Výsledky experimentů

V následující kapitolách se seznámíme s výsledky experimentů, které byly realizovány pomocí softwarového systému popsaného v předešlé kapitole.

Experimenty byly provedeny na Linuxovém clusteru Joyce v Ústavu informatiky Akademie věd. Výpočty probíhaly na jednotlivých uzlech s procesory Celeron 533 MHz a pamětí 384 MB.

Pro účely experimentů jsme zvolili úlohy různých velikostí tréninkové množiny i sítě. Řešili jsme jak problém aproximace funkce, tak problém klasifikace.

Optimální počty RBF jednotek pro danou úlohu se liší v závislosti na použité metodě. Abychom však měli možnost srovnání, učíme vždy všemi metodami stejně velké sítě.

Termínem chyba sítě v následujících kapitolách rozumíme hodnotu chybové funkce

$$E = \sum_{t=1}^k \parallel \vec{d}^{\,(t)} - \vec{f}^{\,(t)}\parallel^{2} ,$$

kde $\vec{f}^{\,(t)}$ představuje vektor výstupů sítě po předložení $t$-tého tréninkového vzoru a $\vec{d}^{\,(t)}$ vektor požadovaných výstupů.

Každému experimentu odpovídá jedna kapitola, která je navíc rozdělena do podkapitol popisujících použití gradientního učení, třífázového učení a genetických algoritmů. Nakonec vždy tyto rozdílné přístupy porovnáme na základě hodnot chybové funkce a časové náročnosti.