धातु खोज और ... तंत्रिका नेटवर्क

नाड़ी मेटल डिटेक्टर के संचालन का सिद्धांत
धातु खोज उपकरणों के निर्माण के लिए लोकप्रिय विकल्पों में से एक पल्स ( इंडक्शन ( पीआई )) मेटल डिटेक्टर है - एक सरल और विश्वसनीय डिवाइस (अच्छी पहचान की गहराई, बढ़ी हुई मिट्टी के खनिज का प्रतिरोध, खारे पानी में काम करने की क्षमता), जो कि आवेदन के विभिन्न क्षेत्रों - सैन्य मामलों से ("आवेगों के पारंपरिक उपयोगकर्ता") सोने की खोज से पहले (यह शौक विशेष रूप से ऑस्ट्रेलिया में लोकप्रिय है)।
लेकिन उसके पास एक महत्वपूर्ण दोष भी है - भेदभाव के साथ बड़ी कठिनाइयाँ, अर्थात्। उदाहरण के लिए, लक्ष्य का प्रकार निर्धारित करके, यह पता लगाने के लिए कि क्या यह अलौह धातु या काले रंग से बना है, या धातु के मलबे के ढेर से प्लास्टिक के मामले में एक विरोधी कर्मियों की खान को भेद करने के लिए है? इस समस्या का कारण क्या है?
एक स्पंदित धातु डिटेक्टर के संचालन के सिद्धांत पर विचार करें।


एक इलेक्ट्रॉनिक कुंजी (आमतौर पर एक MOSFET जो कई सौ वोल्ट के वोल्टेज का सामना कर सकती है - उदाहरण के लिए, लोकप्रिय IRF740 का उपयोग मलेशियाई इंजीनियरों के इस काम में किया जाता है, और कम शक्तिशाली IRF730 का उपयोग इस परियोजना में ग्रीनपैक प्रोग्रामेबल एनालॉग-टू-डिजिटल मैट्रिक्स पर किया जाता है ) एक पावर स्रोत (बैटरी) के लिए खोज कॉइल के कनेक्शन को नियंत्रित करता है बैटरी)। जब एक नियंत्रण पल्स (आमतौर पर कई दसियों-सैकड़ों हर्ट्ज की आवृत्ति के साथ) ट्रांजिस्टर के गेट पर लगाया जाता है, तो MOSFET खुलता है - सर्किट बंद हो जाता है, एक बढ़ती धारा (धीरे-धीरे क्षणिक प्रक्रिया के कारण) कॉइल से बहने लगती है। हम वर्तमान स्तर पर वांछित स्तर तक कई दसियों या सैकड़ों माइक्रोसेकंड की प्रतीक्षा कर रहे हैं और ... हम सर्किट को तोड़ते हैं - नियंत्रण पल्स समाप्त हो गया है। वर्तमान $$$मैं$ कुंडल के माध्यम से और, तदनुसार, चुंबकीय प्रवाह $$$\ Phi$ कॉइल तेजी से घट जाती है ( MOSFET समापन प्रक्रिया को गति देने के लिए, नियंत्रण पल्स को सीधे गेट तक नहीं, बल्कि एक विशेष चालक के माध्यम से आपूर्ति की जाती है), जो विद्युत चुम्बकीय प्रेरण की घटना के कारण, आत्म-प्रेरण EMF की उपस्थिति का कारण बनता है $$$e_L = -w {d \ Phi \ dt}$ और कुंडल वोल्टेज में तेज वृद्धि। फिर कॉइल पर वोल्टेज का स्तर कम होने लगता है। लेकिन अगर एक प्रवाहकीय वस्तु ("लक्ष्य") कुंडल के पास स्थित है, तो कुंडल के माध्यम से धारा के साथ-साथ चुंबकीय प्रवाह कम हो जाता है जो एड़ी धाराओं को प्रेरित करता है। $$$i_in$ इस लक्ष्य में। ये एड़ी धाराएं अपना चुंबकीय प्रवाह बनाती हैं। $$$\ Phi_in$ , जो कॉइल के भिगोना चुंबकीय क्षेत्र को बनाए रखने की कोशिश कर रहा है। यह प्रभाव कॉइल के पार वोल्टेज के क्षीणन की अवधि में वृद्धि की ओर जाता है, जो एक लक्ष्य की अनुपस्थिति या उपस्थिति का सूचक है (निर्णय या तो संकेत को एकीकृत करके और अभिन्न मान का अनुमान लगाकर किया जाता है ( ए ) या कई बिंदुओं पर संकेत मूल्यों पर आधारित है ( बी ))


