CC BY
88
Особое внимание уделено вопросам анализа методов синтеза и оценки решений, представляющих практический интерес, для разработки алгоритмов автоматизированного синтеза аппаратных схем с применением вероятностных генетических алгоритмов.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Яблонекий С.В. Введение в дискретную математику. - М.: Наука, 1979. - 272 с.
2. Сигорский В.П. Математический аппарат инженера. - Киев: Изд-во Техника, 1975. - 768 с.
3. ВЛ. Корячко, В.М. Курейчик, ИМ. Норенков. Теоретические основы САПР. - М.: Энер-гоатомиздат, 1987. - 400 с.
4. Курейчик В.М. Генетические алгоритмы. - Таганрог: Изд-во ТРТУ, 1998.
5. Koza J. R. Genetic Programming III// San Francisco, CA: Morgan Kaufmann Publishers, 1999.
6. Koza J. R., Genetic Programming: On the Programming of Computers by means of Natural Selection// Cambridge, MA: MIT Press, 1992.
7. H. Muhlenbein. The Equation for Response to Selection and its Use for Prediction// Evolutionary Computation, May 1998, pp. 303-346.
8. . . , . . . -
//
технологии и интеллектуальные системы, №4, 2003. - С. 34-38.
9. . . , . . , . . . // .
- Таганрог: Изд-во ТРТУ, 2005.
Ю.А. Кравченко ЭКСТРАПОЛЯЦИЯ ИЗМЕНЕНИЙ ПАРАМЕТРОВ СЛОЖНЫХ СИСТЕМ НА ОСНОВЕ ПЕРИОДИЧЕСКОЙ НЕЧЕТКОЙ КЛЕТОЧНОЙ НЕЙРОННОЙ СЕТИ*
. -
ров комплектующих изделий является монотонным по мере накопления энергии внешних воздействующих факторов. Это позволяет обычно линеаризовать зависимость параметра или функции параметра от величины внешней нагрузки. Используя связь между нагрузкой и плотностью потока воздействующего фактора, а так, , -деленное время при данном воздействующем факторе [1]. Проблемы оценки прочностных характеристик сложного объекта возникают в случае неоднородности информации при разнотипности данных, что является следствием событий разной . ,
количества априорной информации для осуществления прогноза с требуемой дос. , исходная для прогнозирования информация о закономерностях изменения параметров объекта не всегда достаточна [2]. Вследствие этого, вероятностные методы
,
статистики и теории случайных функций, могут быть неэффективными.
1. Преимущества применения нейронных сетей для прогнозирования свойств технических систем. Целесообразность использования нейроподобных систем в целях экстраполяции технических свойств сложных динамических объек-
* Работа выполнена при поддержке РФФИ, грант № 05-08-18115, РНП.2.1.2.3193. 242
тов обусловлена специфическими свойствами нейронных сетей (НС). К числу таких свойств НС относятся:
♦ способность оперативного м ногопараметрического анализа;
♦
;
♦ возможность обработки данных, представленных в разнотипных шкалах;
♦ способность выявления неявных аналогий прецедентов протокола наблю-
;
♦
, ;
♦ способность к дообучению;
♦ возможность прогнозирования скачков и событий, не наблюдавшихся ранее в обучающей выборке.
НС выступает как система обработки входной информации, ее хранения, воспроизведения и логического вывода на ее основе. Свойства НС определяются ее , -ронов. Прогнозная нейросетевая модель должна быть способна не только непрерывно обрабатывать большое количество параметров технической системы, факторов прогнозного фона, но и учитывать разнородную информацию о текущих и планируемых режимах функционирования объекта. Нейросетевая система прогно-, , -
, , .
Решение проблем прогнозирования в исходной ситуации требует параллельного решения следующих локальных задач:
1. Распознавание образов в условиях большого числа их признаков.
2. Ассоциативное запоминание и восстановление информации полученной
.
3. Логический вывод относительно не наблюдавшихся ранее причин.
Вполне изученными возможностями по моделированию интеллектуальных
функций обладают динамические НС. Системы распознавания на основе статических НС способны аппроксимировать сложные разделяющие поверхности в пространстве признаков и распознавать скрытые зависимости.
Для эффективного использования НС прямого распространения необходима достаточно представительская выборка, которая имеется лишь при прогнозировании на участках длительной эксплуатации объектов [3]. На этапе предварительной, экспериментальной отработки опытных образцов и в начале применения серийных объектов по целевому назначению необходимо использовать НС с более явно выраженными и с более широким спектром способностей моделировать функции
, ,
.
, -
ния для формирования прототипа необходимо использовать способности комплек-
,
признаков не наблюдаемой ранее ситуации.
В качестве математической модели исследуемого процесса выберем детерминированный конечный автомат, представляющий собой стационарную динамическую систему с дискретным временем. Конечные множества X, У, Ъ определяют , :
А = { X, У, Ъ, а, Р }, (1)
где а: X х Ъ —* Ъ - функция переходов; Р: Ъ —* У - функция выходов.
Значениями функции переходов являются состояния g(t+1)=a(g(t),x(t)), в которых оказывается автомат в момент времени t+1, если в предыдущий момент времени t он находился в состоянии g(t) и подвергался воздействию хф. Значениями функции выходов являются выходы уО)=Р^(ф, определяемые только теку.
Входной алфавит X задается множеством управляющих воздействий, определенных для моделируемого объекта. Управляющим воздействием х1 е X является пара (х1, Ду, где х1 - имя 1-й команды, а Д^ - максимальное время задержки смены меток в исправной сети. Выходной алфавит Ъ задается множеством значений вы.
Представление модели графом переходов в пространстве его состояний позволяет использовать математический аппарат оптимизации на основе параллель-( ).
Высокая степень распараллеливания обработки данных позволяет обеспечить выигрыш во времени решения поставленной задачи, следовательно, повышается оперативность и достоверность принятия решений в процессе испытаний при большом числе состояний модели [4].
2. Принципы построения периодических нечетких клеточных нейронных сетей. Использование клеточных нейронных сетей (КНС) в параллели может помочь достичь более высокого уровня информационной обработки, и обоснованном функционировании, как в применении, так и с биологической точки зрения. Данная концепция стала основой построения сложной структуры КНС, интегрирующих нейронную систему в форме периодической нечеткой сети. Эта система
( ).
свою сетевую структуру и параметры одновременно. Структурное обучение включает нечеткое деление проблемной области, создание нечетких правил и КНС. Параметрическое обучение включает настройку нечетких функций принадлежности (в нечётких множествах) и шаблонах КНС. В ПНКНС нечеткие правила соответст-. ,
, -ханизм логического вывода.
- , -тематизированная в регулярную двумерную сеть (2-Б). 2-Б система ввода и вывода информации делают эту матрицу пригодной для обработки образов. Это обладает некоторыми важными характеристиками такими, например, как эффективная способность обработки в реальном времени и допустимая сверхбольшая степень интеграции (СБИС) разработки. КНС имеют инвариантную, локальную структуру с 19-
( = 1). был назван как шаблонные исключительные установки динамического поведения. КНС используются для имитации локальной функции биологических нейронных , , . текущему биологическому анализу [5], визуальные системы млекопитающих обрабатывают мир через набор отдельных параллельных каналов. Каждый подканал может считаться уникальной КНС. Выход этих подканалов затем комбинирует в формы новые каналы ответов. В результате, широко применяется использование установки КНС в параллели, что помогает достичь более высокого уровня информационной обработки и обоснования результатов, как с биологической точки зре-, . решить более сложные интеллектуальные проблемы.
Для проектирования встроенной системы КНС, в дополнение к определению , - -. ( ). - -пулярная вычислительная структура, основанная на понятии теории нечеткого , - . вводами и выводами НСЛВ осуществляет нелинейное построение соответствий от входного до выходного пространства при помощи множества правил ЕСЛИ-ТОГДА. Это очень полезно при обработке изображений, когда трудно определить в чёткой математической форме операцию, которая должна дать удовлетворительный результат из комплексной картины происходящего. Следовательно, НСЛВ может сыграть важную роль при внедрении набора КНС в систему [8].
Для создания структуры КНС в параллели предлагаются несколько интегрированных систем КНС, достигших более высокого уровня информационной обра-, - ( ), -женными Колодро и Торальба [6], и нечеткий тип КНС, предложенных Рекецким и др. [7], и Сзатмари и др. [5]. Общие недостатки этих методов заключаются в том, что соответствующие шаблоны не могут быть обучены, и нечеткие правила должны быть получены специалистами по данной проблемной области.
Результаты научных наблюдений из работ Колодро и др. [6], Рекецкого и др. [7], и Сзатмари и др. [5], имеют две общих характеристики. Сначала они все использовали множество КНС в параллели, чтобы решить сложную проблему такие как, например, выделение (обнаружение) краёв с импульсными помехами, обнаружение нечеткой границы, и выделением признаков, и т.п.
