Структурно-функциональная организация нейронных сетей в промышленных системах обработки информации (применительно к инженерным сетям нефтегазодобычи) icon

Структурно-функциональная организация нейронных сетей в промышленных системах обработки информации (применительно к инженерным сетям нефтегазодобычи)



Смотрите также:
Прогнозирование социальных явлений с помощью «нейронных» сетей...
Нейрокомпьютерная техника: Теория и практика...
Руководство оргкомитета...
6. Разработка системы сбалансированных показателей...
Разработка методики синтеза нейропрогнозирующей идентификации статических и динамических...
«современное состояние...
Рабочая программа По дисциплине «Сети ЭВМ и телекоммуникации» По специальности 230102...
Ix всероссийская научная конференция «нейрокомпьютеры и их применение» г. Москва...
Задачи автоматизированной системы диспетчерского управления энергосистемой. 3 Система сбора...
Пленарные доклады Теория нейронных сетей: состояние и перспективы...
Лекция № клетка элементарная биологическая система...
Д. Е. Романов Южный федеральный Университет (ргу), г...



страницы:   1   2   3
скачать
На правах рукописи


ЗОЗУЛЯ Юрий Иванович




СТРУКТУРНО–ФУНКЦИОНАЛЬНАЯ ОРГАНИЗАЦИЯ

НЕЙРОННЫХ СЕТЕЙ В ПРОМЫШЛЕННЫХ СИСТЕМАХ

ОБРАБОТКИ ИНФОРМАЦИИ

(применительно к инженерным сетям нефтегазодобычи)


Специальность: 05.13.01 – Системный анализ,

управление и обработка информации

(в промышленности)


АВТОРЕФЕРАТ



диссертации на соискание ученой степени

доктора технических наук


Уфа 2009


Р


абота выполнена на кафедре информатики

ГОУ ВПО «Уфимский государственный авиационный технический университет»

и в Межрегиональном открытом акционерном обществе «Нефтеавтоматика»


Научный консультант

д-р техн. наук, проф.

^ Кабальнов Юрий Степанович


Официальные оппоненты


Засл. деятель науки РФ, д-р техн. наук, проф.

^ Галушкин Александр Иванович

д-р техн. наук, проф.

Буренин Владимир Алексеевич

д-р техн. наук, проф.

Юсупова Нафиса Исламовна

Ведущая организация

Институт проблем управления

им. В.А. Трапезникова РАН, г. Москва



Защита состоится “___” _________ 2009 г. в “____” часов

на заседании диссертационного совета Д-212.288.03

при Уфимском государственном авиационном техническом университете

по адресу: 450000, г. Уфа, ул. К. Маркса, 12


С диссертацией можно ознакомиться в библиотеке университета.

Автореферат разослан “___” __________2009 года


Ученый секретарь

диссертационного совета

д-р техн. наук, проф. В.В. Миронов

^ ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Нейросетевые технологии искусственного интеллекта находят растущее применение при разработке интеллектуальных датчиков, анализаторов данных и систем обработки информации (СОИ) в нефтегазовой и других стратегически важных отраслях промышленности. Они позволяют создавать нейросетевые модели объектов автоматизации и прикладные нейросистемы, благодаря которым существенно облегчается контроль технического состояния этих объектов, их структурная и параметрическая идентификация, осуществляемая с использованием алгоритмов обучения нейронных сетей.

Эффективность промышленных СОИ, создаваемых на базе нейронных сетей (нейросетевых СОИ и их нейронных структур), определяется:

– степенью адекватности нейросетевых моделей объектам автоматизации, которая во многом зависит от правильного выбора структурно-функциональной организации (спецификации) используемых нейронных сетей;

– качеством предварительной обработки информации, реализуемой нейронными сетями интеллектуальных датчиков и анализаторов данных;

– наличием у анализаторов нейросетевых СОИ функций, необходимых для интеллектуального анализа данных реального времени (data mining);

– возможностью эволюции (реинжиниринга) нейронных сетей при изменении структуры объектов автоматизации и появлении новых функций;

– наличием инструментария для интеграции отдельных нейронных сетей СОИ в сообщество, имеющее единую целевую функцию, на основе которой координируются процессы обучения нейронных сетей для достижения требуемого качества контроля и диагностики состояния объектов.