नोट : दालें द्विध्रुवी भी हो सकती हैं (उदाहरण के लिए, वलन वीएमएच 2 मेटल डिटेक्टर में - मेरा क्लीयरेंस में इस्तेमाल होने वाला एक क्लासिक उपकरण:

( स्रोत )
उसी समय, मेटल डिटेक्टर द्वारा उत्पन्न चुंबकीय क्षेत्र का औसत मान (निरंतर घटक) शून्य के करीब होता है, जिसे (जैसा कि कैटलॉग सावधानीपूर्वक कहते हैं, "निर्माता के अनुसार") खानों को खोजने से रोकना चाहिए जो चुंबकीय क्षेत्र पर प्रतिक्रिया करते हैं (हालांकि, पुस्तक के अनुसार) "मानवीय निंदा के लिए मेटल डिटेक्टर हैंडबुक," एक मानवीय खदान निकासी के साथ ऐसी घटना की संभावना नहीं है)।

एकल कॉइल के साथ वर्णित विकल्प के साथ, संचारण और प्राप्त करने के कार्यों को मिलाकर, दो अलग-अलग कॉइल के साथ पल्स मेटल डिटेक्टर हैं। इस योजना का उपयोग न केवल धातु खोज के क्षेत्र में किया जाता है, बल्कि दोष का पता लगाने ( पल्स्ड एडिड करंट (PEC) परीक्षण ) - लिंक 1 , लिंक 2 में भी किया जाता है । इस मामले में, कॉइल ( ट्रांसमिट / ड्राइव कॉइल ) में से एक लक्ष्य में एड़ी धाराओं को उत्तेजित करने का कार्य करता है, और दूसरा ( प्राप्त / पिक कॉइल ) एक चुंबकीय क्षेत्र सेंसर है। यह दृष्टिकोण चुंबकीय क्षेत्र का विश्लेषण न केवल कम करने के चरण में करता है (ट्रांसमिशन कॉइल से पावर स्रोत को डिस्कनेक्ट करने के बाद), बल्कि बढ़ते चरण पर (पावर स्रोत को ट्रांसमिशन कॉइल से कनेक्ट करने के बाद):

यहाँ इस तकनीक का एक शानदार वर्णन है:

भेदभाव का मुद्दा
धातु के प्रकार को पहचानने की समस्या इस तथ्य से उत्पन्न होती है कि कुंडली पर परिणामी वोल्टेज वक्र लक्ष्य के आकार और आकार से प्रभावित होता है, कुंडल और विद्युत से इसकी दूरी (विशिष्ट चालकता) $$$\ _ सिग्मा$ ) और चुंबकीय (चुंबकीय पारगम्यता $$$\ _मु$ ) लक्ष्य सामग्री के गुण।
इस विषय पर कुछ उद्धरण इस प्रकार हैं:

(स्रोत: अहमत एस। तुर्क, कोक्सल ए। होकोग्लू, एलेक्सी ए। वर्टि सबसर्किट सेंसिंग)

धातु के प्रकारों का भेदभाव - चूंकि पल्स इंडक्शन धातु को उस समय की लंबाई के माध्यम से पता लगाता है जो विसंगतियों के दालों को क्षय करने के लिए लेता है, यह आमतौर पर धातु का पता लगाने के बजाय केवल धातु का पता लगाने के लिए उपयोग किया जाता है।

( स्रोत )

... आकार, गहराई, आसपास के लक्ष्य और मिट्टी की प्रतिक्रिया संकेत को इस तरह बदल सकती है कि उचित भेदभाव संभव नहीं है।

( स्रोत )

लोहे, चांदी और तांबे के बीच अंतर करने में सक्षम स्पंदित धातु डिटेक्टर बनाने के लिए कई प्रयास किए गए हैं, लेकिन इन सभी प्रयासों को बहुत सीमित सफलता मिली है। यह नाड़ी संकेत की भौतिकी के कारण है।

