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.
В статье дается концептуальное видение профессиональных стилей человека в зависимости от его профессиональных и жизненных приоритетов. Стиль отражает стратегию адаптации человека. Индивидуальный стиль профессиональной деятельности рассматривается как функция составляющих ее эффективности. Выделено 16 вариантов стилей, в зависимости от значимых для человека составляющих эффективности его труда. В зависимости от профессиональной успешности, степени удовлетворенности трудом и ценностных ориентаций выделено 8 профессиональных стилей, хаpaктеризующих (выявляющих, демонстрирующих) хаpaктер специалиста.
...
20 07 2026 11:19:45
Статья в формате PDF
160 KB...
19 07 2026 19:19:17
Статья в формате PDF
236 KB...
18 07 2026 3:14:10
В статье рассматривается проблема изучения понятия «политическая дискурсия» в современной лингвистике. Развитие когнитивной парадигмы в лингвистике актуализировало изучение понятия «дикурс», исследование же политической дискурсии даёт возможность исследовать подробнее языковую личность политика.
...
16 07 2026 12:29:57
Статья в формате PDF
109 KB...
15 07 2026 17:57:11
Статья в формате PDF
230 KB...
13 07 2026 17:51:18
Статья в формате PDF
131 KB...
11 07 2026 11:14:26
Статья в формате PDF
116 KB...
10 07 2026 0:23:58
Статья в формате PDF
105 KB...
09 07 2026 22:38:10
Статья в формате PDF
364 KB...
07 07 2026 1:34:51
Статья в формате PDF
107 KB...
06 07 2026 12:40:15
Статья в формате PDF
109 KB...
05 07 2026 10:16:54
Статья в формате PDF
266 KB...
04 07 2026 3:35:33
Статья в формате PDF
122 KB...
03 07 2026 13:39:12
Развитие интеллекта учащихся происходит эффективно, если усвоение знаний, приобретение умений и навыков из цели образования превращается в средство развития способностей. Для этого надо переосмыслить содержание образования, сконструировать и внедрить эффективные педагогические технологии, позволяющие эффективно решить поставленные задачи. "Химия для математиков" – технология интеграции естественно-математических знаний на разных уровнях. Методика проведения интегрированных уроков "химия – информатика" разработана и успешно применяется в физико-техническом лицее № 1 г. Саратова.
...
02 07 2026 21:13:14
Статья в формате PDF
294 KB...
01 07 2026 2:55:19
Статья в формате PDF
106 KB...
30 06 2026 3:46:34
Статья в формате PDF
304 KB...
29 06 2026 16:56:28
С помощью элементарных методов комбинаторной математики и единственности решений систем линейных алгебраических уравнений для невырожденных случаев доказана теорема о количестве и структуре особых точек n–мерной динамической системы популяционной динамики Лотки-Вольтерра. Показано, что количество особых точек для этой системы равняется 2n, а их структура в отношении сочетания нулевых и ненулевых координат совпадает с биноминальными коэффициентами. Сделано предположение, что с помощью этой динамической системы можно моделировать конкурентные взаимодействия среди n научных фронтов в рамках широкой области научных исследований.
...
28 06 2026 4:27:36
Статья в формате PDF
132 KB...
27 06 2026 12:46:11
Статья в формате PDF
111 KB...
26 06 2026 2:43:39
Статья в формате PDF
192 KB...
25 06 2026 4:20:59
Статья в формате PDF
396 KB...
24 06 2026 18:56:33
Статья в формате PDF
136 KB...
23 06 2026 2:12:16
Статья в формате PDF
122 KB...
22 06 2026 0:37:39
Статья в формате PDF
109 KB...
21 06 2026 6:28:18
Статья в формате PDF
109 KB...
20 06 2026 11:42:46
Статья в формате PDF
111 KB...
19 06 2026 19:37:23
Статья в формате PDF
131 KB...
17 06 2026 16:17:28
Статья в формате PDF
131 KB...
16 06 2026 5:25:51
Статья в формате PDF
126 KB...
15 06 2026 18:39:35
Статья в формате PDF
244 KB...
14 06 2026 12:35:59
Статья в формате PDF
116 KB...
13 06 2026 18:36:30
Статья в формате PDF
160 KB...
11 06 2026 6:22:58
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 ::