Далее, все они используют НСЛВ, для принятия решений. Для построения НСЛВ необходимо определить нечеткие множества нечетких операторов и базу знаний. Тем не менее, специалистам по проблемной области нужно вручную собрать все существующие методы [5-7] в нечеткие правила. Даже для специалистов по проблемной области трудно проверить все входные и выходные данные ком, . , .
, . [8] -ра для автоматического создания множественных интегрированных КНС нейрон-
( ). -
, ( ), -знающая свою соответствующую сетевую структуру и параметры одновременно. Изучение структуры включает в себя нечеткое деление проблемной области и создание нечетких правил и КНС. Изучение параметра включает в себя настройку нечетких функций принадлежности (в нечётких множествах) и шаблонов КНС. В ПНКНС каждое нечеткое правило соответствует КНС. Следовательно, каждая КНС заботится о нечетко разделенной проблемной области, и функциях всех КНС интегрированных через нечёткий механизм логического вывода.
ПНКНС создана в форме повторной ННС. Две важных стороны изучения задач ННС - структурная идентификация и идентификация параметров [8]. Структурная идентификация является разделом входного-выходного пространства, которое влияет на число сгенерированных нечётких правил, соответствующих КНС. Целесообразной частью входных и выходных данных является быстрая сходимость и большая эффективность ННС. Для структурного обучения ПНКНС пред, ( ). , находит направления поиска во входном пространстве, которое является причиной получения независимой составляющей взамен на некоррелированные по принципу
компонентного анализа (ПКА). Это уменьшает не только количество правил (например, КНС), но также и количество функций принадлежности согласно предварительно заданным требованиям динамической точности. В изучении параметров ПНКНС применяется упорядоченное производное исчисление для получения периодических правил обучения, благодаря которым достигается возвратная струк-, . запоминать шаблоны КНС и другие параметры ПНКНС. Предлагаемые ПНКНС обеспечивают решение текущей задачи при создании шаблонов и/или нечетких правил существующей встроенной (нечеткой) системы КНС. Это может найти широкое применение при построении прогнозных моделей поведения сложных дина, -метры при взаимодействии с различными характеристиками окружающей среды. Экспериментальные результаты демонстрируют, что предлагаемая схема является эффективной и перспективной [8].
Заключение. В результате мож но сделать вывод, что для сокращения времени разработки новой технической системы, повышения достоверности и оперативности контроля механических свойств компонентов ее конструкции целесообразно решать задачи синтеза программ испытаний прогнозных моделей в нейросетевом .
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 1. . . . - .: Наука, 1999.
2. . ., . . -. - .: , 1986.
3. . / . . . -
динского. - М.: Финансы и статистика, 2002.
4. . ., . .
систем. - СПб.: Наука и Техника, 2003.
5. I. Szatmari, D. Balya, G. Timar, C. Rekeczky, and T Roska. Multi-channel spatio-temporal
topographic processing for visual search and navigation. in Proc. SPIE Microtechnologies for
the New Millenium, Gran Ganaria, Spain, May 2003, Paper 5119-38.
6. F. Colodro and A. Torralba. Cellular neuro-fuzzy networks (CNFNs), a new class of cellular networks. in Proc. 5th IEEE Int. Conf. Fuzzy Systems, vol. 1, Sept. 8-11, 1996, pp. 517-521.
7. Cs. Rekeczky, T. Roska, and A. Ushida. CNN-based difference-controlled adaptive nonlinear image filters. Int. J. Circuit Theory Applicat., vol. 26, 1998, pp. 375-423.
8. C. T. Lin, C. L. Chang, and W. C. Cheng. A recurrent fuzzy neural network system with automatic structure and template learning. IEEE Transactions on circuits and systems - I: Regular papers, vol. 51, no. 5, May 2004, pp. 1024-1035.
BA. Литвиненко, C.A. Ховансков ОРГАНИЗАЦИЯ РАСПРЕДЕЛЕННЫХ ВЫЧИСЛЕНИЙ НА ОСНОВЕ МУЛЬТИАГЕНТНОГО ПОДХОДА
При решении задач требующих обработки большого объема данных возникает проблема получение решения за приемлемое время. Одним из путей выполнения ограничения на временной ресурс является разделение всего объема вычислений между несколькими центрами обработки данных [1]. Обычно в качестве центров обработки используются работающие совместно персональные компьютеры.
