Компонентное проектирование нейронных сетей

Методики компонентного проектирования нейронных сетей для обработки баз знаний, представленных семантическими сетями. Использование унифицированной модели нейронной сети и компонентном подходе к работе с нейронными сетями; библиотека НС-компонент.

Рубрика Программирование, компьютеры и кибернетика
Вид статья
Язык русский
Дата добавления 06.03.2019
Размер файла 12,5 K

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 Allbest.ru

Аннотация

В статье описаны основные этапы методики компонентного проектирования нейронных сетей для обработки баз знаний, представленных семантическими сетями. Методика основана на использовании унифицированной модели нейронной сети и компонентном подходе к работе с нейронными сетями. Важным элементом методики компонентного проектирования нейронных сетей является библиотека совместимых НС-компонент. Одним из возможных путей решения данных проблем может быть разработка методики проектирования и использования нейронных сетей на основе унифицированной модели нейронных сетей и компонентного подхода. Методика компонентного проектирования НС базируется на использовании библиотеки совместимых НС-компонент. Делается вывод, что использование предлагаемой методики компонентного проектирования НС позволит облегчить трудозатраты при проектировании и разработке НС, снизить требования к квалификации разработчика (конечного пользователя), а также решить задачу интеграции НС с другими методами представления и обработки информации при разработке интеллектуальных систем. Ключевые слова: проектирование, нейронные сети, базы знаний, обработка данных, НС-компоненты, интеграция, нейросетевые методы, нейроинформатика, гибридные системы, нейросетевые библиотеки

проектирование нейронная сеть

Abstract

The article describes the main steps of the methodology component design of neural networks to process knowledge bases represented by semantic networks. The technique is based on the use of a unified neural network model and component-based approach to work with neural networks. An important element of the component design of neural networks is a library of neural network compatible components. One of the possible solutions to these problems may be the development of a technique of designing and using neural networks based on the unified model of neural networks and the component approach. Component Design technique is based on the use of the library of the neural networks compatible components. It is concluded that the use of the proposed methodology of component design approach will ease the design and development of the neural networks, lower qualification requirements for the developer (the end user), as well as solve the problem of neural network integration with other methods of representation and processing of information in the development of intelligent systems.

Keywords:

neuroinformatics, neural network techniques, integration, HC components, data processing, knowledge base, neural networks, design, hybrid systems, neural network library

Введение

Нейронные сети являются эффективным средством решения сложных, плохо формализуемых задач и широко используются на практике. Накоплено большое количество различных алгоритмов обучения и архитектур нейронных сетей (НС), приемов использования НС для решения прикладных задач [1].

Но для решения задач с использованием нейросетевых методов требуется установить технологию использования соответствующих операций, последовательно выполняя которые пользователь получит требуемые результаты. Исследователи, занимающиеся проблемами нейроинформатики, определяют свои частные методы, описывают различные подходы и предлагаются новые интерпретации.

Тем не менее, до сих пор технология проектирования и использования нейросетевых методов слабо систематизированы. Существуют отдельные устоявшиеся рекомендации по работе с НС, которые носят в основном слишком частный или наоборот общий характер. Кроме того, недостаточно внимания уделяется проблеме совместимости и систематизации данных методов, каким образом они соотносятся с уже существующими, каким образом проводить их интеграцию с другими методами представления и обработки информации в гибридных системах[2]. Не существует единого взгляда на данный процесс. В обобщенном виде работа с НС осуществляется в следующей последовательности [1]:

Выбор архитектуры НС.

Инициализация структуры.

Обучение НС.

Использование обученной НС.

Приведенный упрощенный механизм разработки НС не учитывает целые группы операций, не описывает методику интеграцию с другими методами решения задач, а также с базой знаний, которая является основой любой интеллектуальной системы.

Одним из возможных путей решения данных проблем может быть разработка методики проектирования и использования НС на основе унифицированной модели НС [3] и компонентного подхода.

Библиотека совместимых НС-компонент

В основу библиотеки совместимых НС-компонентов положены следующие принципы:

использование унифицированной модели НС;

отношение к НС, как к нетривиальному методу решения задачи обработки информации;

простота средств для работы с НС;

компонентное проектирование и многократное использование.

Рассмотрим подробнее каждый из них.

