- •Российский Государственный Гидрометеорологический Университет
- •2. Сети и системы с самостоятельной адаптацией.
- •3. Нейронные сети
- •II. Системный анализ экологической информации с помощью нейронных сетей
- •III. Моделирование изменений экологических объектов с помощью нейронных сетей.
- •2. Алгоритм работы нейросети.
- •3. Результаты моделирования
- •Заключение
3. Результаты моделирования
Наиболее полезными для оценки качества прогнозирования поведения экологических объектов, предложенной супервизорной нейро- сетью с динамической адаптацией к непрерывным сигналам, представляются три ситуации изменения характеристик периодических входных воздействий Аi:
нарастание доли стохастической компоненты на фоне регулярного сигнала;
изменение периода повторения выбросов случайной амплитуды;
изменение периода повторения фазовых сдвигов случайной величины.
Примем для всех трех случаев за образец регулярной функции Ф' синус, а за образец стохастической Ф''- значения, получаемые от генератора случайных чисел компьютера. Тогда суммарный входной сигнал, содержащий регулярную R и стохастическую S компоненты для первых двух случаев, опишется выражением
Рис. 4. Динамика оценки обученной нейросети, адап - тирующейся к периодически повторяющимся выбросам случайной амплитуды.
где R + S = 1, R > 0, S > 0.
Эксперименты для третьего случая, моделирующего фазовые сдвиги всего входного вектора на случайную величину через определенные промежутки времени, проводились при R = 1.
Обученные нейросети с динамической адаптацией демонстрируют достаточно высокую устойчивость к изменениям характеристик входных воздействий и реакций на них модели экологического объекта. Это выражается в быстром падении величины оценки функционирования нейросети после прихода возмущающих воздействий, которые нарушают регулярность моделируемого процесса. Отмеченная особенность отражена на рис. 4, демонстрирующем изменение оценки качества адаптации нейросе- ти Н в зависимости от периода повторения выбросов случайной амплитуды на фоне синусоидальных входных воздействий на сеть t = Т на промежутке 140 тактов функционирования нейросети, где Т - период Аi
Рис. 5. Изменение оценки качества предсказаний по - ведения объекта нейросетью с динамической адаптацией для трех перечисленных случаев.
Для всех трех рассматриваемых ситуаций вектор случайных начальных значений относительных фазовых сдвигов синусоидального сигнала для входов нейросети и объекта генерировался однократно перед началом экспериментов и в дальнейшем сохранялся неизменным.
Каждое значение для графиков по оси ординат (на рис. 5)
рассчитывалось на последних 100 тактах функционирования нейросети из 400 тактов динамической адаптации.
Графики результатов машинных экспериментов на рис. 3 для каждого из трех описанных случаев помечены соответствующей цифрой. По оси абсцисс отложено в первом случае изменение стохастической компоненты для Аi 0 < S < 1 (см. уравнение 5), а во втором и третьем - изменение t-периода повторения соответствующих отклонений входного сигнала от регулярного 0,1 Т < t < 2Т.
Заключение
Предложенные нейросети пригодны для моделирования и оперативного предсказания множественных реакций экологических объектов на шаг вперед с учетом влияния степени нерегулярности в динамике изменений входных воздействий на качество адаптации.
Нейросети с динамической адаптацией достаточно устойчивы к периодическим отклонениям от регулярности входных воздействий (случай 2) и при условии, что период повторения этих отклонений превышает адаптивный промежуток (несколько тактов функционирования нейросети), восстанавливают качество прогноза.
Предложенные нейросети устойчивы к случайным сдвигам фазы вектора входных воздействий (одинаковым для всех Аi), что позволяет успешно использовать их в динамических экологических моделях, требующих "склейки" ограниченных выборок однородных данных.
Нейросети с динамической адаптацией, описанные в работе [3], предсказывают изменения дискретных одномерных процессов. Нейросети с динамической адаптацией, предложенные в данной работе (в рамках формализма [3]), способны предсказывать изменения непрерывных и дискретных многомерных процессов.
Литература
1. Горбань А.Н., Хлебопрос Р.Г. Демон Дарвина: Идея оптимальности и естественный отбор.- Новосибирск: Наука, 1988.- 208с.
