Научная статья на тему 'Разработка комплекса программного обеспечения для исследования и оптимизации надежности структурно однородных искусственных нейронных сетей на ПЭВМ'

Разработка комплекса программного обеспечения для исследования и оптимизации надежности структурно однородных искусственных нейронных сетей на ПЭВМ Текст научной статьи по специальности «Математика»

CC BY
133
19
i Надоели баннеры? Вы всегда можете отключить рекламу.
Область наук

Аннотация научной статьи по математике, автор научной работы — Потапов Илья Викторович, Кузин Михаил Валерьевич

В статье представлена разработка комплекса специализированного программного обеспечения для решения фундаментальных задач оптимизации надежности и противоборства «стареющих» однородных искусственных нейронных сетей. Приведены основные модели и постановки решаемых задач.

i Надоели баннеры? Вы всегда можете отключить рекламу.
iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

The software system development for structure-homogeneous artificial neuron nets reliability examination and optimization on PC

In this article the software system development is announced. The soft-ware system is designed for examination and solving some fundamental problems of "ageing" structure-homogeneous artificial neuron nets reliability oplimization and conflicts. Examined neuron nets consist of abundant number of restorable neuron blocks, which connect instead of failed blocks by sliding redundancy scheme. The basic models and problem definitions are given.

Текст научной работы на тему «Разработка комплекса программного обеспечения для исследования и оптимизации надежности структурно однородных искусственных нейронных сетей на ПЭВМ»

ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ

УДК 004.4:004.032.26:004.052 И. В. ПОТАПОВ

М. В. КУЗИН

Омский государственный технический университет

РАЗРАБОТКА КОМПЛЕКСА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ДЛЯ ИССЛЕДОВАНИЯ И ОПТИМИЗАЦИИ НАДЕЖНОСТИ СТРУКТУРНО ОДНОРОДНЫХ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ НА ПЭВМ

В статье представлена разработка комплекса специализированного программного обеспечения для решения фундаментальных задач оптимизации надежности и противоборства «стареющих» однородных искусственных нейронных сетей. Приведены основные модели и постановки решаемых задач.

Работа выполнена при поддержке гранта Президента РФ N9 МК-7420.2006Л и гранта РФФИ № 0&47-8?013-а.

Введение

Искусственные нейронные сети (ИПС) по своей организации могут обладать двумя важными качествами: структурной однородностью и, как и их биологические прототипы, различными видами избыточ-

ности, которые могут быть использованы для повышения надежности их функционирования. Для повышения отказоустойчивости технических систем обычно используются следующие виды избыточности: функциональная, структурная (аппаратурная) и временная. Можно утверждать, что все перечислен-

ОМСКИЙ НАУЧНЫЙ МСТИИК № 2 (S6) 2007

ные виды избыточности в той или иной мере свойственны нейросетевым вычислительным системам. Более того, все эти виды избыточности взаимосвязаны друг с другом. Так, например, функциональная и временная избыточности могут являться следствием структурной избыточности. Исследования показывают. что основным видом избыточности, присущим ИНС, является структурная избыточность. Поэтому в качестве универсального метода повышения надежности их функционирования следует рассматривать структурное резервирование.

В работах [ 1 — 4] даны постановки и решения (приведены подробные алгоритмы, реализуемые на ПЭВМ) фундаментальных задач оптимизации резервирования структурно однородных адаптивных к отказам ИНС ненрокомпыотерных систем (ИКС) с замещением отказавших нейронных блоков резервными при различных условиях функционирования, вт.ч. в режимах «старения» и противоборства, характеризующихся изменяющимися во времени интенсивностями отказов. Вследствие большой сложности объекта исследования, решение указанных оптимизационных задач ориентировано на использование ПЭВМ. В настоящее время на кафедре Информатики и вычислительной техники ОмГТУ ведется разработка комплекса специализированного программного обеспечения, предназначенного для исследования и оп тимизации надежности однородных «стареющих» нейронных структур и решения задач противоборства.

Базовая модель

В качестве основного Объекта исследования рассматривается модель многослойной многовыходной структурно однородной ИНС 5Л иейрокомиыотерной системы с замещением отказавших нейронных блоков резервными [ 1 ], состоящей из п основных и ш резервных (п 4- т = а) блоков искусственных нейронов (ИН), разбитых на я групп по п,,пг,...,п(| (п, £ 1) основных и .....вч резервных нейронных блоков, при

этом замещение основных блоков с отказавшими ИН резервными возможно только внутри своей группы. Потоки отказов в группах основных нейронных блоков являются нестационарными нуассоновскими потоками с интенсивностями *.,(1), ; резервным

нейронным блокам ИНС соответствует интенсивность отказов >.„(1). Таким образом, при рассмотрении «стареющих» ИНС предполагается, что >.,(1), (О < 1 < я) являются возрастающими функциями времени, а на этапе нормального функционирования ИНС Яд, характеризующегося постоянными во времени интенсивностями отказов, Х,(1) = \,. В общем случае нейронные блоки 1-й группы восстанавливаются после отказа с ин тенсивностью д,(1), 1 $ 1 < я.

