CC BY
38
МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ»
№10/2015
ISSN 2410-700Х
3. Harmonised Standards for the R&TTE Directive Subcommittees [Электронный ресурс] URL: http://www.etsi.org/standards/looking-for-an-etsi-standard/list-of-harmonised-standards (дата обращения: 19.10.2015).
4. Программа разработки национальных стандартов на 2015 год. Информационные технологии [Электронный ресурс] URL: http://standard.gost.ru/wps/portal/pages.standardizationplan2015 (дата обращения: 19.10.2015).
5. Концепция национальной стандартизации. [Электронный ресурс] URL: http://standard.gost.ru/wps/portal/!ut/p/c4/04_SB8K8xLLM9MSSzPy8xBz9CP0os3gLHzeXUFNLYwMLD1dLA0 9vR39DD68g4-BAI_2CbEdFACiQY_Q!/ (дата обращения: 19.10.2015).
© И В. Кудрявченко, 2015
УДК 004.8
Лавренков Юрий Николаевич
канд. техн. наук, доцент КФ МГТУ им. Н.Э. Баумана,
г. Калуга, РФ, e-mail: [email protected] Комарцова Людмила Георгиевна доктор техн. наук, профессор КФ МГТУ им. Н.Э. Баумана,
г. Калуга, РФ, e-mail: [email protected]
ГЕНЕРАЦИЯ УПРАВЛЯЮЩИХ СИНАПТИЧЕСКИХ ИМПУЛЬСОВ НА ОСНОВЕ ВЗАИМОСВЯЗАННЫХ ТРИГОНОМЕТРИЧЕСКИХ НЕЙРОННЫХ СЕТЕЙ
Аннотация
В статье выполнена разработка совокупности взаимосвязанных тригонометрических нейронных сетей для генерации последовательности импульсов, применяемых для конфигурирования искусственных синапсов. Рассмотрен алгоритм настройки спроектированного комплекса нейронных сетей. Проведён анализ возможности применения дендритных деревьев для управления параметрами работы связанных осциллирующих структур.
Ключевые слова
Тригонометрическая нейронная сеть, искусственное дендритное дерево, матричный конгруэнтный генератор, алгоритм оптимизации с парными пробами.
Особенностью применения некоторого типа искусственных дендритов, являющихся составной частью нейронных сетей, является постоянный контроль частоты управляющего сигнала, предназначенного для изменения свойств искусственных синапсов. Необходимо применение осциллирующей структуры для поддержания работы эквивалентных сопротивлений за счёт постоянной генерации последовательности импульсов. Несмотря на то, что для поддержания работоспособности сети требуется постоянная генерация импульсов, нейросетевые элементы такого класса обладают достаточной гибкостью для решения задач, в которых нейроны могут использоваться в различных режимах работы в разные моменты времени. Для упрощения реализации нейроморфической системы предлагается использовать тригонометрическую
_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ» №10/2015 ISSN 2410-700Х_
нейронную сеть (ТНС). Данный тип относится к классу нейронных сетей с прямой передачей информации [1, с. 46], где в качестве функций активации применяются нелинейные тригонометрические функции. Система генерации управляющих импульсов, используемых для изменения эквивалентного сопротивления, состоит из двух ТНС. Сети обладают одинаковой архитектурой, но отличаются только значениями весовых коэффициентов. Результирующий управляющий сигнал получается путём нахождения абсолютного значения разности сигналов двух ТНС. Базовая модель ТНС спроектирована из трех тригонометрических нейронов, обладающих шестью входами, на которые через весовые коэффициенты подаются последовательности периодических прямоугольных импульсов от осцилляторов, выполненных на базе операционных усилителей (рис. 1).
Рисунок 1 - Базовая структура ТНС
Структура для настройки эквивалентных сопротивлений состоит из двух идентичных по архитектуре ТНС, в каждой из которых присутствуют 18 переменных параметров в виде значений весовых коэффициентов. Для изменения результирующего сигнала необходимо применять алгоритм обучения, способный адаптировать компоненты ТНС для генерации сигналов, обеспечивающих работу синапсов, в зависимости от сигнала ошибки [2, с. 37]. Обучение структуры из двух ТНС осуществлялось с помощью модифицированного алгоритма VNS (Variable Neighbourhood Search). ТНС в данной задаче применяется не как средство отображения нелинейной зависимости между несколькими входными сигналами и группой выходных, а как механизм преобразования нескольких периодических последовательностей прямоугольных импульсов в управляющий сигнал (рис. 2).
300 400 500 600 700 Отсчёт времени (в тактах работы)
Рисунок 2 - Пример выходного сигнала комплекса из двух ТНС
Алгоритм обучения может применяться для реализации различных стратегий. В первом случае задающие генераторы для ТНС генерируют последовательности прямоугольных импульсов с постоянными характеристиками. В этом случае алгоритм обучения изменяет только параметры тригонометрических сетей. Во втором случае, разрешается изменять параметры генераторов для изменения частоты входных сигналов. Если применяется вторая стратегия оптимизации, то это ведет к усложнению нейроморфической структуры разрабатываемой системы, т.к. необходимо спроектировать средства воздействия на задающие генераторы, но при этом увеличиваются возможности для точной настройки работы двух ТНС. Поэтому в данной работе применяется второй способ воздействия на ТНС. Выбор процедуры обучения обусловлен тем, что многие эвристики могут попадать в локальный минимум. Если одна из структур ТНС попадет в локальный минимум, генерация последовательности управляющих импульсов будет приводить к неверной настройке свойств искусственных синапсов. Алгоритм позволяет исследовать множество окрестностей поиска для нахождения лучшего решения. Процесс обучения начинается с сортировки тригонометрических нейронов по степени влияния их весовых коэффициентов на глобальную ошибку всей системы. Величина вклада в общую ошибку каждого нейрона вычисляется с использованием стандартного алгоритма обратного распространения ошибки. Алгоритм обучения производит формирование соседних зон поиска оптимального решения для всех нейронов, где каждая область будет содержать допустимые изменения весовых коэффициентов. В зоне поиска выбираются начальные значения весовых коэффициентов. Для нейронного элемента проводится локальный поиск оптимального решения с помощью алгоритма с парными пробами. Если найденное решение лучше исходного, то поиск начинается с первой области. В противном случае переходим в следующую область поиска. Перестраивая тригонометрические сети с помощью приведённого алгоритма, производится изменение искусственных синапсов, управляющие импульсы для которых генерирует структура из двух ТНС.
Алгоритм обучения требует генерации множества случайных чисел. Для решения этой проблемы в данной работе был применён генератор Хилла, который объединяет три линейных конгруэнтных генератора. Преимуществом является простота его реализации, а также то, что получаемые последовательности характеризуются хорошими случайными свойствами. В работе применялся генератор, производящий следующую последовательность:
u.
(-
x.
+ -
У,
z,.
+-г—) mod 1, где x = ((1741- x , + 2731) mod 12960),
12960 29282 120050 ' (1)
y = ((1255 -+ 6173) mod 29282), zt = ((2311-z^ + 25367) mod 120050).