Общетеоретическим вопросам решения задач обработки информации с использованием нейронных сетей посвящены классические работы, выполненные в середине истекшего столетия Н. Винером, Э. Каянелло, С. Виноградом и Дж. Коуэном, У. Мак-Каллоком и У. Питтсом, М. Минским и С. Пайпертом, Ф. Розенблаттом, У. Эшби и др. В их работах структура нейронных сетей представляется в виде орграфа с прямыми и обратными связями между его вершинами (нейронами), обучаемыми или необучаемыми. Отдельный нейрон рассматривается как функциональный преобразователь, выполняющий линейные операции взвешенного суммирования входных сигналов и нелинейные операции формирования сигнала на выходе. Динамика нейронной сети описывается нелинейными конечно-разностными, дифференциальными или интегральными уравнениями. Однако узким местом этих работ является недостаточная проработка алгоритмов обучения нейронных сетей, что не позволяло широко использовать эти алгоритмы для идентификации параметров нейросетевых моделей объектов автоматизации.

Алгоритмы обучения простых нейронных сетей разной структуры были исследованы в 80 – 90-х годах, что открыло новые возможности для создания СОИ, реализующих обработку информации в нейросетевом базисе. Для описания алгоритмов обучения нейронных сетей и идентификации параметров моделей объектов автоматизации введены представления о целевых функциях разных классов сетей (энергетической функции, функции полной ошибки и т.п.). В основу теории нейронных сетей, пригодных для создания нейросетевых СОИ, легла теорема А.Н.Колмогорова о представлении функций многих переменных с помощью функций, близких к линейным (композиций функций одного переменного и сложения). Большой вклад в разработку теории внесли отечественные ученые А.И. Галушкин, А.Н. Горбань, В.Л. Дунин-Барковский, А.Г. Ивахненко, А.Б. Коган, Н.В. Позин, Я.З. Цыпкин и др.

Однако, несмотря на успехи в развитии теории нейронных сетей, принципиально не решенными являются вопросы выбора структуры нейронных сетей и вопросы автоматизации трудоемких процессов их обучения в составе СОИ. Открытым остается также вопрос о возможности обобщения свойств разных классов сетей и осуществления их согласованного обучения.

В последние годы в практике создания и развития промышленных СОИ сложилось два направления наращивания и совершенствования их интеллектуальных функций и превращения их в интеллектуальные системы. Первое основано на частичной модернизации существующих систем путем включения в их состав интеллектуальных датчиков и анализаторов данных (Н. Н. Бахтадзе, В. И. Васильев, В. И. Городецкий, В. А. Лотоцкий, Б. Г. Ильясов, Я. С. Коровин и др.). Второе направление (в большей мере развиваемое за рубежом) исходит из необходимости придания системе еще на этапе ее проектирования (или реинжиниринга) развитых возможностей по обеспечению программной реализации и эволюции ее интеллектуальных функций, обеспечивающих обработку данных реального времени. Для реализации этих функций используются инструментальные средства, имеющиеся в составе легко масштабируемых программно-информационных платформ (NeurOn-Line в G2, Sigmafine в PI System и пр.)

Общий недостаток этих направлений состоит в том, что акцент в них делается на традиционные информационные технологии, в которых средства искусственного интеллекта используются в усеченном виде и от случая к случаю. Как следствие, промышленные СОИ обладают «лоскутным» интеллектом, что тормозит создание в стратегически важных отраслях, таких как нефтегазовая, промышленных систем, обеспечивающих:

  1. интеллектуальный анализ накапливаемых данных реального времени и извлечение знаний о связях между параметрами материально-энергетических потоков и параметрами состояния объектов автоматизации в составе производственных инженерных сетей;

  2. идентификацию структуры этих связей и их характеристик на основе неполных и противоречивых данных о функционировании объектов;

  3. оценку показателей доверия/недоверия к моделям технологических объектов и моделям средств измерения для управления процессами идентификации их параметров при возникновении систематических погрешностей и грубых ошибок в процессе обработки данных реального времени.

