Слайд 2Цель работы:
посмотреть, обучится ли нейросеть при определении видовой принадлежности деревьев;
насколько точны будут
![Цель работы: посмотреть, обучится ли нейросеть при определении видовой принадлежности деревьев; насколько](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/340406/slide-1.jpg)
результаты обучающей выборки.
проверить сможет ли нейросеть определить вид дерева по неизвестным ей параметрам.
Слайд 3Многослойная нейронная сеть
Как и человеческий мозг, нейросеть состоит из множества простейших элементов
![Многослойная нейронная сеть Как и человеческий мозг, нейросеть состоит из множества простейших](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/340406/slide-2.jpg)
— 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.
Слайд 4В такой архитектуре нейроны объединены в так называемые слои. Под слоем понимается
![В такой архитектуре нейроны объединены в так называемые слои. Под слоем понимается](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/340406/slide-3.jpg)
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.
Слайд 5Нейросимулятор 1.0.
В своей работе я использовала готовый нейросимулятор:
![Нейросимулятор 1.0. В своей работе я использовала готовый нейросимулятор:](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/340406/slide-4.jpg)
Слайд 6Обучение
На вход подавались следующие статистические данные:
1. Группа
1) лиственные;
2) хвойные.
2.
![Обучение На вход подавались следующие статистические данные: 1. Группа 1) лиственные; 2)](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/340406/slide-5.jpg)
Высота
3. Крона
1) колоновидная;
2) конусообразная;
3) зонтообразная;
4) шарообразная;
5) флагообразная;
6) вислая;
7) раскидистая.
Слайд 7
4. Лист и игла
1)иглы мелкие, частые на одной прямой;
2)иглы длинные,
![4. Лист и игла 1)иглы мелкие, частые на одной прямой; 2)иглы длинные,](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/340406/slide-6.jpg)
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.
Слайд 85. Плод
1) шишка;
2) желудь;
3) орех;
4) ягода;
![5. Плод 1) шишка; 2) желудь; 3) орех; 4) ягода; 5) яблоко;](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/340406/slide-7.jpg)
5) яблоко;
6) кисть.
6. Кора.
1) гладкая;
2) шершавая;
3) грубая;
4) грубая с наростами.
Обучающая выборка представлена на следующем слайде:
Слайд 11При обучении данным методом обратного распространения ошибки, выдались наиболее близкие к практическим
![При обучении данным методом обратного распространения ошибки, выдались наиболее близкие к практическим](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/340406/slide-10.jpg)
результаты. Хотя некоторые модели деревьев, например, береза, ольха и рябина выдаются неточно.
Теперь посмотрим, сможет ли нейросимулятор выдать модель дерева на неизвестные ему параметры
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.](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/340406/slide-13.jpg)
Слайд 15Результаты
При проверке на тестируемых данных, результаты оказались хуже. Из пяти введенных моделей
![Результаты При проверке на тестируемых данных, результаты оказались хуже. Из пяти введенных](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/340406/slide-14.jpg)
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.