( स्रोत )

इस समस्या को हल करने के लिए एक दृष्टिकोण सामान्य मोनो लूप के बजाय डबल-डी ( डीडी ) कॉइल का उपयोग करना है, उदाहरण के लिए, लोकप्रिय मिन्लाब जीपीएक्स श्रृंखला मेटल डिटेक्टरों में:

( स्रोत )
ऐसे कॉइल में, संचारण ( TX ) और प्राप्त करने ( RX ) वाइंडिंग को विभाजित किया जाता है:

( स्रोत )
इस मामले में, लक्ष्य से संकेत का विश्लेषण न केवल तब किया जाता है जब यह कम हो जाता है, बल्कि संचरित कॉइल में वर्तमान बढ़ जाता है। लेकिन ऐसा भेदभाव बहुत विश्वसनीय नहीं है:

( स्रोत )
लेकिन मोनो लूप कॉइल के बारे में क्या? कई कार्य ( लिंक 1 लिंक 2 लिंक 3 ) इंगित करते हैं कि लक्ष्य से कुंडली में संकेत को क्षयकारी संकेतों का एक भारित योग के रूप में दर्शाया जा सकता है, अधिकतम मूल्य और समय स्थिरांक जो व्यक्तिगत हैं और लक्ष्य की सामग्री, आकार और आकार पर निर्भर करते हैं:
$$$u (t) = \ sum_ {i = 1} ^ NA_ie ^ {- t / \ tau_i =$
अमेरिकी सेना के मानक मेटल डिटेक्टर के साथ भेदभाव प्रयोगों ने बताया कि छोटी वस्तुओं को लेख के लेखकों द्वारा किए गए प्रयोगों में एक एकल घातांक की विशेषता थी। $$$Ae ^ {- {\ Alpha} t}$ , और बड़ी वस्तुओं के लिए दो पहले से ही आवश्यक थे - $$$Ae ^ {- {\ Alpha} t} + Be ^ {- {\ beta} t}$ ।
यह लेख इंगित करता है कि घातीय घटक के समय को बराबर अधिष्ठापन और प्रतिरोध के अनुपात के रूप में दर्शाया जा सकता है $$${\ tau} _e = {L_e \ over R}$ और इसकी अभिव्यक्ति आधार के त्रिज्या वाले सिलेंडर के लिए दी गई है $$$आर$ और लंबा $$$ज$ :
$$$\ tau = {{\ _ mu_r \ mu_0 \ sigma R ^ 2 h} \ over 8}$
इस पत्र में , त्रिज्या के क्षेत्र के लिए एड़ी धाराओं के क्षय समय के लिए एक अभिव्यक्ति दी गई है $$$आर$ :
$$$\ tau = {{\ _ mu_r \ mu_0 \ sigma R ^ 2} \ over \ chi ^ 2}$ ।
जहाँ $$$\ chi$ समीकरण को हल करने का परिणाम है $$$tg \ chi = {{(mu_r-1) \ chi} \ over {\ mu_r-1 + {\ chi} ^ 2}}$

नोट : ऐसी विश्लेषणात्मक अभिव्यक्तियाँ केवल सरल सममित निकायों के लिए प्राप्त की जा सकती हैं। इसलिए, एड़ी धाराओं का अध्ययन करने के लिए, कोई व्यक्ति विद्युत चुम्बकीय प्रक्रियाओं के संख्यात्मक सिमुलेशन के लिए सॉफ्टवेयर पैकेज का उपयोग कर सकता है। एक उदाहरण COMSOL मल्टीफ़िज़िक्स पैकेज में एक एड़ी के वर्तमान विद्युत चुम्बकीय ब्रेक का अनुकरण है:

( स्रोत )