Обозначим п = (п,)а — вектор основных нейронных блоков; в = (й,)ч — вектор резервирования; Х(0= = (Х,Щ,., — вектор интенсивностей отказов; ц(0 = = (ц,(0),, - вектор интенсивностей восстановле-ния; Р^; 1| - вероятность безотказной работы нейронной сети к моменту времени I; Т[б) - среднее время работы И НС до отказа, г.е. среднее время «жизни» рассматриваемой ИНС.

Обозначим целочисленное множество

Вероятностная модель функционирования такой ИНС определяется системой дифференциальных уравнений

S(m) = (s|^s, =m; s, £0}.

~~~ P(l) = D% [s,?.(t).n(t)|p(t), at

(1)

-D, м 0 ... 0

А, -Da м ... 0

0 Aj -D, ... 0

0 0 0 • > . 1 -Dm.t

Отказоустойчивую ИНС рассматриваемого типа обозначим

sA(q.n,s.>.(t),n<t)).

где p(t) — вектор вероятностей нахождения системы в момент времени t в состояниях с к (о < к s m) отказавшими нейронными блоками,

DsJs,X(t),M(t)l =

- матрица переменных коэффициентов дифференциальных уравнений, зависящих от вектора резервирования s(t), вектора интенсивностей отказов >.(t). вектора интенсивностей восстановлений ц(1) и распределения отказов в основных и резервных блоках ИН.

Задачи оптимизации резервирования ИНС

Первая часп. программного комплекса предназначена для решения следующих оптимизационных задач.

Задача 1. Вычислить вектор резервирования s е S(m), максимизирующий вероятность безотказной работы P(s; L) нейронной сети SA[q,n,s,X(t),n(t)l к моменту времени £,при заданных ограничениях на параметры и условия работы ИНС:

!Р |s;t,| —> max, seS(m).

Задача 2. Вычислить вектор резервирования seS(m), максимизирующий среднее время «жизни» T|sJ нейронной сети SiN[q,n,s,X(l),n(t)j при заданных ограничениях:

(T(s]~>max. ssS(m).

Задачи 1 и 2 являются задачами целочисленного программирования, поскольку они сводя тся к вычислению целочисленного вектора s є S(m), лежащего в гиперплоскости s, + s2 + ... + sq = m с выделенной областью s, 2 0,1 < і <; q, максимизирующего в зависимости от поставленной задачи P|s; tj илиТ[в]. Поэтому важной вычислительной задачей является отыскание всех целых неотрицательных корней уравнения. С целью сокращения перебора при решении данной подзадачи в [5] предложена методика определения искомых корней путем представления их в виде чисел в системе счисления с основанием (m + 1) и выполнения над ними ряда арифметических операций в этой системе счисления.

Для решения поставленных оптимизационных задач на ПЭВМ разработаны детализированные алгоритмы (1). При этом решение задач 1 и 2 для «стареющих» ИНС, характеризующихся возрастающими во времени интенсивностями отказов нейронных блоков, выполняется с использованием метода дискретизации путем замены функций специально подобранными кусочно-постоянными функциями.

Для структурно однородной ИНС с динамическим резервированием, т.е. для такой ИНС. в процессе

работы которой вектор резервирования целенаправленно изменяется, и производится перераспределение резервных нейронных блоков между ч группами, решаются следующие две задачи.

Задача 3. Вычислить последовательность векторов резервирования 0£«>£{, мак-

симизирующих вероятность безотказной работы ИНС последовательно в заданные моменты настройки х,. т2.т,. ((> 1), т0 = 0, и в заданный момент време-

ни, ^ >т,.

Задача 4. Определить количество настроек ( ((> Ь), последовательность (т,,т2.....т,) моментов настройки и последовательность векторов резервирования я" з°в), отвечающих моментам наст-

ройки т „ (1 < (о < (), таким образом, чтобы вероятность безотказной работы ИНС в моменты настройки и в момент времени I,, 1г >т, были последовательно максимальными.

При решении задач 3 и 4 в отличие от задач 1 и 2 используется множество

где [X] - целое число, ближайшее к X; ]ГкРк „(О —

к-0

математическое ожидание количества блоков ИН, отказавших к моменту времени та; рк.в(0 - вероятность нахождения ИНС в момент времени 1 и1 в состоянии с к, отказавшими ИН.

Модель и задача противоборства (дифференциальная игра)

