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:

1. нарастание доли стохастической компо­ненты на фоне регулярного сигнала;

2. изменение периода повторения выбросов случайной амплитуды;

3. 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.