जैसा कि देखा जा सकता है, एक साथ समय के लिए अभिव्यक्तियों में चुंबकीय पारगम्यता, विद्युत चालकता और लक्ष्य आकार शामिल हैं। इन कारकों के प्रभाव को अलग-अलग करना, जो भेदभाव के लिए आवश्यक है, इतना सरल नहीं है।
पहले से ही उल्लेख किए गए काम में, खानों को धातु के मलबे से अलग करने के लिए बायेसियन क्लासिफायर का उपयोग करने का प्रस्ताव है (दो परिकल्पनाओं का परीक्षण किया गया है: $$$H_0$ - कचरा $$$H_1$ - मेरा), लेकिन इसके लिए सिग्नल की समरूपता के अतिरिक्त अनुमान आदि की आवश्यकता होती है। (यह दिलचस्प है कि उपयोग किए गए कारकों की संरचना में संकेत ऊर्जा शामिल है, जैसा कि अनुमान लगाया गया है $$$\ sum_ {i = 1} ^ N {u_i ^ 2 \ cdot {\ Delta} t}$ )।
वर्णन करने के लिए, मैंने अपने प्रयोगात्मक स्टैंड की स्क्रीन पर विभिन्न लक्ष्यों के लिए कॉइल भर में वोल्टेज के ग्राफ का एक मूल डिजाइन बनाया:
कोई लक्ष्य नहीं:

कुंडल से अलग दूरी पर लक्ष्य संख्या 1 (लौह धातु):

लक्ष्य संख्या 2 (लौह धातु):

कुंडल से अलग दूरी पर लक्ष्य संख्या 3 (अलौह धातु):

लक्ष्य संख्या 4 (अलौह धातु):

जैसा कि देखा जा सकता है, अधिक से अधिक चुंबकीय पारगम्यता के कारण, लौह धातु के लक्ष्यों में अलौह धातु के लक्ष्यों की तुलना में एक उच्च प्रारंभिक संकेत स्तर होता है, लेकिन कम विद्युत चालकता के कारण संकेत तेजी से क्षीणन करता है।
न्यूरल नेटवर्क
फिर, इन बहुत ही गैर-कड़े विशेषताओं के आधार पर, लक्ष्य को वर्गीकृत करने के लिए, खासकर जब मेटल डिटेक्टर कॉइल को लक्ष्य से दूरी बदलते हुए? हमारे पास एक अद्भुत उपकरण है - एक कृत्रिम तंत्रिका नेटवर्क। तंत्रिका नेटवर्क टिक-टीएसी-पैर की अंगुली , लाठी , पोकर खेलते हैं, मौसम और शराब की गुणवत्ता की भविष्यवाणी करते हैं, कृषि मशीनरी के आंदोलन के प्रतिरोध की गणना करते हैं ... इसलिए हम भेदभाव की समस्या को हल करने के लिए एक तंत्रिका नेटवर्क का उपयोग कर सकते हैं!
यह प्रमाण संभव है कि ईरानी शोधकर्ताओं द्वारा "तंत्रिका नेटवर्क के उपयोग के माध्यम से पीआई सिस्टम के प्रदर्शन में सुधार" लेख है:

एक तंत्रिका नेटवर्क के लिए डेटा
तंत्रिका नेटवर्क के प्रशिक्षण, सत्यापन और परीक्षण के लिए डेटा सरणी को भरने के लिए, जब मैं अपने परीक्षण बेंच के शरीर पर एक बटन दबाता हूं, तो वोल्टेज वक्र पर 8 अंक मापा जाता है (अनुभवजन्य रूप से चुने गए अंक) और ATmega328CC कंप्यूटर के यूएसबी कनेक्टर से जुड़े सीरियल पोर्ट में प्रतीकात्मक रूप में पढ़ता है।
परिचालन एम्पलीफायर के इनपुट के सामने स्टैंड में, एक डायोड सीमक को चालू किया जाता है, लेकिन, जैसा कि सिमुलेशन ने दिखाया है, हमारे लिए ब्याज के क्षेत्र में (कॉइल पर कम वोल्टेज के साथ) वोल्टेज मान पर इसका प्रभाव नगण्य है:

