статья Потапов А.А. Косов А.И. Кожанова Е.Р
реклама
А.А. Потапов, А.И. Косов, Е.Р.Кожанова Саратовский государственный технический университет имени Гагарина Ю.А. НЕЙРОННЫЕ СЕТИ КАК ЭЛЕМЕНТ СИСТЕМЫ РАСПОЗНАВАНИЯ ОБРАЗОВ Научный руководитель: кандидат технических наук, доцент И.М.Ткаченко This article is devoted to the issues of pattern recognition using neural networks with threshold function dichotomic type, is considered by the example of the test task matrix type "Classification cathodes". Нейронные сети - удобный и достаточно простой инструмент для создания экспертных систем различной сложности, решения задач классификации и извлечения знаний из данных. Нейронные сети представляют собой совокупность однотипных базовых элементов – нейронов, соединенных между собой линиями передачи информации или синаптическими связями с определенными коэффициентами веса. Система распознавания образов представляет собой цепочку поэтапного логического присоединения элементов (характеристик, свойств) объекта исследования для его идентификации. Нейронные сети с пороговой функцией (функции активации) дихотомического типа (тип «да» - «нет» или «1» - «0») в решении задачи распознавания могут выступать в роли математического аппарата, а именно, в роли «кодировщика» в допустимом диапазоне соответствующей характеристики объекта исследования. Если значение элемента попадает в допустимый интервал, то результатом будет логическая «1», иначе - логический «0». Данный процесс осуществляется с помощью функции активации дихотомического типа, поэтапно продвигаясь к последующим характеристикам. Вышеописанное рассмотрим на примере тестового задания матричного типа «Классификация катодов», где в качестве признаков (характеристик) катодов выступают рабочая температура, удельная эмиссия, удельная мощность, эффективность и долговечность (рис. 1). Тип катода (A) Рабочая Удельная температу эмиссия, ра,К (B) а/см3 (C) Удельная мощность, вт/см3 (D) Эффективность Долговечност , ма/вт (E) ь, час (F) Вольфрамовый 2550 (B1) 0,5 (C1) 75 (D1) 6 (E1) 900 (F1) Тарированный 1850 (B2) 0,55 (C1) 12 (D2) 40 (E2) 900 (F1) Карбидирован ный 1975 (B1) 1,1 (C2) 18 (D2) 60 (E2) 550 (F2) Бариевый 825 (B2) 0,6 (C2) 5 (D3) 95 (E3) 1450 (F3) Рис.1. Тестовое задание матричного типа «Классификация катодов» Матричная структура включает основное множество (A), элементы которого необходимо распознать, и вспомогательные множества(B,C,D,E,F), описывающие свойства и характеристики элементов основного множества (A). Таким образом, для идентификации объектов исследования основного множества необходимо воссоздать логические цепочки путем последовательного присоединения элементов вспомогательных множеств (Рис.2). A1 B1 C1 D1 E1 F1 D2 E2 F2 D3 E3 F3 A2 A3 B2 C2 A4 Рис. 2. Логистическая модель тестового задания матричного типа «Классификация катодов» Логистическая модель тестового задания определяется такими понятиями как достаточность и избыточность признаков. Таким образом, достаточными признаками называются такие признаки, при наличии (выполнении, соблюдении) которых утверждение является истинным и полностью идентифицирует объект исследования основного множества А. Избыточными признаками называются такие признаки, при наличии (выполнении, соблюдении) которых утверждение является чрезмерно истинным, которое в свою очередь направленно на повышение информативности системы. В тестовом задание матричного типа «Классификация катодов» с точки зрения достаточности и избыточности признаков необходимым является наличие 2 и более множеств в зависимости от информативности совокупности элементов для идентификации объектов исследования. Рассмотрим аналогию между структурами логистических моделей тестов и искусственным нейроном. Нейрон обладает группой синапсов – однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон – выходную связь данного нейрона, с которой сигнал поступает на синапсы следующих нейронов (рис.3), Входы Синапсы X1 W1 X2 W2 : X Ячейка нейрона S Аксон Выход Y W Входы Синапсы а1 а2 Элемент множества Б Аксон Выход б1 а Множество А Множество Б Рис.3 Аналогия структуры искусственного нейрона и элемента логистической модели В состав логистической структуры входят элементы множеств, которые также имеют входные связи, так называемые синапсы, от соответствующих им элементов основного и вспомогательных множеств, а также выходную связь – аксон, которая направлена к соответствующему элементу, в рамках системы распознавания образов, для которого уже является входной связью – синапсом. Используя нейронные сети с пороговой функцией дихотомического типа, на каждом этапе распознавания, проводится «кодировка» при каждом переходе к последующему вспомогательному множеству, что позволит при анализе результатов тестирования выявить те этапы, на котором произошла ошибка. Таким образом, для тестового задания «Классификация катодов » интервалы кодирования сигнала выглядит следующим образом (табл.1): Таблица 1 B1[1975-3000) C1 (0-0.55] D1(50-80) E1(0-30) F1(800-1000) B2(0-1975) C2( 0.55-1.1] D2[12-50) D3(0-12) E2(30-70) E3(70-100) F2(500-600) F3(1400-1500) Пример результата выполнения тестового задания матричного типа логистической структуры как системы распознавания образов приведена на рис. 4 A1 B1 C1 D1 E1 F1 111111 A1 B2 C2 D1 E1 F3 100110 Рис.4. Результат распознавания основного множества А тестового задания «Классификация катодов» Сложные тестовые композиции матричного типа в совокупности с их логистическими связями, представляющие собой фактически систему распознавания образов с заданным числом событий и им соответствующих признаков (рис. 2), могут выступать как аналоги нейронных сетей. Приведенное описание основных элементов логистической модели тестовых структур как аналога нейронной сети, представляет интерес для теории и практики. Список литературы 1. Ткаченко И.М. Проектирование моделей тестовых структур на основе логистических схем с произвольным числом множеств и элементов /И.М.Ткаченко, А.А.Захаров, Е.Н.Калашникова// Саратов: Вестник Саратовский государственный технический университет, 2009.№2(39) Вып.2 с.92-101. 2. Комашинский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления и связи. –М.:Горячая линия-Телеком, 2003. -94с. 3. Ткаченко И.М. Тестовые технологии в решении проблем качества профессионального образования /И.М.Ткаченко, А.А.Захаров// Современная техника и технологии СТТ 2008: Междунар. науч. –практ. конф. Томск: ТПУ, 2008 с. 291-293.11.
