4.2 Метод синтеза виртуального потока для нейронной сети прямого распространения

Сущность метода синтеза виртуального потока состоит в модификации сначала самой обучающей выборки (вектора (4.2)) посредством управления статистическими характеристиками виртуальных данных по технологии, представленной в разделе 4.1, а затем, на основе модифицированных данных обучающей выборки (вектор (4.1)), осуществляется модификация (перенастройка) самой нейронной сети.

Метод синтеза виртуального потока для нейронной сети прямого распространения реализуется посредством последовательности следующих итерационных шагов.

На первом шаге, на основе обучающей выборки (4.2), формируется новая обучающая выборка (4.1). Обучающая выборка формируется таким образом, что к каждому i- му N- мерному вектору Z_iдобавляется z_N+1 компонента, соответствующая виртуальному потоку. Учитывая, что входы нейронной сети соответствуют выходам нечетких решающих модулей, которые, в свою очередь, лежат в диапазоне 0...1, присваиваем дополнительной (N+f-й координате всех образцов независимо от класса заначение 0,5.

На втором шаге синтеза формируем модель нейронной сети NET1, используя процедуру обучения нейронной сети прямого распространения по обучающей выборке

где

227

На третьем шаге определяются количественные характеристики качества классификации полученной модели на различных контрольных выборках на основе предложенного в разделе 4.1 критерия S.

На четвертом шаге осуществляется процедура искусственного улучшения качества классификации полученной модели нейронной сети NET1для модифицированной на шаге один обучающей выборки или контрольной выборки, составленной из образцов обучающей выборки.

Улучшение показателей качества классификации осуществляется посредством изменения дополнительного информативного признака в образцах обучающей (контрольной) выборки согласно структурной схеме, представленной на рисунке 4.11. Схема имеет петлю обратной связи, реализованной последовательно соединенными блоками 1 - блок вычисления модуля разности, блоком 2 -компаратор, блока 3 - блок управления и блока 4 - сумматор.

Сущность коррекции дополнительной компоненты вектора информативных признаков (компоненты N+1) заключается в том, что в процессе предъявления образцов обучающей (контрольной) выборки (4.7) на вход модели нейронной сети в блоке 1 вычисляется ошибка классификации где Y_i- выход нейронной сети, d_i- класс, к которому относится i-й образец обучающей (контрольной) выборки.

Рисунок 4.11 - Схема коррекции дополнительного информативного признака в i-м образце обучающей (контрольной) выборки

Если ошибка превосходит некоторый порог, заданный в компаратор 2, то блок управления 3 формирует управляющее воздействие на сумматор 4, направленное на снижение ошибки ∆_i.

Новое значение дополнительного признакаснимается с выхода сумматора 4 после того, как ошибка ∆_iснижена до минимально возможной в данной модели нейронной сети.

Схема алгоритма коррекции (N+lJ-х компонентов векторов информативных признаков представлена на рисунке 4.12.

Алгоритм работает следующим образом. В блоке 1 производится загрузка обучающей (контрольной) выборки, состоящей из М образцов, представленных в виде (4.3).

Рисунок 4.12 - Схема алгоритма четвертого шага метода формирования виртуального потока

Каждый i-тый элемент выборки (4.3) подается последовательно на вход модели нейронной сети прямого распространения, полученной на втором шаге реализации метода, что осуществляется посредством блока 3.

В блоке 8 формируется новая обучающая (контрольная) выборка соответствующая первому этапу коррекции (N+f-й компоненты векторов признаков образцов.

На пятом шаге строится модель дополнительного признака. Модель дополнительного признака строится как:

где i- номер образца контрольной выборки (неизвестного образца).

Для построения модели (4.9) используется нейронная сеть прямого распространения NET2.В качестве обучающей выборки для ее обучения используется массивполученный на четвертом шаге. При этом первые Nкомпонентов векторов из множестваиспользуются в качестве

независимых переменных. Компоненты N+1векторов из множества используются в качестве зависимой переменной (функции цели).

На шестом шаге формируется решающий модуль для классификации неизвестного образца, структура которого представлена на рисунке 4.13, включающий две нейронных сети NETιи NET₂,первая из которых является классификатором, а вторая аппроксиматором [164].

Рисунок 4.13 - Схема решающего модуля, соответствующая предложенному

методу

Таким образом, для формирования виртуального потока в режиме «Классификация» необходим аппроксиматор, который на основе вектора признаков неизвестного образца со структурой (4.3) создает вектор со структурой (4.1). Рассмотрим два подхода к формированию такого аппроксиматора.

4.3