Использование нейронных сетей при прогнозировании видовой принадлежности деревьев

Использование нейронных сетей при прогнозировании видовой принадлежности деревьев

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.

Многослойная 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.

В 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.

Нейросимулятор 1.0. В своей работе я использовала готовый нейросимулятор:

Обучение 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.

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.

5. 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:

Данные обучающей выборки Вид(Y1) Группа(X1) рост(X2) Крона(X3) Лист и игла(X4) Плод(X5) Кора(X6) сосна обычная (11) 1 40 3 3 1 4 ель (22) 1 45 2 1 1 2 лиственница (33) 1 40 2 4 1 2 пихта (44) 1 30 2 4 1 3 можжевельник (55) 1 12 5 4 1 1 берёза (66) 2 30 6 10 6 1 ольха (77) 2 20 2 10 6 1 ива (88) 2 25 6 7 0 1 клен (99) 2 30 7 5 0 3 липа (100) 2 28 7 10 0 4 тополь (110) 2 35 1 8 0 4 рябина (120) 2 20 2 8 4 1 осина (130) 2 35 7 10 0 1 черёмуха (140) 2 17 2 10 4 3 яблоня (150) 2 10 7 10 5 3 ясень (160) 2 45 7 10 0 3 орех (170) 2 20 7 8 3 3 дуб (180) 2 25 7 9 2 4 каштан (190) 2 30 7 10 3 4 бузина (200) 2 10 5 10 0 1 бук (210) 2 30 7 10 2 3 вяз (220) 2 25 3 10 0 4 граб (230) 2 25 6 10 6 4 груша (240) 2 20 7 10 5 3 боярышник (250) 2 4 7 10 4 3 калина (260) 2 4 5 5 4 1 облепиха (270) 2 4 7 8 4 1

Результаты обучения

При 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

Данные тестируемой выборки: Группа(X1) рост(X2) Крона(X3) Лист и игла(X4) Плод(X5) Кора(X6) Вид(Y1) 2 23 6 8 0 1 70 2 30 7 9 3 3 198 2 38 1 9 0 3 109 2 31 7 10 2 2 232 2 43 7 8 2 4 230

Результаты обучения

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

Результаты 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.

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