CC BY
24
Д.М. Ненадович, С.А. Редкозубов
РЕАЛИЗАЦИЯ МЕТОДОВ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ С ОБУЧЕНИЕМ ДЛЯ РЕШЕНИЯ ЗАДАЧ ЭКСТРАПОЛЯЦИИ-ОЦЕНИВАНИЯ ЗНАЧЕНИЙ ЭКСПЕРТНЫХ ПОКАЗАТЕЛЕЙ КАЧЕСТВА СЛОЖНЫХ ИНФОРМАЦИОННЫХ СИСТЕМ, В НЕЧЕТКОЙ ВЕКТОРНОЙ ПОСТАНОВКЕ
Экспертиза проектно-техни-ческих решений, принимаемых в ходе разработки сложных информационных систем (СИС), протекает в условиях различного уровня (параметрическая, непараметрическая) и характера (случайность, нечеткость, неполнота) априорной неопределенности исходной информации. Повышение степени объективности экспертных оценок качества проектно-
технических решений предлагаемых к реализации в ходе проектирования СИС, возможно на основе разработки моделей процессов изменения значений экспертных показателей качества (ЭПК).
С целью формирования оценочнопрогнозных значений ЭПК, моделируемых зашумленными нечеткими последовательностями, должны быть разработаны соответствующие методы. Рассмотрим один из примеров разработки методов экстраполяции-оценива-ния значений ЭПК в нечеткой постановке. Запишем уравнение наблюдения за нечетким процессом изменения индикаторов 0(к) значений ЭПК в следую щем виде:
І (к) = Н (кп(к))0(к) + ЇЇ (к), (1)
где Н(к,п)- М-мерная диагональная
матрица наблюдения за состоянием процесса 0(к);І (к)- М-мерный вектор на-
блюдения за состоянием процесса нечеткого процесса $( к) (к)- вектор белых
шумов наблюдения.
Необходимо отметить, что реализация алгоритмов оценивания-экстрапо-ляции в ходе моделирования приобретает особую актуальность при искусственном «зашум-лении» наблюдаемых процессов с целью повышения адекватности процесса моделирования [1]. Кроме того, реализация алгоритмов оптимального оценивания-экстраполя-ции в экспертных системах актуальна при организации наблюдения за процессом функционирования действующей системы-аналога (опытного участка) СИС.
В рассматриваемом случае, в качестве устройства формирования оценочных прогнозных значений моделируемого процесса наиболее целесообразной выглядит реализация (в качестве базовой) искусственной нейронной сети Хэмминга (ИНСХ), хорошо зарекомендовавшей себя при решении задач воссоздания образов векторов по неполной и искаженной информации [2].
В качестве алгоритма обучения ИНСХ может быть использован алгоритм фильтрации дискретной последовательности калмановского типа,
Структурная схема искусственной нейронной сети Хемминга с обучением на основе ДФК
результаты разработки которого представленный в работе [3]. Примером реализации подобного подхода к построению нейронных сетей может служить работа [4]. В работе представлены примеры обучения реккурентного многослойного пер-септрона (RMLP - Recurrent Multilayered Perceptrron) типа 3-3R-3R-2R на основе различных вариантов алгоритмов расширенной калмановской фильтрации (EKF -Extended Kalman Filter). При этом достигается существенный прирост показателей эффективности использования RMLP в сравнении с реализацией градиентных методов обучения.
Вместе с тем, для решения задач в рассматриваемой постановке, гораздо более больший интерес представляет анализ результатов моделирования процесса функционирования ТКС (изменения ЭПК), полученных на основе реализации искусственных нейронных сетей. Одной из основных причин привлекательности реализации в ТКЭС искусственных нейронных сетей являются их интерпретирующие, а значит и экстраполирующие
возможности. Структурная схема ИНСХ с устройством подстройки синапсических весов входного слоя на основе ДФК, представлена на рисунке. При этом, предлагаемый вариант ИНСХ минимизирует хемингово расстояние между входными и эталонными образами векторов и работает следующим образом: на нейроны входного слоя подаются элементы вектора индикаторов состояния ТКС (значений ЭПК), значения которых «взвешиваются» с коэффициентами равными обратной величине «невязок наблюдения» (1/<^). поступающими из
ДФК. В результате, на выходах нейронов входного слоя формируются следующие значения:
С (k) = 1^ (1/#„ )■
(2)
Далее ИНСХ функционирует в соответствии с разработанным для сети алгоритмом, формируя на выходах нейронов выходного слоя значения элементов вектора 0 (к) в соответствии с пороговой
функцией активации, отрицательными
() и поДожиТеДЬНЫМи (8тт )
обратными связями.
Реализация в ИНСХ обучающей процедуры на основе ДКФ позволит
1. Статистические методы прогноза временных рядов (Предварительный анализ и модели прогноза). М.: МГУ, Монография. 2002, 320 с.
2. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. 2-е издание. - М.: Горячая линия-Телеком, 2002. -382 с.
существенно (практически на порядок [4]) увеличить скорость сходимости сети и повысить точность получаемых результатов при несущественном увеличении вычислительных затрат.
-------------- СПИСОК ЛИТЕРАТУРЫ
3. Ненадович Д.М. Методы теории линейной фильтрации и экстраполяции в задачах оценки состояния управляемой инфокоммуни-кационной системы со случайной скачкообразной структурой. «Электромагнитные волны и электронные системы».№ 6, 2006. стр. 16-21.
4. Haykin S. Kalman Filtering and Neural Networks. Compyright. - 2001. P. 284. ГГШ
— Коротко об авторах ----------------------------------------------------------------
Ненадович Д.М. - кандидат технических наук, менеджер Департамента эксплуатации ОАО «Ростелеком».
Редкозубов С.А. - доктор технических наук, профессор, зав. кафедрой математики Московского государственного горного университета, член Президиума ВАК.
