Выбор структуры нейронной сети для синтеза системы показателей надежности телекоммуникационных систем и сетей связи Текст научной статьи по специальности «Электротехника, электронная техника, информационные технологии»

СОВРЕМЕННЫЕ ТЕХНОЛОГИИ - ТРАНСПОРТУ

УДК621.45.018.5

С. В. Дьяков, В. П. Грецев, С. Е. Иванов, И. Г. Стахеев

Военная академия связи им. С. М. Буденного

ВЫБОР СТРУКТУРЫ НЕЙРОННОЙ СЕТИ ДЛЯ СИНТЕЗА СИСТЕМЫ ПОКАЗАТЕЛЕЙ НАДЕЖНОСТИ ТЕЛЕКОММУНИКАЦИОННЫХ СИСТЕМ И СЕТЕЙ СВЯЗИ

Одним из ключевых вопросов при проведении НИОКР является оценка надежности объекта. Однако методы, применяемые при контрольных испытаниях на надежность, ориентированы на анализ отдельных объектов (изделий) системы. Помочь в решении данной задачи могут методы экспертного анализа с использованием теории искусственных нейронных сетей (ИНС).

телекоммуникационные системы, сети связи, структура, система показателей надежности, показатель надежности, теория нейронных сетей, синтез.

В современных условиях поддержание оснащенности телекоммуникационных систем и сетей связи (ТКССС) на уровне необходимой достаточности обеспечивается преимущественно за счет роста качественных характеристик техники связи. Данное требование может быть реализовано как за счет повышения обоснованности нормативов качества изделий, так и путем совершенствования системы ТКССС в целом, а также структуры и функций отдельных ее элементов, методологии планирования и прогнозирования развития телекоммуникационного оборудования, совершенствования работы органов контроля за разработкой и производством техники связи. Промышленная продукция в процессе жизненного цикла изменяет свое состояние от начала исследования и обоснования разработки до окончания эксплуатации [1]. Каждая стадия жизненного цикла изделия включает в себя один или несколько видов работ, являющихся самостоятельным объектом планирования и финансирования.

Первые две стадии жизненного цикла изделия являются самыми важными в отношении задания тех требований к изделию, которые наиболее пол-

5

но должны характеризовать его качество, а значит, и надежность в процессе эксплуатации. В то же время выбор рациональных требований к изделиям на стадии НИОКР характеризуется большой степенью неопределенности ввиду того, что период использования проектируемых изделий по назначению отдален по времени иногда на довольно большой срок. Система предпочтений заказчика (лица, принимающего решение) на этой стадии проектирования еще недостаточно четко выявлена, кроме того, часто слабо структурировано множество целей и задач, а множества допустимые стратегии на каждом этапе жизненного цикла многообразны.

Подходы, рассмотренные в [2-4], показали, что ни один из них не может в полной мере использоваться для оценки надежности ТКССС в условиях неопределенности, т. е. с учетом неполных и противоречивых знаний о требованиях, состоянии объекта исследования и воздействиях на него при проведении контрольных испытаний.

Одним из основных этапов оценки надежности сложной информационной системы является этап разработки иерархически связанной системы показателей надежности (СПН) эксплуатации этой системы.

Исходя из того, что синтез СПН ТКССС, подлежащих оценке в конкретных условиях, представляет собой процедуру принятия как количественного, так и качественного (на качественном уровне) решения (показатель надежности (ПН) подлежит или не подлежит оценке), рассмотрим вычислительные модели нового класса, позволяющие принять решение в условиях неопределенности, математически корректно и с учетом суждений большого количества экспертов. Этими новыми вычислительными моделями являются искусственные нейронные сети, которые нашли широкое применение в различных областях принятия решений, искусственного интеллекта, в основном связанных с идентификацией и распознаванием образов в условиях неопределенности и с теорией управления.

Выбор структуры нейронной сети осуществляется в соответствии с особенностями и сложностью задачи. Для решения отдельных типов задач уже существуют оптимальные конфигурации.

Применительно к задаче синтеза СПН ТКССС для оценки надежности объекта исследования в условиях неопределенности предлагается подход, использующий ИНС и учитывающий субъективные факторы, выбранные пользователем при классификации ПН.

Основу данного подхода составляет экспертная система, предназначенная для снижения уровня неопределенности при формировании синтезируемой СПН в интересах оценки надежности ТКССС, для прогнозирования состава данных систем по имеющимся априорным данным. Аналогичный подход был впервые предложен Б. Коско [5]: используются так называемые экстраполирующие нейронные сети (ЭНС), являющиеся разновидностью известных моделей ассоциативной памяти [5, 6, 7].

6

Проблема обоснованности формулировки параметрического пространства состояний, обоснованности включения тех или иных показателей надежности в состав синтезированной СПН для последующей оценки надежности ТКССС достаточно сложна [8]. Она решается на базе различных структур ИНС с различными принципами организации памяти, принципами обучения. На базе ИНС с обратными связями построена известная модель ассоциативной памяти (сеть Хопфильда) [5, 9]. Разновидностью модели ассоциативной памяти является ЭНС (см. рис.) [5].

