CC BY
74
ИНФОРМАТИКА, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И ОБРАБОТКА ИНФОРМАЦИИ
УДК 623.98; 004.93'1
НЕЙРОСЕТЕВАЯ СИСТЕМА В ЗАДАЧЕ УПРАВЛЕНИЯ РАСПОЗНАВАНИЕМ СЛОЖНОГО ТЕХНИЧЕСКОГО ОБЪЕКТА
В МОРСКОЙ СРЕДЕ
В. А. Пятакович, Е.Г. Филиппов
Продолжаются научно-технические разработки, к особенностям которых относится привлечение аппарата нечеткой логики и комбинированных нейросетей для решения задач распознавания и классификации морских объектов. Реализация разрабатываемого комплекса вычислительных операций нейронных сетей на многопроцессорных нейроподобных сверхбольших интегральных схемах в виде нейросетевой экспертной системы для распознавания и классификации измеряемых информационных полей морских объектов системой мониторинга морских акваторий, обеспечит возможность решения многофункциональных задач морской науки и оборонного комплекса государства.
Ключевые слова: классификация образов; структуры искусственной нейронной сети; алгоритм обучения; системы автоматического управления.
Стремясь воспроизвести функции человеческого мозга, исследователи создали аппаратные (позже программные) модели биологического нейрона и системы его соединений, на этом пути были достигнуты впечатляющие результаты, стимулировавшие дальнейшие исследования, приведшие к созданию еще более сложных сетей.
Одной из проблем в задаче управления морским подводным оружием является распознавание класса морского технического объекта, находящегося в зоне поражения. Возможным путем решения данной проблемы может быть представление конкретных целей в виде образов и их классификация с применением теории распознавания образов. Задача управления в данном случае сводится к построению решающего правила, позволяющего осуществлять контроль и диагностику работоспособности системы.
239
В настоящее время понятие «распознавание образов» трактуется весьма разнообразно. В него иногда включают классификацию, кластеризацию, принятие решений и многое другое, что объединяет эти понятия. Все перечисленные категории связывают общие математические методы формирования алгоритмов и процесс обучения технической системы, определение которому будет дано ниже.
Не пытаясь обобщить множество авторских определений процесса распознавания образов (РО), будем считать, что в состав этого понятия входят классификация и кластеризация (категоризация) образов, связанных общей проблемой обучения.
Под классификацией будем понимать задачу в определении принадлежности входного образа (например, отраженного сигнала от морского технического объекта), представленного вектором признаков одному или нескольким предварительно определенным классам. К известным приложениям относятся определение типа самолета по отраженному радиолокационному сигналу, распознавание принадлежности движущегося средства (свой, чужой), классификация сигнала электрокардиограмм и т.д. Все системы, производящие классификацию, требуют обучение по прецеденту (с учителем).
Кластеризация (категоризация) - это процесс, который известен как классификация "без учителя", то есть при отсутствии обучающей выборки с метками классов. Алгоритм кластеризации основан на подобии образов и размещает близкие образы в один кластер. Кластеризация реализована в одной из задач распознавания типа морского технического объекта, когда выделение нового класса морского технического объекта, не принадлежащего ни к одному из известных, означает использование противником новой военной техники. Известны случаи применения кластеризации для извлечения той или иной информации, сжатия и обработки массивов данных, управления и решения других задач.
Классификация и кластеризация (категоризация) не могут существовать без обучения. Среди многих известных алгоритмов обучения можно выделить следующие основные правила: обучение по минимизации ошибки [1], машина Больцмана (стохастическое обучение) [2], правило Хебба [1], и соревновательный метод [2 - 4].
Все эти алгоритмы объединяют конечное число математических методов, лежащих в основе их построения. Некоторые из этих методов будут обсуждены ниже.
Особый интерес представляет разработка модели распознавания образов. Для построения теоретической модели процесса распознавания необходимо определить основные исходные понятия.
Под образом или классом будем понимать некоторую группу предметов, обладающих общими свойствами и имеющих некоторые отличительные свойства. Например, к классу "подводная лодка" (подлодка, субмарина) - далее подводный технический объект, относят морские техниче-
240
ские объекты от исследовательских подводных аппаратов до атомных подводных крейсеров (Missile submarine strategic purpose). Классы можно расширять или сужать в зависимости от целей исследования. Как правило, исследователь имеет набор классов или, как его иногда называют, алфавит образов:
А = {Ai, A2, ..., Ai, ... , Am}, где: A; - отдельный i-й класс; m - общее число классов.
Каждый класс в алфавите может быть представлен некоторым количеством объектов (образцов или реализаций). Совокупность различных реализаций для всех классов образует множество возможных реализаций:
В = {bi, b2, ..., bj, ... , Ьт}.
Каждый класс имеет признак, то есть количественное выражение объединяющих в класс образов. Обычно для простоты считают, что все объекты имеют одинаковое число признаков (если некоторый признак отсутствует, его считают нулевым). Обозначим совокупность признаков для данного алфавита А следующим образом:
А = {хь х2, ..., хк, ... , Xn}.
