3. Гибридные нейронные сети и программные средства их реализации.

Основы теории и применение ГНС изложены в Приложении 4 настоящих указаний.

Нейронные сети эффективны для задач распознавания, но не удобны для выяснения правил, по которым происходит это распознавание. Они могут автоматически приобретать знания, но процесс их обучения зачастую происходит достаточно медленно, а анализ обученной сети сложен, как правило, обученная сеть для пользователя представляется черным ящиком. При этом какую-либо априорную информацию (знания эксперта) для ускорения процесса обучения в нейронную сеть ввести невозможно.

Системы нечеткой логики, напротив, хороши для объяснения получаемых результатов, но они не могут автоматически приобретать знания для использования их в механизме правил вывода. Теоретически системы нечеткого вывода и нейронные сети эквивалентны друг другу, однако на практике у них имеются свои недостатки и достоинства. Система совместного использования СВН и ГНС приобретает новые свойства, которые позволяют избавится от недостатков СВН и нейросетей, сохраняя большинство их преимуществ, расширяет области ее применения в области извлечения знаний из данных и их формального представления в качестве информационного обеспечения СУ.

Графический интерфейс гибридных систем.

Графический интерфейс гибридных (нечетких) нейронных систем вызывается функцией Anfisedit(из командной строкиMatlab). Исполнение функции приводит к окну редактора гибридных систем (ANFISEditor), с помощью которого осуществляется создание или загрузка структуры гибридной системы, просмотр структуры, настройка ее параметров, проверка качества функционирования такой системы.

Создание структуры, настройка параметров и проверка осуществляются по выборкам (наборам данных)-обучающей (Trainingdata), проверочной (Checkingdata) и тестирующей

(Testingdata), которые предварительно должны быть представлены в виде текстовых файлов ( с расширением *datи разделителями-табуляциями), первые столбцы которых соответствуют входным переменным, а последний (правый) – единственной выходной переменной; количество строк в таких файлах должны соответствовать количеству образцов, на которых проводится обучение.

Пример представления выборки данных в файле *dat:

-1 1 7

-0.6 0.36 8

1. 0.0 4

0.4 0.16 6

Первые три два столбца представляют значение входных переменных, последний – критерий, используемый в решаемой задаче.

Так, например, при выборе оптимального режима работы технического устройства первые два столбца будут содержать значения параметров, влияющих на критерий оптимальности режима работы, например, производительность, третий значение производительности.

Строгих рекомендаций по объемам указанных выборок не существует; принято исходить из принципа «чем больше, тем лучше». Обучающая и проверочная выборки непосредственно задействуются в процессе настройки параметров гибридной сети (проверочная- для выяснения ситуации, не происходит ли так называемого переобучения сети, при котором ошибка для обучающей последовательности стремиться к нулю, а для проверочной – возрастает.

Наличие проверочной выборки не является строго необходимым, оно лишь крайне желательно. Тестовая (или тестирующая) выборка применяется для проверки качества функционирования настроенной (обученной) сети.

Интерфейс пользователя ANFISEditorсодержит набор опций.

В нижней левой части окна «Loaddata» (загрузка данных):

1. тип (Type) загружаемых данных (для обучения-Training; для тестирования- Testing, для проверки –Checking, демонстрационные –Demo);

2. место, откуда должны загружаться данные: с диска или из рабочей области Matlab(workspace).

К данным опциям относятся две кнопки, нажатие на которые приводят к требуемым действиям-LoadData(загрузить данные) иClear(Стереть данные).

Следующая группа опций ( в середине нижней части окна ANFISредактора объединена под именем «GenerateFIS» (Создание нечеткой системы вывода). Данная группа включает в себя следующие опции:

1. загрузку структуры системы с диска (Load from disk);

2. загрузку структуры системы из рабочей области Matlab(Load from worksp.);

3. разбиение областей определения входных переменных (аргументов) на подобласти - независимо для каждого аргумента (Grid partition);

4. разбиение всей области определения аргументов(входных переменных) на подобласти – в комплексе для всех аргументов (Sub.clustering).

Кроме того, имеется также кнопка GenerateFIS, нажатие на которую приводит к процессу создания гибридной системы с точностью до ряда параметров.

Следующая группа опций – TrainFIS(Обучение нечеткой системы вывода) – позволяет определить метод «обучения» (Optim.Metod) системы (то есть метод настройки ее параметров) – гибридный (hybrid) или обратного распространения ошибки (backpropa), установить уровень текущей суммарной (по всем образцам) ошибки обучения (ErrorTolerance), при достижении которого процесс обучения заканчивается, и количество циклов обучения (Epochs), то есть количество «прогонов» всех образцов обучающей выборки; процесс обучения, таким образом, заканчивается либо по достижении отмеченного уровня ошибки обучения, либо после проведения заданного количества циклов.

Кнопка TrainNow(Начать обучение) запускает процесс обучения, то есть процесс настройки параметров гибридной сети.

В правом верхнем углу окна ANFIS–редактора выдается информация (ANFISInfo.) о проектируемой системе: количество входов, выходов, функция принадлежности входов; нажатие кнопкиStructure( структура ) позволяет увидеть структуру сети.

Кнопка Clear позволяет стереть все результаты.

Опции TestFIS(в правом нижнем углу окна) позволяют провести проверку и тестирование созданной и обученной системы с выводом результатов в виде графиков (соответствующие графики для обучающей выборки –Trainingdata, тестирующей выборки –Testingdataи проверочной выборки –Checkingdata). КнопкаTestNowпозволяет запустить указанные процессы.