В сложившихся направлениях:

отсутствует концепция структурно-функциональной организации нейросетевых и комбинированных технологий искусственного интеллекта в СОИ (концепция интеллектуального нейрокомпьютинга);

не определены пути поэтапного развертывания промышленных СОИ, обеспечивающих повышение степени адекватности нейросетевых моделей объектам автоматизации, находящимся в их среде;

не решена в целом научная проблема системной интеграции интеллектуальных функций развитых промышленных СОИ, в основе конструкции которых лежат нейронные сети.

^ Цель и задачи исследования

Целью работы является решение научной проблемы системной интеграции нейронных сетей промышленных СОИ, используемых для анализа состояния объектов инженерных сетей нефтегазодобычи и принятия решений по их управлению.

Для достижения этой цели в работе поставлены и решаются следующие основные задачи:

  1. Анализ интеллектуальных функций промышленных СОИ и обоснование необходимости использования нейронных сетей для контроля, диагностики и управления состоянием инженерных сетей нефтегазодобычи.

  2. Разработка концепции структурно-функциональной организации нейронных структур, позволяющей свободно наращивать их функциональные возможности с целью удовлетворения постоянно растущих требований к уровню автоматизации производственных процессов.

  3. Разработка нейросетевых моделей и методов системной интеграции нейронных сетей в составе промышленных СОИ.

  4. Исследование процессов обработки информации в нейронных структурах и разработка инструментария для контроля процессов их адаптации к изменениям внешних условий их работы в реальном времени.

  5. Исследование эффективности предложенных нейросетевых моделей и основанных на них методов обработки информации в составе корпоративной информационной системы ОАО «Татнефть».

^ Методы исследования

Поставленные в диссертационной работе задачи решаются с использованием методологии системного анализа, методов математического моделирования, общей теории систем, теории оптимизации, теории кодирования сигналов, теории графов, теоретической механики и математической физики.

^ На защиту выносятся:

        1. Концепция структурно-функциональной организации нейронных структур промышленных СОИ, основанная на коннекционистском подходе к организации процессов обработки информации.

        2. Разработанная в рамках коннекционисткого подхода обобщенная модель сообщества нейронных сетей анализаторов первичной информации СОИ и предложенные алгоритмы их системной интеграции.

        3. Модели адаптивных нейронных структур, реализующих обработку информации в реальном времени при изменении внешних условий работы СОИ.

        4. Балансный метод определения структурно-функциональной организации (спецификации) нейронных сетей анализаторов первичной информации промышленной СОИ.

        5. Результаты проверки эффективности промышленных СОИ, построенных на основе предложенных нейросетевых моделей и методов, применительно к анализу баланса потоков и коррекции характеристик средств измерения в составе корпоративной информационной системы ОАО «Татнефть».

^ Научная новизна:

  1. Новизна предложенной концепции структурно-функциональной организации нейронных структур промышленной СОИ состоит в том, что она, за счет многоуровневой организации нейронных сетей, обеспечивает системную интеграцию анализаторов первичной информации в составе иерархически организованных интеллектуальных подсистем СОИ, решающих прикладные задачи в условиях неполноты и противоречивости поступающих данных.

  2. Новизна разработанной обобщенной модели сообщества нейронных сетей анализаторов первичной информации и предложенных алгоритмов их системной интеграции состоит в том, что модели анализаторов описываются в гиперкомплексном пространстве на основе использования присоединенной алгебры, в виде представления, адекватного коннекционистской модели обработки информации.

  3. Новизна моделей адаптивных нейронных структур, реализующих обработку информации в реальном времени при изменении внешних условий работы СОИ, состоит в использовании параметрического представления их дифференциальных и интегральных свойств в пространстве и времени.

  4. Новизна балансного метода определения структурно-функциональной организации (спецификации) нейронных сетей анализаторов первичной информации в промышленных СОИ применительно к инженерным сетям нефтегазодобычи состоит в том, что поэлементные нейросетевые модели объектов инженерных сетей объединяются в нейросетевые балансные модели участков инженерных сетей, которые используются для оценивания дисбалансов потоков и определения показателей степени доверия/недоверия к моделям объектов инженерных сетей и моделям средств измерения их параметров.

