СПЕЦИАЛИЗИРОВАННЫЕ АЛГОРИТМЫ ОБУЧЕНИЯ И НАСТРОЙКИ РЕКУРРЕНТНОЙ СЕТИ ПРЕОБРАЗОВАТЕЛЯ ЧАСТОТНО-ВРЕМЕННЫХ ПАРАМЕТРОВ СИГНАЛОВ В КОД
Одним из направлений повышения эффективности преобразователей формы представления информации (ПФИ) аналоговой величины x (заданной в виде частоты f x или временного интервала ) в цифровой эквивалент в информационно-измерительных системах является расширение функциональных (интеллектуальных) возможностей ПФИ, в том числе с использованием математического аппарата искусственных нейронных сетей (ИНС) [1].
Предложенная в [1] методика синтеза нейросетевых преобразователей содержит 4 этапа. Наиболее трудоемким из них является настройка нейросетевых ПФИ на решение задачи преобразования. Под настройкой ИНС-преобразователя понимается совокупность специальных процедур, таких как, выбор алгоритма обучения нейросети и обучающих примеров, а также собственно процедуры обучения и тестирования устройства на решение поставленной задачи преобразования [1].
При разработке аппаратно-реализуемых нейросетевых устройств преобразования существует задача разработки специализированных алгоритмов обучения нейронных сетей [1], так как универсальные нейросетевые структуры и алгоритмы их обучения рассчитаны, как правило, на программную реализацию, что не всегда приемлемо в устройствах, функционирующих независимо от вычислительного центра управления системой сбора и обработки информации.
Из работы [2] известна структура нейросетевого преобразователя частотно-временных параметров x сигналов в цифровой код на основе последовательного соединения двух компонент: однослойной ИНС и двухслойной рекуррентной сети. Последняя обладает рядом недостатков.
- Неопределенность минимального необходимого количества нейронов скрытого слоя сети для выполнения поставленной задачи преобразования.
- Структура рассчитана на обучение с помощью алгоритма обратного распространения ошибки, сходимость которого зависит от многих факторов (вид функции активации нейронов, способность алгоритма обойти «локальные минимумы» и др.), что не всегда возможно учесть заранее в аппаратно-реализуемом устройстве.
В связи с этим предлагается модификация второй компоненты структуры нейросетевого преобразователя частотно-временных параметров x сигналов в цифровой код на основе двухслойной рекуррентной сети с целью устранения выше перечисленных недостатков.
Первая компонента осуществляет преобразование аналоговой величины x, представленной в виде частоты f x или временного интервала , в число-импульсный код относительно опopной величины , представленной в виде временного интервала , частоты f 0 или периода T 0.
Математически работу нейрона первой компоненты ИНС (см. рис. 2) можно описать следующей формулой [2]:
где - значения суммы на входе порогового элемента нейрона в дискретные моменты времени (такт) , h - номер такта преобразования длительностью T 0. Аналоговая величина x задает значение переменного порога нейрона. Код на выходе первой компоненты представляется в виде последовательности импульсов α 0:
Модифицированная вторая компонента может осуществлять преобразование унитарного число-импульсного кода в двоично-позиционный код в зависимости от значений весовых коэффициентов и порогов нейронов сети. Входом для импульсов α0 является сдвиговый регистр, состоящий из элементов задержки ЭЗ1, ЭЗ2,.. и т.д. Биты элементов задержки сдвигового регистра совместно с битами элементов задержки обратных связей ЭЗБ1, ЭЗБ2,.. и т.д. являются входами двухслойной рекуррентной сети.
Условно двухслойную сеть можно разбить на группы нейронов, формирующие соответствующие им биты β1 позиционного кода , и группу нейронов формирующих сигнал сброса Clr сдвигового регистра. Каждая из этих групп образует двухслойную рекуррентную подсеть с обратной связью, которая состоит из группы нейронов первого слоя и одного нейрона второго (выходного) слоя. Нейроны имеют пороговую функцию активации:
где - взвешенная сумма значений входов нейрона x j; M - число входов нейрона; W j,i - весовые коэффициенты нейрона; θ i - порог нейрона.
Предлагаемый алгоритм содержит 3 этапа.
- Формирование обучающей выборки.
- Формирование структуры сети.
- Обучение нейронов сформированной сети.
Приведенный специализированный алгоритм обучения и настройки нейросетевых преобразователей позволяет проектировать преобразователи формы информации на основе модифицированной рекуррентной сети на задачу нелинейного преобразования «аналог-код», не прибегая к стандартным обучающим алгоритмам при настройке и (или) перенастройке функционального преобразователя на реализацию новой функции преобразования. Это исключает итеративное приближение весовых коэффициентов к искомым значениям, что существенно сокращает время настройки. Предложенные этапы обучения учитывают структурные особенности слоев рекуррентной сети, что снижает аппаратные затраты на реализацию весовых коэффициентов второго слоя, в отличие от стандартных алгоритмов обучения сетей, рассчитанных в основном на программную реализацию.