एक टर्मिनल प्रोग्राम (उदाहरण के लिए, टेरा टर्म ) में लॉगिंग मोड को चालू करने पर, हमें "कच्चा" डेटा मिलता है (सुविधा के लिए, टिप्पणी टेरा टर्म में प्रोटोकॉल में जोड़ा जा सकता है)। गो में लिखी गई एक छोटी सी उपयोगिता इस डेटा को एक तंत्रिका नेटवर्क द्वारा खपत के लिए उपयुक्त प्रारूप में परिवर्तित करती है:
i1 i2 ... i8 o1 o2
मूल्यों के एक सेट के साथ एक पंक्ति का उदाहरण:
588 352 312 280 252 240 206 192 0 1
इनपुट डेटा i1 i2 ... i8 सीमा 0 में 10-बिट ADC के नमूने हैं ... 1023।
आउटपुट o1 o2 फॉर्म में प्रस्तुत किया गया है:
"लौह धातु" ( 1 0), "अलौह धातु" (0 1 )।
जब मैंने कुंडल (लक्ष्य संख्या 1, लक्ष्य संख्या 2) के पास लौह धातु से बना एक लक्ष्य और गैर-लौह धातु (लक्ष्य संख्या 3, लक्ष्य संख्या 4) के पास एक लक्ष्य रखा था, और लक्ष्य खोज कुंडल से अलग दूरी पर स्थित थे। आगे के उपयोग के लिए, हमने पर्याप्त सिग्नल स्तर के अनुरूप डेटा का चयन किया - कम से कम दो नॉनज़रो मूल्यों के साथ। ADC इनपुट अधिभार के अनुरूप डेटा सेट भी त्याग दिए गए थे - जिसमें कई अधिकतम संभव मान (1023) थे:

समझाने के लिए, मैंने एक डेटासेट के लिए प्रतिगमन विश्लेषण किया:

प्राप्त संकेत को दो घातांक के योग द्वारा अच्छी तरह से वर्णित किया गया है:
$$$437.9e ^ {- {0.29} x} + 93.1e ^ {- {12.1} x}$ जहाँ $$$x$ - संदर्भ संख्या।
मैंने प्रशिक्षण ( प्रशिक्षण डेटासेट ) के लिए अधिकांश डेटा (मूल्यों के 110 सेट, train.dat फ़ाइल) आवंटित किए (वे अतिरिक्त रूप से यादृच्छिक हैं - लोडिंग के दौरान फेरबदल), और छोटे भाग (40 सेट, test.dat फ़ाइल) - तंत्रिका नेटवर्क अलगाव ( सत्यापन) के लिए डेटासेट ) - इसके सरलतम रूप में क्रॉस-चेक (आस्थगित डेटा ( होल्डआउट डेटासेट ) पर)।
तंत्रिका नेटवर्क संरचना
निर्मित शास्त्रीय प्रत्यक्ष वितरण तंत्रिका नेटवर्क में तीन परतें होंगी:
इनपुट परत - 8 न्यूरॉन्स में - वोल्टेज वक्र के बिंदुओं पर विचार करता है;
छिपी हुई परत - तीन न्यूरॉन्स की;
आउटपुट परत - दो न्यूरॉन्स की।

