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

Нейросетевая реализация системы

вытеснению определенных образов посредством выбора воздействия Нейросетевая реализация системы из множества возможных воздействий Y на каждом шаге t. Как используется этот материал будет изложено в разделе “Блок принятия решений”.

Запас на инертность введен из следующих соображений. Совершенно очевидно, что бесполезно пытаться уловить закономерность вида “был распознан образ Нейросетевая реализация системы, применили Нейросетевая реализация системыи через m шагов получили Нейросетевая реализация системы”, где Нейросетевая реализация системы, так как среда будет просто не успевать отреагировать. Таким образом, УС может уловить закономерности со временем реакции среды не большим чем n. Аналогично, нет смысла выбирать n слишком большим, т.е. гораздо большим, чем Нейросетевая реализация системы. С другой стороны, используя синаптические задержки входных сигналов в нейроне, мы можем отловить любую закономерность со временем реакции меньшим либо равным запасу на инертность. Действительно, мы можем построить ФРО так, чтобы образы Нейросетевая реализация системы и Нейросетевая реализация системы формировались с нужными задержками Нейросетевая реализация системы, где m – время реакции среды. Заметим, что a priori нам неизвестно время реакции среды m, поэтому имеет смысл лишь выбрать параметр n для всех образов одинаковым и “наверняка” большим чем Нейросетевая реализация системы (для этого необходимо воспользоваться априорной информацией о среде).

Теперь сопоставим каждому образу из ФРО некоторое число или оценку. Пусть Нейросетевая реализация системы – выход блока оценки состояния, а Нейросетевая реализация системы – оценка образа Нейросетевая реализация системы, получающаяся по следующему алгоритму:

Нейросетевая реализация системы, Нейросетевая реализация системы,

где Нейросетевая реализация системы– некоторая “усредняющая” функция, Нейросетевая реализация системы- множество моментов времени, в которые образ Нейросетевая реализация системы был распознан. В качестве Нейросетевая реализация системы обычно берется просто среднее арифметическое

Нейросетевая реализация системы.

Теперь можно определить, что такое база знаний.

Определение 4.4. Назовем базой знаний совокупность сформированных образов Нейросетевая реализация системы и совокупность оценок Нейросетевая реализация системы для всех образов ФРО.

Определение 4.5. Обозначим объединение множеств всех образов (4.1) и (4.2) через Нейросетевая реализация системы, где F – множество образов ФРО, Y – множество возможных воздействий. Назовем B пространством образов БЗ.

5. Система построения и исследования нейронных сетей СПИНС.

 

5.1. Актуальность системы.

Для моделирования на ЭВМ компонентов УС, сконструированных из нейронов, была осознана необходимость в специальном инструменте, позволяющем с помощью удобного графического интерфейса создавать библиотеки шаблонов блоков, строить сети из блоков, построенных по шаблонам, и просчитывать сеть с возможностью просмотра промежуточных состояний сети, сбора и анализа статистики о работе сети в целях отладки. При создании (или выборе) инструмента использовались следующие критерии:

открытость, или спецификация и реализация (generic) интерфейса и (процедур обработки) форматов данных, позволяющие проводить модификацию и наращивание функциональности системы не затрагивая ядра системы и с минимальными затратами на модификацию связанных компонент, другими словами, минимизация связей между компонентами;

гибкость, возможности по конструированию как можно большего числа классов формальных моделей нейронов и сетей под самые различные приложения от моделей УС спутников и космических аппаратов до систем поддержки принятия решений и систем предсказания курса ценных бумаг;

многоплатформенность, максимальная независимость от операционной системы;

удобство и приспособленность к моделированию именно систем ААУ, простота в использовании и способность эффективно работать на относительно слабых ресурсах ЭВМ (класса персональных компьютеров), дешевизна.

Анализ имеющихся в наличии или доступных систем САПР и других систем (например, LabView или систем с классическими НС), тем или иным образом удовлетворяющих первым трем критериям, показал, что все они являются либо тяжеловесными, либо слишком дорогими, либо очень плохо приспособлены к моделированию систем ААУ и ОУ с формальной моделью нейрона, изложенной в разделе “Аппарат ФРО” или к работе с сетями, состоящими из тысяч нейронов. Таким образом, возникла необходимость в инструменте для научно-исследовательских целей, который бы позволял проверять идеи ААУ и создавать прототипы УС на НС.

 

5.2. Общая концепция системы.

Нейросетевая реализация системы

Рис. 5.1. Общая схема ядра СПИНС.

