Tiêu chí lựa chọn kiểu cấu trúc mạng ANN dựa trên kết quả huấn luyện. Theo đó, cơ bản dựa trên 2 tiêu chuẩn là đồ thị huấn luyện (Training) và giá trị sai lệch nhỏ nhất đạt được (đặc tính Best Training Performance). Bản thân hai tiêu chuẩn này cũng có liên quan chặt chẽ đến nhau.
Trong đồ thị huấn luyện (Training), trục ngang thể hiện giá trị mục tiêu (là giá trị trong cơ sở dữ liệu), trục đứng thể hiện giá trị tính tốn của ANN. Nếu ANN tính tốn đúng, hai giá trị này sẽ bằng nhau, tạo thành điểm hình trịn nằm trên đường chéo. Mật độ các điểm tập trung tại khu vực đường chéo được gọi là độ hội tụ. Độ hội tụ càng thì lớn thì độ chính xác của kết quả dự báo càng cao tức mơ hình nhận dạng càng chính xác.
Đồ thị đặc tính Best Training Performance thì cho thấy cụ thể mức sai lệch giữa kết quả dự báo của ANN và giá trị thực tế. Độ sai lệch càng nhỏ, và đặc tính có xu hướng đi xuống thì chất lượng của mơ hình nhận dạng càng cao.
Trên cơ sở các tiêu chí này, thống kê lại các đồ thị và đặc tính với các cấu trúc đã thử nghiệm (Hình 3.12, Hình 3.13, Hình 3.14, Hình 3.15, Hình 3.16) ta có bảng kết quả so sánh được mô tả trong Bảng 3-1.
Bảng 3-1. Bảng so sánh các kết quả thử nghiệm những cấu trúc mơ hình mạng ANN Kiểu cấu trúc mạng ANN Mức sai lệch Best Training Performance
Mạng ANN một lớp ẩn 0.051099
Mạng ANN hai lớp ẩn (thử nghiệm 1) 0.025369 Mạng ANN hai lớp ẩn (thử nghiệm 2) 0.074087 Mạng ANN hai lớp ẩn (thử nghiệm 3) 0.0037392
Bảng 3-1 cho thấy mạng ANN hai lớp ẩn với thử nghiệm 3 cho mức sai lệch nhỏ hơn các cấu trúc khác từ 10 đến gần 30 lần. Việc tăng số lượng lớp ẩn lên hoặc thay đổi thuật tốn huấn luyện khơng làm không làm cho chất lượng huấn luyện tốt hơn.
Tiếp tục so sánh các đồ thị huấn luyện (Training) tại các Hình 3.12, Hình 3.13, Hình 3.14, Hình 3.15, Hình 3.16, kết quả cũng cho thấy, giải pháp thử nghiệm thứ 3 với cấu trúc mạng 2 lớp ẩn cho độ hội tụ tốt nhất.
Như vậy, qua quá trình thử nghiệm và phân tích kết quả với các cấu trúc mạng nơ ron khác nhau cho thấy, cấu trúc mạng có hai lớp ẩn với hàm huấn luyện “trainscg” cho kết quả tốt nhất (Hình 3.15). Vì thế cấu trúc và kết quả mơ hình huấn luyện tương ứng này được lựa chọn.
Để kiểm tra chất lượng mơ hình nhận dạng, 30% dữ liệu đã để lại trước đó tương ứng với 100 bộ số liệu được sử dụng. Các dữ liệu này được cấp tới cổng vào Input Data cho mơ hình Custom Neural Network Hình 3.17.
Kết quả dự báo của mơ hình được so sánh với dữ liệu thực tế để lại trước đó, trong đó, đường màu xanh là dữ liệu thực, đường màu đỏ là dữ liệu dự báo của mơ hình (Hình 3.17). Thống kê chi tiết cho thấy, mức độ sai lệch của kết quả dự báo của mơ hình so với kết quả thực phổ biến ở mức dưới 2%, có khoảng 13% kết quả dự báo có mức sai lệch từ 2-5%, có 1 kết quả có mức sai lệch trên 10%. Với mức sai lệch nhỏ, hai đồ thị mô tả kết quả khá trùng nhau. Bảng dữ liệu so sánh tương ứng từng giá trị được trình bày chi tiết trong Phụ Lục 3.