LR-1

Методические указания по выполнению лабораторной работы № 1 по дисциплине

«Системы искусственного интеллекта» для бакалавров образовательных программ:

11.03.01 «Радиотехника», 11.03.02 «Инфокоммуникационные технологии и системы связи»

Цель лабораторной работы – изучение искусственных нейронных сетей типа перцептрон. Моделирование работы многослойного персептрона в задачах классификации радиосигналов.

1. Задание

Каждый студент выполняет индивидуальный вариант данного практикума в соответствии с исходными данными, представленными в п. 3.

До начала выполнения лабораторной работы необходимо изучить основные теоретические положение, представленные в п. 2 данного практикума и рекомендованную литературу.

Подготовить ответы на контрольные вопросы, приведенные в п. 4.

Выполнение исследований в лаборатории

1.1 Запустить программу DVeiw

1.2 Выбрать в вкладке «Данные» «Открыть файл связи (*.UDL)»Lab1.udl

1.3 В окне «Входные данные для анализа» выбрать «АРСООбучающая выборка».

1.4 Выбрать следующие поля выборки для анализа: 1Len, 1Type, 2Len, 2Type, PriorObject, sType и нажать кнопку «Продолжить».

1.5 В вкладке «Анализ» основного окна выбрать «Многослойный перцептрон».

1.6 В отобразившемся окне выбрать «Новая сеть».

1.7 В окне «Параметры новой сети» установить: число слоев - 2; число нейронов в скрытых слоях – 11;

поле классов – PriorObject;

тип функции активации – в соответствии с индивидуальным вариантом.

Нажать кнопку «ОК». В окне параметров персептрона появится надпись «Многослойный персептрон инициализирован».

1.8 Нажать кнопу «Обучить сеть». В новом окне выбрать действие

«Использовать нормировку».

1.9 В окне «Параметры обучения сети» выбрать:

способ обучения – в соответствии с индивидуальным заданием; число эпох обучения – 4; критерий завершения обучения – уровень малости ошибки за эпоху. Нажать кнопку «ОК».

1.10 В окне «Многослойный перцептрон» зафиксировать результаты обучения многослойного перцептрона.

1.11 Нажать кнопку «Распознать выборку». В окне «Многослойный перцептрон»

1.12 Провести пп. 1.8-1.11 для 6, 8, 10, 12, 14, 16 и 100 эпох обучения при прочих неизменных параметров. Построить график зависимости доли

корректно распознанных объектов от числа эпох обучения. Сделать вывод о влиянии количества эпох обучения на качество распознавания объектом нейронной сетью.

1.13 Провести пп. 1.5 – 1.12 для числа слоев перцептрона – 4. Построить график зависимости доли корректно распознанных объектов от числа эпох обучения. Сделать вывод о влиянии количества нейронов в многослойном перцептроне на количество необходимых эпох обучения.

2. Теоретические сведения

На сегодняшний день одними из наиболее универсальных методов для решения задачи распознавания образов являются нейросетевые методы. Искусственные нейронные сети по своей структуре и функционированию являются искусственными аналогами биологических нейронных систем человека и животных. ИНС представляют новую парадигму обработки информации, базирующуюся на той или иной упрощённой математической модели биологических нейронных систем. В то же время, ИНС представляют новый подход в методологии вычислений, отличающийся последовательной архитектурой от вычислений на цифровых компьютерах с традиционной фон-неймановской архитектурой.

Цифровые компьютеры функционируют под управлением программы, точно заданной последовательности операций, и запоминают информацию в специально организованной памяти. Весь процесс вычислений организуется сложными процессорными устройствами. ИНС организуют свою работу путём распределения процесса обработки информации между простыми локальными процессорными элементами – нейроэлементами, связанными между собой посредством специальных соединений – синаптических связей. Запоминаемая информация распределяется по сети в виде весовых параметров этих соединений, а развитие возможностей ИНС осуществляется не путём программирования, как в цифровых компьютерах, а путём обучения ИНС.

ИНС обладают способностями к обобщению данных и способны моделировать разделяющие функции сложного вида. Ожидается, что ИНС в силу их свойств, отмеченных выше, способны решить задачу классификации и идентификации радиосигналов, однако это утверждение требует более глубокого исследования.