W (k)|

C(k)

S Sb

a b

Вариант структуры ЭНС для синтеза СПН ТКССС

ЭНС такого класса состоит из двух слоев нейронов - входного Sa и выходного Sb. Входной слой Sa состоит из n нейронов, обладающих набором прямых и обратных связей с p нейронами выходного слоя Sb, причем количество входных n и выходныхp образов равное.

В качестве функции активации используется ступенчатая пороговая функция вида:

f(*)

+1, * > 0; < -1, * < 0; 0, * = 0.

В экстраполирующей нейронной сети используется когнитивная карта, полностью задаваемая матрицей связей вида

7

wii (к) W12 ( к ) • • W1n ( к )

W (к) = W21 ( к ) W22 ( к ) • • W2n ( к ) . (1)

w>1(к) W 2(к) • • Wn ( к )

Каждый элемент wij (k) матрицы (1) характеризует взаимосвязь, корреляционную зависимость i-го и j-го ПН на k-м шаге эксплуатации ТКССС, причем положительные связи кодируются единицей, отрицательные - минус единицей, а отсутствие связей между ПН кодируется нулем. Аналогия структур когнитивных карт и ИНС обусловлена тем, что каждый из ПН ТКССС (объектов, концептов когнитивной карты) может выступать как отдельный нейрон, а коэффициенты связей между ними - как синаптические веса [7].

На вход ЭНС поступает входной образ, характеризующий множество существенных свойств (ПН) ТКССС, составляющих основу обобщенной СПН:

С (к ) = [ с (к), С2 (к),сп (к)].

Предположим, пользователь определил, что в данный момент времени на k-м шаге в интересах оценки надежности ТКССС будут гарантированно использоваться (обязательно нужны) р компонент входного образа, составляющие множество Qp(k), а другие ПН ТКССС не определены. В целях получения обоснованных результатов оценки надежности ТКССС необходимо реконструировать недостающие компоненты СПН.

Функционирование ЭНС осуществляется следующим образом:

1. Активизация входного слоя Sa ЭНС (см. рис.) входным образом. Иными словами, это приведение нейронов входного слоя в начальные состояния:

ai (0 ) = ci , (2)

причем нулевой (стартовый) такт экстраполяции ЭНС в выражении (2), а также последующие такты осуществляются в рамках k-го шага эксплуатации и оценки надежности ТКССС и обозначаются k' = 0, 1, 2, ...

2. Производится начальная инициализация нейронов выходного слоя ЭНС в соответствии с выражением:

bi (0)

ai ,1 еЧ(k); ^ 0, i gQp(к);

происходит приведение нейронов входного слоя ЭНС на данном k-м такте к состоянию нейронов выходного слоя:

8

ai (k ') = bi (k'); (3)

производится вычисление новых состояний нейронов выходного слоя для всех i е Qp (к) по формуле:

bi (к Ч 1) = f

Ё ai (к ')■

V j=

W:

( к )

f

Ё bi (к ')■

j

W

(к)

(4)

Повторение итераций (3), (4) осуществляется до тех пор, пока ЭНС на каком-либо k'-м такте не достигнет стабильного состояния.

Таким образом, предложенная структура ЭНС позволяет синтезировать СПН ТКССС в интересах оценки надежности их состояния и устранить неопределенность при синтезе системы показателей надежности существенных свойств ТКССС. Уточнение, реконструкция недостающих компонент СПН позволяют повысить объективность задания исходных данных для оценки надежности ТКССС, а в конечном итоге - точность оценки состояния ТКССС в целом по сравнению с системами контроля, построенными без учета разнородных мнений экспертов.

Библиографический список

1. Надежность и эффективность в технике. Том 7. Качество и надежность в производстве / Под ред. И. В. Апполонова. - М. : Машиностроение, 1989. - 280 с.

2. Надежность, живучесть и техническое обслуживание сетей связи / В. А. Зеленцов, А. А. Гагин. - М. : МО СССР, 1991. - 234 с.

3. Методы оптимальной надежности элементов сетей связи / Н. Б. Сухорихин, Н. Н. Буров, С. М. Захарова. - М. : Связь, 1979. - 104 с.

4. Методы анализа структурной надежности сетей связи / Б. П. Филин. - М. : Радио и связь, 1988. - 128 с.

5. Искусственные нейронные сети / М. А. Щербаков. - Пенза : Изд-во Пензенского государственного технического университета, 1996. - 85 с.

6. Нейрокомпьютерная техника: теория и практика / Ф. Уоссерман. - М. : Мир, 1992. - 240 с.

7. Искусственные нейронные сети. Теория и практика / В. В. Круглов, В. В. Борисов. - 2-е изд., стереотип. - М. : Горячая линия - Телеком, 2002. - 382 с.

8. Основы теории эффективности целенаправленных процессов / Г. Б. Петухов. -М. : МО СССР, 1989. - 660 с.

9. Нейросетевые системы управления / В. А. Терехов, Д. В. Ефимов, И. Ю. Тю-кин. - СПб. : Изд-во СПбГУ, 1999. - 265 с.

© Дьяков С. В., Грецев В. П., Иванов С. Е., Стахеев И. Г., 2013

9