Второй этап оптимизации заключается в настройке параметров выходных сигналов задающих генераторов. Для оптимизации структуры системы в качестве основного компонента осциллятора использовался операционный усилитель. На параметры сигнала от задающих генераторов в текущей конфигурации можно влиять путём изменения параметров RC цепочек или входного напряжения [3, с. 223]. Для того чтобы избежать усложнения управляющей системы параметры сигналов задающих генераторов изменялись с помощью коррекции входного напряжения осциллятора. В качестве механизма коррекции использовался элемент искусственного дендрита. Данная структура состоит из группы резисторов и конденсаторов, имитирующих дендриты естественных нейронов. Основным преимуществом структуры является то, что выходным сигналом можно управлять путем коммутации элементов структуры к тормозящим и ингибирующим входам. Это даёт возможность вырабатывать аналоговый управляющий сигнал для задающего генератора с помощью цифровых коммутационных сигналов. Задача управления параметрами осцилляторов представляется как оптимизационная задача, которая сводится к настройке системы искусственных дендритов. В качестве алгоритма оптимизации был использован алгоритм с возвратом при неудачном шаге. Состояние системы дендритов фиксируется в определённом положении. Из исходной конфигурации делается шаг в случайном направлении, если значение ошибки системы уменьшилось, то решение принимается. В противном случае происходит возврат к исходному состоянию, и процедура поиска продолжается с пробы в другом направлении. Выбранный метод нахождения оптимального решения требует организации генерации возможных направлений поиска. Для решения этой проблемы применялся составной матричный конгруэнтный генератор. Цель применения именно этой конфигурации генератора случайных чисел, заключается в возможности параллельного производства множества последовательностей. Данная особенность позволяет проводить поиск оптимальной конфигурации дендритного дерева с максимальной эффективностью. После выполнения процедуры настройки выходной сигнал сети преобразуется в последовательность прямоугольных импульсов (рис. 3), которые можно использовать для настройки свойств искусственных синапсов.
Рисунок 3 - Сигнал для конфигурирования синапсов
МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ»
№10/2015
ISSN 2410-700Х
Таким образом, данная система способна осуществлять выработку управляющих сигналов для изменения свойств искусственных синапсов.
Список использованной литературы:
1. Барский А.Б. Логические нейронные сети: учеб. пособие / А.Б. Барский. - М.: Интернет-Университет Информационных Технологий; БИНОМ. Лаборатория знаний, 2012. - 352 с.
2. Васильев А.Н., Тархов Д.А. Принципы и техника нейросетевого моделирования. - СПб.: Нестор-История, 2014. - 218 с.
3. Шустов М.А. Схемотехника. 500 устройств на аналоговых микросхемах. - СПб.: Наука и Техника, 2013. -352 с.
© Ю.Н. Лавренков, Л.Г. Комарцова, 2015
УДК 621.753.2
Леонов Олег Альбертович
д.т.н., профессор РГАУ - МСХА имени К.А. Тимирязева
г. Москва, РФ E-mail: [email protected]
ОСНОВЫ ВЫБОРА ТЕХНОЛОГИИ РЕМОНТА СОЕДИНЕНИЙ
Аннотация
В статье рассмотрена теоретическая модель оптимизации затрат на ремонт соединения при восстановлении двух деталей на заданный ресурс.
Ключевые слова
Ресурс, точность, восстановление, стоимость, износостойкость, допуск
Выбор технологии восстановления - сложная задача. Широко используемые в машиностроении цилиндрические соединения со шпонкой были исследованы по параметрам точности, износостойкости и долговечности [1]. Износ значительно увеличивался при нарушении норм точности [2]. Применение новых посадок с рассчитанным натягом позволил повысить долговечность до 10 раз [3]. Расчет точности дополняется и необходимостью качественного метрологического обеспечения производства [4]. В реальных условиях средства измерений не юстируются, имеют погрешности выше паспортных [5], и растут потери от неправильного принятия изделий [6], увеличиваются затраты на качество [7].
Повышение износостойкости поверхности и точности обработки деталей приводит к увеличению ресурса соединений [8], но при переходе на более точный процесс стоимость обработки значительно увеличивается. Особо низкая надежность выявляется у сельскохозяйственной техники [9], [10]. Точностные параметры соединений рекомендуется рассчитывать по методикам [11] и [12], а универсальные средства измерений использовать из рекомендованных [13].
Для выявления зависимости затрат на ремонт i-го соединения от допуска посадки рассмотрим модель, рис. Предположим, что существует X способов восстановления вала и Y способов восстановления отверстия, каждому из которых соответствуют свои затраты на восстановление 3dBi и Зэвг.
