Главная Коллекция "Revolution" Программирование, компьютеры и кибернетика Эволюционная нейро-фаззи сеть на базе гибридных нейроподобных элементов

Эволюционная нейро-фаззи сеть на базе гибридных нейроподобных элементов

Описание эволюционного подхода к задаче структурной оптимизации нейро-фаззи сети на базе гибридных нейроподобных элементов, позволяющего выбирать тип синапса для каждой связи сети. Основные свойства моделируемой системы и ее входных и выходных сигналов.

Рубрика Программирование, компьютеры и кибернетика
Вид статья
Язык русский
Дата добавления 19.06.2018
Размер файла 26,3 K
рефераты на заказ со скидкой

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

Эволюционная нейро-фаззи сеть на базе гибридных нейроподобных элементов

Попов С.В., Шкуро К.А.

Аннотация

Предложен эволюционный подход к задаче структурной оптимизации нейро-фаззи сети на базе гибридных нейроподобных элементов, позволяющий выбирать тип синапса для каждой связи сети.

Залогом успешности моделирования и управления сложными системами, кроме прочего, является максимальный учет априорной информации о свойствах системы, ее входных и выходных сигналов. Когда такой информации нет, применяются универсальные модели типа «черный ящик», параметры которых не связаны с физическими параметрами исследуемой системы. Эти модели способны обеспечивать достаточно хорошую аппроксимацию зависимостей типа «вход-выход», однако они не могут улучшить понимание внутреннего функционирования исследуемой системы. Среди подобных моделей большой популярностью пользуются искусственные нейронные сети (ИНС) и нейро-фаззи системы, относящиеся к методам вычислительного интеллекта и способные обеспечивать сколь угодно точную аппроксимацию непрерывных функций многих переменных [1].

Для учета априорной информации используют специализированные архитектуры искусственных нейронных сетей [2], в частности, построенные с использованием нейро-фаззи элементов [3] и динамических нейронов с конечной импульсной характеристикой [4]. Комбинируя в скрытых слоях сети эти типы нейронов, а также стандартные нейроны Маккаллоха-Питтса и динамические нейроны с бесконечной импульсной характеристикой [5], используя неполносвязные архитектуры, можно создавать специализированные нейронные сети, структура которых подчинена специфике решаемой задачи [6]. Таким образом, получаются модели типа «серый ящик», которые имеют частичное соответствие со структурой иссле-дуемой системы.

гибридный нейроподобный синапс сеть

Размещено на http://www.allbest.ru/

Описанный способ специализации архитектур нейронных сетей основан на выборе типов используемых нейронов и структуры связей между ними. Более гибкой специализации и, соответственно, уменьше-ния количества настраиваемых параметров можно достичь, если опуститься до уровня подбора отдельных синапсов различных нейронов сети. Для этой цели целесообразно использовать новый тип строительных блоков - гибридный нейроподобный элемент (HNU) [7], структура которого представлена на рис. 1.

Входные сигналы преобразуются с помощью синапсов различных типов в сигналы , которые затем объединяются в сигнал внутренней активации

Выходной сигнал нейрона формируется с помощью нелинейной активационной функции

где в качестве , обычно, используется сигмоидальная функция или гиперболический тангенс.

В гибридном нейроподобном элементе используются синапсы четырех типов: линейный синапс, выполняющий преобразование: ; синапс-фильтр с бесконечной импульсной характеристикой, выполняющий преобразование

синапс-фильтр с конечной импульсной характеристикой, выполняющий преобразование:

нелинейный синапс на основе нечеткой системы, выполняющий преобразование

где - настраиваемые синаптические веса, - максимальные порядки запаздываний, - функции принадлежности, - количество функций принадлежности для -го входа.

Применение гибридных нейроподобных элементов позволяет строить нейронную сеть по стандартной многослойной архитектуре, специализация которой достигается за счет: выбора типа синапса для каждой связи сети, включая возможность разрыва связи (отсутствие синапса); выбора количества и порядка элементов задержки в синапсах-фильтрах с конечной и бесконечной импульсными характеристиками; выбора количества и параметров функций принадлежности в нелинейных синапсах. В первом скрытом слое сети такой выбор может осуществляться на основе априорной информации о свойствах обрабатываемых сигналов, однако в последующих скрытых слоях и в выходном слое такая информация отсутствует, что ведет к необходимости решения задачи структурной оптимизации для синапсов этих слоев.

Для решения этой задачи предлагается применить эволюционный подход, также относящийся к методам вычислительного интеллекта. Это позволит найти оптимальные значения не только названных характеристик, но и число скрытых слоев сети, а также количество гибридных нейроподобных элементов в каждом из них. Параметрическая идентификация сгенерированной таким образом структуры может затем осуществляться или традиционными методами на основе обратного распространения ошибки, или также с использованием эволюционного подхода.

Таким образом, предлагаемая эволюционная нейро-фаззи сеть включает в себя элементы трех направлений вычислительного интеллекта: нейронных сетей, нечеткой логики и эволюционных вычислений. Такой симбиоз позволяет эффективно решать задачи структурной и параметрической оптимизации с учетом априорной информации о свойствах моделируемой системы, ее входных и выходных сигналов.

Список литературы

1. Haykin, S. Neural Networks. A Comprehensive Foundation [Текст] / Haykin S. - Upper Saddle River: Prentice Hall, 1999. - 842 p.

2. Bodyanskiy, Ye. Feedforward Neural Network with a Specialized Architecture for Estimation of the Temperature Influence on the Electric Load [Текст] / Bodyanskiy Ye., Popov S., Rybalchenko T. // Proc. 4th Int. IEEE Conf. Intelligent Systems. - Varna, Bulgaria, 2008. - Vol. I. - P. 7-14-7-18.

3. Bodyanskiy, Ye. Neuro-fuzzy unit for real-time signal processing [Текст] / Bodyanskiy Y., Popov S. // Proc. IEEE East-West Design & Test Workshop (EWDTW'06). - Sochi, Russia, 2006. - P. 403-406.

4. Бодянский, Е.В. Прогнозирующая адаптивная нейронная сеть с динамическими нейронами-фильтрами [Текст] / Е.В. Бодянский, С.В., Попов, Т.Е. Чепенко // Радиоэлектроника и информатика. - 2003. - № 2. - С. 48-51.

5. Бодянский, Е.В. Алгоритм обучения локально рекуррентной нейронной сети в задаче идентификации нелинейных динамических объектов [Текст] / Е.В. Бодянский, С.В. Попов, Т.Е. Чепенко // АСУ и приборы автоматики. - 2004. - Вып. 126. - С. 17-23.

6. Гибридная нейро-фаззи сеть для краткосрочного прогнозирования взаимосвязанных процессов потребления электроэнергии [Текст] / Е.В. Бодянский, С.В. Попов, Т.В. Рыбальченко, Н.Н. Титов // Праці Інституту електродинаміки НАН України. - 2008. - Вип. 21. - С. 13-22.

7. Попов, С.В. Специализированные архитектуры искусственных нейронных сетей на базе гибридных нейроподобных элементов [Текст] / С.В. Попов // Збірник наукових праць Національного гірничого університету. - 2009. - Т. 2, № 33. - С. 76-82

Размещено на Allbest.ru

...

Подобные документы

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.

© 2000 — 2023, ООО «Олбест» Все права защищены