Унифицированная модель НС использует семантическую модель представления и обработки информации, основу которой составляет унифицированное кодирование информации с помощью SC-кода [4]. Это позволяет сократить срок разработки НС, решить задачу интеграции НС с другими методами обработки информации при создании интеллектуальных систем.

В соответствии со вторым принципом, НС представляет собой метод решения задачи, который реализует разные стратегии и тактики, направленные на поиск решения задачи. Поэтому НС можно трактовать как специализированную модель решения задачи и, тогда НС можно рассматривать как интеллектуальную систему, которая включает базу знаний НС и многоагентную систему[5] (sc-машину), состоящую из семантической памяти (sc-памятью) и коллектива агентов (sc-операций).

Ряд нейросетевых библиотек предлагают пользователю широчайшие возможности по настройке разрабатываемых НС. Однако практика показывает, что широкая функциональность часто не востребована - есть ряд типовых архитектур и методов обучения НС, которые нельзя существенно улучшить тонкой настройкой. Кроме того, даже в том случае, если без тонкой настройки не обойтись, то использование этого механизма часто может поставить в тупик конечного пользователя. Отсюда вывод - хороший нейросетевой пакет (биюлиотека) не должен требовать сложной настройки. В соответствии этим принципом, в рамках библиотеки совместимых НС-компонент все компоненты четко классифицируются и детально специфицируются, что позволяет пользователю сосредоточиться на действительно важных вопросах при разработке интеллектуальных систем, сократить сроки разработки и снизить требования к квалификации конечного пользователя.

На сегодняшний день библиотека НС-компонент имеет следующую структуру:

Библиотека готовых НС-компонентов:

НС-компоненты с прямыми связями (персептрон Розенбланта),

НС-компоненты с обратными связями (дискретная модель Хопфилда, двухнаправленная НС) ;

НС-компоненты с самоорганизацией (НС Кохонена, НС ART),

НС-компоненты гибриды и другие.

Библиотека базовых НС-компонентов:

топологические компоненты (афферентные нейроны, эфферентные нейроны, ассоциативные нейроны),

активационные компоненты (пороговая функция, сигмоидальная функция, гиперболический тангенс) и другие.

Библиотека операций:

операции с НС-компонентами (поиск компонента по спецификации, добавление нового компонента, удаление компонента, сравнение компонентов),

операции-конструкторы (конструктор афферентных нейронов (рецепторов), конструктор эфферентных нейронов (эффекторов), конструкторы ассоциатиных нейронов (промежуточных), конструктор слабосвязанной архитектуры, конструктор полносвязаной архитектуры),

операции преобразований (операция масштабирования, операция предподготовки входных/выходных данных, операции начальной инициализации),

операции настройки/обучения НС-компонентов (обучение по правилу Хебба, обучение по правилу Хопфилда, обучение по дельта правилу, обучение методом соревнования, обучение по правилу градиентного спуска, обучение с использование обратного распостранения ошибки),

операции сборки и использования НС-компонент,

операции “сборки мусора” (удаление временных конструкций) и другие.

Спецификация готовых НС-компонентов в общем случае состоит из следующих параметров:

название НС-компонента;

используемые базовые НС-компоненты

типы базовых НС-компонент и др. ;

используемые операции

типы операций и др. ;

вид вопроса/ответа (вход/выход) ;

область применения или классы решаемых задач;

автор;

история версий;

статистика использования компонента.

Спецификация базовых НС-компонентов:

название базового НС-компонента;

тип базового НС-компонента;

правила использования

типы базовых НС-компонент, с которыми может использоваться;

типы операций, с которыми может использоваться;

автор;

статистика использования компонента.

Методика компонентного проектирования НС

Методика компонентного проектирования НС базируется на использовании библиотеки совместимых НС-компонент и включает следующие этапы:

Анализ постановки задачи. Обобщение и формализация постановки задачи (выбор класса решаемой задачи, выделение входных данных и т. д.).

Поиск готовой НС в разделе библиотеки готовых НС-компонент согласно формализованной постановке задачи с помощью операция поиска компонента по спецификации и операции сравнения компонентов из раздела библиотеки операций. Если не найден НС-компонент, то переход к следующему этапу.

