рефераты конспекты курсовые дипломные лекции шпоры

Реферат Курсовая Конспект

Пример файла отчета

Пример файла отчета - раздел Геология, Классификация сейсмических сигналов на основе нейросетевых технологий Пример Файла Отчета. Nvclass Report - Wed Jun 02 15 58 02 1999 Type 1 ...

Пример файла отчета.

NVCLASS report - Wed Jun 02 15 58 02 1999 Type 1 2 Neural Net - 18,12,1 PatternFile - vect. txt Test Vector s - vector. tst ResNetFname - 12. net LearnTolerance 0.10 InitialWeigthFunc Gauss 0.0,1.5 Loop 1 Learning cycle result NumIter 5 NumLE 3 Error vector s 58,59,63, N ID Result Target 1 24 0.1064 0 2 25 0.9158 1 3 26 0.0452 0 4 27 0.0602 0 5 28 0.0348 0 6 29 0.0844 0 7 30 0.1091 0 8 31 0.0821 0 9 32 0.0298 0 10 33 0.2210 0 Loop 2 Learning cycle result NumIter 5 NumLE 5 Error vector s 33,34,55,58,63, N ID Result Target 1 24 0.1279 0 2 25 0.9929 1 3 26 0.0960 0 4 27 0.1463 0 5 28 0.1238 0 6 29 0.1320 0 7 30 0.1478 0 8 31 0.1235 0 9 32 0.0740 0 10 33 0.5140 1 Файл описания функций, типов переменных и используемых библиотек nvclass. h. Neuro classificator Common defines include stdio. h include ctype. h include stdlib. h include string. h include stdarg. h include time. h include math. h include unistd. h include sys file. h include fcntl. h define DefName nvclass. inp define MAXDEF 100 define MAXLINE 256 define NMAXPAT 100 define NMXINP 20 define NMXUNIT 20 define CONT 0 define EXIT OK 1 define EXIT CNT 2 define RESTART 911 define MAXEXP 700 Max arg exp arg without error OVERFLOW define Random 10 define Gauss 20 define OK 0 define Error 1 define Yes 77 define No 78 define Min 0 Find MinMax define Max 1 define TYPE ONE 21 define TYPE TWO 22 define TYPE THREE 23 define TYPE FOUR 24 int NDATA 0 int NUNIT1 0 int NUNIT2 0 int NUNIT3 0 int NOUT 1 int NPATTERN 0 Number of input pattern int NWORK 0 Number of work pattern int NTEST 0 Number of test pattern int result int STOP 0 int NumOut 250 Number of itteration, after which show result in debugfile. int Num Iter 10 The parameters requred in the procecc of float Percent 0.25 dinamic lerning with change eta float LearnTolerance 0.10 float TestTolerance 0.5 float MAX ERR 0.00001 min error float eta 1.0 learning coefficient float MIN ETA 0.01 float Array MinMax int Cur Number float W1 NMXINP NMXUNIT float W2 NMXUNIT float PromW1 NMXINP NMXUNIT float PromW2 NMXUNIT float PromW1 OLD NMXINP NMXUNIT float PromW2 OLD NMXUNIT float Err1 NMXUNIT float Err2 float OLD ERROR float GL Error 0.0 float Out1 NMXUNIT float Out2 char NetStr 20 Auto String with pattern of Net Structure int Type TYPE THREE Enter the mode of work of programm int InitFunc Random Random 10 weigth will RandomDistribution Gauss 20 GaussianDistributon float Constant 1 RandomDistribution -Constant, Constant float Alfa 0 GaussianDistribution Alfa, Sigma float Sigma 1 int Widrow No Nguyen-Widrow initialization start weigth int Loop 1 Number repeat of Learning cycle char PatternFile File with input patterns char TestVector char ReportFile report. txt name of report file char NetworkFile Name of input NetConfig file char ResNetFname Name of output NetConfig file int DEBUG Yes if Yes then debug info in the DebugFile char DebugFile Logfile. log Name of the debug file int NumberVector 0 Number of TEST vector int Shuffle Yes Flag - shuffle the input vectors int Scaling Yes Scaling input vector int MaxLearnCycles 1999 Max number of learning iteration FILE Dfp Debug file pointer FILE Rfp Report file pointer typedef struct Pattern int ID ID number this vector in all set of pattern float A pattern vector A a 0 , a 1 a NDATA float Target class which this vector is present PAT PAT Input PAT Work PAT Test lines in defaults file are in the form NAME value typedef struct Default char name name of the default char value value of the default DEF structure of statistics info about one test vector typedef struct Statistic int ID Primery number from input file float Target float TotalRes Total propability int Flag Flag 1, if vector was error and 0 in over case float result Result of testing vector on current iteration int