CC BY
237
УДК 5l9.95
МОДЕЛЬ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ (ИНС)
С РЕАЛИЗАЦИЕЙ МОДУЛЬНОГО ПРИНЦИПА ОБУЧЕНИЯ
© А.А. Арзамасцев, В.П. Рыков
Ключевые слова: искусственные нейронные сети; модульный принцип обучения.
Рассматривается новый подход к обучению искусственных нейронных сетей (модульный принцип); описывается программный комплекс, предназначенный для моделирования ИНС, поддерживающий модульный принцип обучения.
ВВЕДЕНИЕ
На сегодняшний день искусственные нейронные сети (HBC) представляют собой мощный инструмент моделирования, хорошо зарекомендовавший себя в научных исследованиях и практических приложениях. Нейронные сети широко используются в системах искусственного интеллекта, прогнозировании, распознавании образов при принятии решений и т. д. [l-4].
Однако для существующих программ моделирования HBC (MATLAB - The MathWorks, Statistika - Stat-Soft, NNC - разработка вычислительного центра РАН и др.) характерны следующие недостатки:
- возможность осуществлять обучение только всей сети, в то время как при модульном подходе в моделировании было бы желательно осуществлять обучение отдельных ее частей без изменения настроек уже отлаженных модулей; отсутствие данной возможности не позволяет использовать модульный принцип моделирования и существенно увеличивает время обучения ИНC-модели;
- недостаточно развитые принципы структурной организации ИЖ и «слабый» конструктор сети; данное обстоятельство приводит к существенной доле ручного труда и значительным временным затратам при построении сложных структур ИНC-моделей.
Поэтому идея разработки программного комплекса, предназначенного для моделирования HBC, поддерживающего возможность обучения сети по частям (модульный принцип) и обладающего удобным конструктором для легкого и быстрого построения структуры сети (отдельными блоками), является актуальной.
Цель данной работы - разработать программный комплекс, предназначенный для моделирования искусственных нейронных сетей, отличием которого является модульный принцип обучения сети, развитый графический интерфейс и возможность ручного ввода весовых коэффициентов.
ПРЕИМУЩЕСТВА МОДУЛЬНОГО ПОДХОДА
Модульный принцип - процесс обучения нейронной сети отдельными частями (модулями). В искусствен-
ных нейронных сетях такой подход представляет собой поиск решения не во всем пространстве весовых коэффициентов (например, размерности п), а лишь в некоторой его части (в пространстве п-к, где к - число неизменяемых коэффициентов).
Использование модульного принципа обучения в ИНС предполагает ряд весомых преимуществ:
- высокая скорость обучения сети;
- легкость моделирования тех объектов, у которых уже известно устройство некоторых подсистем;
- более удобный метод подбора структуры нейронной сети;
- контроль над обучением.
Покажем преимущества модульного подхода к обучению на примере двух наиболее широко используемых нейронных сетей.
Преимущества модульного подхода при использовании полносвязного двухслойного персептрона. Будем считать, что количество нейронов в скрытых слоях идентично числу нейронов входного слоя - п. Кроме того, для удобства деления нейронной сети на части будем считать, что п четно.
Данную нейронную сеть будем делить на две равные части (рис. 1).
Формула для расчета количества весовых коэффициентов в данном случае имеет вид:
Рис. 1. Макет нейронной сети, разделенной на две части
1219
Рис. 2. График зависимости времени обучения от количества нейронов
Так как по условию:
п Lt L2 .
тогда формулу (1) можно переписать в виде:
=п2 +п2 +п = 2п2 +1.
(2)
(3)
Приведенный график (рис. 2) показывает, что время, необходимое на обучение нейронной сети полностью (количество нейронов равно п1), существенно больше, чем время последовательного обучения двух половин сети:
(4)
Преимущества модульного подхода при использовании ИНС, построенной по принципу А.Н. Колмогорова.
Теорема (Колмогорова): каждая непрерывная
функция п переменных, заданная на единичном кубе п-мерного пространства, представима в виде [5]:
f (Хъ x2,..., Хп ) = Z hq
q=1
Z 4 (xp )
p=i
(5)
где функции ф непрерывны, а функции к, кроме того, еще и стандартны, т. е. не зависят от выбора функции /.
В частности, каждая непрерывная функция двух переменных х и у представима в виде:
Рис. 3. Нейронная сеть, построенная по теореме Колмогорова
Рис. 4. Г рафик зависимости времени обучения от количества нейронов
Как и в предыдущем примере, зависимость времени обучения ИНС-модели от числа нейронов в сети является параболой второй степени.
Из приведенного графика (рис. 4) следует, что аналогично предыдущему примеру время, необходимое на обучение нейронной сети полностью (количество нейронов равно п1), существенно больше, чем время последовательного обучения сети частями:
(8)
f (X У) = Z hq [ q (x) + Фч (У)] .