В качестве примера можно представить процесс распознавания типа подводного технического объекта по его дискретной частотной характеристике (рис. i), которую можно рассматривать как реализацию, а значения х1, х2, ..., хк, хк+1,... , xN - это признаки шумов подводного технического объекта на рассматриваемой реализации.
Рис. 1. Возможный вариант дискретной частотной характеристики шумов подводного технического объекта
241
Каждая реализация имеет свой набор признаков. Все признаки имеют ограниченное значение (в рассматриваемом случае - уровень шумов подводного технического объекта). Как правило, задачи распознавания (кроме кластеризации) решаются в два этапа. Первый этап - это обучение, то есть распознающему устройству предъявляется серия эталонных образов, по которым производится "настройка". Второй этап - это собственно распознавание, когда предъявляется реализация (объект) с неизвестной принадлежностью и требуется определить, к какому классу он относится.
Для решения прикладных задач распознающее устройство представляет собой программу, которая реализуется на штатном или специальном компьютере с развитым входным интерфейсом, то есть распознающая машина (термин Тьюринга) - это программный продукт на специализированном компьютере. Как правило, программный продукт представляет собой реализацию некоторого сетевого субстрата типа перцептрон Розенбла-та или какой-либо разновидности нейросети типа многослойного перцеп-трона, сети Больцмана, рекуррентной сети, сети ART, сети Хопфилда и других. Каждая из названных машин распознавания (сетей) имеет свои преимущества и недостатки. Методов распознавания достаточно много (рис. 2).
Рис. 2. Классификация методов распознавания
242
Каждый из них родился в недрах решения прикладных задач, и наиболее применим для распознавания образов определенного класса. Ниже приводятся методы, которые использовались авторами для решения прикладных задач.
Первой группой (по хронологии появления) является геометрическая концепция. Задача сводится к анализу расположения точек в пространстве объектов. Для маломерных линейных задач геометрический метод применим, при увеличении мерности и нелинейности сложность решения возрастает, что и ограничивает область применения.
Наиболее широко используется байесовская концепция распознавания [5, 6]. Точная реализация метода практически исключена по причине сложности и большого объема вычислений, но его разновидности (упрощения) широко используются при решении прикладных задач (например, сети ЯВЕ). Практически многомерные законы условных вероятностей аппроксимируются какими-либо более простыми функциями, которые представлены с помощью полимодальных или других функций, имеющих стандартные программы. В этом случае метод называется методом дискриминационных функций (или метод Ф-функций).
Многие авторы предлагают свои методы, которые являются частным случаем рассмотренных выше методов (например, корреляционный или регрессивный).
Особо необходимо остановиться на обучении систем распознавания. Способность к обучению является фундаментальным свойством такой универсальной системы, как мозг человека. При проектировании распознающих устройств это свойство необходимо закладывать априори. В качестве рекомендаций можно предложить проектировщику предусмотреть возможность изменения масштаба коэффициентов входных величин, изменение вида центральной нелинейной функции распознавания, величины задержки и других характеристик. Теория обучения рассматривает несколько фундаментальных свойств при обучении с помощью примеров (обучающих выборок). К ним можно отнести емкость, сложность образов и вычислительную сложность. Под емкостью понимается, сколько образов может запомнить распознающее устройство и какие ограничения могут быть на нем сформированы. Сложность образов определяет число обучающих примеров, необходимых для обучения распознающего устройства до уровня функционирования. В таблице показано применение известных алгоритмов обучения для распознающих устройств типа нейросе-ти [7].
Кроме названных выше, встречаются другие частные методы типа корреляционного или регрессионного. В геометрических методах существуют линейные и нелинейные методы обучения, связанные с деформацией пространств признаков. Если условные распределения объектов описываются нормальными законами распределения, то метод Байеса совпадает с линейной деформацией пространства признаков и т.д. Все методы обучения делят на два класса: параметрические и непараметрические.
