Xreferat.com » Рефераты по информатике и программированию » Нейросетевая реализация системы

Нейросетевая реализация системы

предложено огромное количество моделей. Но все они предназначены для решения в основном задач распознавания и классификации образов. Можно указать целый ряд основных отличий предлагаемой в данной работе модели и уже существующих. Во-первых, в классических моделях всегда присутствует “учитель” или “супервизор”, подстраивающий параметры сети по определенному алгоритму, предлагаемый же нейрон должен подстраиваться “сам” в зависимости от “увиденной” им последовательности входных векторов. Формально говоря, при работе нейрона должна использоваться только информация с его входов. Во-вторых, в предложенной модели нет вещественных весов и взвешенной суммации по этим весам, что является большим плюсом при создании нейрочипа и модельных вычислениях, поскольку целочисленная арифметика выполняется всегда быстрее, чем рациональная и проще в реализации. Главное же отличие предлагаемой модели состоит в цели применения. C помощью нее решаются все задачи управляющей системы: формирование и распознавание образов (ФРО), распознавание и запоминание закономерностей (БЗ), анализ информации БЗ и выбор действий (БПР), в отличии от классических моделей, где решается только первая задача.

Важной задачей ФРО для автономных систем также является не только распознавание образов, но и их хранение или запоминание. Это следует из автономности системы, т.к. для неавтономных систем распознанные образы могут храниться и использоваться вне системы. Вообще говоря, проблему запоминания можно решить множеством способов. Например, один из известных способов – организовать кольцо из нейронов, в котором сигнал мог бы прецессировать до бесконечности или в течении некоторого времени в случае затухания. В последнем случае система приобретает новое полезное свойство “забывчивости”, которое, как известно, присуще биологическим системам и позволяет более рационально и экономно использовать ресурсы, т.к. ненужная или малоиспользуемая информация просто “забывается”. Эксперименты проводились с формальной моделью без памяти, но очевидно, что она нужна. Нами предлагается ввести так называемую синаптическую память, т.е. способность запоминать входной сигнал в синаптическом блоке.

В данной работе мы используем нейрон из [Жданов2], который модифицирован в соответствии с [Братищев]. Мы приведем лишь краткое описание. На рис. 3.2.1 представлена блочная схема предлагаемой формальной модели нейрона. Входы нейрона xit подаются на блоки задержки Di для задержки сигнала на время D i , а затем на триггерные элементы Ti для удлинения сигнала на величину t i . Данные элементы обеспечивают некоторую неопределенность момента поступления входного сигнала по отношению к моменту генерации выходного спайка и образуют таким образом синаптическую память, поскольку входной сигнал запоминается в этих элементах на некоторое время.

С учетом задержек D i и t i получаем, что, если на выходе обученного нейрона в момент t появился единичный сигнал, то единичные импульсы на входы нейрона поступили в интервалы времени di = [ t - t i - D i ; t - D i -1]. Неопределенность моментов поступления входных импульсов будет тем меньше, чем меньше задержки t i.

Пример временной диаграммы работы обученного нейрона с двумя входами и с заданными задержками D i и t i иллюстрирует рис. 3.2.2. Вопросительными знаками показаны неопределенности моментов прихода входных импульсов, соответствующие интервалам di.

Нейросетевая реализация системы

Различное отношение и расположение задержек D i и t i во времени наделяет нейрон возможностями формирования и распознавания образов следующих видов.

Если Нейросетевая реализация системы , то имеем пространственный образ. Например, образ некоторой геометрической фигуры.

Если Нейросетевая реализация системы, то имеем образ следования (важен порядок следования образующих, допустима неопределенность в конкретных моментах прихода импульсов). Примером может быть распознавание слов при чтении по буквам.

Если " t i = 1, то имеем пространственно-временной образ (ПВО), в этом случае однозначно определено, по каким входам и в какие моменты времени приходили сигналы. Примером может быть распознавание музыкального тона определенной высоты.

Элемент lw предназначен для набора статистики по данному пространственно-временному образу. Значение lw=1 указывает на то, что данный нейрон обучен.

Задержки D i и t i заданы изначально, т.е. являются константными параметрами нейрона. Если поступающая на данный нейрон последовательность сигналов содержит закономерность, описываемую такими временными параметрами, то нейрон сформирует образ такого пространственно-временного прообраза. Очевидно, что необходимое число нейронов такого типа в сети будет тем меньше, чем больше априорной информации о временных характеристиках прообразов известно на стадии синтеза сети.

