home *** CD-ROM | disk | FTP | other *** search
/ CD ROM Paradise Collection 4 / CD ROM Paradise Collection 4 1995 Nov.iso / science / neocog10.zip / NEOC.DOC < prev    next >
Text File  |  1994-07-15  |  28KB  |  619 lines

  1.  
  2.  
  3.  
  4.  
  5.  
  6.           ────────────────────────────────────────────────────────────
  7.  
  8.                                  USER'S  GUIDE
  9.  
  10.                            NeoC Explorer Version 1.0
  11.  
  12.                     Copyright 1994 (C), Szabolcs Szakacsits
  13.  
  14.                    Jozsef Attila University, Szeged, Hungary
  15.  
  16.                                  July 22, 1994
  17.  
  18.           ────────────────────────────────────────────────────────────
  19.  
  20.  
  21.  
  22.  
  23.  
  24.  
  25.  
  26.  
  27.  
  28.    1. Introduction to NeoC Explorer
  29.    ─────────────────────────────────
  30.  
  31.           The  NeoC  program  is   an   implementation   of   Fukushima's
  32.        Neocognitron neural network. It's purpose is to test the model, to
  33.        facilitate interactivity for the  experiments,  and  to  make  the
  34.        Neocognitron neural net operation more understandable.
  35.  
  36.           Some substantial features:
  37.  
  38.              ■   friendly graphic user interface
  39.              ■   explorer and tester operation modes
  40.              ■   easy neural net construction
  41.              ■   graphic or numerical displaying of cells and weights
  42.              ■   training by patterns or  modules  step  by  step,  or
  43.                  complete neural net training
  44.              ■   displaying of the patterns and recognition results
  45.              ■   recognition statistics
  46.              ■   even more statistics of the  tests  in  a  .LOG  file
  47.                  during tester mode
  48.  
  49.           The minimal system requirements  to  run  NeoC  are  a  286  AT
  50.        compatible computer, a  VGA  video  card,  and  a  mouse.  A  fast
  51.        computer with a mathematical coprocessor is recommended because of
  52.        the many computations.
  53.  
  54.           There are two utility programs for NeoC. One of them is the MAP
  55.        (Make Pattern). Using it one can design new  patterns  easily  and
  56.        quickly in the graphic mode with mouse support. The other  program
  57.  
  58.  
  59.                     -  1  -
  60.  
  61.  
  62.  
  63.  
  64.        is the DIP (Display Pattern). It converts the binary pattern files
  65.        to the standard output as text  so  that  the  text  file  can  be
  66.        interfaced with the user's own software. One  can  use  this  text
  67.        file for one's own program (probably, the text file will  have  to
  68.        be modified somewhat to conform to the user's own file type),  and
  69.        in this way the experiments can be done  with  the  same  patterns
  70.        comparing NeoC and other neural nets. For  this  purpose,  another
  71.        solution can be found in the MAP.DOC file.
  72.  
  73.           NeoC uses three main type file formats. They specify the
  74.  
  75.              ■   neural  net  structure  and  parameters  (files  with
  76.                  extension .ndf)
  77.              ■   complete neural net (files with extension .net)
  78.              ■   train and input patterns (files with extension .ptt)
  79.  
  80.       The first two are text files, so one can create  them  using  a
  81.        word processor. However I suggest doing  this  with  NeoC  because
  82.        it's much easier. The structure of a .ndf file is,  for  instance,
  83.        the following:
  84.  
  85.                    2
  86.                    1 8 1
  87.                    6 6 3
  88.                    6 4 3
  89.                    3 2 3
  90.                    3 1 2
  91.                    0.100000
  92.                    10
  93.                    1.000000 1.000000
  94.                    99.000000 99.000000
  95.  
  96.        The first line is the number of net modules, the  next  lines  are
  97.        the U0 (input layer), US1 (S-layer of module 1), UC1  (C-layer  of
  98.        module 1), US2 (S-layer of module 2) and UC2  (C-layer  of  module
  99.        2). These lines consist of three columns,  i.  e.  the  number  of
  100.        planes in that layer, the size of planes in the current layer (eg.
