Intelligent Evolutionary Studio — программное обеспечение для машинного обучения искусственных нейронных сетей | Статья в журнале «Молодой ученый»

Отправьте статью сегодня! Журнал выйдет 30 ноября, печатный экземпляр отправим 4 декабря.

Опубликовать статью в журнале

Библиографическое описание:

Ляпунцова Е. В., Бессонов Д. В. Intelligent Evolutionary Studio — программное обеспечение для машинного обучения искусственных нейронных сетей // Молодой ученый. — 2013. — №8. — С. 55-59. — URL https://moluch.ru/archive/55/7511/ (дата обращения: 19.11.2019).

В работе приводится описание разработанного авторами программного обеспечения Intelligent Evolutionary Studio, реализованного с помощью шаблона проектирования эволюционного моделирования. Поясняется формат файлов искусственных нейронных сетей. Описаны все возможности Intelligent Evolutionary Studio, а также иллюстрируются примеры и снимки главного окна.

Ключевые слова: искусственные нейронные сети, генетические алгоритмы, машинное обучение.

Введение

Авторами разработан программный продукт под названием Intelligent Evolutionary Studio (IES), который является инструментом для машинного обучения искусственных нейронных сетей (ИНС). В IES применяется машинное обучение с помощью эволюционных алгоритмов, а именно используется генетический алгоритм (ГА). Машинное обучение ИНС в IES возможно через настройку весовых коэффициентов и/или структуры сетей. Под настройкой весовых коэффициентов понимается следующее, что дана ИНС, без заранее заданных весовых коэффициентов, и требуется подобрать такие весовые коэффициенты, при которых заданная ИНС будет соответствовать выходным сигналам из обучающего множества. Настройка структуры сетей в машинном обучении ИНС происходит точно так же, как и настройка весовых коэффициентов, за исключением того, что структура или архитектура ИНС заранее не известна, и происходит подбор подходящей структуры сети в соответствии с обучающим множеством.

IES разработан с помощью предложенного шаблона проектирования эволюционного моделирования [1]. Способы, описанные в литературе [4], эволюционного обучения ИНС применяются в IES. Разработанный программный продукт позволяет загружать заранее заданные структуры ИНС и обучающее множество. Для этого был описан и разработан специальный формат файлов. Пользователь может создавать или редактировать собственные структуры сетей и обучающее множество, а затем загружать в IES подготовленные файлы для машинного обучения ИНС. Далее приводится описание формата файлов и функций IES.

Формат файлов искусственной нейронной сети

В IES используются два формата файлов. Один описывает структуру ИНС, а второй — обучающее множество. Оба формата являются текстовыми. Редактирование файлов возможно в любом текстовом редакторе без форматирования.

Далее рассматривается описание формата структуры ИНС. Файл состоит из двух групп. Первая группа обозначается строкой «net:». Свидетельствует о том, что следующие строки описывают расположение нейронов на плоскости. Обратите внимание, что номера строк в примерах файлов не входят в описание формата файлов, а введены лишь для удобства объяснения. Для примера, рассмотрим следующие строки файла:

Строка 1       net:

Строка 2       101

Строка 3       101

Строка 4       010

Начиная со строки 2, каждая строка обозначает слой ИНС, где вторая и четвертая строка являются входным и выходным слоем сети. Все строки между строками, обозначающие входной и выходной слой, являются скрытыми слоями. Каждая строка состоит из «0» и «1», где «0» говорит о том, что нейрон отсутствует на данном уровне, а «1» — нейрон присутствует на данном уровне. Например, вторая строка «101» обозначает присутствие нейронов на верхнем и нижнем уровнях.

После описания слоев сети следует вторая группа и обозначается строкой «lnk:». Данная строка свидетельствует о том, что следующие строки описывают связи между нейронами. Например:

Строка 1       lnk:

Строка 2       0:0:1:0

Строка 3       0:0:1:1

Строка 4       0:1:1:0

Строка 5       0:1:1:1

Строка 6       1:0:2:0

Строка 7       1:1:2:0

Начиная со строки 2, каждая строка обозначает связь между двумя нейронами, где через разделительный символ «:» идут по следующему порядку: номер слоя, где расположен исходящий нейрон, номер исходящего нейрона, затем номер слоя, где расположен принимающий нейрон, и номер принимающего нейрона. Номера слоя и нейрона начинаются с нуля. Например, пятая строка «0:1:1:1» обозначает связь между нейроном (номер 1) в слое с номером 0 с нейроном (номер 1) в слое с номером 1.

