CC BY
9МБЛН 01? СОММиШСЛТКЖ Б((ШРМБШ: Iss. 1 (141). 2018
Скорик Ф.А.
Соискатель
Военная академия связи им. С.М. Буденного
Саенко И.Б.
Доктор технических наук, профессор
Военная академия связи им. С.М. Буденного
МЕТОД НЕПРЕРЫВНОГО ОБУЧЕНИЯ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ В ЗАДАЧЕ ПРОГНОЗИРОВАНИЯ СОСТОЯНИЯ РАСПРЕДЕЛЕННОЙ ИНФОРМАЦИОННОЙ СИСТЕМЫ ВОЕННОГО НАЗНАЧЕНИЯ
Рассматривается метод динамической подстройки весов искусственной нейронной сети на основе модели взаимодействия сущностей «учитель» — «ученик» в применении к распределенной информационной системе военного назначения. Приведены сравнительные результаты прогноза, данного системой с модулем динамической подстройки весов, относительно результатов, данных системой без этого модуля.
В настоящее время, использование информационных систем (ИС), как инструмента управления, является обязательным для любой организации, даже если она не связана напрямую с информационными технологиями.
В идеале в рамках организации должна функционировать единая распределенная информационная система, удовлетворяющая все существующие информационные потребности всех сотрудников, служб и подразделений.
Однако на практике создание такой всеобъемлющей ИС слишком затруднено или даже невозможно, вследствие чего в подразделениях Вооруженных силах Российской Федерации (ВС РФ) обычно функционируют несколько различных ИС, решающих отдельные группы задач, связанных с нормативным функционированием подразделений, в интересах которых они были развернуты.
Несмотря на то, что военных системах управления пункты хранения и обработки информации, а также линии связи, какправило, дублируются, это не исключает возникновения ситуации отказа в обслуживании одному или нескольким конечным пользователям.
В большинстве случаев это происходит из-за того, что часть задач бывает «покрыта» одновременно несколькими распределенными ИС (РИС), часть задач — вовсе не автоматизирована.
Чем больше РИС, тем сложнее осуществлять контроль над ее функционированием, и тем больше времени требуется на восстановление в случае отдельных элементов или подсистем ИС.
Время, требуемое для восстановления работоспособности, тем меньше, чем более эффективной является система определения состояния и прогнозирования нештатных ситуаций, возникающих в РИС.
В настоящей работе рассматривается модель системы прогнозирования, имеющей в своей основе искусственную нейронную сеть, обладающую динамической подстройкой весов уже в ходе функционирования, что позволяет существенно повысить точность прогноза.
Применение искусственных нейронных сетей для решения задач прогнозирования рассматривалось многими авторами, и по этой теме было написано большое количество статей и работ.
ТЕХНИКА СРЕДСТВ СВЯЗИ, № 1 (141), 2018
Однако даже при построении искусственных нейронных сетей большой размерности, и, как следствие, имеющих высокую точность аппроксимации, как правило, не учитывается тот факт, что при прогнозировании величина входных характеристик может выйти за пределы допустимого для правильного прогнозирования диапазона значений, что в свою очередь, может привести к негативному результату [1—2].
При решении задач прогнозирования, как правило, необходимо осуществлять непрерывный мониторинг прогнозируемых характеристик изучаемой системы.
Следовательно, для таких систем нео бходимо разработать дополнительный модуль, использующий нейронную сеть для определения текущего состояния системы на основе временного ряда за определенный предыдущий период [t_N...10]. Подобная система предусматривает определение сущностей «учитель» и «ученик».
При этом сущность «учитель» будет реализацией интерфейса слушателя данных. Следовательно, «учитель», будет являться модулем динамической подстройки, который на основании текущих и ранее полученных данных, производит их анализ. Ученик, в свою очередь, будет слушателем учителя.
На примере описанной выше модели, рассмотрим временное взаимодействие сущностей «учитель» и «ученик». При получении данных от источников данных «учитель», используя алгоритм кластеризации входных данных, (как правило, для этих целей используются само организующиеся карты Кохонена), разбивает их на обучающие выборки. Одновременно с этим производится запрос квнутреннему хранилищу данных, содержащему уже обработанную ранее информацию. В том случае, если новая обучающая выборка выходит за пределы допустимого диапазона, «учитель» передает ее «ученику» для обучения в параллельном потоке. Одновременно с этим обучаемые компоненты должны произвести анализ полученныхданных.
Схема взаимодействия сущностей «учитель» и «ученик» в рассматриваемой модели отображена на рис. 1. Эксперимент проводился на искусственной нейронной сети, содержащей 8 слоев и имеющей 15 входных нейронов.
В ходе эксперимента сеть обучалась распознаванию каждого входного вектора до получения отклонения в 1% от ожидаемого результата.
Обучение проводились следующим образом. Сеть проходила обучение полным набором
Источники данных
Рис. 1. Схема взаимодействия сущностей «учитель» и «ученик»
МБЛН 01? соммишслткж Б(.)иГ1]Е>:М/1:БТ«ГТ. Iss. 1 (141). 2018
цТаблица 1
Результаты обучения многослойного персептрона
Без модуля взаимодействия С модулем взаимодействия
сущностей сущностей
Вносимая погрешность (%) 10 20 30 10 20 30
Максимальная ошибка обучения (%) 14.6 38.1 36.4 13.1 35.6 36.3
Средняя ошибка обучения (%) 6.1 16.2 12.8 4.6 12.4 12.1
Максимальная ошибка прогноза (%) 3.9 11.9 14.3 2.8 8.4 9.3
Средняя ошибка прогноза (%) 2.4 3.6 7.2 1.3 2.6 4.1
тестовых данных, потом проводилось тестирование модуля подстроки на той же выборке. Результаты исследования представлены в таблице №1.
Из данной таблицы видно, то искусственная нейронная сеть с модулем взаимодействия по принципу «учитель»-«ученик», осуществляющая динамическую подстройку весов нейронной сети на основании текущих и сохранных ранее данных, имеет меньшую погрешность прогноза по сравнению с обычной искусственной нейронной сетью.
Заключение
Поведение РИС невозможно описать с помощью линейных моделей традиционного технического анализа, так как имеют место быть элементы нелинейности и хаотичности, проявляющиеся при совместной работе большого количества обособленных элементов системы.
Модель, основанная на нейронной сети, позволяет учитывать эту нелинейность, что в свою очередь позволяет добиваться прогнозов с приемлемым уровнем погрешности.
Цель подобных систем — находить скрытые закономерности и зависимости между множеством показателей, моделировать поведение, сегментировать объекты анализа, строить долгосрочный прогноз на перспективу.
В работе приведена базовая модель взаимодействия сущностей, позволяющая осуществить динамическую подстройку весов искусственной нейронной сети при прогнозировании изменений характеристик динамической системы.
Испытания наглядно показали, что рассмотренный подход позволяет существенно уменьшить среднюю ошибку прогноза по сравнению с теми нейросетевыми методами прогнозирования, которые не осуществляют динамическую подстройку весов.
СПИСОК ЛИТЕРАТУРЫ
1. Минаев Ю.Н., Филимонова О.Ю., Бенамеур Лисс. Методы и алгоритмы решения задам идентификации и прогнозирования в условиях неопределен-
ности в нейросетевом логическом базисе. — М.: Горячая линия Телеком, 2003.
2. Саймон Хайкин Нейронные сети. — 2-е изд. — М.: Вильяме, 2006.