  101.        the above second line means that the input  layer  has  one  plane
  102.        with 8 x 8 cells), and the mask size (reception field).  Note  the
  103.        size (N) means actually a real size N x  N  field.  The  following
  104.        lines are the alpha parameter, the decision parameter (see later),
  105.        the r parameters in each and every module, and the last line  that
  106.        contains the q parameters.
  107.  
  108.           The .ptt binary files are created by the MAP program.
  109.  
  110.           The NeoC command line structure is shown below.
  111.  
  112.                        NeoC [-m] [file1 [file2 [file3]]]
  113.  
  114.        The file1 is a neural net definition file (.ndf), file2 is a train
  115.        file (.ptt), and file3 is an input file (also a .ptt file). If the
  116.        command line does not contain any parameters (except  for  the  -m
  117.        option), the program will suggest a net structure, and it  may  be
  118.        modified and saved later. If one tests a particular net  structure
  119.  
  120.  
  121.                     -  2  -
  122.  
  123.  
  124.  
  125.  
  126.        with the same train and input file regularly, then it is useful to
  127.        make a batch file which consists of the above described lines, and
  128.        to run it. If only a monochrome monitor  is  available,  then  one
  129.        should run NeoC with the -m option.
  130.  
  131.       Information can be obtained on command line structure,  if  the
  132.        ?, -?, h, or -h options are used.
  133.  
  134.           Usage of NeoC consists of six components: Main Menu,  'Explorer
  135.        Panel', 'Net Input' and 'Identify as',  NeoCognitron  Neural  Net,
  136.        Structure, and 'Tester Panel' windows.
  137.  
  138.  
  139.    2. Main Menu
  140.    ─────────────
  141.  
  142.           Main Menu structure of NeoC:
  143.  
  144.                  ■  Structure
  145.                    ■  Load
  146.                    ■  Save
  147.                    ■  Change
  148.                  ■  Net
  149.                    ■  Load
  150.                    ■  Save
  151.                    ■  Reset
  152.                  ■  Operation
  153.                    ■  Explorer
  154.                    ■  Tester
  155.                  ■  DOS
  156.                    ■  DOS shell
  157.                    ■  Exit
  158.                  ■  Help
  159.                    ■  NeoC Explorer
  160.                    ■  About
  161.  
  162.           The neural net structure cannot be changed in the  NeoCognitron
  163.        Neural Net window because of dynamic memory allocation of the  net
  164.        structure. If one desires to change it, then one has  to  use  the
  165.        Structure/Change menu.
  166.  
  167.           The Net/Reset menu can be used if one is in the  Explorer  mode
  168.        (it is automatic in the Tester mode). By  selecting  it,  one  may
  169.        reset the weights of the current module or every module. The value
  170.        of the weights will be set between 0 and 1 randomly.
  171.  
  172.           The 'Explorer  Panel'  window  will  appear  if  one  uses  the
  173.        Operation/Explorer menu (this is the default mode). Here  are  the
  174.        most possibilities to manipulate and examine the net.
  175.  
  176.           The 'Tester Panel' window will appear instead of the  'Explorer
  177.        Panel' if  the  Operation/Tester  menu  is  used.  Here,  the  net
  178.        performance can be measured and analyzed.
  179.  
  180.           Some of the menus will not always make sense,  should  this  be
  181.        the case an information message will be displayed on the screen.
  182.  
  183.                     -  3  -
  184.  
  185.  
  186.  
  187.  
  188.    3. Explorer Panel
  189.    ──────────────────
  190.  
  191.           The white texts are static and the red ones are dynamic in  the
  192.        windows and window fields. The red texts can be given a new  value
  193.        by pointing and clicking on them with the left, or right, or  both
  194.        buttons. The left button on the mouse will increase the  value  by
  195.        one, the right button will decrease the value by one, and  pushing
  196.        both at the same time will cause a small window to appear  on  the
  197.        screen. The new value may be written into it. This method works in
  198.        the case of text variables also. The boxes in view may be left  by
  199.        pressing the ESC key or by pushing both of the  mouse  buttons  at
  200.        the same time if the new value given is not desired.  If  the  new
  201.        value isn't correct, a message will indicate the error.
