• СПИСОК ЛІТЕРАТУРИ


  • Дата конвертації25.03.2017
    Розмір17.59 Kb.
    Типреферат

    Скачати 17.59 Kb.

    Використання нейромережевих технологій при створенні СППР

    Використання нейромережевих технологій при створенні систем ПІДТРИМКИ Прийняття РІШЕНЬ (СППР).

    При Сучасний Рівні розвитку техніки, коли даже побутова техніка обладнується мікропроцесорнімі прилаштувати, виникнула потреба в інтелектуальніх адаптивною системою керування, спроможніх прістосовуватіся до очень широкого діапазону зовнішніх умов. Більш того, виникнула потреба в універсальній технології создания таких систем. Науковий досвід людства свідчіть про ті, что в природі можна найти безліч цінних Ідей для науки и техніки. Людський мозок є самим ПИТАНЬ НАДЗВИЧАЙНИХ и Загадкова Створення природи. Спроможність живих організмів, наділеніх віщою нервово системою, прістосовуватіся до навколишнього середовища может служити призовому до імітації природі або імітації при створенні технічних систем.

    Серед імітаційніх підходів віділяється клас нейромережевих методів. Нейронні мережі (НМ) [4] нашли Широке! Застосування в галузь штучного інтелекту, в основному пов'язаних Із розпізнаванням образів и з теорією керування. Одним з основних Принципів нейромережевого підходу є принцип конектівізма. Суть его віражається в тому, что розглядаються очень Прості однотіпні об'єкти, сполучені у велику и складаний ятір. Таким чином, НМ є в Першу Черга графом, Із якіх можна зв'язати сукупність образів, поданих індивідуальних як чісельні значення, Асоційовані з вершинами графа, алгоритм для превращение ціх чисельного значення за помощью передачі Даних между сусіднімі вершинами и просто операціямі над ними. Сучасний рівень розвитку мікроелектронікі дозволяє створюваті нейрочіпі, что складаються з очень великого числа простих елементів, спроможніх Виконувати только аріфметічні операции. Таким чином, нейромережеві методи підтрімується апаратно.

    Математично НМ можна розглядаті як клас методів статистичного моделювання, что у свою Черга можна розділіті на три класи: оцінка щільності ймовірності, класифікація и регресія [2].

    Передбачається, что система ПІДТРИМКИ та Прийняття РІШЕНЬ (СППР) может буті Цілком реалізована на нейронній мережі. У Відмінності від традіційного использование НМ для решение только завдань розпізнавання и формирование образів, у СППР УЗГОДЖЕНО вірішуються задачі

    - Розпізнавання и формирование образів

    - Те, що бере и Збереження знань (емпірічно знайденіх закономірніх зв'язків образів и вплівів на об'єкт керування)

    - ОЦІНКИ якісніх характеристик образів

    - Прийняття РІШЕНЬ (Вибори вплівів).

    Особливе СППР на базі НМ є:

    - Надмірність нейронів у мережі, необхідна для адаптації системи керування (СК) до умов Існування, что змінюються, об'єкта керування (ОК). Внаслідок цього для практичної реализации СК необходимо создания великих НМ (для порівняння людський мозок містіть

    1011 нейронів).

    - НМ складається зі спеціфічніх нейронів, что є більш близьким аналогами біологічного нейрона и прістосованімі для решение задач ППР.

    - Нейрони в мережі з'єднуються спеціальною образом, такоже для решение задач ППР.

    Особливості СУЧАСНИХ СППР роблять непригодна або малопрідатнімі існуючі системи САПР і системи моделювання традіційніх НМ (например, BrainMaker) для создания прототіпів СК ППР. Через Цю обставинні основні питання, что розглядаються в статті це:

    1. Розробка інструмента системи побудова та дослідження нейронних мереж (СПДНМ) для моделювання и дослідження нейромережевих реалізацій прототіпів СК ППР.

    2. Розробка Загальної схеми нейромережевої реализации прототіпів СК ППР.

    Розглянемо основні Сторони создания СППР на базі нейронних мереж. Будемо назіваті Керуюча системою (КС) систему керування, что імітує нервово систему відповідно до Методології ППР. Під об'єктом керування (ОК) будемо розуміті організм, что Несе в Собі нервово систему, іншімі словами, ОК - це об'єкт, что повинною управляти с помощью КС, розташованої усередіні ОК и взаємодіючої зі Своїм оточенням с помощью блоку датчіків (БД ) и виконавчих ОРГАНІВ (ВО).

    Визначили.

    годині

    Прийняття

    решение

    Мал. 1.3.1.

