Анализ и разработка алгоритмов эффективного управления системами обработки информации

• Автор: Савельев, Иван Михайлович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2002
• Место защиты: Новочеркасск
• Количество страниц: 188 с.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ

1. АНАЛИЗ И ИССЛЕДОВАНИЕ ОПТИМИЗАЦИИ СТРУКТУРЫ

И УПРАВЛЕНИЯ СИСТЕМАМИ ОБРАБОТКИ ИНФОРМАЦИИ

1.1. Проблема создания структуры и управления

системами обработки информации

1.2. Анализ численных методов оптимизации

1.3. Анализ математических моделей нейронных сетей.

1.4. Анализ математических моделей оптимизации структуры системы обработки информации на основе генетических алгоритмов
1.5. Выводы

2. ИССЛЕДОВАНИЕ СИНЕРГЕТИЧЕСКОЙ КОНЦЕПЦИИ УПРАВЛЕНИЯ СИСТЕМАМИ ОБРАБОТКИ ИНФОРМАЦИИ.

2.1. Математическая модель распознавания образов в задаче управления системами обработки информации.
2.2. Исследование структуры фазового пространства синергетической модели распознавания
2.3. Модель классификации образов с изменнной топологией стационарных решений
2.4. Выводы к разделу 2
3. СОЗДАНИЕ ГЕНЕТИЧЕСКОГО АЛГОРИТМА ОПТИМИЗАЦИИ СТРУКТУРЫ СИСТЕМЫ ОБРАБОТКИ ИНФОРМАЦИИ
3.1. Многоуровневая декомпозиция системы обработки информации
3.2. Построение модели системы обработки информации
3.3. Реализация генетического алгоритма оптимизации структуры системы обработки информации.
3.4. Выводы к разделу 3.
4. ЧИСЛЕННОЕ МОДЕЛИРОВАНИЕ ПРОЦЕССОВ РАСПОЗНАВАНИЯ И КЛАССИФИКАЦИИ
4.1. Численный расчт бифуркаций в нейронной сети второго порядка
4.2. Моделирование распознавания и классификации
4.3. Выводы к разделу 4.
5. ЭКСПЕРИМЕНТАЛЬНАЯ ПРОВЕРКА ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ С ПЕРЕМЕННОЙ ДЛИНОЙ ХРОМОСОМ НА ЗАДАЧИ ОПТИМИЗАЦИИ СТРУКТУРЫ СИСТЕМЫ ОБРАБОТКИ ИНФОРМАЦИИ
5.1. Обобщнная форма представления СОИ.
5.2. Описание целевых функций оптимизации структуры СОИ.
5.3. Оценка глубины декомпозиции СОИ, описание подсистем
5.4. Результаты оптимизации структуры СОИ.
5.5. Выводы к разделу 5.
ЗАКЛЮЧЕНИЕ
ЛИТЕРАТУРА


Основу критерия оптимальности составляет целевая функция (ЦФ) 0(х), аргументами которой являются управляемые параметры, вектор которых обозначен через х. При построении нового метода оптимизации следует рассмотреть возможность использования существующих методов в качестве его основы. Суть всех методов оптимизации сводится к построению последовательности точек {хг} в пространстве переменных х, предел которой приводил бы ЦФ Q(x) в экстремальное значение. Существует множество методов отыскания экстремума функции многих переменных. Рассмотрим некоторые из них. Метод I аусса-Зейделя. Aj, 0[х* - А,-/,-) < <2(х[) < 0(х[ + А,/у) - длина шага вдоль оси /; для 0, тш^-Д;/;),^' +Д,/,)]>? Метод градиента. П?в(хг)П Метод наискорейшего спуска. Движение к экстремуму начинается с нахождения градиента V? Y0). Q{xr + К Sr) = min Q(xr + lrSr). Метод «тяжёлого шарика». Отличительной чертой метода является введение «инерции», т. Это придаёт качественно новые особенности алгоритму. Движение происходит по направлению, являющемуся линейной комбинацией градиента в очередной точке и предыдущего направления движения. Метод обладает повышенной скоростью по отношению к методу градиента и позволяет «проскакивать» локальные экстремумы. Метод Ньютона. Основная идея метода состоит в квадратичной аппроксимации функции 0(х) в окрестности точки хг и выборе новой точки дающий минимум квадратичного приближения. Аппроксимация функции строится на основе разложения в ряд Тейлора. Отличительной чертой метода является отсутствие проблемы выбора шага, что способствует увеличению скорости сходимости. Методы многошаговой редукции размерности. Основная идея метода состоит в том, что исходная задача сводился к последовательности «вложенных одна в другую» одномерных задач глобальной минимизации: min? Q(xl9. Dx «[<*! Методы конечно-разностной аппроксимации. Поясним последний пункт. Когда речь идёт об аргументах ЦФ, подразумевается, что они нам известны. Это необходимо и при вычислении производных, и при выборе направления следующего шага. Чаще всего в роли аргументов выступают внутренние параметры (они же - структурные компоненты) системы. Практика, однако, показывает, что определить какие именно параметры системы являются аргументами той или иной целевой функции, не всегда удаётся. Анализ литературы позволяет сделать вывод о том, что для решения задач, аналогичной нашей (независимость от вида I (Ф, сложность рассматриваемых объектов и др. ГА). К настоящему моменту разработано громадное количество методов распознавания образов, каждый из которых обладает своими достоинствами и недостатками. Наиболее перспективными являются модели нейронных сетей, полученные на основе чрезвычайно разрозненных данных о функционировании мозга как системы в целом. Искусственные нейронные сети имеют мало общего с реальными нейронными структурами и являются формальными системами, призванными не повторять морфологию мозга, а пытаться воспроизвести его характерные функциональные возможности. При этом существует некоторая аналогия между формальным и биологическим нейроном, основанная на сходстве между функционированием нейрона как системы «вход-выход» и аналогового сумматора с взвешенными входами. Мозг состоит примерно из 0 млрд. Каждый нейрон состоит из сомы, деидритов, по которым к нейрону поступают сигналы от других нейронов, и обычно одного аксона - волокна, по которому передается реакция данного нейрона к остальным (рис. На мембране сомы и дендритов расположены синапсы - окончания аксонов других нейронов. Сигналы характеризуются различными электрическими сопротивлениями и могут быть тормозящими и возбуждающими. Таким образом, функциональная система нейрона может выглядеть гак, как показано на рисунке 1. I, - значение входных сигналов; Wi - коэффициенты передачи синапсов,/(5) - нелинейная функция, описывающая нейрон. Совокупность нейронов и связей между ними определяют характер функционирования мозга. Особый интерес вызывают модели, имитирующие действие реальных нейронных ансамблей - моделей нейронных сетей и устройств, построенных на принципах НС - нейрокомпьютеров.