RU
EN   Информационное агентство INNOV.RU | Пятница, 09 декабря 2016 г. 14:47
Иннов: электронный научный журнал

Моделирование на основе нейронных сетей. Этапы и примеры

Modeling based on neural networks. Stages and examples


16.02.12 14:08
765

Выходные сведения: Волков М.В. Моделирование на основе нейронных сетей. Этапы и примеры // Иннов: электронный научный журнал, 2012. №1 (10). URL: http://www.innov.ru/science/tech/modelirovanie-na-osnove-neyronnykh-/

Авторы:
М.Б. Волков (НГТУ им. Р.Е. Алексеева)

Authors:
M.B. Volkov (NSTU named after R.E. Alekseeva)

Ключевые слова: моделирование, нейронные сети, искусственные нейронные сети, ИНС, алгоритм обучения

Keyword: modeling, neural networks, artificial neural networks, ANN, learning algorithm

Аннотация: 

Наиболее эффективно применение ИНС в задачах, для которых известные алгоритмы и методы решения остаются относительно трудоемкими.



Annotation: The most effective use of ANN in the tasks for which the well-known algorithms and methods are relatively labor-intensive solutions.

Моделирование на основе нейронных сетей. Этапы и примеры

Искусственные нейронные сети (ИНС) являются достаточно универсальным средством моделирования широкого класса задач управления и экономики. Реализованы нейронные сети либо в виде отдельных специализированных пакетов таких как, например, NeuroPro, BrainMaker, NeuroSolutions, Neural Planner, Neuro Shell, Wizard, либо в виде приложений к таким системам, как MathLab и Statistica. Наиболее эффективно применение ИНС в задачах, для которых известные алгоритмы и методы решения остаются относительно трудоемкими [1, 2, 3] .

В этом случае целесообразно использовать процедуры моделирования на основе нейронных сетей, содержащие вне зависимости от класса решаемой задачи следующие четыре этапа.

 Анализ исходных данных и подготовка к моделированию включают следующие фрагменты:

·        классификацию решаемой задачи;

·        предварительный выбор модели нейронной сети;

·        предварительное определение структуры сети;

·        выбор алгоритма обучения ИНС;

·        выбор пакета ИНС;

·        на основе выбранного пакета формулируются минимальные требования к информационной и программной совместимости, а также к составу и параметрам технических средств ПК, на которой осуществляется моделирование.

 Обучение нейронной сети.

На данном этапе моделирования, основываясь на результатах первого этапа и эмпирических данных, осуществляется:

·        формирование и редактирование исходных данных для режима обучения;

·        окончательный выбор структуры ИНС, модели и пакета;

·        выбор и реализация режима «дообучения» нейронной сети.

Этап обучения является наиболее трудоемким и ответственным в процессе моделирования [4, 5, 6] . На этом этапе обычно отсутствуют формализованные процедуры, и решение принимается на основе эмпирики и эвристики. Как правило, процесс является итерационным и требует неоднократного возвращения к сформулированным на данном этапе вопросам.

 Анализ качества обучения ИНС предполагает:

·        анализ значений параметров и вида характеристик, определяющих отклонение результатов, полученных ИНС, от эталонных;

·        определение границ области, в пределах которой ИНС обучилась с заданной степенью точности;

·        принятия решения о завершении процесса обучения. Если положительное решение не принято, то следует возврат ко второму или даже к первому этапам моделирования.

 Применение обученной нейронной сети.

Это – заключительный этап моделирования. По времени он, как правило, может быть разнесен от первых трех этапов. Требует меньшей квалификации от пользователя. Этап содержит следующие вопросы:

·        формирование на основе шаблона исходных данных;

·        обращение к обученной нейронной сети.

Приведены примеры моделирования на основе ИНС с помощью пакетов NeuroPro, Neuro Shell, Wizard. В режиме «шаг за шагом» рассмотрены этапы моделирования. Сформулированы рекомендации по выбору параметров моделирования [7]. Проведен анализ специфики работы в каждом из пакетов.



Библиографический список


1. Снегирева Л.В., Катальникова Е.С., Горюшкин Е.И. Искусственная нейронная сеть для проверки соответствия реальной трудности тестовых заданий // В сборнике: Перспективы развития информационных технологий Труды Всероссийской молодежной научно-практической конференции. Кузбасский государственный технический университет имени Т.Ф. Горбачева, Международный научно-образовательный центр КузГТУ-Arena Multimedia. Кемерово, 2014. С. 282-283.

2. Арутюнян В.Г. Структура ментальных репрезентаций: извлечение текста из памяти, нейронная сеть и искусственный интеллект // Вестник Пермского университета. Российская и зарубежная филология. 2013. № 4 (24). С. 133-139.

3. Бессонов Д.В. Способы кодирования искусственных нейронных сетей в эволюционных алгоритмах // В сборнике: Современные системы искусственного интеллекта и их приложения в науке Материалы II Всероссийской научной Интернет-конференции с международным участием. Сервис виртуальных конференций Pax Grid; ИП Синяев Д. Н.. 2014. С. 14-16.

4. Афанасьева М.А. Создание и обучение нейронных сетей в системе MATLAB // Молодой ученый. 2014. № 4. С. 85-88.

5. Колесникова Т. Построение и обучение нейронной сети для решения задачи прогнозирования погоды при помощи программы NEUROPH STUDIO // Компоненты и технологии. 2014. № 7 (156). С. 129-132.

6. Полупанов А.А., Гарнага В.В., Кольцов Ю.В. Эволюционный подход к обучению искусственной нейронной сети // Информатика, вычислительная техника и инженерное образование. 2013. № 3 (14). С. 10-15.

7. Плеханов П.А. Применение искусственных нейронных сетей для нахождения взаимосвязей в экономике // Современные тенденции в экономике и управлении: новый взгляд. 2014. № 26. С. 130-133.




  Яндекс.ВиджетINNOV

архив: 2013  2012  2011  1999-2011 новости ИТ гость портала 2013 тема недели 2013 поздравления