ニューラルネットワークとpybrainを理解するために、時間インデックスのみを入力としてノイズの正弦関数を予測しようとしました。したがって、簡単なNN構造がy(t)= sin(t)を模倣できるという前提があります。pybrainを使った正弦関数の予測
デザインは、1入力レイヤー(線形)、1隠れレイヤー(tanh)、および1出力レイヤー(線形)です。ノードの数は各層ごとに1,10,1です。
入力(時間変数トン)は、その範囲がとなるようスケーリングされる[0; 1]。ターゲットは範囲[0; 1]または[-1; 1]の結果を持つようにスケーリングされます(下記参照)。
#!/usr/bin/python
from __future__ import division
import numpy as np
import pylab as pl
from pybrain.structure import TanhLayer, LinearLayer #SoftmaxLayer, SigmoidLayer
from pybrain.datasets import SupervisedDataSet
from pybrain.supervised.trainers import BackpropTrainer
from pybrain.structure import FeedForwardNetwork
from pybrain.structure import FullConnection
np.random.seed(0)
pl.close('all')
#create NN structure:
net = FeedForwardNetwork()
inLayer = LinearLayer(1)
hiddenLayer = TanhLayer(10)
outLayer = LinearLayer(1)
#add classes of layers to network, specify IO:
net.addInputModule(inLayer)
net.addModule(hiddenLayer)
net.addOutputModule(outLayer)
#specify how neurons are to be connected:
in_to_hidden = FullConnection(inLayer, hiddenLayer)
hidden_to_out = FullConnection(hiddenLayer, outLayer)
#add connections to network:
net.addConnection(in_to_hidden)
net.addConnection(hidden_to_out)
#perform internal initialisation:
net.sortModules()
#construct target signal:
T = 1
Ts = T/10
f = 1/T
fs = 1/Ts
#NN input signal:
t0 = np.arange(0,10*T,Ts)
L = len(t0)
#NN target signal:
x0 = 10*np.cos(2*np.pi*f*t0) + 10 + np.random.randn(L)
#normalise input signal:
t = t0/np.max(t0)
#normalise target signal to fit in range [0,1] (min) or [-1,1] (mean):
dcx = np.min(x0) #np.min(x0) #np.mean(x0)
x = x0-dcx
sclf = np.max(np.abs(x))
x /= sclf
#add samples and train NN:
ds = SupervisedDataSet(1, 1)
for c in range(L):
ds.addSample(t[c], x[c])
trainer = BackpropTrainer(net, ds, learningrate=0.01, momentum=0.1)
for c in range(20):
e1 = trainer.train()
print 'Epoch %d Error: %f'%(c,e1)
y=np.zeros(L)
for c in range(L):
#y[c] = net.activate([x[c]])
y[c] = net.activate([t[c]])
yout = y*sclf
yout = yout + dcx
fig1 = pl.figure(1)
pl.ion()
fsize=8
pl.subplot(211)
pl.plot(t0,x0,'r.-',label='input')
pl.plot(t0,yout,'bx-',label='predicted')
pl.xlabel('Time',fontsize=fsize)
pl.ylabel('Amplitude',fontsize=fsize)
pl.grid()
pl.legend(loc='lower right',ncol=2,fontsize=fsize)
pl.title('Target range = [0,1]',fontsize=fsize)
fig1name = './sin_min.png'
print 'Saving Fig. 1 to:', fig1name
fig1.savefig(fig1name, bbox_inches='tight')
出力数値は以下の通りである:
は、ここに私はPython 2.7のコードです。
最初の数字は良好な結果を示しているが、両方の出力が不十分です。私はいくつかの基本的なニューラルネットワークの原理を欠いているのですか?この場合、ターゲット信号を推定する簡単な統計的方法があることはわかっていますが、ここでは簡単なNN構造を使用することを目的としています。
これ以上の学習ステップでは、予測が改善されません。この問題は出力飽和と思われます。入力値と出力値をスケーリングすることにより、より良い予測を達成することができます。 – aslan