  202.  
  203.           The 'Train  file'  and  'Input  file'  fields  determine  which
  204.        pattern files will be trained and recognized. These fields must be
  205.        filled in, and the file types must be in the .ptt file format. The
  206.        pattern size, in both files, and the input layer size of  the  net
  207.        must be equal. If these conditions  aren't  granted,  the  program
  208.        will display an error message. The numbers after the  file  names,
  209.        are the number of patterns in the current (train or input) file.
  210.  
  211.           The net weights and planes (ie.  the  sets  of  cells)  can  be
  212.        viewed by using the 'VIEW' button which is  on  the  bottom  right
  213.        part of the 'Explorer Panel' window. The 'Display type' field  can
  214.        be:
  215.  
  216.              ■   Graphic
  217.              ■   Numerical
  218.  
  219.        The fields which are below the  'Display  type'  field,  determine
  220.        what kind of  elements  will  be  displayed  (S-planes,  C-planes,
  221.        weights). If a trained net exists, choose a pattern from the train
  222.        or input file in the  'Net  Input'  window  by  using  the  'PAGE'
  223.        button, and click on the 'VIEW' by using the mouse button. At this
  224.        time the current values of the net cells and/or  weights  will  be
  225.        calculated and afterwards  displayed.  When  using  the  numerical
  226.        display mode, one can page forward  by  clicking  with  the  mouse
  227.        button or one can exit with the ESC key. When  using  the  graphic
  228.        mode, the solid yellow squares mean positive activity of the cells
  229.        in the S-planes or C-planes, and they mean trained weights in  the
  230.        reception fields, i.e. the learned masks are shown.
  231.  
  232.           The NeoC program provides information on the recognition in the
  233.        bottom right corner of the Explorer Panel  window.  The  +,  -,  ?
  234.        columns  mean  the  percentage  of  correctly,   incorrectly   and
  235.        undecided recognized input patterns. In this version  of  NeoC,  a
  236.        pattern recognition is undecided if there is no active  output  or
  237.        there are more than one active outputs.
  238.  
  239.           Since  there  is  no  explicit  determination  of  the  pattern
  240.        categories in the .ptt file one has  to  follow  the  rules  shown
  241.        below exactly, if the proper recognition statistics are requested:
  242.  
  243.  
  244.  
  245.                     -  4  -
  246.  
  247.  
  248.  
  249.  
  250.          ■   If the number of train patterns is N  (they  will  be
  251.          treated as different  category  patterns),  then  the
  252.          number of input patterns has  to  be  M x N  ,  where
  253.          M >= 1 .
  254.  
  255.              ■   One has to have M patterns from  each  train  pattern
  256.                  category in the input file.
  257.  
  258.              ■   The order of categories has to be the  same  in  both
  259.                  files (in the train file and in the input file).
  260.  
  261.        For example, if the structure and  the  pattern  categories  of  a
  262.        train file are  XYZ  (X,Y  and  Z  mean  a  pattern  and  category
  263.        simultaneously), then the structure of an input file can  be  XYZ,
  264.        or XXYYZZ, etc. It's not necessary  to  do  this  if  the  correct
  265.        statistic is not desired  because  a  recognition  result  can  be
  266.        viewed in the 'Identify as' window by using the 'PAGE'  button  in
  267.        the 'Net Input' window. The left mouse button will  page  forward,
  268.        while the right one will page backwards.
  269.  
  270.       The 'Train type' field in the right top corner of the  Explorer
  271.        Panel determines the type of the train. These types can be:
  272.  
  273.              ■   PATTERN
  274.              ■   MODULE
  275.              ■   NET
  276.  
  277.           These types will be discusses at the description of  the  TRAIN
  278.        button. The field can  be  changed  by  using  one  of  the  mouse
  279.        buttons.