СПИСОК ЛИТЕРАТУРЫ
- Локтюхин В.Н., Челебаев С.В. Нейросетевые преобразователи импульсно-аналоговой информации: организация, синтез, реализация / Под общей редакцией А.И. Галушкина. - М.: Горячая линия - Телеком, 2008. ‑ 144 с.
- Локтюхин В.Н., Челебаев С.В. Применение рекуррентных сетей для синтеза импульсно-цифровых преобразователей // Вестник Рязанского государственного радиотехнического университета, № 19, 2006. С. 94-103.
Статья в формате PDF 300 KB...
19 04 2024 17:25:16
В работе дан теоретический анализ понятия «личности», способы её формирования в результате пpaктической деятельности человека. Показано, что речь – необходимое условие социального, культурного воспроизводства личности, формирования его специфических социальных способностей. ...
18 04 2024 4:55:55
Статья в формате PDF 323 KB...
17 04 2024 4:11:50
Статья в формате PDF 142 KB...
16 04 2024 18:41:48
Статья в формате PDF 103 KB...
15 04 2024 0:27:57
Статья в формате PDF 119 KB...
14 04 2024 11:12:57
Статья в формате PDF 134 KB...
13 04 2024 0:42:51
Статья в формате PDF 111 KB...
12 04 2024 14:53:28
Статья в формате PDF 276 KB...
11 04 2024 5:52:58
10 04 2024 16:16:53
В статье дается оценка состояния экосистем западного Кавказа, вовлекаемых в олимпийское строительство. Актуальной становиться проблема взаимоотношений «рекреация — животный мир», выявление положительных и отрицательных сторон, а также пути их решения. ...
09 04 2024 5:44:42
Статья в формате PDF 133 KB...
08 04 2024 11:10:36
Статья в формате PDF 110 KB...
07 04 2024 13:20:43
Статья в формате PDF 133 KB...
06 04 2024 22:47:41
Статья посвящена авторской методологии прогнозирования экономического потенциала региона на примере Краснодарского края. В ходе научных исследований был разработан оригинальный математический аппарат, позволяющий оценить основные экономические показатели региона, который применяется для социально-экономического прогноза региона на текущий и перспективный периоды. Описательная часть содержит основные подходы и этапы эффективного экономического прогнозирования региона. ...
05 04 2024 2:45:11
04 04 2024 22:51:55
Статья в формате PDF 272 KB...
03 04 2024 10:24:22
Статья в формате PDF 119 KB...
01 04 2024 6:23:12
31 03 2024 2:20:12
Статья в формате PDF 323 KB...
30 03 2024 10:28:22
Статья в формате PDF 143 KB...
29 03 2024 8:32:48
Проведена инвентаризация лихенофлоры Республики Татарстан (РТ). Показана роль особо охраняемых природных территорий в сохранении флористического разнообразия. Дан спектр семейств редких видов во флоре обследованной территории и анализ состава географических элементов. Рассмотрено распределение редких видов по основным типам местообитаний. Даются некоторые сведения о редких и исчезающих лишайниках для включения в Красную книгу РТ. ...
28 03 2024 22:23:51
Статья в формате PDF 300 KB...
27 03 2024 2:34:53
Статья в формате PDF 291 KB...
26 03 2024 14:24:34
Статья в формате PDF 268 KB...
25 03 2024 23:54:38
Статья в формате PDF 119 KB...
24 03 2024 17:51:14
Статья в формате PDF 133 KB...
22 03 2024 21:58:20
Статья в формате PDF 154 KB...
21 03 2024 9:14:40
Статья в формате PDF 110 KB...
20 03 2024 5:34:51
Статья в формате PDF 131 KB...
18 03 2024 16:51:43
Статья в формате PDF 112 KB...
17 03 2024 23:45:58
Статья в формате PDF 123 KB...
16 03 2024 18:37:37
Статья в формате PDF 138 KB...
15 03 2024 10:54:11
Статья в формате PDF 111 KB...
14 03 2024 19:33:55
13 03 2024 2:48:50
Статья в формате PDF 106 KB...
11 03 2024 19:46:42
Еще:
Поддержать себя -1 :: Поддержать себя -2 :: Поддержать себя -3 :: Поддержать себя -4 :: Поддержать себя -5 :: Поддержать себя -6 :: Поддержать себя -7 :: Поддержать себя -8 :: Поддержать себя -9 :: Поддержать себя -10 :: Поддержать себя -11 :: Поддержать себя -12 :: Поддержать себя -13 :: Поддержать себя -14 :: Поддержать себя -15 :: Поддержать себя -16 :: Поддержать себя -17 :: Поддержать себя -18 :: Поддержать себя -19 :: Поддержать себя -20 :: Поддержать себя -21 :: Поддержать себя -22 :: Поддержать себя -23 :: Поддержать себя -24 :: Поддержать себя -25 :: Поддержать себя -26 :: Поддержать себя -27 :: Поддержать себя -28 :: Поддержать себя -29 :: Поддержать себя -30 :: Поддержать себя -31 :: Поддержать себя -32 :: Поддержать себя -33 :: Поддержать себя -34 :: Поддержать себя -35 :: Поддержать себя -36 :: Поддержать себя -37 :: Поддержать себя -38 ::