  5. Новизна выполненной проверки эффективности промышленных СОИ, построенных на основе предложенных нейросетевых моделей и методов, применительно к анализу баланса потоков и коррекции характеристик средств измерения в составе корпоративной информационной системы ОАО «Татнефть», состоит в разработке нового метода анализа состояния инженерных сетей нефтегазодобычи с итеративной нейросетевой коррекцией и последующей проверкой адекватности характеристик средств автоматизации, обеспечивающих контроль параметров состояния инженерных сетей.

^ Практическое значение данной работы заключается в разработке технологии создания в составе промышленной СОИ интегрированных нейронных структур, обеспечивающих обработку в нейросетевом базисе данных реального времени и решение задач контроля и диагностики состояния инженерных сетей нефтегазодобычи; в разработке нейросетевых моделей объектов этих инженерных сетей, выборе структуры и функций анализаторов данных и обеспечении системной интеграции нейронных структур СОИ, согласованных со своей средой.

Теоретические результаты работы, полученные в 1967–76 гг., применялись при подготовке ряда эскизных и технических проектов создания систем обработки пространственно-временных сигналов.

Разработанная методология структурно-функциональной организации нейронных сетей использовалась при разработке логико-семантических моделей ведения диалога в автоматизированных обучающих системах (1977–1980 гг.) и нейросетевых моделей многостепенных манипуляторов с отработкой их на макете в лабораторных условиях (1995–2002 гг.).

С 1980 г. по 2008 г. развитый в рамках данной работы коннекционистский подход к определению и совершенствованию структурно-функциональной организации сообщества нейронных сетей применялся при разработке и использовании нейронных структур для обработки данных реального времени в составе АСУ ТП нефтегазодобычи.

^ Внедрение результатов работы. Балансный метод определения спецификаций интеллектуальных нейросистем и математическое обеспечение нейросетевых анализаторов данных реального времени нашли применение при разработке нейросетевых моделей и методики анализа баланса потоков в инженерных сетях нефтегазодобычи и используются на ряде предприятий нефтяной промышленности. Выявленные принципы структурно-функцио-нальной организации нейронных сетей использованы также при разработке нейросетевых моделей других сложных технических систем и логико-семантических моделей ведения диалога и внедрены в учебный процесс.

^ Апробация работы

Основные научные и практические результаты диссертационной работы докладывались и обсуждались на республиканских, всесоюзных, всероссийских и международных конференциях и школах, в том числе на III, IV и V Всесоюзных конференциях по бионике (Москва, 1968, 1970, 1973); I Республиканской летней школе по нейробионике (Киев, 1971); V Украинской республиканской конференции по бионике (Киев, 1972); I Всесоюзной конференции «Человеко-машинные обучающие системы» (Телави–Москва, 1979); Всесоюзной конференции «Комплексная автоматизация и создание АСУ ТП в бурении, добыче, транспорте нефти и газа» (Москва, 1985); Республиканской научно-технической конференции «Проблемы нефти и газа» (Уфа, 1988); Международной научно-технической конференции «Проблемы нефтегазового комплекса России» (Уфа, 1998); Всероссийской научно-технической конференции «Нейроинформатика-99» (Москва, 1999); Международной научно-технической конференции «Проблемы трансферной технологии» (Уфа, 1999); V и VI Всероссийских конференциях «Нейрокомпьютеры и их применение» (Москва, 1999, 2000); Международной конференции по нейросетевым информационным технологиям «ICONIP-2001» (Шанхай, 2001); Международной конференции «Актуальные проблемы прикладной математики и механики» (Харьков, 2006); 9-й Международной конференции «Распознавание образов и анализ изображений: новые информационные технологии» (Нижний Новгород, 2008); IV Международной конференции «Параллельные вычисления и задачи управления» (Москва, 2008); научно-практических конференциях «Автоматизация и метрология в нефтегазовом комплексе» (Уфа, 2003–2008).

Публикации

По теме диссертации в период с 1967 по 2008 годы автором опубликовано более 150 научных работ, в том числе 3 монографии (две из них в соавторстве), 37 статей в рецензируемых журналах из списка ВАК, получено 10 авторских свидетельств на изобретения и 2 патента.