Приведем формализм нейрона.

Owt+1 = cwt+1 & Swt+1 ;

cwt+1 = bwt+1 & lwt+1 ;

bwt+1 = Нейросетевая реализация системы

yit = ù cwt & ait ;

ait = Нейросетевая реализация системы;

где Нейросетевая реализация системыНейросетевая реализация системы= tï xit = 1 - момент импульса на входе xi ;

lw t = Нейросетевая реализация системы;

Nw0 = 0;

Nwt = Nwt-1 + bwt ;

Rw(Nwt) - убывающая сигмоидальная функция.

 

3.3. Задача построения ФРО.

Для того, чтобы более правильно и экономно построить нейронную сеть ФРО, необходимо понять смысл или “концепцию” [Turchin] формируемых образов, т.е., более точно выражаясь, найти для данного образа множество обучающих входных фильмов или множество всех таких реализаций входных процессов, которые приводят к обучению данного нейрона или формированию данного образа. Введем понятие обучающего входного фильма.

Определение 3.3.1. Всякий входной фильм Нейросетевая реализация системы назовем обучающим для нейрона Нейросетевая реализация системы, если Нейросетевая реализация системы - начальный момент времени работы системы и Нейросетевая реализация системы Нейросетевая реализация системы, Нейросетевая реализация системы.

Таким образом, задачу построения НС ФРО можно сформулировать следующим образом: для данной совокупности входных фильмов построить такую сеть, в которой бы присутствовали нейроны, для которых данные входные фильмы являются обучающими. Построенная таким образом сеть способна решать эталонную задачу классификации, где в качестве эталонов используются данные входные фильмы. Известно множество способов конструирования и настройки сетей для классических формальных моделей нейронов, например, сети обратного распространения, использующие обобщенное Нейросетевая реализация системы-правило. Проблема предлагаемого подхода состоит в том, что 1) система должна быть автономной, а значит отсутствует “учитель”; 2) вообще говоря, a priori не известны все жизненно необходимые для системы образы. Но если мы обладаем априорной информацией об условиях существования системы (что почти всегда бывает), ее следует использовать при конструировании ФРО.

Можно иначе сформулировать задачу построения ФРО. Приведем пример с системой “Пилот” [Диссер, Жданов9]. В математической модели спутника используются величины углового положения спутника Нейросетевая реализация системы и его производной Нейросетевая реализация системы, следовательно, очевидно, что всевозможные сочетания возможных значений этих величин (т.е. некоторая область на фазовой плоскости) необходимы для нахождения законов управления системой. Действительно, допустим система в момент времени t находится в состоянии Нейросетевая реализация системы и УС выбирает некоторое управляющее воздействие Нейросетевая реализация системы (включение одного из двигателей, например). Мы знаем, что в момент времени Нейросетевая реализация системы система окажется в некотором состоянии, соответствующем точке на фазовой плоскости с некоторой вероятностью Нейросетевая реализация системы, где Нейросетевая реализация системы - точка на фазовой плоскости, таким образом, можно говорить о некотором вероятностном распределении Нейросетевая реализация системы, заданном в фазовом пространстве и характеризующем предсказание поведения системы через интервал Нейросетевая реализация системы при выборе воздействия Нейросетевая реализация системы в момент времени t. Если бы параметров Нейросетевая реализация системы было недостаточно для описания законов управления, то функция распределения зависела бы еще и от других параметров, и при одних и тех же величинах Нейросетевая реализация системы принимала бы другие значения в зависимости от значений неучтенных параметров. Следовательно, УС не смогла бы найти никакого закона управления, поскольку система ищет статистически достоверную корелляцию между наблюдаемым состоянием ОУ, выбранным действием и состоянием ОУ через некоторый интервал времени. Законом управления здесь мы назовем совокупность функций распределения для каждого управляющего воздействия Нейросетевая реализация системы, где Нейросетевая реализация системы находится в некотором диапазоне. Найденный УС закон управления отобразится в некотором внутреннем формате в БЗ, причем он может быть получен в процессе обучения системы в реальных условиях прямо во время работы, либо на тестовом стенде, “на земле”. Следовательно, можно сказать, что задача построения ФРО состоит в конструировании образов, соответствующих необходимому набору параметров, описывающих состояние системы, и их комбинациям, необходимым для нахождения закона управления. Нахождению таких образов может помочь математическая модель объекта управления, если таковая имеется.

