На этой неделе мы работали над методологией. Мы не хотели начинать со случайно выбранного алгоритма, поэтому мы искали прошлые реализации предмета. Мы видели, что в большинстве проектов используется многослойная нейронная сеть, по крайней мере, на экспериментальной стадии. Эти чтения заставили нас начать с нейронных сетей.
При первой попытке мы попытались оценить пиковое значение NO2, используя концентрации NO и NO2 по измерениям в ранние часы. Испытание было неудовлетворительным для оценки, и мы решили расширить наш набор данных из другого источника. [1] В данных есть пропущенные значения, которые необходимо исключить. Размер данных очень велик, и требуется время, чтобы просмотреть их все и объединить с нужными параметрами.
Теперь мы намерены провести серию экспериментов, чтобы проанализировать реализацию нашей сети.
ОСНОВНОЕ ВВЕДЕНИЕ В НЕЙРОННЫЕ СЕТИ
Нейронная сеть — это биологический метод контролируемого обучения. Нейронная сеть организована слоями. Каждый уровень принимает выходные данные предыдущего уровня в качестве своих входных данных и создает выходные данные, которые будут использоваться в следующем слое или в качестве самого результата для последнего слоя. Нейронные сети становятся нелинейными классификаторами с помощью используемых функций активации.
Существует множество руководств по нейронным сетям для начинающих, и есть несколько фреймворков Python, которые можно использовать. Некоторые из них — Theano, TensorFlow, Caffe, Lasagne и scikit-learn. В настоящее время мы используем scikit-learn.
Рекомендуемый пост для написания простой многослойной нейронной сети
Видеоурок для понимания процесса нейронной сети