  280.  
  281.           The 'Net input' field under the 'Train type'  field,  specifies
  282.        either, what the  net  will  learn  when  the  'TRAIN'  button  is
  283.        selected or the pattern type (train or input)  through  which  the
  284.        information on the net will be displayed when the 'VIEW' button is
  285.        used. The values of this field may be:
  286.  
  287.              ■   TRAIN PTT             (train pattern)
  288.              ■   TRAIN FILE
  289.              ■   INPUT PTT             (input pattern)
  290.          ■   INPUT FILE
  291.  
  292.           By changing this field then one can see either one  pattern  of
  293.        the train file or one pattern of the input file in the 'Net Input'
  294.        window. There is a difference only in  that  case  between  'TRAIN
  295.        FILE' and 'TRAIN PTT', and between 'INPUT FILE' and 'INPUT PTT' if
  296.        the 'RECOGNIZE' button is used. At this time, the net will try  to
  297.        recognize either all the patterns of the current file successively
  298.        (in case of 'TRAIN FILE' or 'INPUT FILE'),  or  only  the  current
  299.        pattern that is situated in the 'Net Input' window  (if  the  'Net
  300.        input' field is 'INPUT PTT' or 'TRAIN PTT')
  301.  
  302.           One can give the number of the epoch of a pattern at the  'Num.
  303.        of epoches' field. This value is valid in all the  modules.  Since
  304.        the Neocognitron learns  module  by  module,  the  number  of  the
  305.  
  306.  
  307.                     -  5  -
  308.  
  309.  
  310.  
  311.  
  312.        pattern presentations is equal to the number of modules multiplied
  313.        by the value of 'Num. of epoches' field. If  q  values  are  large
  314.        (e.g. q1=100, q2=10000), then the recommended value of this  field
  315.        is
  316.  
  317.       MAX( ROUND_UP( |S-planes in module i| / |train patterns| ) )
  318.  
  319.        where i is 1,2, ...to the last  module.  If  one  uses  smaller  q
  320.        values and a bigger epoch number,  then  one  will  get  the  same
  321.        result but more slowly because this implementation is a supervised
  322.        neural net although it can also work in an unsupervised mode  with
  323.        a little modification in the source.
  324.  
  325.           The 'Current module' field is important when one activates  the
  326.        'VIEW' or 'TRAIN'  buttons.  This  field  determines  the  current
  327.        module if the net train is started and the 'Train type'  field  is
  328.        'PATTERN' or 'MODULE'. If the 'Train type' field  is  'NET',  then
  329.        this field does not have an influential effect during the training
  330.        because the train is automatic. If one  uses  the  'VIEW'  button,
  331.        then this field specifies what module (ie. its S-planes,  C-planes
  332.        and weights) will be displayed with regard the pattern in the 'Net
  333.        Input' window.
  334.  
  335.           Information will be displayed about the values of some part  of
  336.        the net graphically or numerically by using the 'VIEW' button. The
  337.        display  is  influenced  by  the  alpha  parameter,  the  decision
  338.        parameter, the r parameters, the pattern in the 'Net Input' window
  339.        and the 'Current module' field. The mouse  cursor  will  disappear
  340.        during the computing. The process can be canceled by  hitting  the
  341.        ESC key on the keyboard. Finishing this action, the  program  will
  342.        show the required  information  relating  to  the  'Display  type'
  343.        fields.
  344.  
  345.           The 'TRAIN' button. The learning done by the net can be done in
  346.        three ways. These ways are  the  net  learning  by  patterns,  net
  347.        learning by modules (from module to module) or full net  learning.
  348.        In the first case (train by patterns), the 'Net input'  field  has
  349.        to be set to 'TRAIN FILE' or 'TRAIN PTT', and the pattern, that it
  350.        is desired that the net learn, has to selected and placed  in  the
  351.        'Net Input' window. These settings are automatic in the other  two
  352.        cases. What is important before the net can start to train in  the
  353.        three different cases?
  354.  