^ Структура и объем работы

Диссертация состоит из введения, пяти глав основного материала, библиографического списка, содержит 326 страниц основного текста и 3 приложения. Библиографический список содержит 297 наименований литературы.

^ СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность использования нейросетевых технологий искусственного интеллекта для создания промышленных СОИ. Применительно к нефтегазовой отрасли показывается, что широкое применение современных компьютерных средств автоматизации сопровождается парадоксальным увеличением противоречивости собираемых данных реального времени. Как следствие, происходит увеличение неопределенности информации о состоянии автоматизируемых объектов и расширяется коридор неконтролируемых действий человеческого фактора, что ведет к росту количества ошибок пользователей из-за некорректной интерпретации данных реального времени. Проводится анализ практики создания промышленных СОИ на основе нейросетевых и комбинированных технологий искусственного интеллекта. Формулируется цель работы и решаемые в ней задачи, обсуждается научная новизна и практическая ценность выносимых на защиту результатов.

^ В первой главе «Развитие и системная интеграция интеллектуальных функций промышленных систем обработки информации» дана краткая характеристика проблемы исследования применительно к интеллектуализации контроля и диагностики состояния инженерных сетей нефтегазодобычи, описан состав объектов и динамика дисбалансов в узлах этих сетей. Дана классификация причин нарушения баланса многофазных и многокомпонентных потоков в узлах инженерной сети нефтегазодобычи. Проведен обзор и выделены ограничения существующих моделей и методов контроля и диагностики состояния инженерных сетей и средств измерения параметров их потоков, реализованных в программных комплексах Sigmafine, Production Balance, LeakSPY и пр., используемых для контроля состояния инженерных сетей. На основе анализа существующих методов и изучения известных программных комплексов контроля состояния инженерных сетей выделены актуальные вопросы и выполнена постановка задач настоящего исследования.

^ Во второй главе «Концепция интеллектуального нейрокомпьютинга» изложена концепция, раскрывающая идею создания нейросетевой СОИ как системы, универсальной по своим эволюционным и интеграционным возможностям.

Показано, что для решения проблемы поэтапного развития интеллектуальных функций нейросетевой СОИ требуется разработать метод определения ее внутренней организации и организации ее среды в реальном пространстве-времени. Показывается, что внутренняя организация нейросетевой СОИ находит отражение в структуре связей между нейронами ее нейронных сетей и в способе их изменения в процессе взаимодействия с ее средой и включает:

1) перечень нейронов отдельных нейронных сетей, виды их функций активации и значения их порогов (смещений);

2) структуру орграфа связей между нейронами, входящими в состав отдельной нейронной сети или в состав разных сетей;

3) начальные значения и параметры правил изменения весов этих связей в процессе обучения нейронных сетей.

Задание определенной начальной организации ограничивает класс нейронных структур, которые могут быть реализованы в процессе совместного обучения множества нейронных сетей. В главе обосновывается необходимость изучения структурно-функциональной организации известных естественных и искусственных нейронных структур, реализующих интеллектуальные функции. Для описания (спецификации) нейронных структур используется аппарат функциональных сетей, с помощью которого формализуются процессы моделирования процессов обработки данных реального времени, реализуемые сообществом нейронных сетей. Показывается, что использование этого аппарата позволяет унифицировать и автоматизировать процессы генерирования нейронных структур СОИ и совместного обучения их нейронных сетей.

По направленности процессов дополнения и замещения природных информационных органов человека при обработке неполной и противоречивой информации, интеллектуальные нейросистемы в работе разделяются на классы по аналогии со своими естественными прототипами. Выделяются системы, ориентированные на восприятие внешней среды человека ("объектные"), и системы, ориентированные на восприятие внутреннего мира человека ("субъектные"), а также преимущественно информационные ("пассивные") и преимущественно управляющие ("активные").

Обосновывается идея создания нейросетевой СОИ как обобщенной системы (general system по Ч. Черчмену), «замкнутой и остающейся замкнутой во всех возможных средах» – дополняющей себя до замкнутой системы в закономерно изменяющейся среде моделями объектов этой среды.