Конструирование. Выбор топологических и активационных компонентов из раздела библиотеки базовых НС-компонентов. Выбор операций-конструкторов из раздела библиотеки операций.

Инициализация. Загрузка входных данных. Выбор операции предобразования из раздела библиотеки операций.

Обучение. Выбор операций настройки/обучения из раздела библиотеки операций.

Сборка и использование. Выбор и применение операций сборки выбранных НС-компонент из раздела библиотеки операций и интеграция готового НС-компонента для решения задачи.

Составление спецификации для спроектированной НС и размещение в соответствующем разделе библиотеки готовых НС-компонент с помощью операции добавления нового НС-компонента из раздела библиотеки операций.

Заключение

В описаном подходе к проектированию НС для обработки баз знаний за основу взята обобщенная методология работы с НС, дополненная унифицированной моделью представления НС и принцпом компонентности.

Использование предлагаемой методики компонентного проектирования НС позволит облегчить трудозатраты при проектировании и разработке НС, снизить требования к квалификации разработчика (конечного пользователя), а также решить задачу интеграции НС с другими методами представления и обработки информации при разработке интеллектуальных систем.

Результаты, описанные в статье, апробируются в рамках открытого проекта OSTIS [6].

Библиография

1. Комарцова, Л. Г. Нейрокомпьютеры / Л. Г. Комарцова, А. В. Максимов. - М. : Изд-во МГТУ им. Н. Э. Баумана, 2004. - 400 с.

2. Комарцова, Л. Г. Проблемы интеграции интеллектуальных технологий в гибридных системах // Нечеткие системы и мягкие вычисления. -2009. -С. 20-29.

3. Кучинская, И. И. Проектирование и разработка нейронных сетей, ориентированных на обработку баз знаний // Сборник материалов Всероссийской научно-практической конференции «Информационные технологии в профессиональной деятельности и научной работе». - 2012.

4. Голенков, В. В. Представление и обработка знаний в графодинамических ассоциативных машинах / В. В. Голенков [и др. ]; под ред. В. В. Голенкова - Минск, 2001. - 412 с.

5. Тарасов, В. Б. От многоагентных систем к интеллектуальным организациям: философия, психология, информатика. - М. : Эдиториал УРСС, 2002. - 352с.

6. Проект OSTIS [Электронный ресурс]. Минск, 2011. - Режим доступа: http: //ostis. net/. - Дата доступа: 01. 04. 2013.

Размещено на Allbest.ru

...

Подобные документы

  • Понятие искусственного нейрона и искусственных нейронных сетей. Сущность процесса обучения нейронной сети и аппроксимации функции. Смысл алгоритма обучения с учителем. Построение и обучение нейронной сети для аппроксимации функции в среде Matlab.

    лабораторная работа [1,1 M], добавлен 05.10.2010

  • Гибкая технологии извлечения знаний из нейронных сетей, настраиваемой с учетом предпочтений пользователя. Тестирование, пробная эксплуатация и разработка новой версии программных средств, реализующих данную технологию. Индивидуальные пространства смыслов.

    дипломная работа [336,3 K], добавлен 07.06.2008

  • Общие сведения о принципах построения нейронных сетей. Искусственные нейронные системы. Математическая модель нейрона. Классификация нейронных сетей. Правила обучения Хэбба, Розенблатта и Видроу-Хоффа. Алгоритм обратного распространения ошибки.

    дипломная работа [814,6 K], добавлен 29.09.2014

  • Способы применения технологий нейронных сетей в системах обнаружения вторжений. Экспертные системы обнаружения сетевых атак. Искусственные сети, генетические алгоритмы. Преимущества и недостатки систем обнаружения вторжений на основе нейронных сетей.

    контрольная работа [135,5 K], добавлен 30.11.2015

  • Способы применения нейронных сетей для решения различных математических и логических задач. Принципы архитектуры их построения и цели работы программных комплексов. Основные достоинства и недостатки каждой из них. Пример рекуррентной сети Элмана.

    курсовая работа [377,4 K], добавлен 26.02.2015

  • Представление знаний семантическими сетями, их классификация по парности и количеству типов отношений. Типология и работа с концептуальными двудольными графами. Примеры семантических сетей, их применение в www-сетях, анализ преимуществ и недостатков.