  355.           1.  Training by patterns: The alpha, r and q parameters, the
  356.               S-column,  the  pattern  in  'Net  Input'  window,   the
  357.               'Display type' fields,  the  'Current  module'  and  the
  358.               'Num. of epoches' field are important. The mouse  cursor
  359.               will also disappear during the  computing.  The  process
  360.               can be canceled by hitting the ESC key on the  keyboard.
  361.               This cancellation method is valid in the next two  cases
  362.               too.
  363.  
  364.           2.  Training by modules: The same things must be  set-up  as
  365.               above except for the 'Display type' fields and the  'Net
  366.               Input' window. In  this  kind  of  training,  these  two
  367.  
  368.  
  369.                     -  6  -
  370.  
  371.  
  372.  
  373.  
  374.           elements have no meaning because  all  of  the  patterns
  375.           will be trained.
  376.  
  377.       3.  Training of the complete net: Just the 'Num. of epoches'
  378.           field and the parameters  of  the  'NeoCognitron  Neural
  379.               Net' window are  important  exclusive  of  the  decision
  380.               parameter.
  381.  
  382.           If the 'RECOGNIZE'  button  is  used,  then  the  program  will
  383.        categorize either  the  current  pattern  (situated  in  the  'Net
  384.        Input') or each and every pattern file in the current  .ptt  file.
  385.        Before recognition, one can set in the 'Net input' field  what  is
  386.        desired to be categorized: the train file (TRAIN  FILE),  a  train
  387.        pattern (TRAIN PTT), the input  file  (INPUT  FILE)  or  an  input
  388.        pattern (INPUT PTT). After a training session, it is worth  while,
  389.        to make sure of that the train file was able  to  teach  the  net:
  390.        that the net learned all of the train patterns correctly.  In  the
  391.        next step, one can  try  to  make  the  net  recognize  the  input
  392.        patterns. If the 'Net input' field is 'INPUT PTT' or 'TRAIN  PTT',
  393.        then the net tries to recognize the pattern that  is  situated  in
  394.        the 'Net Input' window. This may be necessary if one had to  alter
  395.        the net parameters because the answer of the net was incorrect for
  396.        that pattern in the former recognition attempt. This  may  or  may
  397.        not be a desired final step. It depends upon the curiosity of  the
  398.        user.
  399.  
  400.  
  401.    4. 'Net Input' and 'Identify as' windows
  402.    ─────────────────────────────────────────
  403.  
  404.           One can view the patterns of the train file or  input  file  in
  405.        the 'Net Input' window which is related to the 'Net  input'  field
  406.        which is situated in the 'Explorer Panel' window.
  407.  
  408.           1.  By clicking with the left or right mouse button  on  the
  409.           'PAGE' button at the bottom of the 'Net  Input'  window,
  410.               the user will cause a  train  or  input  pattern  to  be
  411.               displayed in the window, and the results of the previous
  412.               recognition attempt will appear  in  the  'Identify  as'
  413.           window.
  414.  
  415.           2.  If the 'Identify as' window is empty, then either  there
  416.               was no active cell in the last C-layer of the net,  i.e.
  417.               the net couldn't identify the pattern is situated in the
  418.               'Net  Input'  window,  or  the  result  of  the   former
  419.               recognition was cancelled by the effect of another event
  420.               (e.g. new training,  modification  of  the  'Net  input'
  421.               field, loading of a new .ptt file, etc.).
  422.  
  423.           3.  If a 'big solid square'  appear  in  the  'Identify  as'
  424.               window, this means that, there were more than one active
  425.               cells in the output layer of the net.
  426.  
  427.  
  428.  
  429.  
  430.  
  431.                     -  7  -
  432.  
  433.  
  434.  
  435.  
  436.    5. NeoCognitron Neural Net window
  437.    ──────────────────────────────────
  438.  
  439.       The white texts are static, and the red ones are  dynamic  here
  440.        too. See the  treatment  of  these  items  above  (first  part  of
  441.        Explorer Panel). In the left column, are  the  names  of  the  net
  442.        layers i.e. U0 is the input layer,  US1  is  the  S-layer  of  the
  443.        module 1, UC1 is the C-layer of the module 1, etc. Features of the
  444.        layers are in their lines successively. Specifically
  445.  