(6)
q=i
Схема ИНС-модели, соответствующая теореме Колмогорова, представлена на рис. 3.
Аналогично предыдущему случаю будем делить сеть на две равные части. Формула для расчета количества весовых коэффициентов в рассматриваемом случае имеет вид:
: п • (2п + 1) + п • (2п + 1) + (2п +1),
N кол = 4п + 4п + 1.
(7)
Таким образом, из приведенных примеров следует, что разработка программного комплекса, поддерживающего модульный принцип обучения сети, имеет преимущество.
ПРОГРАММНЫЙ КОМПЛЕКС ДЛЯ МОДЕЛИРОВАНИЯ ИНС С РЕАЛИЗАЦИЕЙ МОДУЛЬНОГО ПРИНЦИПА ОБУЧЕНИЯ
Программа разработана на языке программирования C++ в визуальной среде Qt Creator. Данный выбор был обусловлен некоторыми преимуществами программных средств: кросс-платформенность, бесплатность. Программный комплекс предназначен для за-
п
пуска на персональном компьютере под управлением ОС GNU/Linux или MS Windows. Программный комплекс защищен свидетельством о государственной регистрации программы для ЭВМ № 2012618141 [7].
Среди основных возможностей программы следует выделить:
- конструирование «больших» нейронных сетей (количество нейронов до 500) прямого распространения с любым количеством входов и выходов;
- возможность быстрого построения нейронной сети путем перемещения, копирования или удаления отдельных ее блоков;
- поддержка модульного принципа обучения;
- возможность ввода весовых коэффициентов вручную;
- поддержка основных алгоритмов обучения сети.
Графический интерфейс программы (рис. 5) представляет собой систему вкладок, каждая из которых отвечает за определенную функцию:
1) сеть - конструирование нейронной сети;
2) выборка - работа с данными для обучения сети;
3) параметры - алгоритм обучения сети;
4) обучение - остановка/начало обучения;
5) расчет - работа с обученной сетью.
ВЫЧИСЛИТЕЛЬНЫЕ ЭКСПЕРИМЕНТЫ
Работоспособность программного комплекса продемонстрируем с помощью двух стандартных для нейронных сетей примеров.
Восстановление внутренней структуры объекта мультипликативного типа по обучающей выборке с помощью ИНС-модели.
Цель данного эксперимента - «обучить» нейронную сеть операции умножения. Необходимо задать мультипликативную функцию вида:
Y = Xj ■ X2
(9)
Входные значения для обучающей выборки - Хх и Х2 были сгенерированы случайным образом в интервале [-10; 10] при помощи программы Microsoft Excel.
При попытке использования нейронной структуры с одним скрытым слоем, содержащим единственный нейрон, результат работы при любой активационной функции не соответствовал реальным значениям. Поэтому для получения результатов, наиболее близких к реальным, необходимо выразить операцию умножения через операции сложения и возведения в степень, как это показано в формуле (10):
(x1 +x2)2 = xi + 2 ■ x1 ■ x2 + x22,
(x, + x?)2 - x,2 - x2
x ■ x7 = —1-------2--------1------ .
1 2 2
(10)
Структура нейронной сети, соответствующая формуле (10), имеет вид, представленный на рис. 6.
Рис. 5. Интерфейс программы
1 4 7 -28 -28.06920016
2 -1 -10 10 9.905131799
3 10 1 10 9.976102052
4 6 -2 -12 -12.02092614
5 -б 8 -48 -48.10103897
6 5 9 45 44.93679828
7 -2 4 -8 -8.021611775
8 3 -5 -15 -15.03594166
9 3 0 0 -0.0025613...
10 0 10 0 -0.1001461...
11 -8 -9 72 71.94071812
12 10 2 20 19.97866021
13 7 -2 -14 -14.02573832
14 4 4 16 15.98832323
15 6 -3 -18 -18.02927097
16 -8 -5 40 39.97899984
17 3 7 21 20.9600484
18 9 -7 -63 -63.10716741
19 6 -8 -48 -48.10103897
Рис. 7. Результаты вычислений
Для обучения созданной сети был выбран градиентный метод с заданным шагом, равным 0,01. Значение желаемой погрешности также равняется 0,01. Сравнение значений, полученных в результате работы нейронной сети, со значениями реального объекта представлено на рис. 7.
В данном эксперименте максимальная погрешность между реальным и вычисленным значениями составила 0,2 %.
Прогнозирование курса доллара по обучающей выборке с помощью ИНС-модели. Финансовое прогнозирование является одной из основных задач, решаемых при помощи нейронных сетей, поэтому в качестве второго эксперимента для проверки работоспособности программного комплекса было выбрано прогнозирование валютного курса американского доллара по отношению к рублю (использование выбранной валюты не имеет принципиального значения). Исходными данными для эксперимента послужили изменения курса американского доллара в период с 1 ноября
2011 г. по 29 февраля 2012 г.