TmpFlag analog Flag on current itteration int NumIter Number iteration of learning on which Learning cycle STOPED int NumLE Error vectors after cycle of learning was test STAT structure of the some result of learning cycle typedef struct ResLearning int NumIter int LearnError NMAXPAT 1 A 0 -count of error, A 1 -ID1, A 2 -ID2, A NMAXRL -ID RL function prototypes void OnlyTestVector void void TestAfterLearn void void CheckOneVector void void CrossValidation void DEF defbuild char filename DEF defread FILE fp FILE defopen char filename char defvalue DEF deflist, const char name int defclose FILE fp void defdestroy DEF , int void getvalues void void Debug char fmt, void Report char fmt, void Widrow Init void int Init W void float RavnRaspr float A, float B float NormRaspr float B, float A void ShufflePat int INP, int Koll El float F Act float x float Forward PAT src int LearnFunc void int Reset float ResErr, int Cnt, int N Err void Update Last int n, float Total Out void Update Prom1 int n void Prom to W void void Update All W int num, float err cur void Init PromW void void Prom to OLD void int CheckVector float Res, PAT src int TestLearn int src RL FurtherLearning int NumIteration, float StartLearnTolerans, float EndLearnTolerans, RL src STAT definestat PAT src STAT DefineAllStat PAT src, int Num void FillStatForm STAT st, int iteration, float res, RL lr void FillSimpleStatForm STAT st, float res void destroystat STAT st, int param void DestroyAllStat STAT st, int Num void PrintStatHeader void void printstat STAT st void PrintStatLearn RL src void PrintTestStat STAT st, int len void PrintErrorStat STAT st, int Len int DefineNetStructure char ptr void getStructure char buf 20 PAT patcpy PAT dest, PAT src PAT LocPatMemory int num void ReadPattern PAT input, char name, int Len void FreePatMemory PAT src, int num void ShowPattern char fname, PAT src, int len void ShowVector char fname, PAT src float getPatTarget float res PAT DataOrder PAT src, int Len, int Ubit, PAT dest, PAT test void FindMinMax PAT src, int Dimens, int Num elem, float Out Array void ConvX AB 01 PAT src int DefineCN int len int getPosition int Num, int src, int Len void DestroyCN int src void ShowCurN int LEN float LocateMemAMM void void FreeAMM float src void WriteHeaderNet char fname, float src void WriteNet char fname, int It void ReadHeaderNet char fname, float src int ReadNet char fname, int It FILE OpenFile char name int CloseFile FILE fp End of common file Файл автоматической компиляции программы под Unix - Makefile. CC cc LIBS -lm OBJ nvclass. o nvclass OBJ CC -o nvclass LIBS OBJ nvclass. o nvclass. c Основной модуль - nvclass. с Neuron Classificator ver 1.0 include common. h MAIN MODULE void main int argc, char argv int i char buf MAXLINE , PrName 20 , ptr time t tim time tim UNIX Module Dfp OpenFile DebugFile strcpy buf, argv 0 ptr strrchr buf, ptr strcpy PrName, ptr Debug n n s - Started s , PrName, ctime tim getvalues Rfp OpenFile ReportFile DefineNetStructure NetStr NetStr string from input file getStructure buf Debug nNeyral net s, buf Input LocPatMemory NPATTERN Work LocPatMemory NPATTERN Array MinMax LocateMemAMM Cur Number DefineCN NPATTERN printf nMetka - 1 if Type TYPE ONE OnlyTestVector if Type TYPE TWO TestAfterLearn if Type TYPE THREE CheckOneVector if Type TYPE FOUR CrossValidation time tim Debug n n s - Normal Stoped s , PrName, ctime tim CloseFile Dfp CloseFile Rfp FreeAMM Array MinMax DestroyCN Cur Number FreePatMemory Input, NPATTERN FreePatMemory Work, NPATTERN OnlyTestVectors - read net from NetworkFile and test the TestVector s void OnlyTestVector void char buf MAXLINE 1 STAT st, stat int i, j float Res Debug nOnlyTestVector proc start Debug n NPATTERN d , NPATTERN Debug n NTEST d , NTEST Test LocPatMemory NTEST ReadPattern Test, TestVector, NTEST ShowPattern 1. tst , Test, NTEST PrintStatHeader st DefineAllStat Test, NTEST ReadHeaderNet NetworkFile, Array MinMax if Scaling Yes for i 0 i NTEST i ConvX AB 01 Test i for i 0 i Loop i Debug n STEP d, i 1 Report n Loop d, i 1 ReadNet NetworkFile, i 1 for j 0 j