На приведенной схеме (рис 5.1) указаны основные классы объектов ядра системы и их взаимодействие. Стрелками показаны потоки данных при работе системы. Каждому из основных блоков УС соответствует свой блок в системе. Четыре блока: ФРО, БЗ, БОС и БПР составляют УС. Напомним, что в подразделе “Формализация НС” раздела 1 мы определили такие понятия как блок, выходная функция блока, шаблон, нейронная сеть и формальная модель нейрона. Из формальной модели НС следует, что блок – это иерархическая структура, в которой элементы одного уровня соединены в сеть и каждый из элементов уровня может быть сетью, состоящей из элементов более низкого уровня. Рассматривая выбранный элемент какого-нибудь уровня, можно считать его “черным ящиком”, т.е. абстрагироваться от его содержимого и внутреннего устройства. Например, можно на некотором промежуточном этапе конструирования УС абстрагироваться от нейро-сетевой реализации какого-либо блока верхнего уровня и попробовать различные реализации, причем необязательно нейросетевые. Система не накладывает ограничений на внутреннее устройство каждого блока, поэтому оно может не иметь внутренней иерархии, а просто представляться некоторой функцией выхода. Далее, в процессе развития УС, содержимое отдельных блоков может поменяться, возможно стать более сложным и иерархическим, при этом поведение системы не изменится, если новое содержимое обеспечивает функциональность старого в смысле эквивалентности выходных функций. Таким образом, облегчается разработка системы, т.к. появляется возможность конструирования “сверху вниз”, нет необходимости реализовывать блок сразу через НС, можно поставить временную “заглушку”, а в процессе развития системы усложнять, дополнять или заменять на совершенно иную внутреннюю конструкцию блоков.

Помимо указанных блоков, в систему входят еще два важных класса объектов: конструкторы сети и анализаторы работы сети. Первые, как видно из названия, предназначены для создания рабочих копий НС в памяти компьютера по различным источникам, например по спецификации сети из файла. Собственно, для каждого источника и создается свой объект. (Следует отличать данные объекты от конструкторов сетей, предназначенных для создания с помощью ГИП файлы спецификации сетей; эти конструкторы в ядро СПИНС не входят). Спецификация сети может ссылаться на шаблоны блоков из библиотеки, которые, таким образом, также могут являться источником для конструкции. Анализаторы нужны при отладке сетей. Дело в том, что сети могут содержать тысячи и десятки тысяч элементов (принципиальных ограничений нет,имеют место ограничения только по памяти и производительности компьютера), работу которых одновременно проследить просто невозможно, особенно если временной интервал работы составляет сотни и более тактов. Поэтому необходимо как-то обобщать информацию о состоянии сети (которое есть совокупность состояний каждого элемента) в каждый момент времени и выдавать пользователю суммарную информацию, возможно, с некоторой детализацией по усмотрению пользователя. Для такой задачи и нужны специальные объекты – анализаторы. Эти объекты могут сохранять историю состояний выбранных элементов в выбранные интервалы времени и впоследствии ее анализировать, т.е. определять статистического рода информацию. Каждый объект решает эту задачу по-своему и может быть выбран в зависимости от рода необходимой информации о работе сети.

Отметим здесь на наш взгляд очень полезную классификацию объектов на инструменты и материалы [СтатьяИнстрМатериалы]. Материалами называются объекты, являющиеся своего рода контейнерами информации и содержащие методы только для накопления и несложных преобразований этой информации. Инструментами называются объекты, предназначенные для обработки материалов, т.е. для более интеллектуальных и сложных преобразований той информации, которую хранят объекты - материалы. Таким образом, с точки зрения этой классификации, мы считаем нейронные сети (блоки) материалами, а конструкторы и анализаторы – инструментами. Следует не путать эти инструменты-объекты с инструментами–приложениями, являющимися надстройками над ядром.

В реализации программы мы существенно использовали идеи объектных шаблонов из [Gamma]. Далее, в описании реализации системы мы будем использовать русскоязычные аналоги терминов, введенных в [Gamma], поэтому, чтобы не возникло путаницы, отметим, что Фабрика соответствует Factory, объектные шаблоны – design patterns, Синглетон – Singleton, Chain of Responsibility – Цепочка Обработчиков. Названия классов объектов будут выделены курсивом и начинаться с заглавной буквы. Отметим, что идея шаблонов в программировании и computer science оказалась весьма плодотворной и слово “шаблон” здесь мы используем в трех различных смыслах: объектный шаблон (design pattern), просто шаблон (в смысле определения 1.x.5) и C++ - шаблон (template).