    На малий. 1.3.1 [1] подана система, під Якою будемо розуміті середовище, у Пожалуйста вкладення ОК, что містіть у свою Черга КС. Як бачим з малюнку, можна стверджуваті, что КС управляє НЕ только ОК, но й всією системою. Під середовища у системе можна розуміті Різні об'єднання об'єктів. Будемо назіваті середовища W сукупність об'єктів, что лежати поза КС; Середовище S - сукупність об'єктів, что лежати поза ОК; Середовище U - всю систему.

    Блок датчіків поставляє КС вхідну інформацію у виде двійкового вектора. Цей блок необхідній у реальних системах для сполучення середовища и КС, тому при моделюванні КС на ЕОМ НЕ вікорістовувався и Ми не акцентуємо увагу.

    Роботу блоку формирование и розпізнавання образів (ФРО) можна уявіті таким чином. У блоці ФРО на підставі апріорної информации про Можливі функціональні Властивості середовища задані деякі об'єкти, назвемо їхнімі нейронами, на Які відображаються деякі класи просторово-Тимчасових явіщ, что потенційно могут існуваті в системе. Відображення задається топологією мережі. У класі, відображуваному на нейрон, віділяється підклас, что может спрійматіся данім нейроном. Кожний нейрон может статистично аналізуваті сприймання їм підклас. Накопічуючі Статистичний інформацію про сприймання підклас, нейрон может Прийняти решение, чи є цею підклас Випадкове або невіпадковім явіщем у системе Если Якийсь нейрон пріймає решение, что відображуваній на него підклас є невіпадковою подією, то ВІН переходити у Деяк відмінний від віхідного ²навченій² стан. Если нейрон навченості, то будемо Говорити такоже, что сформованому образ, цею образ ідентіфікується номером даного нейрону. Підклас явіщ, что спрійнятій нейроном, и Який віклікав его навчання, тобто просторово-Тимчасові явіща, статистично вірогідно існуючі в системе, назівається прообразом даного образу. Сформованому образ может буті розпізнаній блоком ФРО, коли прообраз даного образу спостерігається БД. Блок ФРО вказує, Які з сформованому образів розпізнані в сучасний момент. Одночасно з ЦІМ розпізнані образи беруть участь у формуванні образів більш високих порядків, тобто має місце агрегування та абстрагування образів.

    Блок формирование бази знань (БЗ) призначення для автоматичного уяввлення емпірічно знайденіх КС знань про функціональні Властивості системи.

    Блок ОЦІНКИ стану (БОС) віробляє інтегральну оцінку якості стану ОК St.

    Блок Вибори Дії або, надалі, блок Прийняття РІШЕНЬ (БПР) реалізує процедуру Ухвалення решение, Заснований на аналізі поточної ситуации, цільовіх функцій, змісту БЗ, а такоже ОЦІНКИ поточного значення ОЦІНКИ St.

    Блок визначення часу Ухвалення решение візначає глибино перегляду БЗ у залежності від поточної ОЦІНКИ St. Чим вищє значення St, тим более образів (у порядку спадання модулю їхньої ваги) может врахуваті КС при ухваленні решение, тім менше темп Прийняття РІШЕНЬ.

    У КС могут буті засоби для апріорного АНАЛІЗУ НАСЛІДКІВ альтернативних Дій, что вібіраються на декілька кроків вперед.

    Такий у самих Загальна рісах алгоритм керування, реалізованій КС у СППР. Основні Властивості процесса керування складаються в тому, что КС автоматично накопічує емпірічні знання про Властивості пред'явлення їй об'єкта керування и пріймає решение, спіраючісь на накопічені знання. Якість керування зростанні в міру Збільшення ОБСЯГИ Накопичення знань. Зауважімо такоже, что керування складається не в тому, что КС реагує на вхідну інформацію, а в тому, что КС Постійно активно шукає можливий у потокових условиях засіб поліпшіті стан ОК. Тім самим КС СППР має внутрішню Активність.

    При створенні Додатків может буті доцільнім использование КС СППР для керування только в тих областях простору ознака, у Котре Ранее вікорістовувані методи були неефективно. Іншімі словами, корисних розділіті ознакових простір на две області: на область, для якої є апріорна інформація про Властивості ОК, и в Який можна застосуваті систему керування, и на область, у котрої немає информации про Властивості ОК, де нужно адаптація в реальному часі керування .

    біологічний нейрон

    На малий. 3.1.1 [4], поданих у спрощений віді біологічний нейрон. Схематично его можна розділіті на трьох части: Тіло Клітини, что містіть ядро ​​и клітінну протоплазму; дендрити - деревоподібні відросткі, Які службовців входами нейрона; аксон, або нервово волокно, - єдиний вихід нейрона, что представляет собою довгий ціліндрічній відросток. Для Опису формальної моделі нейрона віділімо Такі факти:

    Мал. 3.1.1

    1. У будь-який момент Можливі лишь два стани волокна: наявність імпульсу и его ВІДСУТНІСТЬ, так називаний закон «усе або Нічого».

    2. Передача віхідного сигналу з аксона попередня нейрона на дендрити або прямо на Тіло такого нейрона здійснюється в спеціальніх Утворення - синапсах. Вхідні сигналі підсумовуються Із синаптичних затримки й у залежності від сумарного потенціалу генерується або ні вихідний імпульс - спайк.

    Формальна модель нейрона.

    Вперше формальна логічна модель нейрона булу введено Маккалоком и Питтсом [3] у 1 948 году та тих пір Було предложено Величезна Кількість моделей. Альо Усі смороду прізначені для решение в основному задач розпізнавання и класіфікації образів. Можна Зазначити цілий ряд основних відмінностей запропонованої в даній работе моделі и Вже існуючіх. По-перше, у класичну моделях всегда є прісутнім «вчитель» або «супервізор», что підбудовує Параметри мережі по визначених алгоритму, запропонованій же нейрон повинною підбудовуватіся «сам» у залежності від «побаченої» їм послідовності вхідних векторів. Формально говорячі, при работе нейрона винна використовуват только інформація з его входів. Як і друга, у запропонованій моделі немає Речовини важелів и зваженої сумації по ціх Вагах, что є великим плюсом при створенні нейрочип и модельних Обчислення, оскількі цілочісленна арифметика віконується всегда швидше, чем раціональна и простіше в реализации. Головна ж відмінність запропонованої моделі складається в цілі! Застосування. C ее помощью вірішуються всі задачі керуючої системи: формирование и розпізнавання образів (ФРО), розпізнавання и запам'ятовування закономірностей (БЗ), аналіз информации БЗ и вибір Дій (БПР), у Відмінності від класичності моделей, де вірішується только перша задача.

    Система побудова и дослідження нейронних мереж (СПДНМ).

    Для моделювання на ЕОМ компонентів КС, сконструйованіх Із нейронів усвідомлена необходимость у Спеціальному інструменті, что дозволяє с помощью Зручне графічного інтерфейсу створюваті бібліотеки шаблонів блоків, будуваті мережі з блоків, побудованіх по шаблонах, и прораховуваті ятір з можлівістю перегляду проміжніх станів мережі, збору й АНАЛІЗУ статистики про роботу мережі з метою налагодження.

    При створенні (або віборі) інструмента вікорістовуваліся Такі Критерії:

    відкрітість, або Специфікація и реалізація інтерфейсу і (процедур ОБРОБКИ) форматів Даних, что дозволяють Проводити модіфікацію и нарощування функціональності системи не торкаючи ядра системи и з мінімальнімі витратами на модіфікацію зв'язаних компонентів, іншімі словами, мінімізація зв'язків между компонентами;

    гнучкість, возможности по конструювання як можна більшої кількості класів формальних моделей нейронів и мереж під Самі різноманітні Додатки від моделей КС супутніків и космічніх апаратів до систем ПІДТРИМКИ Прийняття РІШЕНЬ и систем прогнозування курсу ЦІННИХ ПАПЕРІВ;

    багатоплатформеність, максимальна незалежність від операційної системи;

    зручність и прістосованість до моделювання самє систем ПІДТРИМКИ Прийняття РІШЕНЬ, простота у вікорістанні и спроможність ефективного працювати на Слабкий ресурсах ЕОМ (класу персональних комп'ютерів).

    Аналіз існуючіх у наявності або доступних СППР и других систем (например, LabView або систем Із класичними НМ), тім або іншою чином задовольняючіх дерло трьом крітеріям, показавши, что Усі смороду є або великовагових, або занадто дорогими, або очень погано прістосовані до моделювання систем керування з формальних моделлю нейрона. Таким чином, виникнула необходимость в інструменті для науково-дослідних цілей, Який бі дозволяє перевіряті Ідеї создания СППР и створюваті прототипи КС на НМ.


    Мал. 5.1. Загальна схема ядра СПДНМ.

    На пріведеній схемі (рис 5.1) [1] зазначені основні класи об'єктів ядра системи и їхня Взаємодія. Стрілкамі показані потоки Даних при работе системи. Кожному з основних блоків КС відповідає свой блок у системе. Чотири блоки: ФРО, БЗ, БОС и БПР складають КС. З формальної моделі НМ віпліває, что блок - це ієрархічна структура, у Якій елементи одного уровня сполучені в ятір и Кожний з елементів уровня может буті Мережа, что складається з елементів більш низьких уровня. Розглядаючі избран елемент будь-которого уровня, можна вважаті йо «чорною скрінєю», тобто абстрагуватіся від его змісту и внутрішньої Будови. Например, можна на Деяк проміжному етапі конструювання КС абстрагуватіся від нейро-мережевої реализации блоку верхнього уровня и спробуваті різноманітні реализации, причому необов'язково нейромережеві. Система не накладає обмежень на внутрішню будову кожного блоку, тому воно может НЕ мати внутрішньої ієрархії, а просто рекомендуватіся Деяк функцією виходів. Далі, у процесі розвитку КС, Зміст окремий блоків может змінітісь, можливо дива більш складним и ієрархічнім, при цьом поведінка системи не змініться, если новий Зміст Забезпечує функціональність старого в еквівалентності вихідних функцій. Таким чином, полегшується розробка системи, тому что з'являється можлівість конструювання «зверху до низу», немає необхідності реалізовуваті блок відразу через НМ, можна поставити тимчасову «заглушку», а в процесі розвитку системи ускладнюваті, доповнюваті або заміняті на Цілком іншу внутрішню конструкцію блоків .

    Кроме зазначену блоків, у систему входять ще два важлівіх класи об'єктів: конструктори мережі й аналізаторі роботи мережі. Перші, як очевидно з назви, прізначені для создания робочих Копій НМ у пам'яті комп'ютера по різноманітніх джерелах, например по Специфікації мережі з файлу. Власне, для кожного джерела и створюється свой об'єкт. Специфікація мережі может посілатіся на шаблоні блоків з бібліотеки, Які, таким чином, такоже могут буті Джерелом для конструкції. Аналізаторі потрібні при налагодженні мереж. Справа в тому, что мережі могут містіті тисячу и десятки тисяч елементів (принципова обмежень немає, ма ють місце обмеження только по пам'яті и продуктівності комп'ютера), роботу якіх одночасно простежіті просто Неможливо, особливо если Тимчасовий Інтервал роботи складає сотні и більш тактів . Тому необходимо якось узагальнюваті інформацію про стан мережі (Який є сукупність станів кожного елемента) у кожному момент часу и відаваті користувач Сумарний інформацію, можливо, з Деяк деталізацією на Бажанов користувача. Для такой задачі и потрібні СПЕЦІАЛЬНІ об'єкти - аналізаторі. ЦІ об'єкти могут зберігаті Історію станів обраних елементів в обрані інтервалі часу и Згідно ее аналізуваті, тобто візначаті статистичного роду інформацію. Кожний об'єкт вірішує Цю задачу по-своєму и может буті избран у залежності від роду необхідної информации про роботу мережі.

    Висновки

    Підсумовуючі інформацію, относительно побудова системи на базі нейронних мереж ми бачим, что использование нейромережевих технологій є перспективним напрямком розвитку систем ПІДТРИМКИ та Прийняття РІШЕНЬ. Необмежені возможности использование подібніх систем в економіці. Вже зараз створені системи ПІДТРИМКИ Прийняття РІШЕНЬ на базі нейронних мереж, Які застосовуються фінансовімі менеджерами компаний для Зменшення ризики при плануванні фінансовой ДІЯЛЬНОСТІ компаний. На жаль на вітчізняному Сайти Вся ЦІ системи поки що НЕ нашли широкого! Застосування. Самперед це пов'язано з недосконалістю фінансового Сайти Вся. Альо Це не означає, что подібні системи не здайдуть місця в Україні. За мірі розвитку фінансового Сайти Вся постає питання про создания СППР на базі нейронних мереж на Україні. Побудові системи для фінансового АНАЛІЗУ на базі нейронних мереж будут прісвячені следующие роботи автора.

    СПИСОК ЛІТЕРАТУРИ

    1. [Диссер] Жданов А.А. Принципи автономного адаптивного керування. Дисертація на конкурс вченого ступенів доктора фізико-математичних наук. ОЦ РАН. Москва, 1993. 318 с.

    2. В.Брауер. Введення в теорію кінцевіх автоматів. М, "Радіо и зв'язок": тисяча дев'ятсот вісімдесят сім. 392 с.

    3. McCulloch WW, Pitts W. 1943. A logical calculus of the ideas imminent in nervous activiti. Bulletinn of Mathematical biophysics 5: 115-33. (Російський переклад: Маккалок У.С., Піттс У. Логічне числення Ідей, что відносяться до нервової ДІЯЛЬНОСТІ. Автомати. - М: ІЛ. - 1956.)

    4. Уоссермен Ф .. нейрокомп'ютерних техніка. - М .: Світ, 1992

    5. Герман О.В. Введення в теорію експертних систем и опрацювання знань. - Мінськ, ДізайнПРО. 1995.


    Головна сторінка


        Головна сторінка



    Використання нейромережевих технологій при створенні СППР

    Скачати 17.59 Kb.