(नेटवर्क "8-3-2")
उपरोक्त कार्य में ईरानियों ने दो नमूनों (क्रमशः, दो इनपुट न्यूरॉन्स) और तीन न्यूरॉन्स का उपयोग दो छिपी परतों में किया है (तंत्रिका नेटवर्क आरेख को चित्रित किया गया है और उनके लेख में स्पष्ट रूप से वर्णित नहीं है)।
न्यूरॉन राज्य $$$z$ भारित के रूप में परिभाषित ( $$$w$ - वजन) राशि $$$एन$ इनपुट संकेत $$$x$ (डेन्ड्राइट्स द्वारा माना जाता है) और पूर्वाग्रह $$$ब$ :
$$$z = \ sum_ {i = 1} ^ nw_i \ cdot x_i + w_ {i + 1} \ cdot b$
(पूर्वाग्रह के अतिरिक्त एक अतिरिक्त न्यूरॉन पूर्वाग्रह के प्रभाव के रूप में प्रतिनिधित्व किया जा सकता है)
सक्रियण फ़ंक्शन का उपयोग करके न्यूरॉन की स्थिति को आउटपुट सिग्नल (अक्षतंतु टर्मिनलों पर) में परिवर्तित किया जाता है $$$च$ :
$$$य = च (z)$
तंत्रिका नेटवर्क के इनपुट सिग्नल इनपुट परत के न्यूरॉन्स पर पहुंचने से उनके आउटपुट अपरिवर्तित हो जाते हैं, जो एक रैखिक सक्रियण फ़ंक्शन से मेल खाती है:
$$$च (z) = z$
छिपे हुए और आउटपुट परत के न्यूरॉन्स के लिए, एक नॉनलाइनियर सक्रियण फ़ंक्शन, "सिग्मॉइड", या इसके बहुत लोकप्रिय विकल्प, लॉजिस्टिक फ़ंक्शन, मानों के अंतराल के साथ उपयोग किया जाता है (0; 1):
$$$f (z) = {1 \ over {1 + e ^ {- z}}}$
सक्रियण फ़ंक्शन का यह विकल्प गैर-नकारात्मक एडीसी नमूनों के लिए बहुत अच्छा है। लेकिन इसके लिए, निश्चित रूप से, इनपुट मूल्यों के सामान्यीकरण की आवश्यकता है - उन्हें 1024 से विभाजित करें, जो 1 से कम के मूल्य की गारंटी देता है।
ईरानियों ने सक्रियण समारोह के रूप में हाइपरबोलिक स्पर्शरेखा का उपयोग किया।
उत्पादन परत के न्यूरॉन्स के आउटपुट पर मान तंत्रिका नेटवर्क के परिणाम निर्धारित करते हैं। अधिकतम आउटपुट मान वाला न्यूरॉन नेटवर्क द्वारा किए गए निर्णय (विजेता वर्ग) को इंगित करेगा: पहला वर्ग "लौह धातु" है, दूसरा वर्ग "अलौह धातु" है।
ईरानियों ने लोहे, तांबा और सीसा का संकेत देते हुए तीन आउटपुट न्यूरॉन्स का इस्तेमाल किया।
पायथन को अक्सर मशीन सीखने की समस्याओं को हल करने के लिए उपयोग किया जाता है - PyTorch , Keras , TensorFlow , CNTK , पुस्तकालयों और तंत्रिका नेटवर्क के लिए फ्रेमवर्क भी जावास्क्रिप्ट के लिए बनाए जाते हैं - Synaptic , Java - Deeplearning4j , C ++ - CNTK , और MATLAB बहुत पीछे नहीं है।
लेकिन मेटल डिटेक्टर में बाद के "फील्ड" उपयोग के लिए, इन चौखटे / पुस्तकालयों का बहुत कम उपयोग होता है, इसलिए, प्रक्रिया की विस्तृत समझ के लिए, मैंने अतिरिक्त ANN समर्थन पुस्तकालयों का उपयोग किए बिना अपने तंत्रिका नेटवर्क का निर्माण किया। बेशक, एक तंत्रिका नेटवर्क को BASIC :-) में भी लिखा जा सकता है। लेकिन मेरी व्यक्तिपरक वरीयताओं के प्रभाव में, मैंने गो को चुना।
तंत्रिका नेटवर्क प्रशिक्षण और सत्यापन
एक नेटवर्क बनाते समय, भार को श्रेणी (-0.1; 0.1) में यादृच्छिक मूल्यों के साथ आरंभ किया जाता है।
मैंने नेटवर्क के प्रशिक्षण के लिए स्टोकेस्टिक ग्रेडिएंट डिसेंट ( SGD ) विधि का इस्तेमाल किया।
तंत्रिका नेटवर्क सीखने की प्रक्रिया का एक पुनरावृत्ति करता है, क्रम में प्रशिक्षण के लिए प्रदान किए गए डेटा सेटों में से एक का उपयोग करता है। इस मामले में, प्रत्यक्ष वितरण ऑपरेशन पहले किया जाता है - नेटवर्क इनपुट के लिए आपूर्ति किए गए प्रशिक्षण उदाहरण से आपूर्ति किए गए संकेतों के सेट को संसाधित करता है। फिर, प्राप्त समाधान के आधार पर, बैकप्रॉपैगमेंट एल्गोरिथ्म को लागू किया जाता है। सीखने की प्रक्रिया में तराजू को अपडेट करने के लिए, मैंने "वेनिला" ढाल मूल के सूत्र को लागू किया, जो एक हाइपरपरमीटर का उपयोग करता है - सीखने की दर गुणांक $$$\ अल्फा$ (कभी-कभी संकेत दिया गया $$$\ eta$ ), यानी दूसरा लोकप्रिय हाइपरपरमीटर - क्षण कारक का उपयोग नहीं किया $$$गामा$ ( संवेग कारक )।
प्रशिक्षण डेटा के पूरे सरणी का उपयोग करने के बाद सीखने का युग समाप्त होता है। युग के अंत के बाद, प्रशिक्षण के त्रुटि ( मीन स्क्वैयर एरर ( MSE )) के माध्य वर्ग की गणना की जाती है, तंत्रिका नेटवर्क को सत्यापन के लिए मूल्यों का एक सेट खिलाया जाता है (आस्थगित डेटा पर क्रॉस-चेकिंग), सत्यापन त्रुटि का औसत वर्ग निर्धारित किया जाता है, भविष्यवाणियों की सटीकता ( सटीकता ) और चक्र दोहराता है। सत्यापन त्रुटि के औसत वर्ग के आवश्यक स्तर तक पहुंचने के बाद चक्र बंद हो जाता है।
स्रोत कोड (फ़ाइल nn4md.go ) को संकलित करने और निष्पादन योग्य फ़ाइल लॉन्च करने के बाद, सीखने की प्रक्रिया कंसोल में प्रदर्शित होती है - युग संख्या ( एपोच ), सीखने का औसत वर्ग और सत्यापन त्रुटियां ( एमएसई ) और सत्यापन के लिए डेटा सेट पर पूर्वानुमान की सटीकता ( Acc ।)।
यहाँ इस तरह के एक प्रोटोकॉल का एक टुकड़ा है:

