CC BY
12
УДК 519.248
М.Л. Боганщ, М.А. Boganers, e-mail: max boganets@gmail.com Омский государственный технический университет, г. Омск. Россия Omsk State Technical University, Ouiik, Russia
АПРОБАЦИЯ МЕТОДОВ II АЛГОРИТМОВ ДИАГНОСТИКИ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ПРИ МНОЖЕСТВЕННЫХ ИСПЫТАНИЯХ
ARTIFIC IAL NEURAL NETWORKS DIAGNOSTIC METHODS .AND ALHORITMS APPROBATION I> MULTIPLE TESTS
Приводятся результаты апробдцнн методов и алгоритмов диагностики искусственных нейронных сетей с нелинейными функциями актнвацнн с помощью разработанного программного комплекса для различных типов неисправностей при множественных испытаниях с целью выявления их применимости на практике.
Article presents results of artificial neural networks with non-lmeai activation flmction tests with developed software using for different faults types in multiple tests to identify tlieir applicability in practice.
Ключевые слова: искусственные нейронные сети, множественные испытания, модели нейронных cemeii
Keywords: artificial neural networks, multiple tests, neural networks models
Актуальность вопросов диагностики искусственных нейронных сетей (ИНС) [1] объясняется их широкой применимостью б экспертных системах и системах прогнозирования (банковских рисков, природных катаклизмов, размеров залежей полезных ископаемых, погодных явлений и пр.). В данном классе систем имеют применение и ИНС с нелинейными функциями активации (НФА) искусственных нейронов (ИН). Методы и алгоритмы диагностики таких ИНС достаточно хорошо освещены в [2], [3]. Тем не менее, результаты апробации предложенных методов и алгоритмов в технической литературе приведены исключительно для единичных испытании. Следовательно, говорить о их применимости в реальных условиях не представляется возможным.
Для подгверааения с праве дтив ости заключения о применимости методов и алгоритмов, освещенных в [2] и [3]. был разработан программный комплекс, моделирующий основные типы многослойных ИНС. а также позволяющий вносить в них неисправности заданных типов (Таблица 1) и проводить их диагностику. В данной статье приведены результаты его работы при проведении множественных испытаний при возникновении в ИНС 1-, 2-, 3-кратных неисправностей рассматриваемых типов. Входные значения для эмуляции ИНС ограничены множеством действительный чисел, хотя при аппаратной реализации ИНС входной сигнал может быть произвольной формы.
Результаты испытаний для каждого типа ИНС представлены ниже (Таблицы 2-7).
Дтя наглядности ниже приведены диаграммы качества испытаний при разной кратности ошибок для различных типов ИНС (рис. 1—3).
134
Колы типов ошибок ИН
Код ошибки Тип ошибки
1 Обрыв на входе ИН
2 Короткое з амыканне на входе ИН
3 Обрыв на выходе ИН
4 Короткое з амыканне на выходе ИН
5 Увеличение весового коэффициента у входа ИН
6 Уменьшение весового коэффициента у входа ИН
Таблица 2 Персептрон Розенблэтта, результаты испытаний
Кратность ошибок Испытании Успешных испытаний Качество испытаний Код невыделенных ошибок
До 1 1000 1000 100% -
До 2 1000 999 99.9% 5
ДоЗ 1000 991 99.7% 5,5,5
До 1 3000 3000 100% -
До 2 3000 2994 99.8% 5,5,5,5,5,5
ДоЗ 3000 2993 99.16% 5,5,5,5,5,5,5
Многослойный Персепгрон. результаты испытаний
Таблица 3
Кратность ошибок Испытаний Успешных испытаний Качество испытаний Код невыявленных ошибок
До 1 1000 1000 100% -
До 2 1000 999 99.9% 5
ДоЗ 1000 999 99.9% 5
До 1 3000 3000 100% -
До 2 3000 2998 99.8% 5.5
ДоЗ 3000 2994 99.76% 5,5,5,5,5,5
Сеть Хопфнлда, результаты испытаний
Таблица 4
Кратность ошибок Испытаний Успешных испытаний Качество испытаний Код невыявленных ошибок
До 1 1000 1000 100% -
До 2 1000 1000 100% -
ДоЗ 1000 999 99.9% 5
До 1 3000 3000 100% -
До 2 3000 2999 99.9% 5
ДоЗ 3000 299$ 99.9% 5,5
Таблица 5
Сеть встречного распространения, результаты испытаний
Кратность ошибок Испытаний Успешных испытаний Качество испытаний Кол невыявленных ошибок
До 1 1000 1000 100% -
До 2 1000 999 99.9% 5
ДоЗ 1000 997 99.7% 5,5,5
До 1 3000 3000 100% -
До 2 3000 2995 99.8% 5,5,5,5,5
ДоЗ 3000 2997 99.7% 5,5,5
Сеть Лнппмаяа-Хзммннгл. результаты испытаний
Таблица 6
Кратность ошибок Испытаний Успешных испытаний Качество испытаний Код невыделенных ошибок
До 1 1000 1000 100% -
До 2 1000 999 99,9% 5
ДоЗ 1000 1000 99,7% -
До 1 3000 3000 100% -
До 2 3000 2999 99,9% 5
ДоЗ 3000 2994 99,8% 5,5,5,5,5,5
Сеть произвольной структуры, результаты испытаний
Кратность ошибок Испытаний Успешных испытаний Качество испытаний Код невыявленных ошибок
До 1 1000 1000 100% -
До 2 1000 997 99.9% 5
ДоЗ 1000 996 99.6% 5,5,5,5
До 1 3000 3000 100% -
До 2 3000 2996 99.8% 5,5,5,5
ДоЗ 3000 2998 99.9% 5,5
Качество испытаний при кратности ошибок 1 Качество испытаний при кратности ошибок 2
Рис. 1. Качество испытаний при кратности ошибок 1,2.
100,1» г ■
Ш ННг ;
1 ^ _ _ ^Н^^^Н I
■—л
Рис. 2. Качество испытаний прн кратности ошибок
Под успешным испытанием понимается испытание, в котором все введенные в диагностируемую ИНС неисправности были полностью обнаружены. Таким образом, данные результаты диагностики показывают, что прн однократных ошибках (кратность «до 1») для всех типов ИНС неисправности выявлены в 100% случаях (рис. 1). Что касается многократных ошибок (кратность «до 2» и «до 3»), то процент их выявления достаточно для всех типов ИНС близок к 100% (рис. 1, 2), эту небольшую разницу приняли на себя компенсирующие неисправности (код невыявленной неисправности 5 - изменение весового коэффициента ИН) доля которых стремится к 0.4% прн стремлении количества испытаний к бесконечности.
Библиографический список
1 Галушкин. А. И. Теория нейронных сетей : учеб. пособие для вузов / А. И. Галушкин ; общ. ред. Л И. Галушкина. - М. : ИПРЖР, 2000. - Кн. 1 - 416 е.: нл
2. Боганец, М. А. Исследование принципиальной возможности диагностики искусственных нейронных сетей с нелинейными функциями активапни / М А. Боганец // Теоретические и прикладные вопросы современных информационных технологий : материалы Веер ос. науч.-техн. конф. — Улан-Удэ. 2009 -Ч. 2. -С. ЗЗб-Зйа.
3. Боганец.. М А. Методы и алгоритмы диагностики искусственных нейронных сетей с нелинейными функциями активации / Боганец.. М А Н Омский научный вестник. - 2010. -Вып. З.-С. 223-227.
137
