CC BY
44
Актуальные проблемы авиации и космонавтики. Информационные технологии
Рис. 2. Предварительная диаграмма классов
© Догадин А. Ф., 2013
УДК 4.896
А. Д. Ермолаев Научный руководитель - О. П. Солдатова Самарский государственный аэрокосмический университет имени академика С. П. Королева (национальный исследовательский университет), Самара
ВЛИЯНИЕ АЛГОРИТМОВ ОБУЧЕНИЯ И ГЕНЕРАЦИИ ТОПОЛОГИИ СЕТИ КОХОНЕНА НА ПОГРЕШНОСТЬ РЕШЕНИЯ ЗАДАЧИ КЛАССИФИКАЦИИ
Исследовано влияние различных алгоритмов обучения на погрешность решения задачи классификации, также был рассмотрен вопрос генерации топологии нейронной сети Кохонена.
Исследования по искусственным нейронным сетям связаны с тем, что способ обработки информации человеческим мозгом принципиально отличается от методов, применяемых обычными цифровыми компьютерами. Мозг представляет собой чрезвычайно сложный, нелинейный, параллельный компьютер. Он обладает способностью организовывать свои структурные компоненты, называемые нейронами, так, чтобы они могли выполнить конкретные задачи (такие как распознавание образов, обработку сигналов органов чувств, моторные функции) во много раз быстрее, чем могут позволить самые быстродействующие компьютеры. Мозг имеет совершенную структуру, позволяющую строить собственные правила на основе опыта. Опыт накапливается с течением времени.
Алгоритмы обучения, используемые для обучения нейронных сетей Кохонена, называются алгоритмами обучения без учителя. Подобные алгоритмы применяются в тех случаях, когда нет эталонных выходных значений для входных векторов.
Целью обучения сети с самоорганизацией на основе конкуренции, считается такое упорядочение нейронов, которое минимизирует значение отклонения вектора весов от входного вектора х. При р входных
векторах х эта погрешность в эвклидовой метрике может быть выражена в виде
Е = 2
2 ¿1
2 г=1
X - V
»(г)
(1)
где ) - это вес нейрона-победителя при предъявлении вектора х: [1].
В работе обучение нейронных сетей производилось с помощью алгоритмов:
- WTА (учитывающий активность нейронов);
- Кохонена с прямоугольным соседством;
- Кохонена с гауссовым соседством;
- алгоритма нейронного газа.
В ходе проектирования необходимо было определить предметную область для классификации. В качестве тестовой задачи была выбрана область «автомобили».
Объективное количественное сравнение результатов самоорганизации можно получить при сопоставлении расчетной погрешности квантования согласно формуле (1). Данные по зависимости расчетной погрешности квантования от алгоритма приведены на рисунке.
2
Секция «Информационные системы и технологии»
Зависимость значения погрешности от алгоритма
Алгоритм нейронного газа наряду с алгоритмом WTA, учитывающим активность нейронов, показал себя одним из наиболее эффективных средств самоорганизации нейронов в сети Кохонена. При соответствующем подборе параметров управления процессом можно добиться очень хорошей организации сети при скорости функционирования, превышающей скорость, достижимую в классическом алгоритме Кохонена.
До сих пор остается открытым вопрос влияния топологии сети Кохонена на результат решения задачи классификации. Известные на сегодняшний день способы определения оптимальной топологии основаны на эвристических методах исследования и носят рекомендательный характер.
Существует алгоритм, позволяющий определять оптимальные параметры нейронной сети п-мерной топологии на основе расчета фрактальной размерности аттрактора по временному ряду, позволяющий оценить минимальное число существенных динамических переменных, необходимых для описания на-
блюдаемых процессов. В соответствии с теоремой Такенса определяется размерность фазового пространства , в котором траектория движения системы не содержит точек самопересечения [2].
В дальнейшем в ходе выполнении работы планируется реализовать упомянутый выше алгоритм и провести исследование зависимости влияния топологии сети Кохонена на погрешность решения задачи классификации.
Библиографические ссылки
1. Осовский С. Нейронные сети для обработки информации / пер. с польского И. Д. Рудинского. М. : Финансы и статистика, 2002. 344 с.
2. Гаврилов А. И, Евдокимов П. В Определение оптимальных параметров нейронной сети при построении математических моделей // Вестник ИГЭУ. 2007. Вып. 4.
© Ермолаев А. Д., 2013
УДК 629.7.05
М. А. Иванов, М. Б. Лыткин Научный руководитель - А. Н. Ловчиков ОАО «Информационные спутниковые системы» имени академика М. Ф. Решетнева, Железногорск
ДИАГНОСТИКА СЕТИ SPACEWIRE
Рассмотрен способ улучшения диагностики перспективной сети Space Wire путем применения метода управления сетью InfiniBand.
Перспективным системообразующим интерфейсом современных космических аппаратов (КА) считается интерфейс SpaceWire. Однако на текущий момент надежность сети на основе SpaceWire не подтверждена, сам же стандарт ECSS-E-50-12C регламентирует только диагностику сети на уровне линий связи.
Для дополнения стандарта Space Wire рассмотрим модель управления сетью InfiniBand (IB). Управление сетью InfiniBand [1] строится на четырех основополагающих концепциях:
1) управление устройствами;
2) агенты;