На этом описание структуры ИНС заканчивается. Полный текст файла с описанием структуры ИНС приводится ниже, полученная ИНС в графическом виде представлена на рисунке (рис. 1). Все строки файла с описанием ИНС:

Строка 1       net:

Строка 2       101

Строка 3       101

Строка 4       010

Строка 5       lnk:

Строка 6       0:0:1:0

Строка 7       0:0:1:1

Строка 8       0:1:1:0

Строка 9       0:1:1:1

Строка 10     1:0:2:0

Строка 11     1:1:2:0

Рис. 1. Графический вид ИНС из примера описания формата файлов

Далее рассматривается описание формата обучающего множества. Файл состоит из набора входных сигналов и выходных сигналов. Например:

Строка 1       0 0 0

Строка 2       0 1 1

Строка 3       1 0 1

Строка 4       1 1 0

Каждая строка обозначает обучающее подмножество. Каждый сигнал отделятся символом пробела. Если обучаемая ИНС принимает два входных сигнала и один выходной сигнал, то в каждой строке обучающего множества первые два числа через пробел будут обозначать входные сигналы, а третье число — выходной сигнал. Поэтому для разных ИНС одно и тоже обучающее множество может отличаться. Файл с обучающим множеством выбирается в зависимости от входных и выходных сигналов ИНС. В случае с двумя входными сигналами и одним выходным сигналов обучающее множество можно представить таблицей (таб. 1).

Таблица 1

Обучающее множество из примера

Строка

Входной сигнал 1

Входной сигнал 2

Выходной сигнал

1

0

0

0

2

0

1

1

3

1

0

1

4

1

1

0

Функции IES

IES управляется через главное окно. На рисунке (рис. 2) показано главное окно. Все окно можно разделить на следующие части:

-        Главное меню;

-        Таблица весовых коэффициентов;

-        Изображение структуры ИНС.

Рис. 2. Главное окно IES

Все функции IES доступны через главное меню. Структура меню выглядит следующим образом:

1.      Обучение;

1.1.         Настройка весов;

1.2.         Настройка сети;

2.      Действия;

2.1.         Запустить;

2.2.         Остановить;

2.3.         Параметры;

3.      Информация;

3.1.         График;

3.2.         Обучающее множество.

В первом разделе меню «Обучение» вызывается способ обучения. В IES два способа обучения ИНС. Обучение путем настройки весовых коэффициентов и обучение путем настройки структуры ИНС. После вызова какого-либо способа обучения предлагается загрузить файл с описание структуры ИНС и файл с описание обучающего множества. После загрузки файлов в меню становятся доступны следующие разделы.

Во втором разделе меню «Действия» возможны функции запуска и остановки алгоритма обучения. А также в этом разделе можно вызвать окно (рис. 3) для настройки параметров алгоритма обучения.

Рис. 3. Окно с настройками параметров алгоритма обучения

После завершения алгоритма обучения становится доступным следующий раздел.

В третьем разделе меню «Информация» можно вызвать окно для отображения графика приспособленности (рис. 4) и окно с таблицей обучающего множества (рис. 5).

Рис. 4. График приспособленности

Рис. 5. Обучающее множество

Заключение

В итоге разработано ПО для обучения ИНС с помощью эволюционных алгоритмов. IES позволяет обучать ИНС путем настройки весовых коэффициентов, а также путем настройки структуры сети. IES позволяет конструировать сложные структуры ИНС (рис. 6).

Рис. 6. Примеры сложных ИНС

IES позволяет работать с различными ИНС с заранее заданной структурой сети через специальный формат файлов. Также доступно множество функций для управления алгоритмом обучения.

IES разработан с помощью языка программирования Java и платформы Java Standard Edition. Разработка проводилась в соответствии с паттернами проектирования [3]. Для запуска IES, на компьютере пользователя должна быть установлена JRE старше 1.6 версии.

Результатом разработки является реализация предложенного подхода [1]. На основе такого шаблона проектирования эволюционного моделирования реализован IES, а также получено свидетельство о регистрации объекта интеллектуальной собственности [2]. Разработанное программное обеспечение применимо к решению задач распознавания, классификации, прогнозирования и т. д.

Литература:

1.      Ляпунцова Е. В., Бессонов Д. В. Шаблон проектирования эволюционного моделирования // XIII Национальная конференция с международным участием «Искусственный интеллект-2012», Белгород, Октябрь 16–19, 2012. Труды конференции в 4 томах, т. 2. — Белгород: Изд-во БГТУ, 2012. — С. 307–312

2.      Ляпунцова Е. В., Бессонов Д. В. IntelligentEvolutionaryStudio (IES). Интеллектуальная Собственность — БесПроблем. Свидетельство № 13–11 от 19.06.2013

3.      Гамма Э., Хелм Р., Джонсон Р., Влиссидес Дж. Приемы объектно-ориентированного проектирования. Паттерны проектирования. — СПб: Питер, 2010. — 366 с.

4.      Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. — М.: Горячая линия — Телеком, 2006. — 452 с.