Нейронная сеть для данного эксперимента, подобранная конструктивным методом [6], представлена на рис. 8.
Для обучения созданной сети был выбран градиентный метод с заданным шагом, равным 0,01. Значение желаемой погрешности также равняется 0,01. График на рис. 9 показывает сравнение реальных и вычисленных значений курса доллара за обучающий период
■ Реальный курс
■ Вычисленный курс
Рис. 9. Результат обучения нейронной сети
Рис. 10. Прогноз курса доллара
—а— Реальный курс
о Спрогнозированный курс
Дата Курс Прогно
(7 12 29.36 29.99271074
16 12 29.58 29.83223746
15 12 29.51 29.59480931
14 12 29.51 29.45933896
13 12 29.67 29.52311391
12 12 29.54 29.73344216
11 12 29.66 29.93170654
10 12 29.66 29.97413035
9 12 29.66 29.83811515
3 12 29.66 29.63584561
7 12 29.45 29.52713036
6 12 29.29 29.59833504
5 12 29.3 29.79838953
4 12 29.3 29.97906025
3 12 29.3 30.00822769
2 12 29.29 29.87041993
1 12 29.03 29.67876597
Рис. 11. Результаты прогноза
(по оси абсцисс - индекс примера из обучающей выборки, по оси ординат - значение курса доллара).
Попытка прогнозирования была осуществлена на 17 дней вперед, а именно на период с 1 по 17 марта
2012 г. Результаты прогноза, произведенного программой, представлены на рис. 10.
Числовые значения курса американского доллара по отношению к рублю, вычисленные программой, оказались достаточно близкими к реальным значениям (рис. 11).
В данном эксперименте максимальная погрешность составила 2,4 %.
Таким образом, проведенные вычислительные эксперименты показали, что программный комплекс является пригодным для моделирования различных объектов и может применяться для решения практических задач.
ВЫВОДЫ
Разработан программный комплекс, предназначенный для моделирования искусственных нейронных сетей, отличием которого является модульный принцип обучения, развитый графический интерфейс и возможность ручного ввода весовых коэффициентов. Реализованные возможности:
- реализован удобный графический интерфейс, предоставляющий легкую работу с нейронной сетью и обучающей выборкой;
- возможность сохранения разработанных данных в файл проекта;
- удобная загрузка как целых проектов, так и отдельных файлов;
- возможность «быстрого» построения нейронной сети прямого распространения (до 500 нейронов) путем перемещения, удаления или копирования отдельных ее блоков;
- реализованы наиболее распространенные алгоритмы обучения сети с поддержкой модульного принципа и возможностью параметризации каждого из них: простой градиентный метод, метод Монте-Карло, метод покоординатного спуска, а также метод простого сканирования;
- проведены вычислительные эксперименты, доказывающие, что программный комплекс является пригодным для моделирования различных объектов и может применяться для решения практических задач.
ЛИТЕРАТУРА
1. Арзамасцев А.А. Математическое и компьютерное моделирование: учебное пособие. Тамбов: ИМФИ ТГУ им. Г.Р. Державина, 2010.
2. Лекция № 5. Задача прогнозирования временного ряда. иЯЬ: http://i-intellect.rU/lectures-of-neural-networks/5.html. Загл. с экрана.
3. Аналитические технологии для прогнозирования и анализа данных. иИЬ: http://www.neuroproject.ru/tutorial.php. Загл. с экрана.
4. Осовский С. Нейронные сети для обработки информации / пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. 344 с.
Колмогоров А.Н. О представлении непрерывных функций нескольких переменных суперпозициями непрерывных функций меньшего числа переменных // Докл. АН СССР. 1956. Т. 108. № 2. С. 179-182.
Арзамасцев А.А., Зенкова Н.А. Искусственный интеллект и распознавание образов: учебное пособие. Тамбов: ИМФИ ТГУ им. Г.Р. Державина, 2010.
Арзамасцев А.А., Рыков В.П., Крючин О.В. Симулятор искусственной нейронной сети с реализацией модульного принципа обучения. Свидетельство о государственной регистрации программы для ЭВМ № 2012618141 от 7.09.2012 г.
Arzamastsev A.A., Rykov V.P. ARTIFICIAL NEURAL NETWORK (ANN) WITH IMPLEMENTATION OF MODULAR PRINCIPLE OF TRAINING
A new approach to teaching of artificial neural networks (modular principle) is considered; a software package designed to model the INS, which supports modular training, is described.
Key words: artificial neural network; modular principle of training.
Поступила в редакцию 10 сентября 2012 г.
