Курсовая работа “Нахождение оптимальных весовых коэффициентов для нейронной сети методом дифференциальной эволюции”

В настоящее время нейронные сети (НС) развиваются с большой скоростью. Различные технологии НС внедряются в повседневную жизнь простых людей, а не только в научную и техническую области. Для того, чтобы правильно анализировать данные и работать в определенной системе, применяются современные вычислительные системы, которые преобразуют информацию по образу процессов, происходящих в мозгу человека.

Для большинства различных задач, связанных с обработкой и анализом данных, которые можно решить с помощью методов и подходов искусственного интеллекта и машинного обучения очень сложно настроить нейронную сеть для правильной работы со всеми данными. Большое значение в настройке НС зависит от весовых коэффициентов. Для наилучшего эффекта будет применена следующая технология:

• Корректируем веса НС с помощью дифференциальной эволюции
• Отправка готовых весовых коэффициентов в НС и ее последующая корректировка методом обратного распространения ошибки
• Подсчет правильно спрогнозированных результатов

В то же время очень многие практические задачи легко сводятся к оптимизационной задаче на поиск минимума функции n вещественных переменных и для такого типового варианта хотелось бы иметь готовый надежный генетический алгоритм. Поскольку даже определение операторов скрещивания и мутации для векторов, состоящих из вещественных чисел, оказывается не совсем тривиальным, то «изготовление» нового алгоритма для каждой такой задачи оказывается особенно трудоемким.

Данная технология сделана для того чтобы не попасть в локальный минимум. То есть, дифференциальная эволюция находит глобальный минимум, а метод обратного распространения ошибки находит такой минимум, который при любом значении является уже глобальным.

Результаты и выводы. Данная работа показывает, что с помощью алгоритма ДЭ и метода обратного распространения ошибки можно достичь хорошего результата в задачах практического применения. Однако выбор эффективной конфигурации является трудоемким процессом, который выполняется вручную. Более того, большое влияние на результат зависит и от самой конфигурации нейронной, количества нейронов на каждом слое, а также количество самих слоев и связь нейронов друг с другом. В дальнейшем планируется использование дополнительной нейронной сети, которая будет способна производить настройку архитектуры основной нейронной сети для повышения эффективности настройки и обучения НС.