Файл: Решение задачи на определение расхода воды на полиВ).pdf

Базовый нейронных сетей – нейрон – моделирует функции естественного (рис. 2).

2 – Базовый искусственный

Искусственный нейрон, как и биологический, состоит из «итов» - сигналов. Каждый сигнал либо ивается, либо . Для этого сигнал xi умножается на так синаптический вес wi, что синапсы биологического она. После сигналы передаются в «тело» нейрона, где он в два этапа: сумматором и так передаточной , и по выходящей дуге y ( аксона) передаются нейронам. Рассмотрим ком искусственного подробнее.

Искусственные нейронные сети (ИНС) широко применяются при решении практических задач, связанных с обнаружением и классификацией сигналов различной природы. В частности, ИНС успешно применяются для распознавания речи, текста, диагностики состояния технических средств. Общей проблемой при практическом использовании ИНС является их высокая требовательность к вычислительным ресурсам, что при традиционной программной реализации ИНС в ряде случаев делает невозможной обработку данных в режиме реального времени.

Для ИНС характерно, что каждый нейрон является, по сути своей, независимым вычислителем и все нейроны одного слоя могут работать параллельно. Поэтому для увеличения производительности систем, использующих ИНС, используются технологии параллельных вычислений.

Параллельная реализация ИНС может быть осуществлена как на типовых, так и на специализированных вычислительных устройствах. В качестве специализированных вычислительных устройств чаще всего применяются нейропроцессоры и микросхемы программируемых логических интегральных схем (ПЛИС). Для реализации ИНС на типовых вычислительных устройствах применяют технологии параллельной обработки данных в рамках одного процессора, сюда относятся в основном команды потоковых SIMD-расширений процессора (SSE), и технологии многопроцессорных и распределенных вычислений OpenMP и MPI. Существенным следствием использования данных технологий является значительное увеличение сложности и стоимости системы.

Появившаяся сравнительно недавно технология массовых параллельных вычислений CUDA (Computer Unified Device Architecture) позволяет использовать процессоры видеокарт для выполнения произвольных расчетов, обеспечивая при этом высокую производительность при достаточно низкой стоимости решения. Так, при равной производительности стоимость системы на базе платформы CUDA в среднем на порядок ниже стоимости вычислительного кластера. Но при этом высокая производительность на платформе CUDA достигается только для задач, представимых в модели вычислений SIMD (одна инструкция выполняется для многих данных) и удовлетворяющих ряду ограничений по использованию памяти.

---

Глава 4. Виды искусственных нейронных сетей

Для начала стоит , что любая состоит из двух слоёв - принимающего (он же и ) сигналы и обрабатываю. Однако, нейронная сеть только лишь из двух слоев - то она , если больше, то многослойная. поподробнее.

Однослойная ИНС - сигналы сразу с входного на выходной, который их и выдает готовый . На изображении распределяющий изображен , а обрабатывающий - квадратиками.

3 – Однослойная сеть

Многослойная ИНС – , которая из входного, скрытого и об слоев. Сигнал с слоя частично тся скрытым , после чего на последний слой , вычисляющий результат.

4 – Многослойная нейронная

Интересно то, что скрытые ИНС ученые научились совсем и это большой шаг вперед, многослойные нейросети суще превосходят по производительности и однослойные.

стоит знать, что сети в двух - прямое распределение и . ИНС прямого дают возможность с успехом большинство : прогнозирование, кластеризация и ание. В таких сигнал передается вперед, назад он ься не имеет возможности.

А что же с обратными в ИНС? В подобных часть сигнала от может быть назад и принцип работы расширяет возможности . Такие ИНС могут кратковременной как у человека.

Использование ИНС обеспечивает следующие свойства: решение задач при неизвестных закономерностях, адаптирование к изменениям окружающей среды, потенциальное сверхвысокое быстродействие и высокая отказоустойчивость при аппаратной реализации нейронной сети, мощный аппарат имитации процессов и явлений, позволяющий воспроизводить чрезвычайно сложные зависимости, дает возможность преодолеть «проклятие размерности», обусловленное тем, что моделирование нелинейных явлений в случае большого числа переменных требует огромного количества вычислительных ресурсов.

При этом необходимо отметить и недостатки: из обученной ИНС нельзя извлечь алгоритм решения задачи. Таким образом, ИНС позволяют получать неявные знания из данных, но при этом логика принятия решений скрыта от эксперта.

Любая задача, при должной формализации потенциально решаема ИНС.

Рассмотрим основные задачи, решаемые ИНС:

− классификация образов. Задача состоит в указании принадлежности входного образа, представленного вектором признаков, одному или нескольким предварительно определенным классам. К известным приложениям относятся распознавание букв, распознавание речи, классификация сигнала электрокардиограммы, классификация клеток крови, задачи рейтингования;

---

− кластеризация/ категоризация. При решении задачи кластеризации, которая известна также как классификация образов без учителя, отсутствует обучающая выборка с образцами классов. Алгоритм кластеризации основан на подобии образов и размещает близкие образы в один кластер. Известны случаи применения кластеризации для извлечения знаний, сжатия данных и исследования свойств данных;

− аппроксимация функций. Предположим, что имеется обучающая выборка ((X1, Y1), (X2, Y2),…, (XN, YN)), которая генерируется неизвестной функцией, искаженной шумом. Задача аппроксимации состоит в нахождении оценки этой функции;

− предсказание/ прогноз. Пусть заданы N дискретных отсчетов {y(t1), y(t2), …, y(tn)} в последовательные моменты времени t1, t2,…, tn. Задача состоит в предсказании значения y(tn+1) в момент tn+1. Прогнозы имеют значительное влияние на принятие решений в бизнесе, науке и технике;

− оптимизация. Многочисленные проблемы в математике, статистике, технике, медицине и экономике могут рассматриваться как проблемы оптимизации. Задачей оптимизации является нахождение решения, которое удовлетворяет системе ограничений и максимизирует или минимизирует целевую функцию.