 

3.4. Распознавание пространственно-временных образов.

Определение 3.4.1. Всякую совокупность значений реализации входного процесса в некоторые выбранные интервалы времени Нейросетевая реализация системы будем называть пространственно-временным образом (ПВО).

Отметим, что один нейрон способен распознавать (т.е. способен обучиться выделять конкретный ПВО среди всех остальных) только те ПВО, у которых единичное значение сигнала для каждой выбранной компоненты входного процесса встречается не более одного раза (пример изображен на верхнем графике рис. 3.4.1). Сеть нейронов можно построить так, что в ней будут формироваться любые заданные ПВО (нижний график рис. 3.4.1).

Нейросетевая реализация системы

Рис 3.4.1.

4. База знаний.

 

Процесс накопления знаний БЗ в рамках методологии ААУ подробно рассмотрен в [Диссер], [Жданов4-8]. В данном разделе мы опишем лишь основные отличия от указанных источников.

Рассмотрим общий алгоритм формирования БЗ. Основная цель алгоритма состоит в накоплении статистической информации, помогающей установить связь между выбранными управляющей системой воздействиями на среду и реакцией среды на эти воздействия. Другая задача алгоритма состоит в приписывании оценок сформированным образам и их корректировки в соответствии с выходным сигналом блока оценки состояния.

Определение 4.1. Будем называть полным отсоединением ФРО от среды следующее условие: процессы Нейросетевая реализация системы и Нейросетевая реализация системы являются независимыми. Вообще говоря, в действующей системе, конечно же эти процессы зависимы, например, в простом случае без блока датчиков Нейросетевая реализация системы, но для введения некоторых понятий требуется мысленно “отсоединить” входной процесс и процесс среды.

Определение 4.2. Назовем временем реакции среды на воздействие Нейросетевая реализация системы число Нейросетевая реализация системы, где Нейросетевая реализация системы случайные величины Нейросетевая реализация системы и Нейросетевая реализация системы являются зависимыми при полном отсоединении ФРО от среды. Закономерностью или реакцией среды будем считать зависимость Нейросетевая реализация системы от Нейросетевая реализация системы.

Другими словами, время реакции среды это время, через которое проявляется, т.е. может быть распознана блоком ФРО, реакция на воздействие.

Пример 4.1. Нейросетевая реализация системы = Нейросетевая реализация системы. Очевидно, что здесь Нейросетевая реализация системы.

Определение 4.3. Назовем минимальной Нейросетевая реализация системы и максимальной Нейросетевая реализация системы инертностью среды минимальное и максимальное соответственно время реакции среды на воздействие Нейросетевая реализация системы для всех Нейросетевая реализация системы. Интервал Нейросетевая реализация системы будем называть интервалом чувствительности среды.

Заметим, что Нейросетевая реализация системы.

Введем совокупность образов

Нейросетевая реализация системы. (4.1)

Параметр n > 0 назовем запасом на инертность среды. Смысл Нейросетевая реализация системы состоит в том, что если Нейросетевая реализация системы обучен, в текущий момент времени распознан образ Нейросетевая реализация системы и УС выберет воздействие Нейросетевая реализация системы то с некоторой вероятностью через n шагов распознается образ Нейросетевая реализация системы. Аналогично введем образ

Нейросетевая реализация системы, (4.2)

смысл которого совпадает со смыслом Нейросетевая реализация системы, с тем лишь различием, что Нейросетевая реализация системы не распознается, а вытеснится. Поскольку в конечном итоге способом управления УС является вызов определенных образов и вытеснение других, то совокупность обученных образов Нейросетевая реализация системы является материалом, способствующим достижению цели управления, то есть вызову или

Если Вам нужна помощь с академической работой (курсовая, контрольная, диплом, реферат и т.д.), обратитесь к нашим специалистам. Более 90000 специалистов готовы Вам помочь.
Бесплатные корректировки и доработки. Бесплатная оценка стоимости работы.

Поможем написать работу на аналогичную тему

Получить выполненную работу или консультацию специалиста по вашему учебному проекту
Нужна помощь в написании работы?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Пишем статьи РИНЦ, ВАК, Scopus. Помогаем в публикации. Правки вносим бесплатно.

Похожие рефераты: