Формализация распознавания состояний ССТС



страница3/5
Дата21.05.2016
Размер3.57 Mb.
ТипАвтореферат
1   2   3   4   5

3.1. Формализация распознавания состояний ССТС

     Массив выборок совместно с соответствующим массивом классов используется  для обучения в задаче распознавания актуальных состояний объекта исследования. Эту процедуру можно выразить в требовании оптимизировать функционал процесса распознавания текущего состояния ССТС:



, где (31)

, (32)

расстояние между объектами (признаками) внутри класса по заданной метрике;

      , (33)

расстояние между объектами (признаками) в разных классах по заданной метрике;



— правило отнесения объекта к соответствующему классу; индикатор наличия (отсутствия) признака ;

- множество объектов в классе (.

- заданная метрика. Тогда решение (31) достигается минимизацией (32), максимизацией (33):

(34) и реализацией преобразования согласно решающего правила:                                                                                                  , если      = , (35) где

; ,
h, j = 1,2,…,K – средние значения в кластерах;

d) – расстояние между объектом и центром кластера;

) – расстояние между центрами кластеров.

          — множество выборок признаков состояний;            - множество номеров кластеров;   ; . Анализ предметных областей ССТС позволил сделать вывод о неравнозначности ущерба при перепутывании классов. Поэтому наиболее адекватной мерой близости классов принят риск, связанный с принятием решения о принадлежности распознаваемого состояния объекта исследования к классу . Риски ошибочных решений расчитываются предварительно и помещены в файл исходных данных в виде платежной матрицы ||C||. В принятых обозначениях после измерения признаков текущего состояния ССТС, величина условного риска представляется выражением

(36) и принимается в случае, если

по всем состояниям объекта. При этом условная вероятность того, что может быть вычислена в соответствии с теоремой гипотез (формула Байеса) [113].
3.2. Функциональная связь состояний ССТС с вектором входных факторов               Если актуальное состояние объекта не совпадает с требуемым, необходимо найти соответствующий набор входных факторов и привести его в это состояние. Для решения этой задачи следует найти функциональную зависимость состояний от входных факторов. Аналитического решения этой задачи для ССТС, учитывая их особенности, на сегодня не найдено. Поэтому применяют другие методы, основанные на обучающих процедурах. При этом минимизация целевой функции в постановке задачи выполняется итерационно в процессе обучения сети по алгоритму обратного распространения ошибки [7] применительно к входным данным исследуемого объекта:

, (37) где

– вектор индикаторов выходных состояний из Таблицы 1;

– результат обучения сети на - выходе, при – м примере обучающей выборки.    

– номер выхода сети;

 – номер примера;             – размерность массива примеров и числа выходных элементов сети;              допустимые ограничения по условию задачи.             В нейросетевом формате обучение заканчивается формированием ансамбля нейросетевых моделей. Анализ профилей результатов моделирования позволил выделить сети с приемлемыми для практики производительностью и ошибками на обучающих, контрольных и тестовых множествах. Установленная регрессионная зависимость определяет связь входных факторов и выходных индикаторов системы через массивы синаптических коэффициентов обученных нейросетевых моделей. Вариации входными факторами позволяют получать различные значения функции, что обеспечивает системного менеджера данными для принятия решений.
3.3. Принятие решения об оптимальном наборе входных факторов как обратная задача распознавания состояний ССТС.   Если актуальное состояние объекта не совпадает с требуемым, то на основании гипотезы компактности не совпадают и признаковые пространства, соответствующие этим состояниямх[128]. Поэтому находился такой набор признаков, который максимально сближал классы текущего и требуемого состояний ССТС. Это задача обратная распознаванию образов. После формализации процедур оценки текущего состояния и функциональной зависимости “вход-выход”, решалась задача формализации выбора оптимального признакового пространства в границах установленных дисциплинирующих условий. При небольшом числе изменяемых факторов (3-4) эта задача решалась простым перебором. В случае большого числа факторов (десятки – сотни) целесообразно воспользоваться одним из существующих градиентных методов адаптации входного вектора к заданной функции на выходе[130, 131]. В этом случае метод обратного распространения ошибки последовательно применяется в два этапа:         для подстройки параметров нейронной сети при модификации её синаптического пространства;         для подстройки входного вектора через градиент функции ошибки по входным сигналам сети [129]. Эта процедура положена в основу решения задачи обратной к процессу распознавания состояний ССТС.

Задавались индикаторы соответствующие требуемому классу состояния объекта и подавались на вход обученной сети. Имея заданный ответ и ответ выданный сетью, вычислялся градиент функции ошибки по входным сигналам сети по известной технологии метода нагруженных двойственных сетей [129]. В соответствии со значениями элементов градиента изменялись значения входных сигналов сети в направлении снижения ошибки, что позволяет итерационно получить вектор входных сигналов, порождающих требуемый ответ. При этом синаптическая карта сети остается неизменной.

      Таким образом, значения входных факторов по окончании процедуры подстройки являются результатом принятия решения нейронной сетью по переводу системы из одного состояния (класса) в другое.

        Четвёртый раздел посвящен проблеме автоматизации принятия решений в режиме реального времени (РВ) для сложных социотехнических объектов в базисе эмуляторов нейросреды. Предложена технология моделирования базовых процессов автоматизации принятия решений (распознавание состояний, выделение однородных данных, прогнозирование динамики поведения) для критических инфраструктур в разных предметных областях. В основе подхода лежит идея создания дополнительного, независимого инструмента принятия решения в режиме реального времени. Приведены модели и алгоритмы реализованные в среде стандартных нейроэмуляторов формата Statistika Neural Network[47], обеспечивающие состоятельные показатели надежности принимаемых решений. Системы поддержки принятия решений реального времени (СППР РВ) - это программно-аппаратные комплексы, предназначенные для помощи лицам, принимающим решения (ЛПР), при управлении сложными объектами и процессами различной природы в условиях жестких временных ограничений [74,126].

          Реальное время — режим работы СППР в управлениии ССТС, при котором учитываются ограничения на временны́е характеристики реализации базовых функций процесса принятия решения и превышение этого времени эквивалентно потере продуктивности работы СППР. В основе построения СЦБР лежит технология разрешения проблемы построения адекватных моделей базовых процессов за ограниченное время, что аналитически может быть представлено так:                                                                                

где  - допустимая степень неадекватности модели ;                                           - допустимое время адаптации модели;           - расстояние между моделью и объектом в пространстве выбранной метрики. Графическое пояснение пути построения СППРРВ представлено на рис. 3. Так как модели базовых процессов ССТС строятся в нейросетевом формате, то степень адекватности моделей оценивалась на основе анализа ошибок их обучения, а оперативность их построения – временем обучения, что поясняет рис. 3.



Рис. 3. Интерпретация СППР РВ в атрибутах границ ССТС


          Анализ возможностей существующих пакетов технического анализа[17,26] позволил сделать вывод о том, что базовые процедуры принятия решений представленные в разделе 3 данной работы могут выполняться значительно быстрее, если разработать и применить продуктивную технологию комплексного использования имеющегося программного инструментария Statistika Neural Network среды StatSoft (рис.4).

Рассмотрим в данном контексте использование модуля Statistika Neural Network среды StatSoft. Так как на сегодня нет строго доказанных правил связи мощности обучающей выборки, размера сети, ошибок обобщения и времени окончания итерационного процесса обучения, был применен эмпирический подход построения и исследования продуктивности моделей по критерию «надежность решений – время принятия решений».

Применялись процедуры, влияющие как на ошибки так и на время обучения (Рис.4.). Процедуры,  представленные на рис. 4, выполнялись предварительно при отладке моделей, что позволило существенно снизить время обучения до достижения дпустимых ошибок. Рассматриваемые в диссертаци предметные области позволяют провести указанные процедуры без ущерба для конечных критериев продуктивности принятых решений. 

Рис.4. Блок - схема процедур адаптации моделей к критерию «ошибка-время»

Результаты моделирования принятия оперативных решений для СППР РВ представлены в разделе 6 диссертационной работы для ситуационного центра быстрого реагирования и в целом подтверждают правильность предположений о существенном сокращении времени реакции нейросетевых моделей при реализации базовых функций принятия решений в границах принятых допусков ошибок.         

         В пятом разделе исследована проблема адекватности моделей и обеспечение надежности принятых решений на основе предлагаемого подхода. Показаны свойства правила идеального наблюдателя в задаче нейросетевой классификации состояний ССТС. Совокупную информацию устройства принятия решений можно представить в виде двух множеств чисел. Одно из них {}, i=1,2, …,М, t= 1,2,…, Т – множество сигналов соответствующих классам, в пользу которых принимается положительное решение. Второе - {}, i=1,2, …,М; t = 1,2,…, Т - множество апостерирных вероятностей гипотез, соответствующих возможным решениям экспертов или технических автоматов. В этом случае максимальная вероятность гипотезы (мах) полностью определит апостериорное распределение t- го решающего объекта при классификации j – го объекта[4, 5] . Это означает, что при распознавании классов множество {мах, } полностью определяет выходную информацию по конкретной задаче (в данном примере, это классификация) [8].

         Таким образом, для минимизации вероятности ошибки принятия решений необходимо располагать информацией вида {мах, }. Если это условие выполнено, то принимаемое решение можно представить в виде

               H = g {мах , } , (38)

где g – некоторое правило, ставящее в соответствие множеству {мах} одно из возможных решений [4]. В общем случае, правило решения можно свести к двум этапам. На первом этапе по множеству исходных данных каждому классу с помощью определенного правила ставится в соответствие некоторое число. На втором – определяется номер класса, котрому соответствует максимальное (или минимальное) из полученных чисел. Выбор того или иного правила фиксирует вероятность ошибки и определяет характер второго этапа.

      Сформированы данные в виде множества пар чисел {мах , }. На основании обработки этих чисел на первом этапе каждому классу требуется поставить в соответствие одно число. Поскольку каждая пара чисел {мах, } определяет номер класса и вероятность гипотезы, оценивающую достоверность принятого решения, то в общем случае логично проводить взвешенное суммирование. Следовательно, на первом этапе необходимо вычислить суммы вида

                g=I =1,2,...,М, (39)

где - коэффициент, оценивающий достоверность решений t – го источника решений. Затем необходимо определить, какому примеру cоответствует наибольшая или наименьшая – в зависимости от правила выбора коэффициентов - сумма g и принять соответствующее решение. Правило, по которому принимается решение, определяется видом коэффициентов . Следовательно, по - разному выбирая такие коэффициенты, можно построить различные решающие правила. Теория коллективных статистических решений предлагает, например, критерий минимально возможной вероятности ошибки решения [4] , если входные данные для принятия решения содержат пары {мах , }. Располагая этими данными, можно реализовать оптимальное голосование – если удается обеспечить максимум вероятности гипотезы (мах ) на каждом шаге классификации в соответствии с полученным распределением вероятностей гипотез.           Алфавит классов описан и для каждого объекта поставлено в соответствие множество признаков и объект полностью ими определен. Так как конечная цель заключается в максимизации достоверности решений, целесообразно применить статистическое правило идеального наблюдателя. В этих условиях определение текущей информации сводится к вычислению функции правдоподобия , - 1, 2,…, М, а апостериорной – к вычислению апостериорных вероятностей [4].



, (40)

где - обобщенное распределение вероятностей значений признаков классов (состояний) исследуемого объекта.

       По полученному апостериорному распределению на основании критерия идеального наблюдателя принимается решение о принадлежности объекта к классу. Следующий шаг классификации сводится к принятию решения о принадлежности этого состояния к тому классу, которому соответствует максимальная апостериорная вероятность (мах ). В заключении находится ошибка принятия решения по простому соотношению

 , (41)

где - вероятность возникновения ошибки как решения отнесения го состояния объекта к му классу, = 1,2,….,М.

          Оценив для него ошибку (41), можно судить о надежности решений, принятых на основе моделей на базе стандартних нейроэмуляторов.

Этот вывод подтверждается внутренней общностью процедур принятия решения по статистическому правилу идеального наблюдателя и модификации синаптического пространства искусственной нейронной сети. Действительно, функция правдоподобия  из выражения (40), представляет собой математический механизм сопоставления текущего набора признаков () с одним (- м) состоянием объекта исследования. В нейронной сети одна эпоха обучения характеризуется подачей в сеть всего набора признаков и заканчивается изменением и фиксацией полного массива синаптических коэффициентов.          Процедура обучения нейронной сети базируется на переборе всевозможных вариантов сочетаний весов синапсов, например, по алгоритму обратного распространения ошибки [6] в виде

, (42)

где ; – массив синаптических коэффициентов; q – номер выхода нейрона в n – м слое; h – номер входа нейрона в n – м слое; n – номер слоя сети. Следовательно, ассоциативная память сети с каждой последующей эпохой отображает интегративное воздействие всей совокупности входных выборок [7]. По своей информационной сути это нейросетевой аналог обобщенного распределения вероятностей значений признаков классов (состояний) исследуемого объекта     , где = 1,2,….,М, из выражения (40).

Разовая модификация всех синапсов в скрытых слоях сети под воздействием полной выборки в одном такте, является своеобразной формой сопоставления текущего набора признаков (обучающей выборки) с некоторым состоянием весовых коэффициентов нейросети и рассматривается как аналог функции правдоподобия (40) в нейросетевом формате.

           Дальнейший процесс реализации статистического правила идеального наблюдателя заключается в переборе всех комбинаций признаков классов и сравнения их с обобщенным распределением вероятностей значений признаков состояний объекта. При этом для каждого набора рассчитывается свое значение апостериорной вероятности. В нейронной сети так же наблюдается процедура перебора всего множества реализаций признаков и сравнения их влияния на обобщенную целевую функцию путем фиксации ошибки обучения на тестовом множестве.

На этапе принятия решения по статистическому правилу (40) из всего массива найденных апостериорных вероятностей выбирается максимальное значение, которое подставляется в (41), минимизируя результирующую ошибку. Нейронная сеть работает по схожей аналогии статистического решающего правила и в процессе обучения с учителем отыскивает минимум ошибки целевой функции квадратичной формы (23). При этом условием общности статистического и нейросетевого подходов в оптимизации надежности принимаемых решений является единая база прецедентов большой размерности, что обеспечивает состоятельную статистику для критерия идеального наблюдателя и репрезентативную обучающую выборку для модификации синаптического пространства нейронной сети.            Проведенный анализ показал инвариантность минимизации ошибок с использованием статистического критерия идеального наблюдателя в пространстве гипотез  принадлежности признаков классам и  обучения нейронной сети в  пространстве синаптических  коэффициентов.

 В шестом разделе представлен комплекс мер по интеграции разработанных компонентов моделирования базовых процессов ССТС. В совокупности все процедуры, которые обеспечивают принятие решений, позволяют создать высокопродуктивный программный комплекс, осуществляющий моделирование сложных объектов и управление их динамикой. Необходимо лишь формализовать и раскрыть вопросы организации человеко-компьютерного взаимодействия, управления данными и знаниями, а также визуализировать результаты расчетов. Конвертация разработанной технологической базы в единый комплекс данных, вычислительных методов, алгоритмов, моделей и программных комплексов компьютерного моделирования (пакетов технического анализа) позволяет построить ситуационный центр быстрого реагирования (СЦБР), чтобы принимать оптимальные решения в реальном времени динамики процессов конкретной предметной области.                        СЦБР – это база данных, алгоритмическая, программная и техническая среда, позволяющая оперативно формировать модели классификации, прогноза и адаптации входных факторов, которые позволяют относить ситуацию к определенному классу, предсказывать значения выходных индикаторов и устанавливать соответствие набора входных факторов наборам индикаторов выходных состояний. Эти данные в реальном времени поступают лицу, принимаюему решения (ЛПР). Задачи СЦБР:  - автоматизированный мониторинг состояния объекта управления с прогнозированием развития ситуации на основе анализа поступающей информации;

-  моделирование последствий управленческих решений, на базе использования нейросетевых моделей и информационно-аналитических систем;

- экспертная оценка принимаемых решений и их оптимизация;

- управление в кризисной ситуации. 

Минимальные затраты времени при допустимой надежности решений актуальны в кризисных ситуациях и для критических инфраструктур [15,28,126]. В первом случае это решения, которые продуктивны лишь на ограниченном интервале времени (управление динамическими объектами, реакция на кризисные ситуации), во втором – недопустимые риски в критических инфраструктурах (АЭС, угольная шахта, система предупреждения о нападении и др.). В этом случае объект исследования сохраняет все атрибуты сложной социотехнической стстемы, но меняется соотношение приоритетов в показателях продуктивности, что приводит к изменению структуры, взаимодействия и качества разрабатываемой СППР. На рис.6.1 схематично отображена проблема противоречия трех атрибутов принятия решений: ошибки обучения модели, риски от принятого решения и текущего времени.



 прямая соединительная линия 101



                                                rectangle 24rectangle 25

freeform 77 freeform 78 freeform 79 freeform 80 rectangle 24 прямая соединительная линия 96 прямая соединительная линия 100 прямая соединительная линия 102 полилиния 103 прямая соединительная линия 122 стрелка вверх 125 стрелка вверх 126 стрелка вправо 128

Рис. 6.1. Иллюстрация противоречий атрибутов решений в СЦБР


Задача моделирования СЦБР в управлении ССТС формализуется выражением:                                             (6.1)

где  - множество распознаваемых (ситуаций) состояний ССТС;

      - множество прогнозов значений индикаторов состояний ССТС;

- множество входных факторов ССТС;

интервал времени принятия решения по каждой задаче и степень адекватности модели;

ожидаемый ущерб от задержки принятия решения на время ;

допустимые ошибки обучения моделейожидаемый ущерб от степени неадекватности модели;                       

Таким образом, решение задачи вида (6.1) решается отдельно для каждого предиктора по отдельности, что позволяет реализовать декомпозицию общей задачи и построить ансамбль моделей для принятия решений в каждом классе задач ( распознавание, прогноз, адаптация входов к желаемому выходу).

Решение этой задачи реализовано на платформе нейроэмулятора SNN. Структура обмена данными показана на рисунке 6.2.

      Рис.6.2. Блок анализа данных и принятия решений

в рамках проекта СЦБР для продуктивного решения ЛПР выполняются следующие процедуры:

1)  формирование обучающего множества сценариев, моделирования и верификации результатов;

2) назначение имен классов / ситуаций распознаваемых объектов;

3) выбор репрезентативных представителей для каждого класса из множества объектов обучающего множества;

4) анализ обучающего множества с целью установления характерных особенностей признаков каждого из классов классифицируемых объектов;

5) выбор метода моделирования, типов сетей, способов их обучения, начальных параметров и установок для инициализации;

6) формирование эталонных моделей каждого класса/ситуации и базы данных моделей, с которыми в процессе классификации будет осуществляться автоматическое сравнение моделей эталонов с текущими наборами признаков;

7) выбор и определение мер близости для сравнения эталонных моделей, хранящихся в БД системы, с моделями, формируемыми автоматически для каждой из распознаваемых ситуаций;

8) выбор правил для автоматического формирования моделей распознаваемых ситуаций;

9) анализ качества моделей, выбор наиболее продуктивных и коррекция данных, параметров, критериев, верификация результатов;

10) прогнозирование динамики уровней опасности предполагается провести на основе многомерного регрессионного анализа;

11) адаптация входных факторов к желаемым изменениям уровней опасности вариацией элементами входного вектора данных и применением градиентного метода в формате нагруженных двойственных сетей.

Таким образом, разработанный методический, алгоритмический и программный инструментарий позволяет: 1. Автоматизировать базовые процессы принятия решений для критических инфраструктур в формате интеллектуальных СЦБР.         2. Моделирование и интерпретация результатов на платформе нейроэмуляторов — эффективное средство и инструмент автоматизации принятия решений управления в реальном времени для критических инфраструктур. В основе построения продуктивной СППР СЦБР лежат алгоритмы поиска компромиса в пространстве противоречивых атрибутов надежности, времени и рисков при заданных ограничениях.         3. Функционально СЦБР может быть реализован как программный блок анализа данных и принятия решений в формате трех базовых подсистем классификации состояний объекта исследования, прогноза динамики выходных индикаторов состояний и адаптации входных факторов к целевым состояниям, которые взаимодействуют друг с другом на основе взаимосвязанных задач анализа данных.        4. Блок анализа данных и принятия решений в общей функциональной структуре системы СЦБР на примере фрагмента системы безопасности угольной шахты, реализуется на базе классических парадигм нейросетевых моделей, методов их обучения с применением стандартных пакетов технического анализа. Это позволяет минимизировать время и средства за счет использования программ-эмуляторов нейросетевых моделей в обычных ПК.        5. Обеспечивающие функции разработанной информационные системы представлены решением задач сбора информационных ресурсов, их хранения, обработки, актуализации и реализуются собственными программами или на базе существующих платформ для разработки и внедрения экспертных приложений и обработки запросов пользователей.        6. Автоматизация базовых процессов критических инфраструктур, реализуемая на базе практической реализации возможностей искусственного интеллекта, позволяет расширить традиционные подходы к обработке информации в классических СЦ, дополнить их новыми методами, моделями и алгоритмами поддержки принятия решений и повысить их продуктивность.          В седьмом разделе представлены модели и результаты практической реализации базовых функций управления и их прикладного использования в конкретных предметных областях, подтверждающие обоснованность и состоятельность обоснования сделанных предположений и утверждений (рис.5):       

Рис.7.1.Сравнительный анализ теоретических и практических результатов

7.1Моделирование техогенной нагрузки региона по данным экологического   мониторинга.       

        Анализ профилей результатов моделирования позволяет выделить сети с приемлемыми для практики производительностью и ошибками на обучающих, контрольных и тестовых множествах. Это свидетельствует об адекватности математической модели физическому содержанию исследуемого процесса.



Рис.7.2. Фрагмент выборки и профили нейросетевых моделей.

      

Графическое отображение результата построения многомерной регрессионной зависимости для пяти моделей демонстрирует устойчивость состоятельности прогнозов техногенной нагрузки на примере Черкасского региона.



                Рис. 7.3. Характеристика качества прогноза для пяти моделей
7.2. Моделирование нейросетевого распознавания нефтенасыщенного  песка        по вектору геофизических признаков.

Представлен ансамбль моделей распознавания ископаемых углеводородов по каротажным данным буровых скважин. Найдены условия и модели, позволяющие принимать решения в реальном масштабе времени.



                 Рис.7.4. Профили РБФ-моделей на фрагменте входной выборки


Модели на основе радиально-базовых функций в целом подтверждают вывод о реализуемости базовых функций, хотя мощность обучающей выборки в приведенных примерах не позволила достичь максимальной производительности.

            Рис. 7.5. Профили ВНС-модели на фрагменте обучающей выборки


Наиболее продуктивной оказалась модель на основе вероятностно-нейронной сети. Однако более высокие показатели достигнуты усложнением сети (176 элементов в скрытом слое против 17 в РБФ сетях) и сниженим оперативности в принятии решений.

7.3. Моделирование технической диагностики бортовых радиолокационных                           систем в среде Statistika Neural Network

Предложена нейросетевая модель автоматизированного поиска неисправностей в бортовых радиолокационных системах, реализующая двухэтапный метод последовательных приближений при поиске неисправностей. В качестве среды формирования моделей базовых процессов использован стандартный нейропакет Statistika Neural Network. Построеные модели двухуровневого классификатора состояний РЛС показывают реализуемость предлагаемого подхода.



Рис. 7.6. Профиль модели классификатора неисправностей изделия 2С6
При этом успешно решены две задачи: сформировано обучающие множество признаков для двух классов и для двух уровней диагностики; реализована процедура диагностики на двух уровнях. Последовательное применение этих процедур позволило получить искомую нейросетевую модель диагностики радиолокационной системы.
7.4. Нейросетевое моделирование факторного анализа   инвестиционной         привлекательности региона.
Построена модель факторного анализа массива индикаторов с целью дифференцированной оценки влияния каждого из них на интегральный уровень инвестиционной привлекательности Полтавского региона. На основе модели построен вариационный ряд всего массива входных данных.

Рис. 7.7. Показатели производительности моделей

         7.5. Нейросетевая модель формулы сбалансированного питания
Сущность обеспечения сбалансированного питания состоит в дискретной оценке текущего состояния субъекта, измерения наблюдаемых переменных, сравнении текущего и целевого состояний и выбор значений множества управляющих факторов адекватных множеству признаков целевого состояния субъекта. Показаны процедуры построения технического эксперта, оценивающего количественный дефицит витаминов и микроэлементов и выдающий решение о назначении состава биологически активных добавок.

      Последовательное применение процедур формирования обучающего множества, распознавания состояний по совокупности входных признаков и определения функциональной зависимости между управляющими факторами и состояниями субъекта, позволило получить искомую нейросетевую модель формулы сбалансированного питания, структура которой для частного случая, имеет вид:


(SNN – Kohonen 24:24 – 48:1 ) ---» (SNN – MLP 53:53 – 27 – 4:1) »                                            ---» (SNN – RBF 28:28 – 56 – 4:1).

    


    7.6. Модель нейростетевого распознавания классов в пространстве       физиологических признаков биосенсоров 

   


         Предложена методика совместного обучения живых существ и искусственных нейронных сетей. Построена модель комбинированного использования биосенсорных способностей служебных собак, их ситуативной физиологической реакции на раздражители и обучения искусственных нейронных сетей для распознавания классов. Предложенный метод позволяет трансформировать сложные рецепторные признаки биодетекторов в пространство простых поведенческих реакций. Обоснована целесообразность применения метода для распознавания опасных объектов при таможенном контроле грузовых и багажных терминалов. В основе программного инструментария был использован модуль нейроэмуляторов пакета технического анализа данных Statistika Neural Network.

                 Рис.7.8. Показатели продуктивности ансамбля РБФ-моделей

       Носителем информации для нейронной сети используется цифровая растровая последовательность изображения кадра (320 x 240 пикселей). При этом входом нейронной сети является вектор фиксированной размерности, равной числу групп пикселей видеоизображения служебной собаки в пределах выбранного сектора обзора. Компонентами вектора являются суммарные интенсивности свечения сегментов видеоизображения, выраженные двоичными числами соответствующей разрядности, согласно технических данных видеокамеры.

      Проведение экспериментов с различными архитектурами сетей и степенями сложности показало устойчивое решение задачи в среде РБФ – сетей с числом элементов в скрытом слое (10 – 25), что видно на ансамбле из пяти примеров. Эксперимент показал, что при размере обучающей выбоки 115 производительность на обучающем множестве составляет (0.93 – 0.96) при относительно больших ошибках (0.16 – 0.24). При увеличении мощности обучающей выборки в два раза и замене РБФ – сетей на ВНС – сети с увеличением числа скрытых нейронов ошибки обучения можно снизить до уровня (0.04 – 0.09) при производительности сети в пределах 0.85.



Вывод. Проведеное моделирование и полученные результаты подтверждают их высокую продуктивность при использовании в экономической, медицинской, технической, экологической, геологической предметных сферах деятельности.

Каталог: conferences
conferences -> Развитие коммуникативно-речевых умений
conferences -> Секция 3,устный
conferences -> Демократический стиль управления как отражение ассертивности руководителя
conferences -> Самооценка руководителя как фактор влияния на психологический климат коллектива
conferences -> Стресс в практике управления и пути его преодоления
conferences -> Теории и стили лидерства
conferences -> Нравственные ценности Будущих управленческих кадров как части современной молодежи
conferences -> В. В. Кузнецова (Ульяновск)
conferences -> О факторах, влияющих на репродуктивное поведение населения
conferences -> Творческие компетенции и их роль в профессиональном инновационном развитии работников библиотек


Поделитесь с Вашими друзьями:
1   2   3   4   5


База данных защищена авторским правом ©dogmon.org 2017
обратиться к администрации

    Главная страница