Применение нейронных сетей для задач классификации и кластеризации

Z=1-6 – вид закона распределения генерируемых признаков - 5. Равномерное

P=3 – число признаков

N=4 – число классов

ПОРЯДОК ВЫПОЛНЕНИЯ РАБОТЫ

4. Персептрон. Так как персептрон способен делить объекты только на два класса, то организуем работу итерационно:

4.1. Создать персептрон для отделения 1 класса от всех остальных. Протестировать персептрон по обучающей и тестирующей выборкам и определить процент правильно классифицированных объектов 1 класса.

4.2. Создать персептрон для отделения 2 класса от оставшихся. Протестировать персептрон по обучающей и тестирующей выборкам и определить процент правильно классифицированных объектов 2 класса

4.3. Продолжить, пока не будут разделены все объекты

4.4. Построить графики разделяющей поверхности и визуальное представление результатов тестирования

5. Сеть Кохонена (Kohonen). Вероятностная нейронная сеть (PNN). Сеть с прямым распрост­ра­нением сигнала и обрат­ным распространением ошибки (MLP). Осуществить кластеризацию с помощью конкурирующей сети (слой Кохонена), а затем классификацию с помощью двух трехслойных сетей: вероятностной нейронной сети (PNN) и сети с прямым распрост­ра­нением сигнала и обрат­ным распространением ошибки (MLP). Для каждого вида сети выполнить следующие этапы:

5.1 Создание сети

5.2 Обучение сети на обучающей выборке

5.3 Протестировать сеть отдельно по обучающей и по тестирующей выборке

5.4 Построить визуальное представление результатов тестирования

5.5 Оценить качество классификации в виде матриц

5.6 Выдать число итераций обучения

6. Оформить результаты в виде таблицы

таблица в ворд файле