CC BY
15Решетневскце чтения
на число используемых правил, используется коэво-люционный алгоритм условной оптимизации. Данный метод должен позволить генерировать компактные базы правил «повышенной точности», обладающие преимуществами нескольких исходных нечетких классификаторов.
Планируется апробация данного метода при решении задач обработки данных дистанционного зондирования Земли, в частности, в рамках проекта «Малые космические аппараты СибГАУ». В декабре 2011 г. планируется запуск МКА «Юбилейный-2», оснащенного оборудованием для ДЗЗ. Алгоритм обработки данных ДЗЗ на основе метода коллектива нечетких классификаторов может стать важным программным инструментом для использования Студенческим центром управления полетами СибГАУ.
Библиографические ссылки
1. Ishibuchi H., Nakashima T., Murata T. Performance Evaluation of Fuzzy Classifier Systems for Multidimensional Pattern Classification Problems // IEEE Trans. on Systems, Man, and Cybernetics. Vol. 29. May 1999. P. 601-618.
2. Sergienko R. B., Semenkin E. S., Bukhtoyarov V. V. Michigan and Pittsburgh Methods Combining for Fuzzy Classifier Generating with Coevolutionary Algorithm for Strategy Adaptation // 2011 IEEE Congress on Evolutionary Computation. June 5-8. 2011. New Orleans. LA. USA.
3. Sergienko R. B., Semenkin E. S. Competitive Cooperation for Strategy Adaptation in Coevolutionary Genetic Algorithm for Constrained Optimization // WCCI 2010 IEEE World Congress on Computational Intelligence. CCIB, Spain. Barcelona. July 18-23. 2010. P. 1626-1631.
R. B. Sergienko
Siberian State Aerospace University after academician M. F. Reshetnev, Russia, Krasnoyarsk
ABOUT FUZZY CLASSIFIERS COLLECTIONS FOR EARTH REMOTE SENSING DATA PROCESSING
New approaches for fuzzy classifiers collections generated with the help of self-tuning coevolutionary genetic algorithms are presented. Use of this approach for Earth remote sensing data processing is offered.
© Серraенко Р. E., 2011
УДК 004.89
М. Ю. Сидоров
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Россия, Красноярск
НЕЙРОСЕТЕВОЙ АНАЛИЗ ДАННЫХ НА БАЗЕ МНОГОАГЕНТНЫХ СТОХАСТИЧЕСКИХ АЛГОРИТМОВ
Предлагается программный комплекс нейросетевого анализа данных, предназначенный как для специалистов в области нейросетевых технологий с возможностью тонкой настройки основных моделей, так и для специалистов прикладных областей - в этом случае происходит структурная и параметрическая оптимизация нейросетевых технологий многоагентными стохастическими алгоритмами.
Искусственные нейронные сети являются одним из наиболее активно развиваемых в последнее время направлением формализации информационно-аналитической деятельности во многих сферах принятия решений. Существует значительное количество хорошо известных исследователям типов нейронных сетей. Таким образом, при необходимости решения конкретной задачи, скажем прогнозирования, в конкретной области возникает задача выбора «правильного» типа нейросети. Однако большинство нейрои-митаторов обычно предлагают ограниченный набор нейросетей, чаще всего относящихся к одному типу. В случае достаточно широкого представительства типов нейросетей остается существенная проблема выбора структуры нейросети, которая зачастую отда-
ется на решение пользователю или решается эвристически на основании интуиции и опыта. И, наконец, третьей проблемой применения нейросетей является трудность ее настройки в случае нестандартной ситуации или просто при больших размерах. Разрешение всех трех проблем требует серьезной квалификации исследователя, что существенно замедляет широкое внедрение полезного и эффективного инструментария в повседневную практику.
Разработка представляемого программного комплекса направлена на решение трех актуальных проблем нейросетевого анализа данных.
Первой составной частью комплекса является совокупность программных систем, реализующих наиболее распространенные типы нейронных сетей (пер-
Математические методы моделирования, управления и анализа данных
септрон Розенблатта, однослойный персептрон, многослойный персептрон, когнитивные карты Кохонена, сеть регуляризации, сеть с радиальными базисными функциями, сеть Хопфильда, сеть Хэмминга, Когни-трон, Неокогнитрон). Программные системы позволяют пользователю ввести структуру сети выбранного им типа (число слоев, число нейронов, типы функций активации и т. д.) и выполнить настройку весовых коэффициентов стандартным для данной сети способом. В дальнейшем предполагается расширение набора типов нейросетей по мере возникновения необходимости.
Вторая составная часть комплекса - это программная система автоматического генерирования нейронных сетей произвольной архитектуры. Выбор оптимальной структуры нейронной сети (слои, нейроны, связи, функции активации и т. п.) осуществляется специально разработанным генетическим алгоритмом. Настройка весовых коэффициентов производится стандартным генетическим алгоритмом. Так как программная система генерирует сеть произвольной архитектуры, т. е. может, теоретически, эмулировать нейросеть любого типа, управление нейросетевым анализом осуществляется с помощью правильной подготовки исходных данных. Очевидно, что для решения задачи аппроксимации и прогнозирования одни и те же данные должны быть предъявлены нейро-сети в разной форме. Автоматическое проектирование нейронных сетей позволяет также создавать их ансамбли (коллективы, консилиумы), что значительно расширяет возможности комплекса программ.
Третья составная часть комплекса, имеющая также и самостоятельное значение - это программная система решения сложных задач оптимизации много-агентными стохастическими алгоритмами. Система включает в себя генетический алгоритм, алгоритм
эволюционных стратегий, стайный алгоритм (Particle Swarm Optimization), локальный поиск в бинарном пространстве, локальный поиск в пространстве вещественных переменных. Реализован мультистарт локальных поисков и гибридизация локальных поисков с многоагентными алгоритмами - есть возможность после остановки многоагентного алгоритма выполнить локальный спуск, улучшая найденное решение, а также использовать локальный спуск в ходе работы многоагентных алгоритмов с реализацией эволюции двух типов - по Дарвину и Ламарку. Для решения проблемы выбора настроек стохастических алгоритмов реализована возможность их кооперации в ходе решения одной задачи - островная модель, когда алгоритмы работают независимо, время от времени обмениваясь информацией, и коэволюционная модель, когда алгоритмы борются за общий ресурс так, чтобы большая его часть доставалась наиболее эффективному. Основное предназначение системы - настраивать нейронные сети, полученные «вручную» программами первой части или автоматически с помощью системы второй части комплекса.
Работоспособность всех составных частей комплекса проверена на репрезентативном множестве тестовых задач различной размерности и на ряде практических задач.
Таким образом, предлагаемый программный комплекс представляет собой гибкий и универсальный инструмент нейросетевого анализа данных, работать с которым могут как опытные пользователи, самостоятельно конструируя и настраивая нужные им сети с последующей тонкой подстройкой алгоритмами оптимизационной системы, так и неопытные, получая требуемый результат с помощью автоматического проектирования нейросетевой модели.
M. Yu. Sidorov
Siberian State Aerospace University named after academician M. F. Reshetnev, Russia, Krasnoyarsk
NEURAL NETWORK ANALYSIS BASED ON MULTIAGENT STOCHASTIC ALGORITHMS
The author proposes a neural network software suite of data analysis, designed for professionals in the field of neural network technology with the ability to fine-tune the basic neural network models and applications for another areas, in this case the structural and parametric optimization of multi-agent neural networks stochastic algorithms occurs.
© Сидоров М. Ю., 2011
