Una rete neurale può essere addestrata al riconoscimento di profili altimetrici: utilizziamo una rete con 5 input che costituiscono 5 valori di altezza consecutivi e 5 output corrispondenti alle seguenti scelte:
1. monte,
2. valle,
3. pendenza negativa,
4. pendenza positiva,
5. piano(pendenza nulla)

(fig.10)

Utilizziamo il training set di fig.11 per addestrare la rete e il validation set di fig.12 per verificare la capacità di generalizzazione della rete. Nelle figure 11 e 12 sono presentati i risultati ottenuti su una rete con cinque neuroni su ogni strato hidden.

Si arriva al raggiungimento del target_error=0.02 in ~5600 epoche e in ~23000 epoche si raggiunge l'errore 0.01 con un epsilon=0.5. Come si può constatare il potere di generalizzazione, almeno per il validation set utilizzato, è ottimo nonostante che il training set sia costituito di soli 20 esempi(i valori ottenuti sono riferiti all’ esecuzione della rete con i pesi relativi al target_error=0.01).

Come noterete negli esempi i valori sono equamente distribuiti tra le cinque categorie per ottenere un buon risultato, poiché la rete neurale (un po’ come il nostro cervello) tende a diventare più sensibile agli eventi che si verificano più spesso o anche a quelli che si sono verificati più spesso nell’ ultimo periodo. In questo semplice esempio applicativo abbiamo utilizzato una rete ebp in modo un po’ anomalo, cioè come classificatore, nel senso che non abbiamo una risposta "analogica" al nostro input ma una risposta booleana che assegna ad una classe il nostro input pattern(configurazione degli input).

Luca Marchese

Successivo: Conclusioni

Sommario: Indice