CC BY
10для каждой ячейки сетки, GF6 = {FS1, ..., FS„}. Скелетное представление подписи, изображенное на рисунке, является эффективным методом для того, чтобы найти структурное соотношение между основными компонентами объекта (в данном случае подпись).
Скелет изображения подписи
В задаче распознавания подписи строится дерево решений, включающее в себя векторы GFl ... GF6, и на различных иерархических уровнях выгружаются образцы эталона подписи, которые в дальнейшем помещают в базу данных.
Значение метрики дает процентное соотношение эталона и образца. В зависимости от качества исходного изображения и количества эталонов выставляется пороговое процентное соотношение, при достижении которого эталон и образец считаются идентичными.
Был разработан программный продукт, в котором реализован данный подход идентификации пользователя по изображению подписи. Было проведено тестирование, в котором в качестве входных параметров выступали пары изображений, где первое изображение содержало эталон подписи. По результатам тестирования было выявлено, что средняя погрешность алгоритма составляет 10 %.
Библиографические ссылки
1. Баранов Р. П. Идентификация личной подписи человека // Решетневские чтения : XV Междунар. науч. конф. В 2 ч. Ч. 2. Красноярск, 2011. С. 603-604.
2. Фаворская М. Н. Методы распознавания изображений и видеопоследовательностей : монография. Красноярск, 2010. 176 с.
3. Болгов А. Н., Баранов Р. П., Казмирук Е. С. Структурирование изображений на основе поиска ассоциативных правил // Решетневские чтения : материалы XVI Междунар. науч. конф. В 2 ч. Ч. 2. Красноярск, 2012. С. 594-595.
4. Daramola S. Person Identification System using Static and dynamic Signature Fusion // International J. of Computer Science and Information Security. 2010. Vol (6)7. P. 88-92.
References
1. Baranov R. P. [Identification of human personal signature] // V materialah XV mezhdunarodnoj nauchnoj konferencii "Reshetnevskie chtenija" [The materials of the XV International Scientific Conference "Reshetnev reading"]. Krasnoyarsk, 2011, pp. 603-604.
2. Favorskaja M. N. Metody raspoznavanija izobraz-henij i videoposledovatel 'nostej [Methods of image recognition and video sequences]. Krasnoyarsk, 2010, 176 p.
3. Bolgov A. N., Baranov R. P., Kazmiruk E. S.. [Structuring images based on mining association rules] // V materialah XVI mezhdunarodnoj nauchnoj konferencii "Reshetnevskie chtenija" [The materials of the XVI International scientific conference "Reshetnev reading"]. Krasnoyarsk, 2012, pp. 594-595.
4. Daramola S. Person Identification System using Static and dynamic Signature Fusion // International Journal of Computer Science and Information Security. 2010. Vol (6)7, рp. 88-92.
© Баранов Р. П., Болгов А. Н., Казмирук Е. С., 2015
УДК 004.414.23
НЕЧЕТКАЯ СИСТЕМА УПРАВЛЕНИЯ НЕЙРОСЕТЕВЫМИ РЕСУРСАМИ*
C. В. Богаченко, Л. В. Липинский
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
E-mail: sveta.bogachenko@mail.ru
Предложен подход выбора структуры нейронной сети системой, основанной на нечеткой логике. Приведены результаты исследования рассматриваемого метода на одной из тестовых задач.
Ключевые слова: нейронные сети, структура нейронной сети, нечеткий контроллер, лингвистическая переменная.
* Работа выполнена в рамках и при финансовой поддержке проекта RFMEFI57414X0037.
Решетнеескцие чтения. 2015
FUZZY LOGIC CONTROL SYSTEM OF NETWORK RESOURCE*
S. V. Bogachenko, L. V. Lipinskiy
Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: sveta.bogachenko@mail.ru
The authors propose an approach to select the neural network's structure by the system based on fuzzy logic. The article contains the results of a study on one of the test problems.
Keywords: neural networks, structure of the neural network, fuzzy controller, linguistic variable.
Искусственные нейронные сети [1] являются эффективным и удобным инструментом для решения многих актуальных задач ракетно-космической отрасли. Вследствие отсутствия четко сформулированных правил для выбора структуры сети, объем временных затрат на решение задачи часто оказывается неприемлемым. Исследователями в области искусственного интеллекта предложены подходы выбора структуры нейронной сети с помощью эволюционных алгоритмов [2; 3]. Системы, основанные на нечеткой логике - это один из лучших способов представления нечетких рассуждений человека в четкие значения, понятные вычислительной машине. На основании этого в качестве инструмента для настройки параметров структуры нейронной сети выберем нечеткий контроллер.
Рассмотрим принцип управления вычислительными ресурсами нейросетевого моделирования. Ограничиваем диапазон вариации значений параметров структуры сети начальными и максимальными значениями числа слоев и числа нейронов в слоях. В реализованной программной системе используется конструктивный метод [4] выбора структуры многослойной нейронной сети. Выходная лингвистическая переменная нечеткого контроллера - количество новых нейронов, которые либо распределяются случайным образом на уже имеющиеся в сети слои, либо создается новый слой. Входными лингвистическими переменными являются ошибка выхода сети Error (1) и относительное изменение ошибки dE (2):
Error =-^^-, (1)
ymax ymin
где E - среднеквадратическая ошибка; ymin и ymax -минимальное и максимальное значения величины выхода сети;
dE = En - El -100 %, (2)
E
max
где Еп - ошибка выхода сети на итерации п; Е1 -ошибка выхода сети на начальной итерации; Етах -максимальная ошибка выхода сети за п итераций, т. е.
Етах = тах {Ег,' = 1 п} .
По прошествии заданного исследователем числа итераций обучения нечеткий контроллер вычисляет количество требуемых дополнительных структурных единиц на основании базы правил (табл. 1).
Тестирование осуществлялось на выборке объемом 100 в 4 этапа, в первые три из которых система нечеткой логики не применялась. В ходе первых двух этапов в качестве структуры сети выбраны соответственно максимальная и минимальная допустимые структуры. Значения параметров количества нейронов и слоев на третьем этапе выбраны случайным образом. Прогон осуществлялся 20 раз по каждому начальному условию. Результирующая ошибка является среднеарифметической по всем прогонам. Приведем результаты исследований на одной из тестовых функций у( х) = х2.
В табл. 2 курсивом выделены лучшие результаты среди первых трех этапов тестирования.
Результаты тестирования на последнем этапе в большинстве случаев оказались лучше, чем на предыдущих, что говорит о преимуществе применения нечеткого контроллера. Осуществлено попарное сравнение алгоритма с нечетким контроллером с остальными подходами. В качестве выборочных совокупностей выбраны те, которые в ходе тестирования показали лучшие результаты. Используя статистический критерий [5, с. 213], было установлено, что средние генеральных совокупностей отличаются значимо в случае минимальной структуры. К результату о незначимых различиях выборочной совокупности, полученной при максимальной структуре, следует относиться осторожно, так как гипотеза о нормальном распределении первой из сравниваемых совокупностей отвергается.
Таблица 1
База правил
Условие Подзаключение
аЕ Error
"Слабо изменилась" "Большая" jV-'Много"
"Средне изменилась" "Большая" N=" Средне"
"Сильно изменилась" "Большая" N-Мало"
"Слабо изменилась" "Маленькая" N=0
"Средне изменилась" "Маленькая" N=0
"Сильно изменилась" "Маленькая" N=0
Таблица 2
Результаты тестирования
Параметры сети С редняя ошибка выхода сети по всем прогонам
Максимальная структура Минимальная структура Случайная структура Настроенная контроллером
Число эпох Коэф. обуч. Альфа Шум, % Обуч. Тест. Обуч. Тест. Обуч. Тест. Обуч. Тест.
1000 0.5 1 0 0.332 0.353 0.340 0.357 0.387 0.368 0.198 0.212
5000 0.5 1 0 0.362 0.340 0.345 0.368 0.280 0.334 0.182 0.196
10000 0.5 1 0 0.371 0.322 0.369 0.396 0.222 0.214 0.158 0.191
10000 0.2 1 0 0.164 0.135 0.271 0.273 0.145 0.157 0.104 0.119
10000 0.8 1 0 0.430 0.469 0.361 0.399 0.437 0.411 0.168 0.173
1000 0.5 0.8 0 0.299 0.284 0.360 0.381 0.340 0.362 0.213 0.264
1000 0.5 1.2 0 0.334 0.341 0.297 0.302 0.353 0.347 0.169 0.217
1000 0.5 1 3 0.306 0.384 0.392 0.441 0.363 0.391 0.212 0.232
1000 0.5 1 5 0.332 0.331 0.400 0.409 0.376 0.382 0.240 0.244
Применение нечеткой системы управления вычислительными ресурсами в нейросетевом моделировании значительно уменьшает временные затраты для решения задачи. Нечеткий контроллер помогает понять пользователю необходимую структуру для получения качественного результата. Предложенный подход показал работоспособность и возможность применения для решения актуальных задач ракетно-космической отрасли.
Библиографические ссылки
1. Круглов В. В., Дли М. И., Голунов Р. Ю. Нечеткая логика и искусственные нейронные сети. М. : Изд-во физ.-мат. лит., 2001. 224 с.
2. Липинский Л. В., Семенкин Е. С. Структурная адаптация нейронной сети методом генетического программирования // Исследование, разработка и применение высоких технологий в промышленности : сб. тр. II Междунар. науч.-практ. конф. СПб. : Изд-во Политехн. ун-та, 2006.
3. Коромыслова А. А. Многокритериальные эволюционные алгоритмы для автоматического генерирования искусственных нейронных сетей // Решетнев-ские чтения : материалы XVIII Междунар. науч. конф. (11-14 нояб. 2014, г. Красноярск) : в 3 ч. / под общ. ред. Ю. Ю. Логинова ; Сиб. гос. аэроксмич. ун-т. Красноярск, 2014. С. 73-75.
4. Стариков А. Применение нейронных сетей для задач классификации [Электронный ресурс]. URL: http://www.basegroup.ru/library/analysis/neural/classifica tion/ (дата обращения: 5.09.2015).
5. Гмурман В. Е. Руководство к решению задач по теории вероятностей и математической статистики : учеб. пособие для студентов втузов. М. : Высш. шк., 1979.
References
1. Kruglov V. V., Dli M. I., Golunov R. Yu. Fuzzy logic and artificial neural networks. Moscow : Physical and mathematical literature Publ., 2001. 224 p.
2. Lipinskiy L. V., Semenkin E. S. Structural adaptation of the neural network by genetic programming // Materials II International Scientific-Practical Confe-rence "Research, development and application of high technologies in the industry", 2006.
3. Koromyslova A. A. The multiobjective evolutionary algorithms for automatic generation of artificial neural networks // Materials XVIII International Scientific Conference "Reshetnev reading". Krasnoyarsk, 2014, pp. 73-75.
4. Staricov A. The application of neural networks for problems of classification. Electronic textbook StatSoft. Available at: http://www.basegroup.ru/library/analysis/ neural/classification/.
5. Gmurman V. E. Manual to solving the problems of probability theory and mathematical statistics. Moscow : Graduate School, 1979.
© Богаченко С. В., Липинский Л. В., 2015