  446.              ■   The number of the planes
  447.              ■   The size of the plane
  448.              ■   The size of the mask (reception field)
  449.              ■   The size of the S-column
  450.              ■   The r (sensitivity) parameter
  451.          ■   The q (learning) parameter
  452.  
  453.           The first three features can be modified in only that  case  if
  454.        the Structure/Change menu is called.
  455.  
  456.       I found that the size of the S-column was not too  significant.
  457.        I recommend small values (2-4).
  458.  
  459.           The role of the r (sensitivity) parameter is very important. It
  460.        influences the result of  the  comparison  between  the  reception
  461.        fields of the S-cells and the learned mask. If this value is small
  462.        (e.g. below 2 depending on the size of the mask), then the net  is
  463.        more tolerant of the pattern differences. If the  r  parameter  is
  464.        large (e.g. above 8), then the net can identify only  the  learned
  465.        mask in the reception field, and it sets to zero the  activity  of
  466.        the other S-cells. One of  the  experiment  subjects  can  be  the
  467.        determination of the optimal r parameters.
  468.  
  469.           The q parameter controls the speed of the train. If this  value
  470.        is large then the learning is faster. In this case, the  net  will
  471.        learn a part of the patterns otherwise it can learn a pattern that
  472.        doesn't exist in any pattern (e.g. a combination of a part of  two
  473.        or more patterns). I suggest  big  values  (q1=100  in  the  first
  474.        module, q=10000 in the others) in this version of NeoC. The  first
  475.        version of NeoC was the unsupervised model but the result  of  the
  476.        learning was difficult to evaluate.
  477.  
  478.           One can tune  the  tolerance  of  pattern  deformation  of  the
  479.        patterns by using the alpha parameter. I have detected  no  effect
  480.        so far. In the most cases, I used the 0.01 value.
  481.  
  482.           A train pattern category can be elicited from the  net  by  the
  483.        decision parameter if the net was not able to categorize a pattern
  484.        at the first identification attempt (no active cell or more active
  485.        cells than one in the last layer). If its  value  is  0,  then  it
  486.        doesn't influence the recognition (original  Neocognitron  model).
  487.        The recommended value is between 0 and 20.
  488.  
  489.  
  490.  
  491.  
  492.  
  493.                     -  8  -
  494.  
  495.  
  496.  
  497.  
  498.    6. Structure window
  499.    ────────────────────
  500.  
  501.       This window can be called up by the Structure/Change menu.  One
  502.        is able to set-up the net structure here. The fields mean the same
  503.        as in the 'NeoCognitron Neural Net' window.
  504.  
  505.           The value of the 'Num. of modules' field can be between  2  and
  506.        5.
  507.  
  508.           One must invariantly follow the next rule. The  'Plane  number'
  509.        field of the C-layer of the last  module  must  be  equal  to  the
  510.        number of the train patterns. The first output cell will  identify
  511.        the first train pattern category. The second one will identify the
  512.        second train pattern category, e.t.c.
  513.  
  514.           Recommended but not  obligatory:  the  'Plane  number'  of  the
  515.        module i has to be a multiple of the number of train patterns. For
  516.        example, if there are ten train patterns, then the 'Plane  number'
  517.        of the module i can be 10, 20, etc. If large values are set,  then
  518.        the net will work more slowly. If small values are set,  then  the
  519.        net won't learn uniformly from each and every train pattern.
  520.  
  521.           The values of the 'Plane size' field must be reduced  layer  by
  522.        layer from the input layer U0 to the last layer. The 'Plane  size'
  523.        is always 1 x 1 in the last layer.
  524.  
  525.           The 'Mask size' is optimal when it is equal to the 'Table size'
  526.        of the previous layer minus the 'Table size' of the current  layer
  527.        plus one. In this case the weights of the  cells  of  the  current
  528.        layer cover exactly the planes of the previous layer.  Of  course,
  529.        this field can be smaller or larger.
