Формирование распределенных систем структурно-параметрического синтеза нейросетевых моделей

• Автор: Тынченко, Вадим Сергеевич
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2008
• Место защиты: Красноярск
• Количество страниц: 165 с. : ил.

Содержание

Введение л.1

1 Технологии структурно параметрического синтеза искусственных нейронных сетей.1

1.1 Искусственные нейронные сети.

1.2 Применение генетических алгоритмов для параметрической настройки и синтеза структуры нейросетевой модели
1.3 Применение многокритериальных генетических алгоритмов для синтеза структуры нейросетевой модели
1.4 Применение параллельных генетических алгоритмов для синтеза структуры нейросетевой модели

1.5 Многокритериальный многопопуляционный параллельный

генетический алгоритм .

Выводы..

2 Выбор эффективной конфигурации вЯЮсистемы для решения сложных задач

2.1 Технология ОИГО
2.2 Модель оценки производительности вИЮсистемы.
2.3 Модель оценки надежности ОИГОсистемы
2.4 Постановка задачи выбора эффективной конфигурации вШОсистемы
и методы ее решения.
3 Практическая реализация моделей и алгоритмов1.
3.1 Программная система Генетические алгоритмы выбора структуры и настройки искусственных нейронных сетей
3.2 Система автоматизации проектирования искусственных нейронных сетей на основе разработанного многокритериального параллельного генетического алгоритма.
3.3 Автоматизированная система поддержки принятия решений Формирование эффективной конфигурации СИГОсистемы
3.4 Проверка работоспособности автоматизированной системы поддержки принятия решений при выборе эффективной структуры централизованной вКШсистемы.
3.5 Проверка работоспособности системы автоматизации проектирования
искусственных нейронных сетей.
3.6 Прогнозирование деградации электрических характеристик солнечных
батарей космического аппарата.
Заключение
Список использованных источников


Многокритериальный многопопуляционный параллельный генетический алгоритм решения сложных задач оптимизации с реструктуризацией топологии связей между! I ! Комплекс математических моделей оценки производительности и • надежности функционирования централизованной GRID-систсмы с синхронным стартом позволяет осуществлять автоматизированный выбор эффективной конфигурации такой системы. Апробация работы. Процесс разработки и результаты, представленные в диссертации, докладывались и обсуждались на научных конференциях различного уровня, в том числе V, VII, VIII Межвузовской научно-практической конференции «Актуальные проблемы экономики, информатики и права» (г. Красноярск, , , гг. X, XI Международной научной конференции «Решстпсвскис чтения» (г. Красноярск, , гг. Технологии Microsoft в теории и практике програм-! Новосибирск, г. IV Всероссийской научно-практической конференции «Современные проблемы авиации и космонавтики» (г. Красноярск, г. Публикации. По теме данной работы опубликовано печатных работ, среди которых четыре статьи в научном издании, входящем в Перечень ВАК. Структура работы. Работа состоит из введения, трех глав, заключения и списка литературы. Рисунок 1. Принятые синапсом входные сигналы подводятся к челу нейрона. Нейронные сети представляют собой модель строения и процессов, происходящих в коре головного мозга. Искусственная нейронная сеть (ИНС) — ого набор формальных нейронов (ФН), соединенных между собой. Биологический нейрон. Нервная система человека построена из элементов, называемых нейронами. Уникальной способностью нейрона является прием, обработка и передача электрохимических сигналов по нервным путям, которые образуют коммуникационную систему мозга. На рис. Тел? Когда суммарное возбуждение в теле нейрона превышает некоторый порог, нейрон возбуждается, посылая но аксону сигнал другим нейронам. У этой основной функциональной схемы много усложнений и исключений, тем не менее, большинство искусственных нейронных сетей моделируют лишь эти простые свойства. Формальный нейрон. Формальный нейрон (ФН) является упрощенной моделью биологического нейрона. На вход формального нейрона поступает некоторое множество сигналов, каждый из которых является выходом другого нейрона. На рис. Рисунок 1. Здесь множество вхо/щых сигналов, обозначенных х/, %2,хпу поступает на искусственный нейрон. Эти входные сигналы, в совокупности обозначаемые вектором X. Каждый вес соответствует «силе» одной биологической синаптической связи. Множество весов в совокупности обозначается вектором IV. NET. NET=XW. Сигнал NET далее, как правило, преобразуется активационной функцией У7 и дает выходной нейронный сигнал OUT. На рис. OUT. Если блок/сужает диапазон изменения величины NET так, что при любых значениях NET значения OUT принадлежат некоторому конечному интервалу, то /называется «сжимающей» функцией. Рисунок 1. В общем случае нейрон имеет один выход и несколько входов (синапсов), которые осуществляют связь между нейронами. W, — весовой коэффициент /-го входа нейрона. В общем случае активационная функция является нелинейной. OUI = < , где о — пороговый уровень. Развита полная теория |], позволяющая синтезировать произвольные логические схемы на основе ФН с такой нелинейностью. Пороговая функция требует минимальных вычислительных затрат, однако ее применение не позволяет' моделировать схемы с непрерывными сигналами. Параметры такого рода ИНС обычно рассчитываются по формулам, без использования итеративного процесса обучения сети. Данная функция часто применяется для многослойных персептропов и других сетей с непрерывными сигналами. Непрерывность первой производной позволяет обучать сеть градиентными методами, при этом простое и быстрое вычисление производной ускоряет обучение нейронной сети. Достоинством применения логистической функции является широкий диапазон сигналов, с которыми нейрон работает без насыщения. Функция симметрична относительно точки (0,0), что является преимуществом по сравнению с сигмоидой. Производная также непрерывна и выражается через саму функцию.