
Среда программирования: MatLab
Название работы: Разработка методики планирования эксперимента на основе нейросетевых алгоритмов
Вид работы: Курсовая работа
Тематика работы: Алгоритмы, Математика, Нейронные сети
Объем программы: 5 (по десятибалльной шкале)
Уровень сложности: 5 (по десятибалльной шкале)
Разработчик (автор):
Программист сайта kursovik.com
(письмо автору)
Данная работа написана ЧЕЛОВЕКОМ без использования ИИ
Ключевые слова: Методика планирования эксперимента, нейросеть, нейро, нейроалгоритм, нейросетевой алгоритм, нейросетев, matlab, аппроксиматор, нейросет, архитектура нейросети, отклик двухфакторного эксперимента
Функции программы:
Подробности: необходимо теоретически рассмотреть вопрос применения нейронных сетей в качестве универсальных аппроксиматоров данных эксперимента, затронут вопрос минимальной обучающей выборки. Поставить вычислительный эксперимент по оценке различных типов нейросетей архитектуры, определить сеть с лучшими показателями аппроксимации. Разработать приложение, которое позволяет строить нейросетевую модель функции отклика двухфакторного эксперимента, визуализировать и проверять корректность модели, определить факторные координаты точки максимума. Для разработанной программы привести методику использования на примере определения оптимальных параметров настроек оперативной памяти ЭВМ по критерию производительности.
Описание (отчет):
Есть
на 59 страниц, посмотреть оглавление
Пояснения к компиляции и запуску программы:
1. Нужно установить ПО Matlab.
2. Для работы с программой нужно запустить файл dplan.mat.
Пояснения к запуску программы:
1. Нужно установить ПО Matlab.
2. Для работы с программой нужно запустить файл dplan.mat.

исходники
Исходные файлы программы
dplan
Exp
Exp
Exp
Тестирование сетей
Data25
Data91
GRNN25
GRNN91
MLP25
MLP91
MLPnet
NetTests
PrepareData
PrepareTestNets
RB25
RB91Перед покупкой готовой работы не забудьте проверить её оригинальность. Запросить у администратора проверку текущей оригинальности работы по версии системы Антиплагиат.РУ
Отчет к программе. СодержаниеВведение. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5 Теоретическая часть . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .7 Нейросетевые модели в эксперименте . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .7 Обучение нейронных сетей . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .11 Архитектуры нейронных сетей для решения задачи аппроксимации . . . . . . . . . . . . . . . .