NTEST j Res Forward Test j CheckVector Res, Test j FillSimpleStatForm st j , Res PrintTestStat st, NTEST DestroyAllStat st, 1 FreePatMemory Test, NTEST Debug to LOG FILE and to CONSOLE debug for UNIX void Debug char fmt, va list argptr int cnt 0 if Dfp! NULL DEBUG Yes va start argptr, fmt vfprintf Dfp, fmt, argptr fflush Dfp va end argptr void Report char fmt, va list argptr int cnt 0 if Rfp! NULL va start argptr, fmt vprintf fmt, argptr vfprintf Rfp, fmt, argptr fflush Rfp va end argptr debug for DOS void Debug char fmt, FILE file va list argptr if DEBUG Yes if file fopen DebugFile, a NULL fprintf stderr, nCannot open DEBUG file. n exit 1 va start argptr, fmt vfprintf file, fmt, argptr va end argptr fclose file void Report char fmt, FILE file va list argptr if file fopen ReportFile, a NULL fprintf stderr, Cannot open REPORT file. n exit 1 va start argptr, fmt vfprintf file, fmt, argptr vprintf fmt, argptr va end argptr fclose file ReadPattern void ReadPattern PAT input, char name, int Len int i 0, j 0, id, TmpNp 0, TmpNd 0, Flag 0 char buf1 NumOfPattern char buf2 PatternDimens char str 40 , str1 10 PAT Ptr FILE DataFile float tmp Debug nReadPattern s, d - started, name, Len Ptr. A float malloc NDATA sizeof float if DataFile fopen name, r NULL Debug nCan t read the data file s, name fclose DataFile exit 1 if strcmp name, TestVector 0 if read TestVector, then read Flag 1 only ID and A i. NO Target fscanf DataFile, s s, str, str1 if strcmp str, buf1 0 TmpNp atoi str1 Debug nNumOfPattern d , TmpNp fscanf DataFile, s s, str, str1 if strcmp str, buf2 0 TmpNd atoi str1 Debug nPatternDimens d , TmpNd if TmpNp! Len Debug n tWARNING NumOfPattern NOT EQUAL Param d! d , TmpNp, Len if TmpNd! NDATA Debug n tWARNING PatternDimens NOT EQUAL NDATA d! d , TmpNd, NDATA for i 0 i Len i fscanf DataFile, d , id Ptr. ID id for j 0 j NDATA j fscanf DataFile, f , tmp Ptr. A j tmp if Flag tmp -1 else fscanf DataFile, f , tmp Ptr. Target tmp input i patcpy input i , Ptr fclose DataFile LocPatMemory - locate memory for PAT PAT LocPatMemory int num int i PAT src src PAT malloc num sizeof PAT for i 0 i num i src i. ID -1 src i. A float malloc NDATA sizeof float src i. Target -1.0 return src void FreePatMemory PAT src, int num int i for i 0 i num i free src i. A free src Copies pattern src to dest. Return dest. PAT patcpy PAT dest, PAT src int i dest. ID src. ID for i 0 i NDATA i dest. A i src. A i dest. Target src. Target return dest Random distribution value rand return x from 0,32767 - x 32768 - x from 0,1 float RavnRaspr float A, float B float x x B-A rand RAND MAX 1.0 A return x float NormRaspr float A, float B float mat ogidanie A, Sigma B float Sumx 0.0, x int i for i 0 i 12 i Sumx Sumx RavnRaspr 0,1 from R 0,1 - N a, sigma x Sigma Sumx-6 mat ogidanie return x int Init W void int i, j float A, B time t t, t1 t time NULL t1 t restart random generator while t t1 srand unsigned time t if InitFunc Random A -Constant B Constant Debug nInit W Start ld, t Debug n InitFunc Random 4.2f, 4.2f , A, B for i 0 i NDATA i for j 0 j NUNIT1 j W1 i j RavnRaspr A, B for j 0 j NUNIT1 j W2 j RavnRaspr A, B if InitFunc Gauss A Alfa B Sigma Debug nInit W Start ld, t Debug n InitFunc Gauss 4.2f, 4.2f , A, B for i 0 i NDATA i for j 0 j NUNIT1 j W1 i j NormRaspr A, B for j 0 j NUNIT1 j W2 j NormRaspr A, B if Widrow Yes Widrow Init Debug nInit W - sucsefull return OK LearnFunc int LearnFunc void int i, j, n, K, NumErr 0 int num 0 float err cur 0.0, Res 0 time t tim float ep NMAXPAT GL Error 1.0 time tim Debug nLearnFunc Started Debug n eta 4.2f, eta Debug n LearnTolerance 4.2f , LearnTolerance Init PromW do num err cur 0.0 NumErr 0 for n 0 n NWORK n K Cur Number n Res Forward Work K ep n fabs Res-Work K . Target if ep n LearnTolerance NumErr Init PromW Update Last K, Res Update Prom1 K Prom to W err cur err cur ep n ep n err cur 0.5 err cur NWORK result Reset err cur, num, NumErr if num NumOut 0 Debug nStep d NumErr d Error 6.4f, num, NumErr, err cur while result CONT result RESTART Debug nStep d NumErr d Error 6.4f, num, NumErr, err cur return.

