Національний технічний університет України «КПІ ім.

Ігоря Сікорського»
Факультет Інформатики та Обчислювальної Техніки
Кафедра інформаційних систем та технологій

Лабораторна робота №6
з дисципліни «Методи та технології штучного інтелекту»

Виконав:
студент групи ІА-12
Биков Нікіта
Варіант 9

Викладач:
Шимкович. В. М.

Київ – 2023
1. Постановка задачі
Нейро-нечітке моделювання.
Завдання:

1. Сформулювати завдання в галузі обчислювальної техніки, для

вирішення якої було б обґрунтовано застосування гібридної нейронечіткої
мережі.

2.Сформувати вибірку для навчання гібридної нейронної мережі.

3.Згенерувати і візуалізувати структуру гібридної нейронної мережі.

4. Навчити гібридну нейронну мережу, при цьому задати і обґрунтувати

параметри її навчання.

5. Побудувати систему нечіткого виводу для отриманої гібридної

нейронної мережі.

6. Виконати перевірку адекватності побудованої нечіткої моделі гібридної

мережі.

7. Оформіть звіт по лабораторній роботі.

 2. Виконання
Для виконання лабораторної роботи необхідно сформувати велику
вибірку даних. Я обрав дані про курс Bitcoin на сайті Yahoo Finance. Данні
у форматі csv та виглядають ось так

Реальні дані курсу BTC-USD

 Графік похибок Training loss та Test loss

Графік порівняння реальних та передбачених значень

Висновок:
В процесі виконання лабораторної роботи були вивчені та засвоєні
методи моделювання та принципи функціонування нейронних мереж.
Також були отримані практичні навички у створенні нейронних мереж. Як
результат, була розроблена нейронна мережа для прогнозування курсу
криптовалюти Bitcoin. Проведено навчання цієї мережі, і представлені
успішні результати її роботи у вигляді графіків.
Лістинг:
import pandas as pd
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
from sklearn.model_selection import train_test_split

import matplotlib.pyplot as plt

def prepare_data(file_name, test_size=0.2):

df = pd.read_csv(file_name)
features = df[['Open', 'High', 'Low']]
target = df['Close']

x = torch.tensor(features.values).float()
y = torch.tensor(target.values).float()

plot_real_values(y)

x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=test_size, shuffle=False)

return x_train, x_test, y_train.unsqueeze(1), y_test.unsqueeze(1), df

def plot_real_values(y):
plt.figure(figsize=(10, 5))
plt.plot(y)
plt.title('Real values of BTC-USD')
plt.xlabel('Data time')
plt.ylabel('Value')
plt.show()

class HybridNeuralNetwork(nn.Module):
def __init__(self):
super(HybridNeuralNetwork, self).__init__()
self.fc1 = nn.Linear(3, 128)
self.fc2 = nn.Linear(128, 64)
self.fc3 = nn.Linear(64, 1)
 def forward(self, x):
x = F.relu(self.fc1(x))
x = F.relu(self.fc2(x))
x = self.fc3(x)
return x

def train_model(model, x_train, y_train, x_test, y_test, epochs=101):

criterion = nn.MSELoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

training_losses = []
test_losses = []

for epoch in range(epochs):

model.train()
optimizer.zero_grad()
outputs = model(x_train)
loss = criterion(outputs, y_train)
loss.backward()
optimizer.step()
training_losses.append(loss.item())

model.eval()
with torch.no_grad():
test_outputs = model(x_test)
test_loss = criterion(test_outputs, y_test)
test_losses.append(test_loss.item())

print(f'Epoch {epoch}, Loss: {loss.item():.4f}, Test Loss: {test_loss.item():.4f}')

return training_losses, test_losses

def plot_losses(training_losses, test_losses):

plt.figure(figsize=(10, 5))
plt.plot(training_losses, label='Training loss')
plt.plot(test_losses, label='Test loss')
plt.title('Training and Test Losses')
plt.xlabel('Epochs')
plt.ylabel('Loss')
 plt.legend()
plt.show()

def predict_and_plot(model, x_test, y_test):

model.eval()
with torch.no_grad():
predictions = model(x_test)

plt.figure(figsize=(10, 5))
plt.plot(y_test.numpy(), label='Real Value')
plt.plot(predictions.numpy(), label='Predicted Value')
plt.title('Comparison of Real and Predicted Values')
plt.xlabel('Data time')
plt.ylabel('Value')
plt.legend()
plt.show()

if __name__ == "__main__":
x_train, x_test, y_train, y_test, dataframe = prepare_data('BTC-USD.csv')
neural_network = HybridNeuralNetwork()
training_losses, test_losses = train_model(neural_network, x_train, y_train, x_test, y_test)
plot_losses(training_losses, test_losses)
predict_and_plot(neural_network, x_test, y_test)