2.1Принцип функционирования искусственных нейронных сетей. Базовые понятия и определения. Параллели из биологии и основные типы решаемых задач

Идея искусственных нейронных сетей родилась в ходе исследований в области искусственного интеллекта, а именно, в результате попыток воспроизвести способность биологических нервных систем обучаться и исправлять ошибки. Мозг человека состоит приблизительно из 109-1012 нейронов, соединенных многочисленными связями. Нейронами называются специальные клетки, способные распространять электрохимические сигналы.

Нейрон имеет разветвленную структуру ввода информации (дендриты), ядро и разветвляющийся выход (аксон). Аксоны клетки соединяются с дендритами других клеток с помощью синапсов. При активации нейрон посылает электрохимический сигнал по своему аксону. Через синапсы этот сигнал достигает других нейронов, которые могут, в свою очередь, активироваться. Нейрон активируется тогда, когда суммарный уровень сигналов, пришедших в его ядро из дендритов, превысит определенный уровень (порог активации).

Интенсивность сигнала, получаемого нейроном (а, следовательно, и возможность его активации), сильно зависит от активности синапсов. Каждый синапс имеет протяженность, и специальные химические вещества передают сигнал вдоль него.

Один из самых авторитетных исследователей нейросистем, Дональд Хебб, высказал предположение, что обучение заключается, в первую очередь, в изменениях «силы» синаптических связей. На поиск оптимальных алгоритмов, позволяющих настраивать «силу» синаптических связей, и были направлены основные усилия исследователей в 50 – 80-х годах прошлого века.

Функции, выполняемые сетями, подразделяют на несколько групп: аппроксимация; классификация и распознавание образов; прогнозирование; идентификация и оценивание; ассоциативное управление.

Аппроксимирующая сеть играет роль универсального аппроксиматора функции нескольких переменных, который реализует нелинейную функцию вида y f (x) , где x – входной вектор, а y – реализованная функция нескольких переменных.

Впроцессе обучения сеть накапливает знания об основных свойствах классифицируемых и распознаваемых образов, таких как геометрическое отображение структуры образа. При обобщении акцентируются отличия образов друг от друга, которые и составляют основу для выработки классификационных решений.

Вобласти прогнозирования задача сети формулируется как предсказание будущего поведения системы по имеющейся последовательности ее предыдущих состояний. По информации о значениях переменной x в моменты времени, предшествующие прогнозированию, сеть вырабатывает решение о том, чему должно быть равно оцениваемое значение исследуемой последовательности в текущий момент времени.

Вобласти управления динамическими процессами нейронная сеть выполняет, как правило, несколько функций. Во-первых, она представляет собой нелинейную модель управляемого процесса и идентифицирует его основные параметры, необходимые для выработки соответствующего управляющего сигнала. Во-вторых, сеть выполняет функции следящей системы, отслеживает изменяющиеся условия окружающей среды и адаптируется к ним.

Вобласти поиска ассоциаций нейронная сеть выступает в роли ассоциативного запоминающего устройства. Если на вход сети подается

вектор, искаженный шумом, или лишенный отдельных фрагментов данных, то сеть способна восстановить полный и очищенный от шумов исходный вектор путем генерации соответствующего ему выходного вектора.

2.2 Базовая модель искусственной нейронной сети

Искусственную нейронную сеть можно определить как параллельную связную сеть простых элементов, которая взаимодействует с объектами реального мира аналогично биологической нервной системе.

Обобщенная структура ИНС представлена на Рис. Ошибка! Текст

указанного стиля в документе отсутствует..1.

Рис. Ошибка! Текст указанного стиля в документе отсутствует..1 - Обобщённая структура ИНС

Нейроном называется генератор сигнала с входными и выходными связями.

Структура нейрона приведена на Рис. Ошибка! Текст указанного стиля в документе отсутствует..2. При этом используются следующие обозначения:

in – входные параметры нейрона; out – выходной параметр нейрона;

n – число входных параметров нейрона;

wi – вес связи, соединяющей нейрон с элементом предыдущего слоя.