'язання задачі кластеризації за допомогою нейронної мережі з шаром Кохонена. З використанням вбудованих функцій пакету нейронних мереж математичної середовища Matlab була вирішена задача кластеризації весоростових показників. Також було розглянуто використання самоорганізуючою карти на прикладі двовимірних векторів.

Звіт з лабораторної роботи 6

Тема: класифікація.

Мета: отримати навички розв'язання практичних з використанням класифікації.

Короткі теоретичні відомості

Класифікацією називається процедура, в якій об'єкти розподіляються по групах (класам) відповідно до чисельними значеннями їх змінних, що характеризують властивості цих об'єктів. Вихідними даними для класифікації є матриця X, в якій кожен рядок являє один об'єкт, а кожен стовпець - одну з змінних. Ця матриця називається вихідним набором даних. Число об'єктів (рядків в матриці X) ми будемо позначати буквою I, а число змінних (рядків в матриці X) - буквою J. Число класів ми будемо позначати буквою K.

Класифікацією називають не тільки саму процедуру розподілу, але і її результат. Вживається також термін розпізнавання образів (pattern recognition), який можна вважати синонімом. У математичній статистиці класифікацію часто називають дискримінацією.

Метод (алгоритм), яким проводять класифікацію, називають класифікатором. Класифікатор переводить вектор ознак об'єкта x в ціле число, 1, 2, ..., що відповідає номеру класу, в який він поміщає цей об'єкт.

Результати виконання:

Класифікація зображень у вигляді гістограми:

Y=randn(10000,1);

>> hist(Y,100)

>> title('\bfЛабораторна робота №6. Класифікація. Діденко І.О.)

Рис. 6.1 Зображення графіку функції у вигляді гістограми

Висновок

Під час виконання лабораторної роботи №6 було отримано навики реалізовування класифікації засобами і методами MATLAB і пакета Simulink. Виконано класифікацію зображень за допомогою гістограми.

Размещено на Allbest.ru

...