Основные термины (генерируются автоматически): IES, строка, обучающее множество, машинное обучение, главное окно, номер слоя, описание структуры, описание формата файлов, выходной сигнал, эволюционное моделирование.


Ключевые слова

искусственные нейронные сети, генетические алгоритмы, машинное обучение.

Похожие статьи

Распознавание английского текста сверточной нейронной сетью

Активное развитие машинного обучения привело к распространению искусственных нейронных сетей [7]. Нейронные сети, основанные на биологической структуре человеческого мозга, превышают по своей вычислительной

. Математическая модель выходного слоя.

Актуальность использования виртуальных лабораторных работ...

Первый и главный этап компьютерное моделирования

Прежде чем переходить к описанию математической модели, необходимоопределить входные и выходные переменные.

Применение LabView при реализации виртуальных измерительных устройств, для обучения...

Алгоритмы распознавания объектов | Статья в сборнике...

Библиографическое описание

Ключевые слова: распознавание образов, обработка изображений, компьютерное зрение, машинное обучение. Существует множество методов распознавания объектов на изображении.

Методологии проектирования мультиагентных систем

Описание методологии. Онтология представляет собой спецификацию объектов, понятий, сущности и отношения между объектами в

МОП заключается в систематическом использовании моделей как главных артефактов во время всего цикла разработки.

Обнаружение объектов на изображении с использованием данных...

Библиографическое описание

Подобные системы часто решают конкретные технические задачи, используя в качестве основы алгоритмы машинного обучения, такие как алгоритмы кластеризации, метод опорных векторов, классификация объектов и другие.

Неконтролируемые методы машинного обучения при...

Библиографическое описание

Представлена классификация методов машинного обучения. Ключевые слова: неконтролируемое машинное обучение, система обнаружения вторжений, обнаружение аномалий.

Технологии компьютерной графики и их практическая реализация

Библиографическое описание

машинное моделирование. Для визуализации данных используется множество инструментов.

Редактор позволяет открывать и редактировать файлы с форматами bmp, gif (без анимации), jpeg.

Методы распознавания образов | Статья в журнале...

Библиографическое описание

Методы машинного обучения и принятия решений являются финальной стадией в распознавании образов.

В большинстве случаев суть обучения заключается в следующем: на основе обучающей выборки с признаками каждого класса...

Разработка обобщенной модели архитектуры нейрокомпьютера

Библиографическое описание

Результаты работы нейрокомпьютера поступают на устройство вывода с выходного слоя ИНС.

В работе абстрактного нейрокомпьютера выделяют два главных режима — обучение и рабочий режим.

Похожие статьи

Распознавание английского текста сверточной нейронной сетью

Активное развитие машинного обучения привело к распространению искусственных нейронных сетей [7]. Нейронные сети, основанные на биологической структуре человеческого мозга, превышают по своей вычислительной

. Математическая модель выходного слоя.

Актуальность использования виртуальных лабораторных работ...

Первый и главный этап компьютерное моделирования

Прежде чем переходить к описанию математической модели, необходимоопределить входные и выходные переменные.

Применение LabView при реализации виртуальных измерительных устройств, для обучения...

Алгоритмы распознавания объектов | Статья в сборнике...

Библиографическое описание

Ключевые слова: распознавание образов, обработка изображений, компьютерное зрение, машинное обучение. Существует множество методов распознавания объектов на изображении.

Методологии проектирования мультиагентных систем

Описание методологии. Онтология представляет собой спецификацию объектов, понятий, сущности и отношения между объектами в

МОП заключается в систематическом использовании моделей как главных артефактов во время всего цикла разработки.

Обнаружение объектов на изображении с использованием данных...

Библиографическое описание

Подобные системы часто решают конкретные технические задачи, используя в качестве основы алгоритмы машинного обучения, такие как алгоритмы кластеризации, метод опорных векторов, классификация объектов и другие.

Неконтролируемые методы машинного обучения при...

Библиографическое описание

Представлена классификация методов машинного обучения. Ключевые слова: неконтролируемое машинное обучение, система обнаружения вторжений, обнаружение аномалий.

Технологии компьютерной графики и их практическая реализация

Библиографическое описание

машинное моделирование. Для визуализации данных используется множество инструментов.

Редактор позволяет открывать и редактировать файлы с форматами bmp, gif (без анимации), jpeg.

Методы распознавания образов | Статья в журнале...

Библиографическое описание

Методы машинного обучения и принятия решений являются финальной стадией в распознавании образов.

В большинстве случаев суть обучения заключается в следующем: на основе обучающей выборки с признаками каждого класса...

Разработка обобщенной модели архитектуры нейрокомпьютера

Библиографическое описание

Результаты работы нейрокомпьютера поступают на устройство вывода с выходного слоя ИНС.

В работе абстрактного нейрокомпьютера выделяют два главных режима — обучение и рабочий режим.

Задать вопрос