СИНТЕЗ РАДИАЛЬНО-БАЗИСНЫХ НЕЙРОННЫХ СЕТЕЙ С ПРЕОБРАЗОВАНИЕМ НА ОБОБЩЕННУЮ ОСЬ ДЛЯ АВТОМАТИЗАЦИИ ПРОЦЕССА ПРИНЯТИЯ ДИАГНОСТИЧЕСКИХ РЕШЕНИЙ
DOI:
https://doi.org/10.15673/2312-3125.4/2015.50434Ключевые слова:
Нейронная сеть, радиально-базисная сеть, обучение, синтез, диагностикаАннотация
Решена проблема синтеза радиально-базисных нейронных сетей на основе набора прецедентов для автоматизации принятия решений в диагностике. Предложен метод синтеза радиально-базисных нейронных сетей, который использует отображение выборки из многомерного пространства признаков на одномерную обобщенную ось для выделения центров и границ кластеров и, в отличие от известных методов, не требует задания пользователем числа кластеров, не имеет неопределенности выбора числа нейронов в первом слое и выбора начальных значений весов сети, стремится минимизировать размер сети, характеризуется приемлемым временем обучения, учитывает информативность признаков при формировании разбиения на кластеры, благодаря использованию процедуры оптимизации сети позволяет
получать безызбыточные контрастные интерпретабельные модели, а также обеспечивает возможность дообучения ранее построенных моделей. Разработано программное обеспечение, реализующее предложенный метод, а также проведены эксперименты, подтвердившие работоспособность разработанного математического обеспечения и позволяющие рекомендовать его для использования на практике. Установлено, что предложенный метод характеризуется меньшими затратами времени на построение радиально-базисных нейронных сетей по сравнению с использованием четкого переборного кластерного анализа и большими затратами времени по сравнению с отображением выборки в кластеры. При этом предложенный метод обеспечивает приемлемую точность и существенно более высокий уровень обобщения по сравнению с известными методами.
Библиографические ссылки
Intelligent fault diagnosis and prognosis for engineering systems / [G. Vachtsevanos, F. Lewis, M. Roemer et al.]. – New Jersey: John Wiley & Sons, 2006. – 434 р.
Price C. Computer based diagnostic systems / C. Price. – London: Springer, 1999. – 136 p.
Дли М. И. Нечёткая логика и искусственные нейронные сети / М. И. Дли. – М.: Физматлит, 2003. – 225 с.
Рутковская Д. Нейронные сети, генетические алгоритмы и нечёткие системы / Д. Рутковская, М. Пилиньский, Л. Рутковский; пер.польск. И. Д. Рудинского.–М.:Горячая линия–Телеком, 2004. – 452 с.
Rao V. B. C++ neural networks and fuzzy logic / V. B. Rao. – Foster City: M&T Books, 1995. – 549 p.
Bishop C. Neural networks for pattern recognition / C. Bishop. – New York: Oxford University Press, 1995. – 482
Круглов В. В. Искуственные нейронные сети. Теория и практика / В. В. Круглов, В. В. Борисов. – М.: Горячая линия – Телеком, 2001. – 382 с.
Осовский С. Нейронные сети для обработки информации / – М.: Финансы и статистика, 2004. – 344 с.
Руденко О. Г. Штучні нейронні мережі / О. Г. Руденко, Є. В. Бодянський. – Харків: СМІТ, 2006. – 404 с.
Хайкин С. Нейронные сети: полный курс / С. Хайкин. – СПб: Вильямс, 2005. – 1104 с.
Субботін С. О. Нейронні мережі : навч. посіб. / С. О. Субботін, А. О. Олійник; за ред. С. О. Субботіна. – Запоріжжя : ЗНТУ, 2014. – 132 с.
Олійник А. О. Інтелектуальний аналіз даних : навчальний посібник / А. О. Олійник, С. О. Субботін, О. О. Олійник. – Запоріжжя : ЗНТУ, 2012. – 278 с.
Интеллектуальные информационные технологии проектирования автоматизированных системдиагностирования и распознавания образов : монография / [С. А. Субботин, Ан. А. Олейник, Е. А. Гофман и др.] ; под ред. С. А. Субботина. – Харьков : ООО «Компания Смит», 2012. – 317 с.