Мы опишем только реализацию ядра системы. Следование принципам открытости предполагает закладывание возможности развития системы через добавление надстроек над ядром (рис. 5.2). Мы, по возможности, старались следовать данному принципу. В частности, одним из направлений развития мы видим создание конструкторов библиотек шаблонов (а, следовательно, и сетей) с помощью ГИП. Предполагается, что выходным продуктом этих конструкторов будут файлы спецификации шаблонов, с которыми уже умеет работать ядро, из которых и будут формироваться библиотеки шаблонов. Далее, можно было бы создать трехмерный визуализатор БЗ (об этом далее), также мы считаем, понадобится отдельный инструмент для конструирования самих БЗ, а, возможно, при определенном уровне сложности блоков УС, и для каждого из них по отдельному инструменту, которые бы учитывали в полной мере специфику блоков УС.

Нейросетевая реализация системы

Рис. 5.2.

 

5.3. Конструкторы сетей. Библиотеки шаблонов.

Как уже было отмечено, конструкторы сетей ядра СПИНС предназначены для создания внутреннего представления сети в памяти компьютера по различным источникам. Здесь будет рассмотрен только один - конструктор по файлу-спецификации сети, но мы не исключаем возможности создания конструкторов, использующих другие источники.

Конструктор по сути своей является фабрикой объектов класса ЭлементСети. Идея фабрики состоит в следующем. Поскольку конструирование сети состоит в порождении огромного числа разнородных объектов ЭлементСети, то необходим объект для регулировки процесса порождения и смерти этих объектов, или фабрика элементов сети. То есть на Фабрику также возложены функции сборщика мусора. Регулировка или управление процессом порождения состоит в следующем. Мы имеем много разных потомков класса ЭлементаСети, например, Нейрон, который, в свою очередь имеет несколько подклассов, соотвествующих каждой из разновидностей формальных моделей, а также другие элементы сети Блок, Источник, имеющий также несколько своих подклассов и т.д. Предположим, мы модифицировали или создали новую версию класса A из перечисленных классов - Нейросетевая реализация системы. Тогда в каждом месте исходного текста мы должны заменить оператор порождения A на оператор порождения Нейросетевая реализация системы. Более гибкой является следующая схема. Фабрика1 умеет, или точнее выражаясь, имеет методы для порождения объектов классов А, B, C и т.д. При сообщении о порождении, например, объекта типа А, она порождает на самом деле объект потомка А: Нейросетевая реализация системы, а Фабрика2 порождает в данном случае Нейросетевая реализация системы. Таким образом, заменой только фабрик мы можем менять классы порождаемых объектов. Отметим, что фабрика на языке C++ естественным образом реализуется через С++ - шаблон (template) и параметризуется типом порождаемых объектов. Ссылка на ФабрикуЭлементовСети, умеющую порождать каждый из конечных потомков ЭлементСети, хранит объект Сеть. При инициализации КонструктораСети ему сообщается ссылка на Сеть. Естественно, Сеть еще не содержит ЭлементовСети, но уже должна иметь ссылку на ФабрикуЭлементовСети. При конструировании сети по файлу спецификации КонструкторСетиПоФайлу (подкласс КонструктораСети) использует методы порождения объектов ФабрикиЭлементовСети, ссылку на которую он берет у Сети.

Отметим здесь, как решена была проблема передачи параметров конструктору (инициализатору, особому методу, вызывающемуся первым после размещения объекта в памяти) элемента сети и, вообще, конструктору любого объекта, порождение и удаление которого находится под управлением фабрики. Проблема состоит в унификации типа передаваемых параметров: они должны быть одни и те же для всех типов элементов сети. Был введен класс Атрибут и методу порождения объекта у фабрики и, соответственно, конструктору объекта передавался список Атрибутов. Каждый Атрибут имеет имя, и конструктор каждого элемента сети распознает только некоторое подмножество подклассов Атрибута, “свои атрибуты”, которые узнает по имени. Например, АтрибутВероятности является подклассом Атрибута, имеет свое поле рационального типа вероятность. Конструктор Нейрона2 распознает АтрибутВероятности в переданном списке атрибутов и использует значение его поля вероятность для инициализации Нейрона2. Для атрибутов также понадобилась ФабрикаАтрибутов.

При создании Фабрики был использован еще один объектный шаблон, так называемый Синглетон. Синглетон решает задачу обеспечения единственности экземпляра класса и управляет доступом к этому экземпляру.

Теперь о самой спецификации. При создании языка спецификации ставились следующие задачи:

Максимум широты спектра описываемых сетей, или максимальная гибкость языка

Относительная простота и удобочитаемость

Минимальная длина спецификаций

Возможность развития языка

В качестве элементарного примера смоделирована нейросеть из четырех нейронов, с помощью которых могут быть сформированы образы соответственно четырех состояний КА среды. Для данного примера спецификация имеет следующий вид:

[Meta]set for Neuron2 synonym Nset for Brancher synonym I[Inputs]I1,I2,I3,I4[Outputs]I1,I2,I3,I4,N1,N2,N3,N4

[Net Topology]

set for N default connection attribute delay=0

set

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: