Разделы презентаций


Использование нейронных сетей при прогнозировании видовой принадлежности деревьев

Содержание

Цель работы:посмотреть, обучится ли нейросеть при определении видовой принадлежности деревьев;насколько точны будут результаты обучающей выборки.проверить сможет ли нейросеть определить вид дерева по неизвестным ей параметрам.

Слайды и текст этой презентации

Слайд 1Использование нейронных сетей при прогнозировании видовой принадлежности деревьев

Использование нейронных сетей при прогнозировании видовой принадлежности деревьев

Слайд 2Цель работы:
посмотреть, обучится ли нейросеть при определении видовой принадлежности деревьев;
насколько

точны будут результаты обучающей выборки.
проверить сможет ли нейросеть определить вид

дерева по неизвестным ей параметрам.
Цель работы:посмотреть, обучится ли нейросеть при определении видовой принадлежности деревьев;насколько точны будут результаты обучающей выборки.проверить сможет ли

Слайд 3Многослойная нейронная сеть
Как и человеческий мозг, нейросеть состоит из множества

простейших элементов — нейронов, взаимодействующих друг с другом. Именно их

совокупность обеспечивает уникальность свойств нейронных сетей, таких как способность к обобщению, работа с зашумленными и неполными данными и др.
Среди всего разнообразия архитектур нейронных сетей наибольшее распространение получили многослойные.
Многослойная нейронная сетьКак и человеческий мозг, нейросеть состоит из множества простейших элементов — нейронов, взаимодействующих друг с

Слайд 4В такой архитектуре нейроны объединены в так называемые слои. Под

слоем понимается совокупность нейронов, входы которых соединены с выходами нейронов

предыдущего слоя, а в свою очередь, выходы нейронов этого слоя являются входами для следующего слоя.
Обычно слоистые сети являются полно связанными, то есть входы каждого нейрона слоя связаны со всеми выходами нейронов предыдущего слоя.
В такой архитектуре нейроны объединены в так называемые слои. Под слоем понимается совокупность нейронов, входы которых соединены

Слайд 5Нейросимулятор 1.0.
В своей работе я использовала готовый нейросимулятор:

Нейросимулятор 1.0.В своей работе я использовала готовый нейросимулятор:

Слайд 6Обучение
На вход подавались следующие статистические данные:
1. Группа

1) лиственные;
2) хвойные.
2. Высота
3.

Крона
1) колоновидная;
2) конусообразная;
3) зонтообразная;
4) шарообразная;
5) флагообразная;
6) вислая;
7) раскидистая.
Обучение На вход подавались следующие статистические данные:1.  Группа   1) лиственные;   2) хвойные.2.

Слайд 7
4. Лист и игла
1)иглы мелкие, частые

на одной прямой;
2)иглы длинные, по 5 штук

в пучке;
3)иглы средние по две в пучке;
4)иглы средние;
5)лист большой пятиугольный;
6)лист фигурный средний;
7)лист узкий, длинный, большой;
8)лист узкий, маленький;
9)лист не правильной формы;
10)лист простой.
4.  Лист и игла   1)иглы мелкие, частые на одной прямой;   2)иглы длинные,

Слайд 85. Плод
1) шишка;

2) желудь;
3) орех;
4)

ягода;
5) яблоко;
6) кисть.
6. Кора.
1) гладкая;
2) шершавая;
3) грубая;
4) грубая с наростами.

Обучающая выборка представлена на следующем слайде:
5.  Плод   1) шишка;    2) желудь;   3) орех;

Слайд 9Данные обучающей выборки

Данные обучающей выборки

Слайд 10Результаты обучения

Результаты обучения

Слайд 11При обучении данным методом обратного распространения ошибки, выдались наиболее близкие

к практическим результаты. Хотя некоторые модели деревьев, например, береза, ольха

и рябина выдаются неточно.
Теперь посмотрим, сможет ли нейросимулятор выдать модель дерева на неизвестные ему параметры
При обучении данным методом обратного распространения ошибки, выдались наиболее близкие к практическим результаты. Хотя некоторые модели деревьев,

Слайд 12Данные тестируемой выборки:

Данные тестируемой выборки:

Слайд 13Результаты обучения

Результаты обучения

Слайд 14Зависимости погрешности обучения и погрешности обобщения от числа нейронов внутренних

слоев персептрона.

Зависимости погрешности обучения и погрешности обобщения от числа нейронов внутренних слоев персептрона.

Слайд 15Результаты
При проверке на тестируемых данных, результаты оказались хуже. Из пяти

введенных моделей нейросимулятор смог определить только 1. Это можно объяснить

тем, что данные, которые мы вводили, не совпадают с точными значениями деревьев. Но для работы с уже известными параметрами деревьев нейросимулятор вполне подходит, его можно использовать биологам и экологам, занятым в этой области для ускорения работы. А также обычным людям в качестве определителя деревьев.
РезультатыПри проверке на тестируемых данных, результаты оказались хуже. Из пяти введенных моделей нейросимулятор смог определить только 1.

Слайд 16Работу выполнила:
студентка гр. 1233
Коркодинова Е.П.

Работу выполнила: студентка гр. 1233Коркодинова Е.П.

Обратная связь

Если не удалось найти и скачать доклад-презентацию, Вы можете заказать его на нашем сайте. Мы постараемся найти нужный Вам материал и отправим по электронной почте. Не стесняйтесь обращаться к нам, если у вас возникли вопросы или пожелания:

Email: Нажмите что бы посмотреть 

Что такое TheSlide.ru?

Это сайт презентации, докладов, проектов в PowerPoint. Здесь удобно  хранить и делиться своими презентациями с другими пользователями.


Для правообладателей

Яндекс.Метрика