CC BY
117
УДК 004.942
ИССЛЕДОВАНИЕ АППРОКСИМАТИВНЫХ ВОЗМОЖНОСТЕЙ РАДИАЛЬНО-БАЗИСНОЙ СЕТИ С РАЗЛИЧНЫМИ ФУНКЦИЯМИ АКТИВАЦИИ
© 2013 С.А.Прохоров, И.А.Лёзин, И.В. Лезина, С.К. Латыш, С.А. Саиян
Самарский государственный аэрокосмический университет имени академика С.П. Королёва (национальный исследовательский университет)
Поступила в редакцию 07.06.2013
В статье описана разработанная авторами автоматизированная система для аппроксимации плотности вероятности случайных процессов. В системе используется радиально базисная сеть (ЯБР), в которой в качестве функции активации нейронов помимо функции Гаусса используются ядерные функции. В статье анализируются результаты аппроксимации, полученные сетями с различными функциями активации нейронов, и делается вывод о целесообразности замены функции Гаусса ядерными функциями.
Ключевые слова: автоматизированная система, нейронная сеть, радиально базисная сеть, аппроксимация, случайный процесс, функция Гаусса, ядерные функции.
Задача аппроксимации [1] является актуальной математической задачей. Для моделирования различных процессов, в частности экономических или физических, необходимо иметь функциональную зависимость, описывающую исследуемый процесс. На практике, для получения такой зависимости необходимо решить задачу аппроксимации, позволяющую на основании имеющихся данных построить функцию, описывающую исследуемый процесс. Для решения задачи аппроксимации существует множество математических методов, однако их использование в каждом случае сугубо индивидуально и не всегда возможно. В данной статье рассматривается использование нейронных КББ-сетей для аппроксимации плотности распределения вероятности случайного процесса, которую можно представить в виде [2] (1):
III
f (х )= 2 wk-Pk (х,а1,... ,an),
(1)
k=0
активации нейронов радиально-базисные функции. Общий вид радиально-базисной функции можно описать уравнением:
рк (х) = е-(хк-Ск)2<гк, (2)
Чаще всего в качестве функции активации нейронов радиально базисной сети используется функция Гаусса (2). В данной статье в качестве функции активации помимо функции Гаусса выбраны две ядерные функции [3]: квадратичная ядерная функция (3) и ядро Епанечникова (4).
15 * _ x-c ,
16 2а
х — c 07 *(1 — а} •
(3)
(4)
где wk - веса, настраивающиеся в процессе обучения сети, pk - функция активации нейронов, а 1..., а - параметры функции активации.
RBF-сети используют в качестве функции
Прохоров Сергей Антонович, доктор технических наук, профессор, заведующий кафедрой информационных систем и технологий. E-mail: [email protected] Лёзин Илья Александрович, кандидат технических наук, доцент кафедры информационных систем и технологий. E-mail: [email protected]
Лёзина Ирина Викторовна, кандидат технических наук, доцент кафедры информационных систем и технологий. E-mail: [email protected]
Латыш Сергей Константинович, студент четвёртого курса факультета информатики E-mail: [email protected] Саиян Сергей Андраникович, студент четвёртого курса факультета информатики. E-mail: [email protected]
В исследовании в качестве случайного процесса использовался набор выборок случайных величин с заданным законом распределения. Выборки генерировались при помощи метода обратной функции. В качестве входных данных для нейронной сети использовались значения высот столбцов гистограммы.
В качестве алгоритмов обучения был использован метод обратного распространения ошибки [4], а также алгоритм К-шеапБ [5]. Данный алгоритм относится к классу градиентных алгоритмов, т.е. изменения весов связей производятся в направлении минимизации градиента ошибки. Ошибка при обучении равна разности сигнала на выходе сети и эталонного значения выхода, соответствующего входным данным.
Обучение по алгоритму К-шеапБ заключается в размещении центров радиально базисных функций только в тех точках пространства, где имеются информативные данные, и нахождении
таких значений коэффициента сигма, чтобы области охвата всех радиальных функций покрывали все пространство входных данных, причем любые две зоны могут перекрываться лишь в незначительной степени.
Критерием остановки обучения является достижение заданной погрешности. Результаты аппроксимации можно оценить по формуле:
а =
1 п
-Е(У! - Уф> ь (5)
П ! =1
где у. - значение функции, полученное сетью, у
фi
- эталонное значение функции.
Для решения поставленных задач было разработано программное обеспечение, моделирующее работу нейронной сети. Внешний вид программы представлен на рис. 1.
В исследовании использовались различные законы распределения случайной величины, ниже рассмотрены результаты для нормального, равномерного закона и закона Симпсона. На рисунках представлено сравнение выходного сигнала сети с эталонным значением.
Закон распределения: закон Симпсона. Параметры: а=1, Ь=4. Количество нейронов скрытого слоя: 10. Метод обучения: метод обратного распро-
странения ошибки. Коэффициент обучения: 0,2.
В табл.1 представлены значения среднеквад-ратического отклонения выходного сигнала сети от эталонного значения для каждого исследования. Значение слева от черты соответствует метода обратного распространения ошибки, значение справа - алгоритму К-шеаш. Число нейронов скрытого слоя в эксперименте равно десяти. Анализируя таблицу, можно отметить, что выбор функции Гаусса в качестве функции активации сети является целесообразным для нормального закона распределения и закона Симпсона. Для равномерного закона распределения лучшим выбором будут ядерные функции.