शुरुआती संख्या में बदलाव तंत्रिका नेटवर्क के वजन के प्रारंभिक मूल्यों को प्रभावित करता है, जिससे सीखने की प्रक्रिया में छोटे अंतर होते हैं। 0.1 के एक सीखने की गति कारक के साथ, सीखने को पूरा किया जाता है (जब परीक्षण सेट पर एमएसई = 0.01) लगभग 300 युगों में।
सत्यापन के लिए निर्धारित डेटा पर निर्णयों की सटीकता 100% है (कार्यक्रम जीतने वाले न्यूरॉन की संख्या 0- "0" से शुरू होता है - पहला न्यूरॉन, लौह धातु; "1" - दूसरा न्यूरॉन, अलौह धातु):

० -> ०
० -> ०
० -> ०
...
1 -> 1
1 -> 1
1 -> 1

प्रशिक्षण के बाद परिणामी तंत्रिका नेटवर्क वजन JSON प्रारूप में nn4md.json पाठ फ़ाइल में बाद के उपयोग के लिए संग्रहीत किए जाते हैं। वैसे, JSON संरचनाओं को एन्कोडिंग के लिए, इस ऑनलाइन टूल का उपयोग करना सुविधाजनक है।
चूंकि तंत्रिका नेटवर्क की सेटिंग्स को संग्रहीत करने के प्रारूप के लिए एक आम तौर पर स्वीकार किए जाते हैं और सुविधाजनक मानक अभी तक विकसित नहीं हुआ है (हालांकि, निश्चित रूप से, NNEF है - लेकिन इस तरह के एक सरल नेटवर्क के लिए यह IMHO बहुत अधिक है), मैंने अपने स्वयं के प्रारूप का उपयोग किया:

तंत्रिका नेटवर्क परीक्षण
और अब हम नए लक्ष्यों ( टेस्ट डेटासेट ) की मान्यता पर एक प्रशिक्षित तंत्रिका नेटवर्क का परीक्षण कर रहे हैं।
लक्ष्य संख्या 5 (लौह धातु से) :
वक्र प्रकार:

मूल्यों का सेट:
768 224 96 48 14 0 0 0
लक्ष्य संख्या 6 (अलौह धातु से) :
वक्र प्रकार:

मूल्यों का सेट:
655 352 254 192 152 124 96 78
प्रशिक्षण पूरा करने के बाद, कार्यक्रम में परीक्षण के लिए डेटा प्रविष्टि की उम्मीद है।
लक्ष्य संख्या 5 के लिए जाँच करें:

सफलता - "0" - लौह धातु।
अब लक्ष्य संख्या 6 के लिए जाँच करें:

सफलता - "1" - अलौह धातु।
यह लगभग " सबूत-की-अवधारणा " निकला।
डेटासेट फाइलें, एक नेटवर्क वेट फाइल और सोर्स कोड GitHub के रिपॉजिटरी में उपलब्ध हैं।