Дослідження побудови, налаштування, розрахунок параметрів та застосування штучних нейронних мереж прямого поширення з неітераційним навчанням. Розробка інформаційних нейромережевих технологій підвищеної точності функціонування та швидкодії навчання.
Аннотация к работе
Наявність значної уваги до прогресивних інформаційних технологій на основі штучних нейронних мереж, яка приділяється в останні роки з боку науковців, інженерів-інформатиків та користувачів-практиків різних сфер діяльності, підтверджується великою кількістю публікацій в наукових та науково-популярних виданнях, високим рівнем представництва на численних спеціалізованих науково-технічних конференціях в різних країнах світу та введенням відповідних рубрик в програми конференцій, присвячених різноманітним проблемам обчислювальної техніки, теорії звязку, мультимедійних систем. Існуючу сукупність різноманітних архітектурних вирішень, що стосуються побудови нейронних мереж, можна розділити на два окремі класи, які суттєво різняться принципами синтезу, навчання та застосування: нейромережі зі зворотніми звязками та нейромережі прямого поширення. Розенблата, для навчання таких нейромереж використовувались ітераційні процедури, що забезпечують отримання шуканих результатів - величин вагсинаптичних звязків шляхом багаторазових повторень обчислень, або модифікацій, що сприяють поступовому покращенню якості результатів. Все це дає підстави вважати, що створення концептуальної моделі та базових нейропарадигм на її засадах для нейронних мереж прямого поширення, які би стали основою побудови неітераційних швидких алгоритмів навчання останніх, вироблення теоретично обґрунтованих методів налаштування нейромереж і планування процедур їх навчання та використання є гостро актуальною проблемою, вирішення якої сприятиме подальшому впровадженню нейромережевих інформаційних технологій в різноманітні сфери діяльності. Робота виконувалася в рамках гранту Українського Науково-Технологічного Центру за Проектною угодою №412 “Розробка інформаційних технологій функціонування, програмування і налаштування нейронних систем паралельної обробки сигналів”; згідно завдань на НДР ВИТА-20-УО 8/160/1 Програми фундаментальних та пошукових досліджень НАН України від 7 серпня 1992р.; проекту “Синтез, автоматизація налаштування та нові застосування нейронних мереж” (угода 2/441-97 з Міннауки України); проекту 06.05/07792 науково-технічної програми 06.05 “Перспективні інформаційні технології, прилади комплексної автоматизації, систем звязку” (ДКНТ України, 1997), а також господарських угод з ВАТ “Львівобленерго” “Створення програмної нейромережі прогнозування та планування технологічних втрат електричної енергії в електричних мережах компанії”, “Компютерна підсистема розрахунку плинних режимів в електричній мережі 110 КВ “Львівобленерго” за даними телеметрії”.Показано, що наявність великої кількості різнотипних нейропарадигм, відсутність обєднуючих моделей нейромереж для задач різних типів, недосконалість процедур навчання, невисока точність функціонування, обмеження на вимірність вирішуваних завдань суттєво гальмують застосування нейромережевих інформаційних технологій, а подолання названих недоліків можливе на шляху розробки нових концептуальних моделей і підходів до побудови нейропарадигм. В основу концептуальної моделі покладено положення: множина точок-реалізацій обєкта формує в n-вимірному евклідовому просторі над полем дійсних чисел тіло обєкта, яке може бути промодельоване за допомогою нейромережі з метою вирішення конкретного завдання дослідження обєкта; тіло обєкта розглядається, як геометричне місце всіх його точок-реалізацій; навчальна множина є лише підмножиною множини точок-реалізацій; Враховуючи, що аргументні функції є функціями однієї змінної від числової характеристики реалізацій (N), або від номера НЕ (і), скористаємося таким варіантом представлення матриці реалізацій, що забезпечив би, в принципі, визначення шуканих аргументних функцій на основі швидких неітераційних підходів. Порівнюючи нейромережі на основі нейропарадигми 1 з традиційними архітектурами, в яких використовується навчання методом зворотнього поширення похибок, відзначено, що в даному випадку при співвимірних показниках точності вдалося значно скоротити час (що іноді складає 2-3 порядки) на навчання, забезпечити надійність і однозначність цієї визначальної процедури. Початкова матриця реалізацій MNI(1) може бути наближено представлена скінченою сумою виду: Сукупність співвідношень (7) - (9) задає процедуру навчання нейромережі, в результаті якої визначаються вектори , а також набір функцій F(j), що є передатними для НЕ нейромереж даного типу.