Омский государственный технический университет, г. Омск
В данной работы предлагается классификация искусственных ней- ронных сетей в зависимости от структуры связей между нейронами в
Аспирант кафедры Информатики и вычислительной техники. Научный руководитель: По- тапов В.И. профессор кафедры Информатики и вычислительной техники, доктор техниче- ских наук.
сети. Особое внимание уделяется модульным нейронным сетям, в ча- стности сетям с ядерной организацией.
Одной из современных тенденций в области нейронных сетей является использование модульных нейронных сетей [1, 2]. Термин «модульная ней- ронная сеть» подразумевает сеть, состоящую из аналогичных и, в опреде- ленной степени, независимых нейронных модулей.
В последние годы теория нейронных сетей получила значительное разви- тие, однако до сих пор не достаточно развиты методы системного проектиро- вания и анализа быстродействующих модульных нейронных сетей высокой размерности и родственных к ним быстрых перестраиваемых преобразова- ний. Основной проблемой проектирования больших нейронных сетей являет- ся задача оптимального выбора структуры и топологии нейронной сети ре- шение задачи оптимального выбора структуры и топологии нейронной сети.
В рамках решения данной задачи необходимо провести классификацию нейронных сетей. Охарактеризовать нейронные сети можно по видам ней- ронов используемых в сети, структуры модели сети, способам обучения сети, задачам которые решает сеть. Рассматривая задачи, решаемые нейронными сетями можно выделить широкий круг задач обработки и анализа данных – распознавание и классификация образов, прогнозирование, управление, кластерный анализ, аппроксимация, нейросетевое сжатие данных, ассоциа- тивную память и т.д.
По структуре связей нейронные сети можно разделить на:
Полносвязанные нейронные сети, в которых каждый нейрон передает свой выходной сигнал остальным нейронам, в том числе и самому себе. Все входные сигналы подаются всем нейронам. Выходными сигналами сети мо- гут быть все или некоторые выходные сигналы нейронов после нескольких тактов функционирования сети.
Слабосвязные или неполносвязные нейронные сети (обычно назы- ваемые перцептронами), подразделяются на однослойные и многослойные, с прямыми, перекрестными и обратными связями. В нейронных сетях с пе- рекрестными связями допускаются связи внутри одного слоя.
В свою очередь, среди многослойных нейронных сетей выделяют сле- дующие типы (рис. 1):
Монотонные [3]. Это частный случай слоистых сетей с дополнитель- ными условиями на связи и нейроны. Каждый слой кроме выходного разбит на два блока: возбуждающий и тормозящий. Связи между блоками тоже раз-
деляются на тормозящие и возбуждающие. Для нейронов монотонных сетей необходима монотонная зависимость выходного сигнала нейрона от пара- метров входных сигналов.
Сети без обратных связей. В таких сетях нейроны входного слоя по- лучают входные сигналы, преобразуют их и передают нейронам первого скрытого слоя, и так далее вплоть до выходного, который выдает сигналы для интерпретатора и пользователя.
Сети с обратными связями. В сетях с обратными связями информация с последующих слоев передается на предыдущие. Среди них, в свою оче- редь, выделяют следующие:
слоисто-циклические, отличающиеся тем, что слои замкнуты в коль- цо: последний слой передает свои выходные сигналы первому; все слои равноправны и могут как получать входные сигналы, так и выдавать выходные;
слоисто-полносвязанные состоят из слоев, каждый из которых пред- ставляет собой полносвязную сеть, а сигналы передаются как от слоя к слою, так и внутри слоя; в каждом слое цикл работы распа- дается на три части: прием сигналов с предыдущего слоя, обмен сигналами внутри слоя, выработка выходного сигнала и передача к последующему слою;
полносвязанно-слоистые, по своей структуре аналогичные слоисто- полносвязанным, но функционирующим по-другому: в них не раз- деляются фазы обмена внутри слоя и передачи следующему, на ка- ждом такте нейроны всех слоев принимают сигналы от нейронов как своего слоя, так и последующих.