Нейросети могут эффективно применяться в задачах, диагностики и восстановления знаний при условии использования графосемантического и нейросетевого подходов. В рамках данного комбинированного подхода осуществляется тестирование закрытого типа, каждый вопрос которого связан с определенным учебным элементом (УЭ) эталонного семантического графа (СГ). Построение СГ помогает процессу осмысления знаний, способствует их конкретизации, выявлению противоречий, обнаружению недостающей информации и т. п. Эталонный СГ, можно также выразить квадратной матрицей. Размер матрицы равен количеству УЭ, все элементы матрицы принимают бинарные значения – 1 и 0. Единица характеризует наличие связи (однонаправленной или двунаправленной) между отдельными УЭ, ноль – отсутствие связи между УЭ. На базе предметной области (ПрО) строится СГ, вершинами которого являются понятия ПрО – УЭ, а дугами – их отношения и взаимосвязи. По результатам тестового контроля ответы обучаемого представляются в виде фактической матрицы, состоящей из бинарных элементов. Бинарной 1 соответствует правильный ответ обучаемого, бинарному 0 – неправильный.

Глава 5. Обучение нейронных сетей

---

свойством искусственных сетей их способность к . В процессе обучения сеть использует данные из среды, корректируя свои веса и пороговые , что приводит в результате к производительности сети.

Обучение – это , при котором свободные нейронной сети посредством среды, в которую эта встроена.

Тип обучения способом подстройки параметров. При во внимание это определение, обучения искусственной нной сети может представлен в , показанном на рис. 5.

Рисунок 5 – обучения нейронной

Таким образом, в обучения не сети можно следующие этапы ()^[7]:

1. В нейронную сеть из среды стимулы.
2. В результате воздействий прои изменение свободных пара нейронной .
3. После изменения структуры нейронная отвечает на последующие иначе.

процесс обучения следующим образом^[8]. В функционирования нейронная для входного X формирует выходной Y, реализуя некоторую Y = G(X) . Если архитектура сети , то вид функции G определяется ями синаптических весов и этой сети.

решением задачи является Y = F(X), заданная парами и выходных данных (X¹, Y¹), (X², Y²), …, (X^N, Y^N), для которых Y^k=F(X^k) (kN). Таким , обучение нейронной заключается в функции G, близкой к F в некоторой функции ки E.

В процессе обучения на нейронной сети входной сигнал и выходное . Оно сравнивается с соответствующим из целевым значением и разница между (сигнал ). Сигнал ошибки (error ) – это разность между сигналом и текущим откликом нейронной .

Далее происходит синаптических весов в с выбранным алгоритмом, минимизировать . Сети пооче предъявляются обучающие , вычисляются ошибки и тся веса до тех пор, ошибка по всему множеству не достигнет при низкого уровня^[9].

процессы нейронных сетей большой интерес в мире. В значительной этому тот факт, что искусные нейронные сети менять свое в зависимости от внешней среды. предъявления входных (возможно, вместе с емыми выхо) они самонастраиваются, обеспечивать требуемую ре. За годы исследований в области искусственного было ано множество алгоритмов, каждый со сильными и слабыми .

Эти алгоритмы нейронных сетей (в том и описанные выше) находят и успешное применение. На их создаются ьно действующие для распознавания образов, информации, автоматизирован управления, оценок и много .

---

II. Практическая часть:

Задача на определение расхода воды на полив

Условие : В задаче требуется расход при поливе с/х угодий. Входные : а) количество с/х культур ( культур, мало культур); б) воздуха (засушливое лето, лето, холодное ). Выходной сигнал: воды на (большой расход, средний , маленький расход). : 1. Если с/х угодий много, лето , то расход воды . 2. Если с/х культур , лето нормальное, то воды . 3. Если с/х культур , лето холодное то воды маленький.

(в программном MATLABFuzzyLogicToolbox):

В данной предлагается использовать 2 переменные и 1 выходную .

В качестве входной переменной оценка количе с/х культур.

В качестве входной предлагается взять температуры воздуха .

В качестве выходной берется расхода воды на .

Из анализа расхода на полив определяется правил, данных в задачи.

Построение модели:

1. Формирование переменных.

Будем , что переменные принимать значения в от 0 до 10. Самая низкая 0, самая высокая 10.

получаем исходные входные :

– количество с/х культур;

– воздуха летом.

, на входе четкий вектор {.

На модели должна четкая переменная Y.

1. входных переменных (формирование лингвистических переменных).

Для оценки первой используются два – мало культур, культур, т.е. терм-множество =(мало культур, культур)=(, ).

Для оценки второй используются три терма – , нормальное, холодное, т.е. переменной =(, нормальное, холодное)=(, ).

Для оценки выходной используются три терма – , средний, , т.е. терм-множество переменной =(, средний, большой)=(, ).

---