140 • предложен, исследован и реализован многопопуляционный генетический алгоритм обучения НС, позволяющий, в отличие от известных, изменять процедуру обмена хромосом между популяциями, в зависимости от ситуации поиска, что повышает достоверность принимаемого решения; • разработан, исследован и реализован двухэтапный алгоритм оптимизации, позволяющий за счет использования на первом этапе генетического алгоритма быстро локализовать область существования глобального экстремума, а на втором за счет использования локального алгоритма оптимизации повысить точность нахождения экстремума. 5. Решена задача настройки (автоматического формирования топологии) нейронного модуля и многомодульной нейронной сети (НС) на конкретную прикладную задачу, на основе модифицированного конструктивного подхода и генетического алгоритма, экспериментальное исследование которых показало, что количество межнейронных связей в нейронном модуле уменьшается примерно на 30% по сравнению с полносвязной НС, что позволяет, в свою очередь, уменьшить время распознавания и время обучения в НС, использующих данный модуль. 6. Создана методологическая и инструментальная среда для построения нейросетевых моделей с требуемыми характеристиками из предварительно обученных и вновь разрабатываемых нейросетевых и гибридных модулей в составе ИИТ для конкретных приложений. С помощью разработанных программных средств решены реальные практические задачи моделирования технических систем и систем поиска информации. Таким образом, в данной работе предложено решение задачи автоматизации проектирования интеллектуальных информационных технологи на основе перспективных нейросетевых моделей, что имеет сугцественное значение для теории и практики интеллектуального анализа и обработки данных,. |
руктивного подхода и генетического алгоритма, экспериментальное исследование которых показало, что количество межнейронных связей в нейронном модуле уменьшается примерно на 30% по сравнению с полносвязной нейронной сетью, что позволяет, в свою очередь, уменьшить время распознавания и время обучения в сетях, использующих данный модуль. 4. Проведено теоретическое и экспериментальное исследование генетического алгоритма для обучения нейронной сети, являющегося альтернативой алгоритму обратного распространения ошибки (Back Propagation -BP), обеспечивающего увеличение скорости сходимости к глобальному минимуму ошибки обучения и уменьшение ошибки распознавания, а именно: на основе анализа естественных природных механизмов эволюции предложены, исследованы и реализованы новые операторы селекции хромосом, кроссинговера, хромосомной мутации, отбора, которые, в отличие от классических, повышают вероятность нахождения глобального экстремума функции ошибки нейронной сети со сложным ландшафтом; предложен, исследован и реализован многопопуляционный генетический алгоритм обучения нейронной сети, позволяющий, в отличие от известных, изменять процедуру обмена хромосом между популяциями, в зависимости от ситуации поиска, что повышает достоверность принимаемого решения; • разработан, исследован и реализован двухэтапный алгоритм оптимизации, позволяющий за счет использования на первом этапе генетического алгоритма быстро локализовать область существования глобального экстрему375 ма, а на втором за счет использования локального алгоритма оптимизации повысить точность нахождения экстремума; проведено экспериментальное исследование влияния различных генетических операторов на эффективность поиска и получены рекомендации о целесообразном их использовании в генетическом алгоритме при оптимизации функции ошибки нейронной сети. 5. Создана методологическая и инструментальная среда для построения нейронных сетей с требуемыми характеристиками из предварительно обученных и вновь разрабатываемых нейросетевых и гибридных модулей для конкретных приложений. В том числе: предложены и программно реализованы усовершенствованные неиросетевые классификаторы персептронного типа, позволяющие, в отличие от классификаторов, обучающихся по стандартному алгоритму ВР, решить следующие задачи: 1) повысить скорость сходимости алгоритма обучения ВР на 2530% за счет регулирования параметров обучения на основе нечеткой логики; 2) уменьшить ошибку распознавания на 30-40 % и время обучения в тысячу и более раз при той же обучающей выборке за счет разработки комбинированного генетического алгоритма с динамическим изменением параметров во время процедуры оптимизации на основе недетерминированного алгоритма поиска экстремума алгоритма имитации отжига; 3) уменьшить время обучения нейронной сети за счет разработки алгоритма автоматического останова процедуры обучения, при этом число 376 |