243
Алгоритмы обучения распознающих систем, реализованных с помощью
нейросетей
Парадигма Обучающее правило Архитектура Алгоритм обучения Решаемые задачи
Коррекция ошибки Розенблатова структура (один и более слоев) Алгоритм Розеблата, обратное распространение Adaline, Madaline Классификация, кластеризация, управление, аппроксимация, футу-ризация
С учителем Правило Больцмана Рекуррентная (с обратными связями) Алгоритм Больцмана Классификация
Метод Хебба Многослойная сеть Прямого распределения Линейный дискриминант-ный анализ Классификация, кластеризация, анализ
Конкуренция (соревнование) Перцептрон Векторное квантование Категоризация внутри класса, сжатие данных
Сети ART Карты ART (ART MAP) Классификация
Без учителя Коррекция ошибки Многослойная сеть прямого распределения Метод проекций Саммона Категоризация, анализ данных
Правило Хебба Сеть прямого распределения и с обратной связью Анализ главных компонентов Категоризация, анализ, сжатие данных
Без учителя Конкуренция Сеть Хопфилда Создание и обучение ассоциативной памяти Ассоциативная память
(соревнование) Сеть Кохонена Алгоритм Кохонена Категоризация, анализ данных
Сети ART Алгоритм ART-1, ART-2 Категоризация
Смешанная Коррекция ошибки и конкуренция (соревнование) Сети RBF Алгоритм обучения RBF Классификация, аппроксимация, предсказание, управление
В параметрических методах алгоритм решающего правила известен, и в процессе обучения определяются коэффициенты (параметры) решающей формулы. В непараметрических методах определяется как вид решающего алгоритма, так и его коэффициенты (параметры). Кроме того, по аналитическим конструкциям признаков распознающие устройства можно разделить на непрерывные, дискретные и смешанные. Необходимо отметить, что непрерывные алгоритмы распознавания последнее время применяются весьма часто при решении прикладных задач [8-12]. Выбор метода распознавания для задач управления морским подводным оружием из рассмотренного выше их разнообразия требует глубоких исследований.
Список литературы
1. Anderson J.A., Rozenfeld E. Neurocomputing: Foundation of Research. Cambridge, MIT Press, Mass, 1958.
2. Hebb D.O. The Organization of Behavior. New York, John Wiley Sons, 1949.
3. Lippman R.P. Information to Computing with Neural Nets // IEE ASSP Magasine. 1987. Vol. 4. № 2. P. 4 - 22.
4. Kohonen. Self Organization and Associative Memory. New York, Nhird Edition, Sringer Verlag, 1989.
5. Кузин А.Т. Основы кибернетики. Математические основы кибернетики. М.: Энергия, 1973. Т. 1. 504 с.
6. Вопросы статистической теории распознавания / Ю.Л. Барабаш и др. М.: Сов. радио, 1987. 347 с.
7. Джеин А.К. Введение в искусственные нейронные сети // Открытые сети. 1997. № 4 (24). С. 16 - 28.
8. Способ передачи информационных волн из морской среды в атмосферу и обратно: пат. 2593625 РФ / М.В. Мироненко, А.М. Василенко,
B.А. Пятакович; ТОВВМУ им. С.О. Макарова, 14.07.2016.
9. Пятакович В.А., Василенко А.М., Мироненко М.В. Технологии нелинейной просветной гидроакустики и нейро-нечетких операций в задачах распознавания морских объектов: монография Владивосток: ДВФУ, 2016. 190 с.
10. Пятакович В.А., Василенко А.М. Предварительная обработка информации нейроноподобным категоризатором при распознавании образов морских объектов // Подводное морское оружие. 2017. № 1 (32).
C. 31 - 34.
11. Пятакович В.А., Василенко А.М., Пятакович Н.В. Математическая модель распознавания и классификации морского объекта, реализующая аппарат нечетких множеств // Науковедение, 2017 Том 9, №1. М.: Науковедение, 2017 [Электронный ресурс]. URL: http://naukovedenie.ru/ PDF/49TVN117 .pdf (дата обращения: 30.06.2017).
12. Пятакович В.А., Василенко А.М., Мироненко М.В. Структура нейросетевой экспертной системы распознавания и классификации объектов по их информационным полям в системе комплексного мониторинга морских акваторий // Науковедение, 2017. Т. 9. №2. М.: Науковедение, 2017 [Электронный ресурс]. URL: http: //naukovedenie.ru/PDF/ 55TVN217.pdf. (дата обращения: 30.06.2017).
Пятакович Валерий Александрович, канд. техн. наук, доц., нач. научно-исследовательской лаборатории, [email protected], Россия, Владивосток, Тихоокеанское высшее военно-морское училище имени С. О. Макарова,
Филиппов Евгений Геннадьевич, ст. преподаватель, texce@,list.ru, Россия, Владивосток, Дальневосточный федеральный университет
NEURAL NETWORK SYSTEM MANAGEMENT TASK RECOGNITION OF COMPLEX TECHNICAL OBJECT IN THE MARINE ENVIRONMENT
V.A. Pyatakovich, E.G.Filippov
This article is a continuation of the scientific and technical developments of the authors, featuring the use of the fuzzy logic apparatus and combined neural networks to solve problems of recognition and classification of sea objects. The practical implementation of the system that is developedfor executing the computing operations by way of neural networks on the multiprocessor neural VLSI circuits in the form of a neural network expert system for the identification and classification of measured information fields of sea objects as part of the sea waters' monitoring system will provide the ability to solve multi-functional problems of marine science and of the defense industry of the State.
Key words: classification of images; structures of an artificial neural network; learning algorithm; automatic control systems
Pyatakovich Valeriy Aleksandrovich, candidate of technical sciences, docent, Chief of a Research Laboratory, [email protected]. Russia, Vladivostok, The Pacific Higher Naval College named after S. О. Makarov,
Filippov Evgenii Gennadievich, senior lecturer, texce@,list.ru, Russia, Vladivostok, Far Eastern Federal University