Рис. 1. Классификация многослойных ИНС
В модульных нейронных сетях в качестве структурно-образующего эле- мента выступает группа нейронов в пределах слоя, имеющих общее рецеп-
торное поле. Эту группу называют нейронным ядром [4]. При этом постули- руется, что рецепторные поля нейронных ядер не пересекаются. Нейронное ядро на структурном уровне определяется парой чисел: размерностью ре- цепторного поля и числом нейронов в ядре. Нейронные сети с ядерной ор- ганизацией являются структурным расширением класса многослойных се- тей прямого распространения. Наполнение нового класса осуществляется за счет целенаправленного ограничения связей между нейронами. В многослой- ных сетях нейронные ядра связаны между собой проектирующими опера- торами перехода, для которых структурной характеристикой является ранг оператора. Операторы нейронного слоя осуществляют отображение вектора из пространства рецепторов в пространство аксонов.
Теория быстрых перестраиваемых преобразований появилась примерно в тоже время, что и теория многослойных нейронных сетей. Обе теории развивались параллельно. Различная терминология, различные теоретиче- ские основы, различные области приложения развели два направления дос- таточно далеко друг от друга, хотя общие черты – многослойность и пере- страиваемость были вполне очевидны.
Историческим толчком для развития теории перестраиваемых преобра- зований послужила работа Гуда [5], в которой была рассмотрена матричная структура специального вида, порождающая быстрый алгоритм линейного преобразования. По такой схеме может быть построено быстрое преобразо- вание Фурье.
В отличие от перестраиваемых преобразований размерности вектора обрабатываемых данных в нейронных сетях могут изменяться от слоя слою, поэтому матрица ядра не обязана быть квадратной. В нейросетевой трак- товке ядро на структурном уровне характеризуется двумя параметрами: размерность рецепторного поля и числом входящих в ядро нейронов. Эти числа определяют размерность матрицы ядра.
Отличительной особенностью ядерных нейронных сетей является то, что рецепторные поля отдельных ядер не пересекаются между собой, по- этому каждое нейронное ядро можно рассматривать как нейронный модуль простейшей структуры, а всю нейронную сеть как вариант модульной сети. Свойство модульности, унаследованное от перестраиваемых преобразова- ний, имеет решающее значение в идеологической концепции методов струк- турного синтеза нейронных сетей.
Schwenk H., Milgram M. Structured diabolo-networks for hand-written character recognition // International Conference on Artificial Neural Networks. – Sorrento, Italy, 1994. – P. 985-988.
Ezhov A.A., Vvedensky V.L. Object generation with neural networks (when spurious memories are useful) // Neural Networks. – 1996. – Vol. 9, No. 9. –
P. 1491-1495.
Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. – М.: Горячая линия – Телеком, 2002.
Дорогов А.Ю., Алексеев А.А. Структурные модели быстрых нейрон- ных сетей // В сб. «Интеллектуальные системы». Труды II-го Международ- ного симпозиума / Под ред. К.А. Пупкова. – М.: Изд. ПАИМС, 1996. – Т. 2. – С. 138-143.
Good I.J. The Interaction Algorithm and Practical Fourier Analysis // Journal of Royal Statistical Soseity. Ser. B. – 1958. – Vol. 20, No. 2. – P. 361-372.
Северо-Кавказский горно-металлургический институт
(государственный технологический университет), г. Владикавказ
В данной статье рассматривается устройство для раскалывания скор- лупы орехов (грецких орехов, фундука и т.д.). Приведен технологиче- ский расчет конструктивных параметров барабана, необходимого для перемещения орехов в зону раскалывания.
При промышленной переработке орехов путем отделения скорлупы от ядра, возникает технологическая проблема сохранения ядра без поврежде- ния и разрушения [1]. Существующие устройства для разрушения скорлупы орехов за один проход осуществляют разрушение на 60-70 %, причем около 30 % очищенных ядер выходят после машинного разрушения скорлупы по- врежденными.
Потребность в создании подобного оборудования обусловлена тем, что орех является ценной орехоплодной культурой и незаменимым сырьем для кондитерской промышленности.
Аспирант кафедры «Технологические машины и оборудование». Научный руководитель: Вы- скребенец А.С., проректор, профессор кафедры «Технологические машины и оборудова- ние», доктор технических наук.