20 Мая 2005 | 14:00

Комментарии: 0

Никитина Г.С., Чистова Ю.С. Киреев А.В.
Пензенский государственный университет

Для решения задачи распознавания объектов может быть использован нейросетевой классификатор. Его основными преимуществами являются:

• инвариантность методов синтеза нейронных сетей от размерности пространства признаков;
• адекватность современным перспективным технологиям;
• отказоустойчивость в смысле монотонного, а не катастрофического изменения качества решения задачи в зависимости от числа вышедших из строя элементов. [1]

При построении нейросетевой динамической системы необходимо определить:

• объект, выступающий в роли входного сигнала нейросети. Это может быть элемент исходных данных, начальное значение определяемых величин и т.д.;
• объект, выступающий в роли выходного сигнала нейросети. Это может быть само решение или некоторая его характеристика;
• желаемый (требуемый) выходной сигнал нейросети;
• структуру нейросети: число слоев, связи между слоями, объекты, являющиеся весовыми коэффициентами;
• функцию ошибки системы, т.е. функцию, характеризующую отклонение желаемого выходного сигнала нейросети от реального выходного сигнала;
• критерий качества системы и функционал ее оптимизации, зависящий от ошибки;
• значения весовых коэффициентов - в зависимости от задачи это можно сделать различными способами:
  1. аналитически, непосредственно из постановки задачи;
  2. с помощью некоторых численных методов;
  3. применив процедуру настройки коэффициентов нейронной сети.

Для моделирования структуры нейронной сети был выбран пакет Neural Networks в системе MatLab В пакет включены более полутора десятков известных типов искусственных нейронных сетей (ИНС) и обучающих правил, позволяющих пользователю выбрать наиболее подходящую для конкретного приложения или исследовательской задачи парадигму. Для каждого типа архитектуры и обучающего алгоритма имеются функции инициализации, обучения, адаптации, создания и моделирования, демонстрации и примеры применения.
В качестве исходных данных использовалась матрица 16-ти коэффициентов, которые вычислены как кратковременная мощность сигнала в полосе частот, отнесенная к кратковременной средней мощности.
При решении задачи распознавания образов были рассмотрены сети с радиальными базисными элементами (Radial Basis Function Network, сеть RBF), вероятностная сеть (сеть PNN),обобщенно-регрессионная сеть (сеть GRNN), линейная нейронная сеть, сеть встречного распространения (Learning Vector Quantization Network или LVQ-network) и "классическая" многослойная сеть с обучением по методу обратного распространения ошибки (Back Propagation).[2]
График обучения нейронной сети по методу обратного распространения ошибки представлен на рисунке 1. Результаты обучения выбранной нейронной сети, представлены в виде гистограммы, где 0- группа людей, 1- один человек (рисунок 2) . При этом были получены следующие ошибки: abs = 2.7414e-013 - средняя абсолютная ошибка сети; sqe = 8.7110e-025 - среднеквадратическая ошибка сети.


В результате рассмотрения различных типов ИНС и обучающих правил сделаны следующие выводы:

• с минимальной ошибкой обучаются сети: обратного распространения ошибки; радиально-базисная (RBF) и обобщенно-регрессионная (GRNN);
• исходя из того, что RBF- и GRNN-сети получаются весьма громоздкими при большой размерности векторов входов и обладают плохими экстраполирующими свойствами, для решения данной задачи была выбрана сеть обратного распространения ошибки;

При тестировании работы сети были получены следующие результаты:

• построены гистограммы выходов сети (рисунок 3);
  
• ошибки равны:
  • abs=0.1333 - средняя абсолютная ошибка при идентификации сигнала для группы людей;
  • sqe=0.1333 - среднеквадратическая ошибка сети при идентификации сигнала для группы людей;
  • abs=0.0667 - средняя абсолютная ошибка при идентификации сигнала для одного человека;
  • sqe=0.0667 - среднеквадратическая ошибка при идентификации сигнала от одного человека.

ЛИТЕРАТУРА:

1. Галушкин А.И. Теория нейронных сетей. Кн.1: Учеб. Пособие для вузов/ Общая ред. А.И. Галушкина.- М.: ИПРЖР, 2000.- 416 с.
2. Дьяконов В. Matlab: учебный курс. - СПб: Питер, 2001. - 560 с.

20 Мая 2005 | 14:00

Комментарии: 0