    реферат [303,2 K], добавлен 04.01.2015

  • Преимущества нейронных сетей. Модели нейронов, представляющих собой единицу обработки информации в нейронной сети. Ее представление с помощью направленных графов. Понятие обратной связи (feedback). Основная задача и значение искусственного интеллекта.

    реферат [1,2 M], добавлен 24.05.2015

  • Простейшая сеть, состоящая из группы нейронов, образующих слой. Свойства нейрокомпьютеров (компьютеров на основе нейронных сетей), привлекательных с точки зрения их практического использования. Модели нейронных сетей. Персептрон и сеть Кохонена.

    реферат [162,9 K], добавлен 30.09.2013

  • Применение нейрокомпьютеров на российском финансовом рынке. Прогнозирование временных рядов на основе нейросетевых методов обработки. Определение курсов облигаций и акций предприятий. Применение нейронных сетей к задачам анализа биржевой деятельности.

    курсовая работа [527,2 K], добавлен 28.05.2009

  • Понятие и свойства искусственных нейронных сетей, их функциональное сходство с человеческим мозгом, принцип их работы, области использования. Экспертная система и надежность нейронных сетей. Модель искусственного нейрона с активационной функцией.

    реферат [158,2 K], добавлен 16.03.2011

  • Особенности нейронных сетей как параллельных вычислительных структур, ассоциируемых с работой человеческого мозга. История искусственных нейронных сетей как универсального инструмента для решения широкого класса задач. Программное обеспечение их работы.

    презентация [582,1 K], добавлен 25.06.2013

  • Описание технологического процесса напуска бумаги. Конструкция бумагоделательной машины. Обоснование применения нейронных сетей в управлении формованием бумажного полотна. Математическая модель нейрона. Моделирование двух структур нейронных сетей.

    курсовая работа [1,5 M], добавлен 15.10.2012

  • Анализ применения нейронных сетей для прогнозирования ситуации и принятия решений на фондовом рынке с помощью программного пакета моделирования нейронных сетей Trajan 3.0. Преобразование первичных данных, таблиц. Эргономическая оценка программы.

    дипломная работа [3,8 M], добавлен 27.06.2011

  • Прогнозирование валютных курсов с использованием искусственной нейронной сети. Общая характеристика среды программирования Delphi 7. Существующие методы прогнозирования. Характеристика нечетких нейронных сетей. Инструкция по работе с программой.

    курсовая работа [2,2 M], добавлен 12.11.2010

  • Возможности программ моделирования нейронных сетей. Виды нейросетей: персептроны, сети Кохонена, сети радиальных базисных функций. Генетический алгоритм, его применение для оптимизации нейросетей. Система моделирования нейронных сетей Trajan 2.0.

    дипломная работа [2,3 M], добавлен 13.10.2015

  • Рост активности в области теории и технической реализации искусственных нейронных сетей. Основные архитектуры нейронных сетей, их общие и функциональные свойства и наиболее распространенные алгоритмы обучения. Решение проблемы мертвых нейронов.

    реферат [347,6 K], добавлен 17.12.2011

  • Математические модели, построенные по принципу организации и функционирования биологических нейронных сетей, их программные или аппаратные реализации. Разработка нейронной сети типа "многослойный персептрон" для прогнозирования выбора токарного станка.

    курсовая работа [549,7 K], добавлен 03.03.2015

  • Исследование эффективности применения нейронных сетей в рамках отношений между людьми. Принцип работы с нейросимулятором. Составление обучающей выборки и проектирование персептронов. Анализ выбора супружеской пары с использованием нейросетевых технологий.

    презентация [150,8 K], добавлен 19.08.2013

  • Нейронные сети как средство анализа процесса продаж мобильных телефонов. Автоматизированные решения на основе технологии нейронных сетей. Разработка программы прогнозирования оптово-розничных продаж мобильных телефонов на основе нейронных сетей.

    дипломная работа [4,6 M], добавлен 22.09.2011

  • Математическая модель искусственной нейронной сети. Структура многослойного персептрона. Обучение без учителя, методом соревнования. Правило коррекции по ошибке. Метод Хэбба. Генетический алгоритм. Применение нейронных сетей для синтеза регуляторов.

    дипломная работа [1,5 M], добавлен 17.09.2013

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.