Вестник МГТУ, 2023, Т. 26, № 4.

Пашенцев С. В. Нейронные сети как инструмент совершенствования математической модели. целесообразно сохранить данные в строке Excel, скопировать ее и вставить в строку формы, изображенной на рис. 7 (действие выполнимо, так как форматы данных в Excel и в нашей строке одинаковы). Затем следует нажать кнопку Run и получить в текстовом поле Output результат Dc = 347.35 м, практически совпадающий со значением 346.9, полученным при испытании модели с использованием базового набора ее параметров. Особо отметим, что базовый набор занимал 121-ю строку и не участвовал в обучении сети. Ш STATISTICA Neural Networks ~TestModeL120, MLP 16:16-8-3-1:1 ' Рис. 7. Проверка работы обученной сети на произвольном наборе входных данных Fig. 7. Checking the work o f the trained network on an arbitrary set o f input data Упрощенный вариант тестирования - использование любой строки из наборов с 101 по 120, так как они специально планировались для целей тестирования. В этом случае в меню (рис. 7) следует выбрать Single Case и в появившейся форме (рис. 8) в текстовом поле Case No ввести номер набора, который хотим проверить. Наберем номер 111, нажмем кнопку Run и получим результат 335.4 (при целевом значении 336). Ниже показана фактическая погрешность порядка -0.6. Нажатие кнопки Up\Down рядом с номером набора меняет его номер на единицу и сразу дает значения Output, Target и Error без нажатия Run. File Edit Train Statistics Run Options Window Help l ^ l H i l | £ l i f ] | i i В І В Ш Н Ш Run Single Case I = II S II S3 I Case No § Error 0.0204 \m\mm VAR1 VAR2 VAR3 Input 0.05 2 7 9 0.05661 -0 .0 5 7 7 7 [< □ > Outputs Shown IVariables wmm VAR17 Output 335.40S4 Target 336 Error -0 .5 9 1 6 Рис. 8. Проверка работы обученной сети с использованием наборов входных данных 101-120 Fig. 8. Checking the work of the trained network on a set of input data for testing (sets 101-120) 478