Предлагаю работу "Разработка нейросетевой системы для аппроксимации функций"

[SHAREWOOD]

Разработка нейросетевой системы для аппроксимации функций" подразумевает аппроксимацию функций многослойным перцептроном. Две программы обучения сети (программа нахождения весов) и функцинирования сети. Входными данными сети, которая будет производить аппроксимацию функций, являются значения аргументов некоторых функций. Каких именно решать вам. Придумайте функции от трех, четырех, пяти аргументов. Штук 6. Например, f(x1, x2, x3, x4) = 5x1+8x2+70x3+90x4+660. Это пример линейной функции. Добавьте к ней еще экспоненциальную, Гаусса, степенную, тригонометрическую и так далее. Входные данные, как и выходные, в таких задачах, как аппроксимация, должны нормироваться, поэтому почитайте про нормировку данных. Входные данные на входы сети должны подаваться из файла Excel Выходными данными сети, которая будет производить аппроксимацию функций, являются значения самих функций. Выходные данные с выходов сети должны записываться в файл Excel Учебник генерируете сами. Штук 50 образов. И для каждой функции штук 200 значений. Тестовые данные это данные, на которых проверяется отказоустойчивость сети. Это промежуточные значения функций и зашумленные значения образов Лучше использовать сигмоидальную функцию активации нейрона или гиперболический тангенс. Количество входных нейронов сети равняется количеству аргументов функций. Количество выходных нейронов сети равняется одному. Так как в один рабчий такт сеть будет аппроксимировать только одну функцию. Задачах должно быть динамичным, то есть его должен изменять пользователь, чтобы посмотреть, как изменяется качество функционирования сети в зависимости от этого параметра. ...

Откликнуться на задание: