CC BY
64
Секция «Информационнее системы и технологии»
кретную дату. Объекты ЬосаЮа1е неизменяемы и являются аналогом ЬосаШше. Тип ЬосаЮа1еТ1ше представляет собой комбинацию даты и времени. Объекты ЬосаЮа1еТ1ше неизменяемы и работают аналогично ЬосаШше и ЬосаЮа1е. Форматирование даты-времени работает так же, как и форматирование даты или времени в отдельности. В отличие от _]ауа.1ех1№тЬегРогта1, новый Ба1еТ1шеРогшайег является неизменяемым и потокобезопасным.
Таким образом, можно сделать вывод, что в настоящий момент к основным нововведениям в языке 1ауа8, полезным с практической точки зрения для большинства разработчиков, следует отнести обновление функционала старых версий языка и его дополнение удобными процедурами, а также появившуюся возможность распараллеливания вычислений. Подоб-
ные усовершенствования позволяют значительно сократить программный код создаваемых приложений, увеличить скорость работы программы и эффективность использования вычислительных ресурсов.
Библиографические ссылки
1. Сайт объектно-ориентированного языка программирования Java : офиц. сайт. URL: http://home. java.net (дата обращения: 22.03.2014).
2. Сайт, посвященный Java : интернет-журнал. URL: http://www.javaworld.com (дата обращения: 22.03.2014).
3. Сайт ORACLE : офиц. сайт. URL: http://docs. oracle.com/javase/8/docs/ (дата обращения: 22.03.2014).
© Достова А. А., 2014
УДК 004.032.26
Ю. А. Истомина Научный руководитель - В. В. Тынченко Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск
ОСОБЕННОСТИ ПРОЦЕССА ПРОЕКТИРОВАНИЯ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ
ПРОИЗВОЛЬНОЙ АРХИТЕКТУРЫ
Обосновывается актуальность добавления возможности моделирования рекуррентных нейронных сетей в систему Network Modeler. Рассматривается преимущество использования генетических алгоритмов для обучения и подбора архитектуры сетей данного типа.
Искусственные нейронные сери пользуются популярностью для решения различных сложных технических задач. Классификация нейронных сетей разделяет их на сети прямого и обратного распространения. Широко применяются многослойные нейронные сети прямого распространения сигнала. Такой класс сетей обладает достаточной вычислительной мощностью, подходит для решения различных типов задач, кроме того, прост для понимания и подробно описывается в литературе [1-3].
На сегодняшний день автором разработано программное обеспечение (ПО) Network Modeler для проектирования полносвязных нейронных сетей с прямым распространением сигнала [4]. Однако моделирование динамических процессов на сетях прямого распространения возможно только искусственными приемами, например, когда сетью на каждом шаге прогнозируется малое изменение состояния для исследуемого динамического объекта. Чтобы расширить диапазон решаемых задач и устранить недостатки программного обеспечения Network Modeler предлагается дополнить функции разработанной системы возможностью построения сетей с обратными связями (рекуррентных).
Рекуррентная сеть - это многослойная нейронная сеть, имеющая хотя бы один слой, выходные сигналы с которого поступают на этот же слой или на один из предыдущих слоев. В рекуррентной сети нейроны многократно участвуют в обработке каждого набора входных данных, что позволяет использовать некоторые динамические свойства нейросети. Использова-
ние обратных связей сокращает объем нейронной сети. Также на основе рекуррентных сетей разработаны различные модели ассоциативной памяти. Рекуррентные сети с обратным распространением ошибки часто применяются для финансовых биржевых предсказаний, поскольку могут запоминать последовательности, благодаря чему являются прекрасным инструментом для работы с временными сериями. Обычные сети с обратным распространением дают всегда в точности тот же самый ответ на один и тот же предъявляемый образ, тогда как ответ рекуррентной сети в подобных случаях будет зависеть от того, какие образы предъявлялись сети перед этим. Рекуррентные сети обладают долговременной памятью, построенной на внутренних нейронах.
Примерами нейронных сетей данного вида являются следующие.
1. Сети Хопфилда работают до достижения равновесия, когда следующее состояние сети в точности равно предыдущему: начальное состояние является входным образом, а при равновесии получают выходной образ. Такая сеть может быть использована как автоассоциативная память, как фильтр, а также для решения некоторых задач оптимизации, например, для восстановления поврежденного изображения.
2. Нейронная сеть Коско способна к обобщению, вырабатывая правильные реакции, несмотря на искаженные входы. Кроме того, могут быть реализованы адаптивные версии двухсторонней ассоциативной памяти, выделяющие эталонный образ из зашумлен-ных экземпляров.
Актуальные проблемы авиации и космонавтики - 2014. Информационные технологии
3. Сеть Джордана - вид нейронных сетей, основанный на многослойном перцептроне, на вход которой, помимо входного вектора, поступает выходной с задержкой на один или несколько тактов. У такой сети только часть рецепторов принимает сигналы из окружающего мира, на другие рецепторы приходит выходной образ из предыдущего момента времени [5].
Для проектирования нейронных сетей произвольной архитектуры целесообразно использовать генетические алгоритмы, преимуществом которых является обеспечение попадания в глобальный минимум ошибки обучения и возможность применения при отсутствии информации о градиентах. Данный подход позволяет построить рекуррентную нейронную сеть на основе многослойного персептрона (рекуррентный многослойный персептрон), а также неполносвязную нейронную сеть. Обучение нейронной сети заключается в настройке весовых коэффициентов. Для использования генетического алгоритма необходимо закодировать весовые коэффициенты в виде двоичных последовательностей - хромосом. Каждая особь популяции характеризуется полным множеством весов нейронной сети. Оценка приспособленности особей определяется разностью между эталонными и фактически полученными значениями на выходе сети для различных входных данных. Перед обучением нейронной сети необходимо выбрать наиболее подходящую ее структуру для решаемой задачи. Для подбора структуры с помощью генетического алгоритма необходимо закодировать такую информацию: количество нейронов, слоев и наличие связей между ними.
Вышесказанное подтверждает актуальность добавления в систему Network Modeler возможности моделирования неполносвязных и рекуррентных нейронных сетей. Для этого с точки зрения программной реализации потребуется интегрировать в Network
Modeler разработанную библиотеку классов Genetic Algorithm Library, реализующую различные модификации генетических алгоритмов [6].
Библиографические ссылки
1. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы : пер. с польск. М. : Горячая линия - Телеком, 2004. 452 с.
2. Осовский С. Нейронные сети для обработки информации : пер. с польск. М. : Финансы и статистика, 2002. 344 с.
3. Круглов В. В., Дли М. И., Голунов Р. Ю. Нечеткая логика и искусственные нейронные сети. М. : Физматлит, 2001. 221 с.
4. Истомина Ю. А., Тынченко В. В. Система автоматизации проектирования искусственных нейронных сетей послойной архитектуры // Решетневские чтения : материалы XVI Междунар. науч. конф. (10-12 нояб. 2011, г. Красноярск) : в 2 ч. / под общ. ред. Ю. Ю. Логинова ; Сиб. гос. аэрокосмич. ун-т. Красноярск, 2012. С. 611-612.
5. Истомина Ю. А. О проблематике моделирования нейронных сетей произвольной архитектуры // Решетневские чтения : материалы XVI Междунар. науч. конф. (10-12 нояб. 2011, г. Красноярск) : в 2 ч. / под общ. ред. Ю. Ю. Логинова ; Сиб. гос. аэрокосмич. ун-т. Красноярск, 2012. С. 609-610.
6. Истомина Ю. А. Разработка библиотеки классов генетических алгоритмов для подбора наилучшей структуры ИНС // Актуальные проблемы авиации и космонавтики : материалы IX Всерос. науч.-прак. конф. творческой молодежи ; СибГАУ. Красноярск, 2013. Ч. 1. С. 363-365.
© Истомина Ю. А., 2014
УДК 658.512.001.56
Д. И. Ковалев, Е. В. Туева, А. В. Клименко Научные руководители - И. В. Ковалев, П. В. Зеленков Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева, Красноярск
АНАЛИЗ ОРГАНИЗАЦИОННО-ТЕХНОЛОГИЧЕСКИХ КОМПЛЕКСОВ ПРЕДПРИЯТИЙ НА ОСНОВЕ АНАЛИТИЧЕСКОГО МЕТОДА ОЦЕНКИ ЭФФЕКТИВНОСТИ ФУНКЦИОНИРОВАНИЯ СЛОЖНЫХ СИСТЕМ
Рассматривается применение метода DEA и его модификации для анализа эффективности функционирования организационно-технологических комплексов предприятий отрасли переработки бытовых отходов. Задача оценки эффективности функционирования предприятия разбивается на две подзадачи. Первая подзадача представляет собой определение эффективности предприятия, обеспечивающего максимальный выпуск набора полезных продуктов и материалов. Вторая подзадача заключается в том, чтобы определить эффективность предприятия переработки, имеющего выход, который необходимо минимизировать. Предложенная двухэтапная схема может быть использована для повышения эффективности работы организационно-технологических комплексов или производственных объектов, а также представляет собой применение гипотезы в оценивании эффективности промышленных объектов в разных сферах хозяйственной деятельности.
Проблема анализа эффективности функционирования предприятий очень остро встает в последние годы во многих сферах производства и сбыта продук-
ции. В данной работе рассматривается аналитический метод оценки эффективности сложных систем на основе ББЛ-подхода, его модификация и реализация
