CC BY
212
Секция «Информационнее системы и технологии»
4. MessageStore - класс представляет собой коллекцию SMS-сообщений.
5. SMSMessage - данный класс представляет собой SMS-сообщение.
6. SMSPDU - данный класс представляет собой PDU-пакет.
7. PDUEncoder - позволяет запаковывать SMS-сообщения в PDU-пакеты для дальнейшей отправки через технологию SMS.
8. PDUDecoder - позволяет распаковывать PDU-пакеты в SMS-сообщения.
9. ATHandler - содержит список необходимых AT-команд.
Разработанная библиотека классов обладает следующими функциями:
1. Подключается к указанному последовательному порту.
2. Отправляет AT-команды через последовательный порт на GSM-оборудование.
3. Получает данные с GSM-оборудования через последовательный порт.
4. Кодирует и декодирует PDU пакеты.
5. Отправляет и принимает PDU пакеты через SMS. Библиотека классов может быть использована для
любых задач, где необходимо использовать обмен данными посредством SMS. Например, для отправки рекламы, новостей или поздравлений с праздниками.
Библиографическая ссылка
1. Ле-Бодик Г. Мобильные сообщения: службы и технологии SMS, EMS и MMS / пер. с англ. М. : КУДИЦ-Образ. 2005. 448 с.
© Савицкий Р. С., 2013
УДК 004.896, 004.942
С. А. Саиян Научный руководитель - И. В. Лезина Самарский государственный аэрокосмический университет имени академика С. П. Королева (национальный исследовательский университет), Самара
ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ НА ОСНОВЕ МНОГОСЛОЙНОГО ПЕРСЕПТРОНА ДЛЯ ПРОГНОЗИРОВАНИЯ СТАТИСТИЧЕСКИХ ДАННЫХ НА ПРИМЕРЕ ПОГОДЫ
Рассмотрена применимость нейронных сетей на основе многослойного персептрона для решения задач прогнозирования погоды. Была разработана автоматизированная система, моделирующая работу нейронной сети.
Задача прогнозирования широко распространена в области метеорологии, исследовании поведения биржевых котировок, оценки времени сбоя оборудования на предприятиях. Решить эту задачу позволяет использование нейронных сетей на основе многослойного персептрона (MLP).
Математической моделью нейронной сети является полином, рассчитывающий выходной сигнал сети на основании входных данных и полиномиальных коэффициентов. Степень полинома равна размеру выборки, подаваемой на вход сети. Основной задачей является подбор полиномиальных коэффициентов -так называемое обучение нейронной сети.
Рис.1. Структура нейронной сети
Нейронная сеть на основе MLP представляет собой систему из связанных между собой слоев нейронов. Каждый нейрон характеризуется функцией активации, преобразующей входной сигнал нейрона в выходной. Связи нейронов с другими нейронами харак-
теризуются коэффициентами - так называемыми весами связи.
Важным фактором в обучении нейронной сети является вид входных данных. Для достижения лучших результатов необходимо предварительно провести отображение данных на диапазон [ -1 ; 1 ] при помощи операций центрирования и масштабирования.
( x - mx )
(1)
Процесс обучения представляет собой итеративную последовательность операций расчета выходного сигнала сети и последующей корректировки весов связей. В качестве алгоритма корректировки весов в сетях на основе MLP обычно применяется алгоритм обратного распространения ошибки. Данный алгоритм относится к классу градиентных алгоритмов, т. е. изменения весов связей производятся в направлении минимизации градиента ошибки. Ошибка прогноза при обучении равна разности сигнала на выходе сети и эталонного значения выхода, соответствующего входным данным [1].
ei =( y - di).
(2)
Обучение сети необходимо выполнять до тех пор, пока средняя величина ошибки за одну эпоху обучения уменьшается. Дальнейшее обучение обычно при-
x
m
Актуальные проблемы авиации и космонавтики. Информационные технологии
водит к ухудшению аналитических возможностей нейронной сети.
В исследовании использовалась классическая структура MLP с одним скрытым слоем и одним нейроном выходного слоя. Было установлено, что комбинация разных функций активаций в скрытом и выходном слое способствует лучшим результатам обучения.
В качестве входных данных был использован архив метеорологических наблюдений национального
На рисунке представлен результат прогнозирования нейронной сетью температуры за период 2002/03 гг. Сеть обучалась на данных о погоде за период 2000/02 гг. Погрешность обучения составила 3 %, погрешность тестирования - 5 %.
График прогноза доказывает применимость нейронных сетей на основе MLP для прогнозирования метеорологических показателей. Для улучшения качества прогноза планируется введение нечеткой логики - модифицирование структуры сети добавлением слоя нечетких нейронов.
архива США (National Climatic Data Center) [2]. Входная выборка представляла собой среднесуточные значения температуры.
В качестве алгоритма корректировки весов был использован метод обратного распространения ошибки, а также его модификация, использующая моменты - инерционную составляющую, позволяющую уменьшить вероятность попадания в локальный минимум.
Библиографические ссылки
1. Хайкин С. Нейронные сети: полный курс. 2-е изд. : пер. с англ. М. : Вильямс, 2006. 1104 с. : ил. Па-рал. тит. англ.
2. National Climatic Data Center. URL: http://www.ncdc.noaa.gov/
© Саиян С. А., 2013
Рис. 2. Результаты прогнозирования