2. Бытев В.О. Групповые свойства в теории возмущений I. Уравнения Навье-Стокса// Симметрия и дифференциальные уравнения. Труды международной конференции.- Красноярск: ИВМ СО РАН, 2000.- с.59-62.
3. Горбань А.Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей.// Сибирский журнал вычислительной математики.- Новосибирск: РАН. Сиб. отделение, 1998.- 1, №1.- с.11-24.
4. Ланкин Ю.П., Хлебопрос Р.Г. Самоадаптирующиеся нейронные сети и адаптивные экологические модели // VI Всероссийская конференция «Нейрокомпьютеры и их применение» с международным участием «НКП-2000».- М.: ИПРЖР, 2000.- С. 478-481.
5. Прибрам К. Языки мозга. Экспериментальные парадоксы и принципы нейропсихологии/ Пер. с англ.- М.: Прогресс, 1975.- 463с.
6. Ланкин Ю.П. Адаптивные сети с самостоятельной адаптацией/ Институт биофизики СО РАН. Теоротдел; Препринт ТО №4.- Красноярск, 1998.- 17с.
7. Басканова Т.Ф., Ланкин Ю.П. Алгоритмы самостоятельной адаптации для нейронных сетей/ Институт биофизики СО РАН. Теоротдел; Препринт ТО №5.- Красноярск, 1998.- 14с.
8. Ланкин Ю.П., Хлебопрос Р.Г. Самоадаптирующиеся нейронные сети при решении экологических задач (возможости реализации поискового поведения).// Инженерная экология, №4.- М., 1998.- с.2-11
9. Ланкин Ю.П., Хлебопрос Р.Г. Нейроинформатика: самоадаптирующиеся нейронные сети в экологии (возможности сетей с поисковым поведением).// Инженерная экология.- М.: Инженерная экология, №2.- 1999.- с.28-37.
10. Ким И.Е., Ланкин Ю.П. Моделирование языкового представления действия с использованием нейронных сетей // Моделирование неравновесных систем. Материалы 3-го Всероссийского семинара.- Красноярск: ИВМ (ВЦ) СО РАН, 2000.- с.110-112.
11. Ланкин Ю.П. Некоторые особенности самоадаптирующихся нейросетей на примере управления механическим объектом // Научная сессия МИФИ-99. Всероссийская научно-техническая конференция “Нейроинформатика-99”. Сборник научных трудов. В 3 частях. Ч.3.- М.: МИФИ, 1999.- с.278-284.
12. Лалетин П.А., Ланкина Э.Г., Ланкин Ю.П. Использование сетей с самостоятельной адаптацией для распознавания слов человеческой речи // Научная сессия МИФИ-2000. II Всероссийская научно-техническая конференция “Нейроинформатика-2000”. Сборник научных трудов. В 2 частях. Ч.2.- М.: МИФИ, 2000.- с.88-95.
13. Ланкин Ю.П., Землянский А.Н., Плотников С.В., Абросимов П.С., Путилов С.А. Нейроинформатика: создание нейросетевых роботов для решения инженерно-экологических задач (адаптивные системы с поисковым поведением) // Инженерная экология, 2000.- №3.- с.3-18.
14. Тухватулин И.Х., Колокольцев В.М., Долгополова Л.Б., Ланкин Ю.П. Металловедческая нейросетевая экспертная система для оценки свойств сплавов и выдачи практических рекомендаций // Литейное производство, 2000. - №3. – с.6-8.
15. Методика расчета концентраций в атмосферном воздухе вредных веществ, содержащихся в выбросах предприятий, ОНД-86 // Л.- 1987.- 140 с.
16. Уоссермен Ф. Нейрокомпьютерная техника: теория и практика: Пер. с англ // М.: Мир, 1992.
17. Царегородцев В.Г., Погребная Н.А. Нейросетевые методы обработки информации в задачах прогноза климатических характеристик и лесорастительных свойств ландшафтных зон. // Методы нейроинформатики. Красноярск.: Издательство КГТУ, 1998, с. 65-107
18. Lek S., Guégan J.F. Artificial Neuronal Networks; Application to Ecology and Evolution // New York: Springer, 2000.