– Конец работы –

Эта тема принадлежит разделу:

Классификация сейсмических сигналов на основе нейросетевых технологий

Существуют задачи, решение которых просто невозможно аналитическими методами, а нейросети успешно с ними справляются. Даже в том случае, если можно… В данном дипломе рассматривается задача, возникающая при сейсмическом… Несмотря на то, что для ее решения, в настоящее время успешно применяются методы статистического анализа, …

Если Вам нужно дополнительный материал на эту тему, или Вы не нашли то, что искали, рекомендуем воспользоваться поиском по нашей базе работ: Пример файла отчета

Что будем делать с полученным материалом:

Если этот материал оказался полезным ля Вас, Вы можете сохранить его на свою страничку в социальных сетях:

Все темы данного раздела:

Основные положения теории нейронных сетей
Основные положения теории нейронных сетей. Для того, чтобы обсуждать возможности нейросетевых технологий, необходимо хотя бы немного иметь представление об элементарных понятиях, о том, что же тако

Постановка задачи классификации сейсмических сигналов
Постановка задачи классификации сейсмических сигналов. Международная система мониторинга МСМ , сформировавшаяся в мире за последние десятилетия, предназначена для наблюдения за сейсмически активным

Выделение информационных признаков из сейсмограмм
Выделение информационных признаков из сейсмограмм. Исходные данные представлены в виде сейсмограмм рис. 3.1 - это временное отображение колебаний земной поверхности. В таком виде анализирова

Отбор наиболее информативных признаков для идентификации
Отбор наиболее информативных признаков для идентификации. Как было показано выше, в сейсмограмме анализируемого события можно выделить достаточно много различных характеристик, однако, далеко не вс