В рамках концепции интеллектуального нейрокомпьютинга вводится представление о метаинтеграции – углубленной многоуровневой системной интеграции нейронных сетей в сообщество, имеющее единую целевую функцию. Результатом метаинтеграции нейронных сетей является реализация нейросетевой СОИ в виде иерархии нейросистем, накапливающих опыт построения адекватных нейросетевых моделей (образов) объектов и процессов в условиях неполноты и противоречивости исходной информации.

Для обеспечения подобия процессов обработки информации в естественных и искусственных нейронных сетях предлагаются ориентироваться на следующие принципы их организации:

1) принцип сочетания в нейроне линейных и нелинейных функций;

2) принцип сочетания в нейронной сети структурной и динамической памяти;

3) принцип обратимой перестройки структуры нейронных сетей под воздействием воспринимаемых сигналов (принцип адаптации);

4) принцип функционального кодирования сигналов в нейронных сетях;

5) принцип распределенности и ассоциативности памяти нейронных сетей;

6) принцип анализа и синтеза сигналов путем их сравнения;

7) принцип взаимосодействия нейросетевых анализаторов на разных уровнях организации сообщества нейронных сетей для достижения целей, сформированных при взаимодействии со средой (принцип интеграции).

На основе этих принципов в рамках предложенной концепции интеллектуального нейрокомпьютинга разработана классификация нейронных структур и даны рекомендации по выбору их структурно-функциональной организации по заданным множествам входных X и выходных Y сигналов и требуемому отображению F : X→Y, учитывающие:

  • мощность множеств X и Y;

  • тип отображения F : X→Y;

  • наличие корреляции между отдельными сигналами множества X;

  • существование лингвистических структур в множествах X и Y;

  • неполноту и противоречивость исходных данных о множествах X и Y и об отображении F.

Предложен балансный метод определения структурно-функциональной организации нейронных сетей СОИ, основанный на объединении поэлементных нейросетевых моделей сложной технической системы в одно целое.

^ В третьей главе «Теоретические основы структурно-функциональной организации нейронных сетей в интеллектуальных системах обработки информации» рассматривается проблема системной интеграции нейронных структур СОИ на основе согласованного обучения их нейронных сетей в составе эволюционирующих интеллектуальных нейросистем.

В рамках разработанной концепции выделяются типовые задачи, решаемые с помощью нейросетевых моделей, и формулируются требования к нейросетевым технологиям, используемым при разработке СОИ.

На основе выделенных принципов функционирования сообществ нейронных сетей развивается коннекционистский подход к построению СОИ, состоящий в постоянном наращивании и согласованном обучении нейронных сетей отдельных анализаторов данных реального времени. Результатом согласованного обучения множества нейронных сетей в единой среде является формирование интеллектуальных нейросистем, которые нечувствительны к искажениям полезных сигналов и трансформациям отношений между ними. Отличительными особенностями их функционирования являются:

– целенаправленное формирование анализаторов данных при согласованном обучении отдельных нейронных сетей сообщества;

– объединение нейронных структур в некоторую иерархию в соответствии с иерархией целевых функций сообщества путем метаинтеграции анализаторов данных разной модальности;

– изменение организации нейронных структур СОИ с вышележащего уровня путем управления согласованным обучением нейронных сетей, отражающих иерархию автоматизируемых процессов;

– нейросетевое моделирование в реальном времени технических систем (инженерных сетей, трубопроводов, многостепенных манипуляторов и др. сложных систем).

Начальная организация нейронных сетей СОИ описывается функциональным уравнением

(1)

где – вектор активности (состояние) нейронов; – количество нейронов; – матричное представление структуры и функций нейронных сетей.

В этой форме представляется сеть Колмогорова, реализующая непрерывную функцию ; при

(2)

(3)

(4)

где – матрица внешних функций сети Колмогорова;

– матрица внутренних функций.