В развитие рассмотренных выше моделей можно предположить, что в особых условиях НКС (как разновидности интеллектуальных систем в области технологий двойного применения) могут оказаться способными вс тупать в противоборство между собой, и активно влиять на работоспособность противоборствующей стороны, например, путем целенаправленного воздействия, приводящего к росту интенсивности отказов компонентов (блоков ИН) НКС, т.е. в конечном итоге искусственно ускорял, процесс «старения» ИНС системы в своих интересах.

При постановке и решении задачи противоборства (игры) в качестве модели НКС. участвующих в игре, рассматриваются однородные избыточные восстанавливаемые ИНС Бд.

Пусть игрок 1 располагает ИНС Бд, а игрок 2 располагает ИНС Бд. Обе ИНС Бд (д = 1,2) являются восстанавливаемыми с одинаковыми для всех нейронных блоков интенсивностями восстановления ц '(1). Игрок 1 располагает множеством стратегий УУ1 = а игрок 2 располагает множеством стратегий V/2 = {з^.Х'.ц2}. где б4 - вектор резервирования д-то игрока; Xе «(ОД} ХОД...Л*(1)) - вектор

интенсивностей отказов в группах нейронных блоков ИНС БЦ.

Будем считать, что число групп нейронных блоков ИНС для игроков 1 и 2 одинаково, т.е. векторы б1 и б2 имеют одинаковую размерность я. Положим, что за время игры I, игрок д (д = 1,2) имеет право не более чем (1.51) раз (не считая момента I = 0) изменять вектор резервирования д9 управляемой им системы Б*. Вектор т’’ = = 0, х'( < I,, назовем вектором

настройкид-гоигрока.Обозначим р2(0 (0<к*т'Ч -

вероятность того, что в ИНС отказали к нейронных блоков. Будем полагать, что в процессе противоборства игрок 1 стремится максимизирова ть величину РЧО-Р2^,). являющуюся функцией платы, где

т*

I, - время окончания игры, Р'(0=Хр!!(0 - вероят-

»-о

ность безотказной работы д-й системы, а игрок 2 стремится минимизировать эту величину.

Вторая часть программного комплекса предназначена для решения следующей задачи.

Задача 5. Необходимо решить игру двух лиц с нулевой суммой при заданных ограничениях на стратегии (управления) игроков, функция выигрыша которой определяется с(г,,г2)= Р'(0- Р20,). ГЛС Л, е УН* -стратегия д-го игрока.

Используя систему дифференциальных уравнений (1), запишем дифференциальную игру между двумя нейрокомпьютерными системами в виде:

^р'м^'.тм’мЬчц

с11

1р’(1)=с1>и’«м'М]р'(0.

где р«(1) — вектор-столбец размерности (т‘7 +1); 0'^А1 — определенная выше матрица коэффициентов системы дифференциальных уравнений размерности

(тч + |)х(т* + 1).

Рассматриваемая дифференциальная игра двух иейрокомпыотерных систем с учетом всех ограничений и заданной точности изменения управлений игроков методом дискретизации сводится к матричной игре, имеющей нормальную форму. Решение игры находится в смешанных стратегиях методом многократного разыгрывания, легко реализуемым на ПЭВМ.

Заключение

Поскольку ИНС являются устройствами с массовым параллелизмом и допускают наращивание своих вычислительных возможностей за счет объединения отдельных блоков в единую сеть, нейрокомпьютеры при выполнении задания могут обладать большой временной избыточностью. Поэтому в настоящее время ведется также разработка третьей части программного комплекса, предназначенной для исследования и оптимизации надежности НКС с временным резервированием.

Основные вероятностные модели безотказного выполнения задания НКС с временным резервированием для необесценивающих и обесценивающих моделей отказов в общем виде могут быть представлены следующими интегральными уравнениями:

Р„(1Л)=1-К1.)+1 м, -т,1р-е)<1Р,(о)<и*),

о о

4л)'г'

Ри(1Л)=1-Р(0+ \ /рДм.-т-о^^т),

о о

где I, - минимально необходимое при отсутствии нарушений работоспособности время выполнения задания; ^-дополнительно выделенное для решения задачи резервное время (временная избыточность); р(1) -функция распределения наработки НКС без резерва времени между соседними отказами (предполагается, что наработка до первого нарушения работоспособности (отказа) ИНС нейрокомпыотерной системы и

между соседними отказами распределена одинаково); Ри(1) - функция распределения времени восстановления работоспособности ИНС нейрокомпыотерной системы, не зависящая ни от количества отказов в прошлом, ни от времени работы системы с момента предыдущего отказа.