  530.  
  531.  
  532.    7. Tester Panel
  533.    ────────────────
  534.  
  535.           The  'Tester   Panel'   window   can   be   selected   by   the
  536.        Operation/Tester menu. This work mode  is  the  most  complex  and
  537.        efficient part of the NeoC program.  One  can  test  a  previously
  538.        created net construction. The neural net initialization,  learning
  539.        and recognition will happen continuously and automatically as long
  540.        as neither the number of the tests reach the  value  specified  in
  541.        the 'Num. of tests' field or the ESC key is hit.
  542.  
  543.           The  meaning  and  managing  of  the  train  and  input   file,
  544.        preparation of the right statistics, and the meaning of the  'Num.
  545.        of epoches' field are the same as in the 'Explorer Panel' window.
  546.  
  547.           A logbook file (recommended extension is  .log)  will  be  made
  548.        during the time that the program  is  running.  If  this  file  is
  549.        already in existence, then further information will be appended to
  550.        it. The logbook file reports the recognition  in  each  test,  the
  551.        recognition percentage of every  input  pattern,  and  recognition
  552.        percentage of input patterns that are in the  same  category.  The
  553.        logbook file name can be added in the '.LOG file' field.
  554.  
  555.                     -  9  -
  556.  
  557.  
  558.  
  559.  
  560.       A discussion of the structure of a .log file is next.  The  net
  561.        parameters are the first  part  of  the  .log  file.  The  pattern
  562.        categories ( 0 1 2 etc.), i.e. the train patterns are between  the
  563.        lines that are made with the character '-'. Below  the  line,  the
  564.        result of the recognition test follows on every line. At  the  end
  565.        of lines, the '*' means the current best performance while the '='
  566.        means a performance result equal  to  the  best  performance.  The
  567.        pattern categories ( 0 1 2 etc.) are again under  the  next  line.
  568.        The recognition percentage of every input pattern proceed  as  far
  569.        as the line composed of the character '='.  The  last  table  line
  570.        contains the recognition percentages of the same category patterns
  571.        and the average performance.
  572.  
  573.           Not only a .log file is made but a neural net is  stored  which
  574.        has given the best performance. The neural net name is  determined
  575.        by the '.NET file' field. Thus one  can  load  these  net  in  the
  576.        'Explorer  Panel'  window  and  view  the  NeoC  results  after  a
  577.        recognition process.
  578.  
  579.  
  580.    8. Epilog
  581.    ──────────
  582.  
  583.           This software is FREEWARE. It  may  be  freely  duplicated  and
  584.        distributed. It was created for education and research purposes.
  585.  
  586.           A few words about the new versions:
  587.  
  588.              ■   running under Windows 3.1 operation system
  589.              ■   pattern categories => evaluation of tests will always
  590.                  be possible
  591.              ■   add unsupervised learning
  592.              ■   add built and designed masks
  593.              ■   new transfer functions
  594.  
  595.       If you find NeoC Explorer useful or  interesting  and  you  are
  596.        interested in the next versions, then  please  register  it.  Your
  597.        registration will contain NeoC and also MAP.  You  can  do  so  by
  598.        sending a small donation to my address, and in this way  you  will
  599.        support updates of production, and will receive the next upgrades.
  600.        See the details in the REGISTER.TXT file.
  601.  
  602.           If you have any questions, comments or suggestions, please feel
  603.        free to write to me.
  604.  
  605.       ADDRESS:   Szakacsits Szabolcs
  606.              Kodaly 2. 2. lph.
  607.              H-8800  Nagykanizsa
  608.              HUNGARY
  609.  
  610.       E-MAIL:    jzp0119@huszeg11.bitnet
  611.              jzp0119@vm.cc.u-szeged.hu
  612.              jzp0119@alfa.cab.jate.u-szeged.hu
  613.  
  614.       FAX:       +36-93-310-311
  615.  
  616.  
  617.                    -  10  -
  618.  
  619.