В таблице 2 представлена зависимость значения среднеквадратического отклонения от числа нейронов скрытого слоя для случайной величины, распределенной по закону Симпсона. Значение слева от черты соответствует методу обратного распространения ошибки, значение справа - алгоритму К-шеапБ.
Как видно из таблицы, вариация числа нейронов в скрытом слое не оказывает серьезное влияние на аппроксимативные возможности сети. Из таблицы следует, что для определения функциональной зависимости оптимально выбрать пять-десять нейронов в скрытом слое.
В табл. 3 представлена зависимость значения
Рис. 1. Интерфейс программы
Рис. 2. Использование функции Гаусса Таблица 1. Значения СКО для различных законов распределения.
Нормальный Равномерный Симпсона
Функция Гаусса 0,024 / 0,013 0,005 / 0,003 0,033 / 0,005
Квадратичная ядерная 0,039 / 0,015 0,001 / 0,001 0,017 / 0,005
Ядро Епанечникова 0,027 / 0,015 0,001/ 0,001 0,018 / 0,007
2 3
X
Рис. 3. Использование ядра Епанечникова
среднеквадратического отклонения от коэффициента обучения. На практике от коэффициента обучения зависит сходимость алгоритма, слишком большой коэффициент может привести к нестабильности и расхождению. Анализ таблицы показывает, что при маленьком коэффициенте
обучения алгоритм может не успеть сойтись при заданном числе шагов. Оптимальным значением коэффициента обучения является 0,2.
Исследования показали, что использование ядерных функций активации дает лучшие результаты для равномерного закона распределения и
Таблица 2. Значения СКО для различного числа нейронов скрытого слоя.
5 10 20 30
Функция Гаусса 0,019 / 0,008 0,033 / 0,005 0,012 / 0,007 0,012 / 0,006
Квадратичная ядерная 0,039 / 0,007 0,017 / 0,005 0,011 / 0,004 0,016 / 0,004
Ядро Епанечникова 0,014 / 0,007 0,018 / 0,007 0,098 / 0,004 0,012 / 0,003
Таблица 3. Значения СКО для различного коэффициента обучения
0,05 0,1 0,2 0,3
Функция Гаусса 0,024 / 0,007 0,015 / 0,007 0,033 / 0,005 0,054 / 0,006
Квадратичная ядерная 0,014 / 0,006 0,009 / 0,005 0,017 / 0,005 0,034 / 0,004
Ядро Епанечникова 0,022 / 0,009 0,012 / 0,006 0,018 / 0,007 0,013 / 0,006
закона Симпсона при обучении методом обратного распространения ошибки. Алгоритм К-шеапБ показывает идентичные результаты в обучении сети для различных функций активации, и в большинстве случаев дает лучшее значение СКО, чем метод обратного распространения ошибки. В общем случае, для получения наилучших результатов под конкретную задачу целесообразно подбирать оптимальную функцию активации.
СПИСОК ЛИТЕРАТУРЫ
1. Прохоров С.А. Аппроксимативный анализ случай-
ных процессов . Самара: СГАУ, 2001. 329 с.
2. Исследование аппроксимативных возможностей радиально-базисной нейронной сети в зависимости от алгоритма обучения / И.А. Лёзин, И.В. Лёзина, Д.Д. Телегина. Цифровые модели в проектировании и производстве РЭС: межвузовский сборник научных трудов [под редакцией проф. Н.К.Юркова]. Пенза: изд-во ПГУ, 2012. Вып. 17.С. 279-289.
3. Деврой Л., Дьерфи Л. Непараметрическое оценивание плотности. Ь1 - подход [пер. с англ]. М.: Мир, 1988. 408 с.
4. Хайкин С. Нейронные сети: полный курс .2-е издание.: [пер. с англ]. М.: Издательский дом «Вильямс», 2006. 1104 с.
5. Осовский С. Нейронные сети для обработки информации [пер. с польского И.Д. Рудинского]. М.: Финансы и статистика, 2002. 344 с.
THE RESEARCH OF APPROXIMATIVE POSSIBILITIES OF RADIAL-BASIS NETWORKS WITH DIFFERENT ACTIVATION FUNCTIONS
© 2013 S.A. Prokhorov, I.A. Lyozin, I.V. Lyozina, S.K. Latysh, S.A. Saiyan
Samara State Aerospace University named after Academician S.P. Korolev (National Research University)
The article describes an automated system developed by the authors to approximate the probability density function of random processes. This system uses radial-basis network (RBF), which uses kernel functions as the activation of neurons in addition to the Gaussian functions. The article analyzes the results of approximation produced by networks with different activation functions of neurons and concludes an advisability of replacing the Gaussian functions by kernel functions.
Keywords: automated system, neural network, radial-basis network, approximation, random process,
_Gaussian function, kernel function._
Sergey Prokhorov, Doctor of Technics, Professor, Head at the Information Systems and Technology Department. E-mail: [email protected]
Ilya Lyozin, Candidate of Technics, Associate Professor at the Information Systems and Technology Department. E-mail: [email protected]
Irina Lyozina, Candidate of Technics, Associate Professor at the Information Systems and Technology Department. E-mail: [email protected]
Sergey Latysh, Fourth-Year Student of the Faculty of Informatics. E-mail: [email protected] Sergey Saiyan, Fourth-Year Student of the Faculty of Informatics. E-mail: [email protected]
