CC BY
24
Секция ««Математические методы моделирования, управления и анализа данных»
УДК 004.414.23
ОБ АВТОМАТИЗИРОВАННОМ ФОРМИРОВАНИИ НЕЧЕТКОЙ СИСТЕМЫ УПРАВЛЕНИЯ НЕЙРОСЕТЕВЫМИ РЕСУРСАМИ
У. Н. Круглова1, Л. В. Липинский2
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева
Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
E-mail: [email protected], [email protected]
Исследование подхода автоматического формирования структуры нейронной сети с помощью методов нечеткой логики.
Ключевые слова: нейронные сети, нечеткая логика, автоматическая настройка нейронной
сети.
AUTOMATIC GENERATION OF NEURAL NETWORK STRUCTURE BY FUZZY CONTROL SYSTEM
U. N. Kruglova1, L. V. Lipinskiy2
Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: [email protected], [email protected]
Researching of automatic selection algorithm of neural network structure by using fuzzy logic methods.
Keywords: neural networks, fuzzy logic, automatic configuration of the neural network.
В современном мире широко применяется нейросетевое моделирование в различных областях человеческой деятельности [1]. Однако любой исследователь сталкивается с такой проблемой, как построение архитектуры нейронный сети для конкретной базы данных. В связи с этим возникла задача автоматического построения нейросетевой структуры.
В данной работе, для решения такой задачи, предлагается использовать нечеткий контроллер, основанный на принципах нечеткой логики [2; 3]. Для исследования была выбрана полносвязная сеть, обучаемая с помощью алгоритма обратного распространения ошибки [4; 5]. В качестве актива-ционной функции выступает сигмоида.
Процесс обучения ИНС был модифицирован: коэффициент обучения подстраивается в процессе обучения. Для избегания паралича ИНС, коэффициент обучения уменьшается, если изменение выходного слоя ниже заданного порога.
В качестве настраиваемых параметров нейронной сети нечеткой системой выступают количество слоев и нейронов, коэффициент инерции и количество итераций, необходимых для обучения.
Работа нечеткого контроллера в задаче построения структуры ИНС аналогична рассуждениям исследователя. В заданных контрольных точках нечеткий контроллер оценивает следующие показатели:
1. Изменение ошибки. Другими словами - как сильно улучшилась сеть после изменения ее структуры.
2. Сложность структуры - количество нейронов.
3. Количество затраченных ресурсов - сколько итераций использовалось при обучении.
Далее, исходя из сформированной базы правил, нечеткий контроллер принимает решение о
дальнейшем изменении структуры:
1. Увеличить, уменьшить или не изменять количество нейронов.
2. Увеличить, уменьшить или не изменять количество итераций, затрачиваемых на обучение.
3. Увеличить, уменьшить или не изменять коэффициент инерции.
Актуальные проблемы авиации и космонавтики - 2016. Том 1
Схема управления ИНС нечетким контроллером
Эффективность влияния нечеткого контроллера на качество результатов нейронной сети была исследована на многоэкстремальных функциях Растригина, Михалевича и Гриванка. Тестирование проводилось на 10 нейронных сетях и 12 разных баз правил. Среднее улучшение ошибки в результате работы алгоритма по функции Растригина составило 15 %, Михалевича 9 % и Гриванка 13 %. Подробные результаты будут представлены в докладе.
Библиографические ссылки
1. Уоссермен Ф. Нейрокомпьютерная техника // Теория и практика. М. : Мир, 1984.
2. Методы робастного, нейро-нечеткого и адаптивного управления : учебник / под ред. Н. Д. Егупова, изд. 2-е. М.: Изд-во МГТУ им. Бауман, 2002, 744 с.
3. Круглов В. В., Дли М. И., Голунов Р. Ю. Нечёткая логика и искусственные нейронные сети // М. : Физматлит, 2001. 221 с.
4. Прикладная статистика. Классификация и снижение размерности // С. А. Айвазян, В. М. Бухштабер, И. С. Енюков, Л. Д. Мешалкин. М. : Финансы и статистика, 1989. 607 с.
5. Оссовский С. Нейронные сети для обработки информации / пер. с польск. И. Д. Рудинского. М. : Финансы и статистика, 2002. 344 с.
© Круглова У. Н, Липинский Л. В., 2016