Оценка вероятности ошибочной классификации методом скользящего экзамена
Оценка вероятности ошибочной классификации методом скользящего экзамена. Оценивание вероятности ошибочной идентификации типа событий землетрясение-взрыв, в каждом конкретном регионе представляет со

Нейрон-классификатор
Нейрон-классификатор. получал на свои входы уже линейно-разделимые множества. Такие структуры носят название многослойные персептроны 1-4,7,10 рис. 1.3 . Легко показать, что, в принципе, все

Методы предварительной обработки данных
Методы предварительной обработки данных. Если возникает необходимость использовать нейросетевые методы для решения конкретных задач, то первое с чем приходится сталкиваться - это подготовка данных.

Максимизация энтропии как цель предобработки
Максимизация энтропии как цель предобработки. Рассмотрим основной руководящий принцип, общий для всех этапов предобработки данных. Допустим, что в исходные данные представлены в числовой фор

Реализация нейросетевой модели и исследование ее технических характеристик
Реализация нейросетевой модели и исследование ее технических характеристик. Ранее было показано, какими средствами нейроинформатики можно пытаться решить задачу идентификации типа сейсмического ист

Выбор начальных весовых коэффициентов
Выбор начальных весовых коэффициентов. Перед тем, как приступить к обучению нейронной сети, необходимо задать ее начальное состояние. От того насколько удачно будут выбраны начальные значения весов

Алгоритм обучения и методы его оптимизации
Алгоритм обучения и методы его оптимизации. Приступая к обучению выбранной нейросетевой модели, необходимо было решить, какой из известных типов алгоритмов, градиентный обратное распространения оши

Формирование обучающей выборки и оценка эффективности обученной нейросетевой модели
Формирование обучающей выборки и оценка эффективности обученной нейросетевой модели. Из исходных данных необходимо сформировать как минимум две выборки - обучающую и проверочную. Обучающая в

Функциональные возможности программы
Функциональные возможности программы. В программе nvclass. с - нейро-классификатор векторов данных реализована модель двухслойного персептрона, представленная в разделе 6. Эта программа пред

Общие сведения
Общие сведения. Программный пакет предназначенный для идентификации типа сейсмического события включает следующие модули Исходный код программы nvclass. c и nvclass. h Файл с настройками режима раб

Описание входного файла с исходными данными
Описание входного файла с исходными данными. В качестве исходных данных используется отформатированный текстовый файл, в котором хранится информация о размерности векторов, их количестве и с

Описание файла настроек
Описание файла настроек. Параметры настройки программы содержаться во входном файле nvclass. inp. Пример файла приведен в приложении 3. Для настройки используются следующие переменные TYPE -

Эксплуатация программного продукта
Эксплуатация программного продукта. Перед тем, как приступить к эксплуатации программного продукта рекомендуется ознакомиться с форматом данных, в котором должны быть записаны исходная выбор

Результат работы программы
Результат работы программы. Для исследований возможностей разработанного программного обеспечения были проведены различные эксперименты, основная цель которых - подобрать значения параметров

Пример файла с векторами признаков
Пример файла с векторами признаков. Представлена выборка из файла 9 Norv. txt, содержащего 9 размерные вектора признаков. NumOfPattern 86 PatternDimens 9 1 -14.3104 -13.2561 -13.4705 -13.430

Файл с настройками программы
Файл с настройками программы. Common parameters for programm NVCLASS 1 1 - OnlyTest mode, 1 2 - TestAfterLearn mode, 2 1 - CheckOneVector, 2 2 - CrossValidation mode. TYPE 2 2 NDATA 9 NPATTERN 86 P

Хотите получать на электронную почту самые свежие новости?
Education Insider Sample
Подпишитесь на Нашу рассылку
Наша политика приватности обеспечивает 100% безопасность и анонимность Ваших E-Mail
Реклама
Соответствующий теме материал
  • Похожее
  • Популярное
  • Облако тегов
  • Здесь
  • Временно
  • Пусто
Теги