Библиографический список

1. Потапов В.И., Потапов И.В. Теоретические основы диагностики и оптимизации надежности искусственных нейронных сетей.—Омск: Изд-во ОмГТУ, 2004. - 152 с.

2. Потапов В.И.. Потапов И.В. Оптимизации функциональной надежности избыточной восстанавливаемой после отказов нейронов «стареющейи искусственной нейронной сети//Ин-формационные технологии. — 2004. — N«12. — С.32 - 37.

3. Потапов. И.В. Решение задач оптимизации надежности аппаратурно-избыточных отказоустойчивых однородных искусственных нейронных сетей//Известия вузов. Сев -Кавк. регион. Технические науки. - 2005. - N9 4. — С.24 - 26.

4. Потапов В.И., Потапов И.В. Противоборство (дифференциальная игра) двух нейрокомпьютерпыхсистем//Информаци-онные технологии. — 2005. - N■>8. — С.53 - 57.

5. Кузин. М.В. Оптимизация поиска всех решений диофан-товд уравнения//Современные технологии в науке, образовании и практике: Материалы V Всероссийской научно-практической конференции (с международным участием).-Оренбург: ИПК ГОУ ОГУ. 2006 —С.73 —76.

ПОТАПОВ Илья Викторович, кандидаттехнических наук, доцент кафедры информатики и вычислительной техники.

КУЗИН Михаил Валерьевич, магистрант, кафедра информатики и вычислительной техники.

Статья поступила 8 редакцию 15.02.07 г.

© И. В. Потапов, М. В. Кузни

УДК 004.052.32:004.032.26 0. И. ПОТАПОВ

И. В. ПОТАПОВ

Омский государственный технический университет

ОЦЕНКА ПОЛНОТЫ ТЕСТОВОГО КОНТРОЛЯ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ

С использованием методов теории информации в работе получен критерий оценки полноты тестового контроля искусственной нейронной сети нейрокомпыотерной системы.

Работа выполнена при поддержке гранта Президента РФ № МИ-7420.2006.8 и гранта РФФИ № 0^07-89013-а.

В работе 11 ] рассмотрены информационные критерии оценки состояния восстанавливаемой после отказов нейрокомпыотерной системы (НКС), где для оценки состояния НКС в процессе контроля и управления восстановлением функциональных свойств искусственной нейронной сети (ИНС), являющейся основным вычислительным блоком НКС, использовалась интегральная характеристика неопределенности — энтропия состояния рассматриваемой системы Н(|.т), где1 - текущий момент времени, т - мо-ментокончания работы системы контроля и управления восстановлением.

Развивая идеи этой работы и работы [2], в которой изложены методы тестового контроля и диагностики искусственных нейронов (ИН) и нейронных сетей, попытаемся получить количественную оценку полноты контроля V искусственной нейронной сети нейрокомпыотерной системы.

Будем полагать, что оцениваемая количественно полнота контроля представляет собой величину, показывающую в какой мере контроль исправности (работоспособности) ИНС но выбранной совокупности параметров или одному параметру отличается от пол-

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

ного контроля при условии, что сама система контроля является идеальной, т.е. не отказывает в процессе работы.

Под контролируемыми параметрами ИНС в общем случае будем понимать следующие структурные и функциональные элементы сети: ИН, входные и выходные волокна ИН, веса входов, узлы пресинапти-ческого взаимодействия и значения порогов ИН.

Будем полагать, что V = 1 при полном контроле ИНС и 0<У< 1 при неполном (частичном) контроле ИНС по одному или нескольким параметрам. При этом иод информативностью 1-й контролируемой совокупности параметров ИНС 1, будем понимать то количество информации о состоянии ИНС в целом, которое можно получить, осуществляя контроль этих параметров. Это означает, что вместо полного набора контролирующих (проверяющих) тестов Еп |2| будем рассматривать только один тест Е,, \ е {1,2.п}. пред-

назначенный для контроля 1-й совокупности параметров нейронной сети, где п - число проверяющих тестов в полном наборе Еп. Для оценки информативности контролируемой совокупности параметров необходимо определить количество информации о

i Надоели баннеры? Вы всегда можете отключить рекламу.