Анализ с помощью гибридной (нейро-нечеткой) сети

Нейросетевой анализ данных на основе самоорганизующихся карт Кохонена.

Нейросетевой анализ данных на основе обучения с учителем.

Построение дерева решений.

Дерево решений (рис. 39) получилось следующим:

Рис. 39. Дерево решений

Оно показывает, что признаки «Рыба» и «Хлеб» являются значимыми.

Нейросеть для данной выборки имеет следующий вид (рис. 40):

Рис. 40. Нейросеть [4x3x1]

При построении нейронной сети возникла ошибка классификации, но она мала по отношению к выборке (рис. 41).

Рис. 41. Таблица сопряженности

Карты Кохонена (рис. 42) подтвердили значимость признаков «Хлеб» и «Рыба», которые были выделены деревом решений.

Рис. 42. Карты Кохонена

На картах (рис. 42) можно заметить, что признаки «Фрукты» и «Картофель» менее значимые, чем признаки «Рыба» и «Хлеб».

Таким образом, второй класс был разбит ещё на 3 класса. В результате новое разделение на классы выглядит следующим образом:

Таблица 3. Распределение регионов по классам

Класс 1	Класс 2	Класс 3	Класс 4	Класс 5
г. Москва Архангельская область Мурманская область Республика Калмыкия Камчатский край Приморский край Магаданская область Сахалинская область Чукотский АО	Владимирская область Новгородская область Ростовская область Кабардино-Балкарская Республика Оренбургская область Пензенская область	Орловская область Рязанская область Смоленская область Вологодская область Тверская область Республика Мордовия Республика Татарстан Удмуртская республика Пермский край Ульяновская область Курганская область Забайкальский край Алтайский край	Челябинская область Республика Башкортостан	Московская область Краснодарский край Ставропольский край

Выборка, необходимая для построения нейро-нечеткой сети, находится в файле Нейро-нечеткая сеть.dat.

Загружаем данные в редактор Anfis (рис. 43).

Рис. 43. Загрузка данных в редактор Anfis

Для обучения сети устанавливаем количество эпох равным 60.

Обучение считается законченным в том случае, когда ошибка не меняется и очень мала. В данном случае (рис. 44) значение ошибки равно 0,0012. Нас така я ошибка устраивает.

Рис. 44. Результат обучения нейро-нечеткой сети

Нейросеть для нашей выборки получилась следующая (рис. 45):

Рис. 45. Нейросеть нейро-нечеткой сети

Она имеет 4 входных нейрона, 12 нейронов на первом скрытом слое, 81 нейрон на втором скрытом слое и 1 нейрон на выходном слое.

Нейро-нечеткая сеть вывела 81 правило (рис. 46).

Рис. 46. Правила нейро-нечеткой сети

Введем следующие данные:

Текущий класс – 1;

Желаемый класс – 5;

Текущая сумма потребления – 625,4;

Желаемая сумма потребления – 1003.

Нейро-нечеткая сеть приняла решение увеличить потребление на 265 единиц (рис. 47).

Рис. 47. Принятие решения нейро-нечеткой сетью

Установим другую функцию дефаззификации (рис. 48).

Рис. 48. Установка другой функции дефаззификации

Введем те же данные, которые вводили для предыдущего примера. Нейро-нечеткая сеть приняла решение о необходимости увеличить сумму потребления продуктов питания на 266 единиц (рис. 49).

Рис. 49. Принятие решения нейро-нечеткой сетью

Поверхности имеют следующий вид:

Рис. 50. Поверхность при входных данных желаемый класс и текущий класс

Рис. 51. Поверхность при входных данных желаемая сумма и текущая сумма

Вывод: разные функции дефаззификации принимают примерно одинаковые решения, поэтому можно выбрать любую.

Дата добавления: 2015-06-04