Обобщенная коннекционистская модель обработки информации в эволюционирующих сетях x-го анализатора нейросетевой СОИ, после M этапов обучения ее нейронных сетей, с учетом ограничения (1), представляется с помощью целевой функции

. (5)

В работе показывается, что динамика нейронных сетей x-го анализатора может быть описана системой квадратичных дифференциальных уравнений, представляющих эквивалентную коннекционистскую сеть (КС):

, (6)

где – оператор дифференциального или конечно-разностного типа, – монотонная функция активации нейронов; – полученный после M этапов процесса обучения коэффициент связи между активностью j-й и k-й виртуальных единиц КС, учитывающий контекстную активность l-й виртуальной единицы x-й КС; – количество виртуальных единиц x-й КС.

Целевая функция виртуальной КС представляется в виде

. (7)

Частным случаем целевой функции (7) является энергетическая функция набора нестационарных сетей Хопфилда, у которых переменными являются параметры активности нейронов и параметры связей между ними.

К системе квадратичных дифференциальных уравнений (6) присоединяется (по Р. Ньюкому) неассоциативная Nx-мерная алгебра гиперкомплексных чисел Vx с базисом и таблицей умножения

, (8)

где ― знак операции неассоциативного умножения в алгебре ^ Vx.

Обучение нейронных сетей анализатора сводится к формированию схемы его деятельности, описываемой присоединенной алгеброй Vx и к связыванию с равновесными состояниями сетей требуемых выходов анализатора. В рамках обобщенной коннекционистской модели обработки информации анализатором процесс обучения его нейронных сетей на любом M-м его этапе определяется как движение по градиенту целевой функции (7)

, (9)

где ― оператор дифференциального или конечно-разностного типа.

После М шагов обучения длительностью , с использованием обучающих сигналов , коэффициенты связи имеют вид

, (10)

где , – набор начальных значений коэффициентов связи (соответствует (1)); , – набор частных коэффициентов связи между нейронами анализатора (характеризует след, оставленный обучающими сигналами в ассоциативной памяти анализатора на i-м этапе обучения); , – начальные значения коэффициентов (образ активности нейронов анализатора на i-м этапе обучения).

Изменение целевой функции (7) эволюционирующей сети в общем случае состоит в дополнении ее композицией квадратичных форм , описывающих динамику ансамблей, сформированных на M этапах обучения:

, (11)

, (12)

(13)

где ― исходная целевая функция анализатора до начала процесса обучения; ― признак актуальности i-го ансамбля, сформированного в составе его ассоциативной памяти на i-м этапе обучения.

Структура анализатора, реализующего обобщенную коннекционистскую модель обработки информации, показана на рис. 1. В его составе имеется блок предварительного анализа сигналов (Пр.Аx), обеспечивающий фильтрацию входных сигналов и сопоставление их со следами сходных сигналов в ассоциативной памяти, и блок последующего анализа образов модальности x (Посл.Аx).

Результатом согласованного обучения нейронных сетей анализаторов СОИ в ее сигнальной и предметной среде является формирование способа их совместной деятельности. При этом схемы деятельности, реализуемые нейронными сетями отдельных анализаторов, объединяются в единую схему более высокого порядка, характерную для сообщества нейронных сетей, имеющего собственную целевую функцию. Эта схема объединяет в единое целое класс сходных действий, имеющих определенную последовательность в составе многих нейросетевых алгоритмов, реализуемых сообществом нейронных сетей. Для актуализации одного из этих алгоритмов необходимы определенная организация среды интеллектуальной системы и, возможно, дополнительное обучение ее отдельных нейронных сетей.



Пр. Аx





Скачать 0,49 Mb.
оставить комментарий
страница1/3
ЗОЗУЛЯ Юрий Иванович
Дата28.09.2011
Размер0,49 Mb.
ТипАвтореферат, Образовательные материалы
Добавить документ в свой блог или на сайт

страницы:   1   2   3
Ваша оценка этого документа будет первой.
Ваша оценка:
Разместите кнопку на своём сайте или блоге:
rudocs.exdat.com

Загрузка...
База данных защищена авторским правом ©exdat 2000-2017
При копировании материала укажите ссылку
обратиться к администрации
Анализ
Справочники
Сценарии
Рефераты
Курсовые работы
Авторефераты
Программы
Методички
Документы
Понятия

опубликовать
Документы

наверх