УДК 519.68: 681.322: 681.513.7
Е.П. Егорцева, П.А. Назаренко
Поволжская государственная академия телекоммуникаций и информатики
ИСПОЛЬЗОВАНИЕ ПРИНЦИПОВ ТЕОРИИ АДАПТИВНОГО РЕЗОНАНСА ДЛЯ ПОСТРОЕНИЯ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ УПРАВЛЕНИЯ
Теория адаптивного резонанса нашла применение в тех архитектурах искусственных нейронных сетей, от которых требуется одновременное наличие свойств пластичности и стабильности. Как известно, широко распространенные и используемые в ряде областей архитектуры типа обобщенного многослойного перцептрона, сетей Кохонена и Хемминга не обладают одновременно указанными свойствами. Это означает, что подача на вход такой сети в режиме обучения заведомо новой информации, не содержащейся в первоначальном обучающем множестве, может привести к существенной перенастройке сети, в том числе необратимой с точки зрения заданного алгоритма работы. Следует заметить, что такой режим работы обычно не предусматривается, и это существенно ограничивает области применения перечисленных архитектур нейросетей.
Свободными от рассмотренного недостатка являются сети, построенные на основе адаптивно-резонансной теории (АРТ) [1]. Основные принципы работы АРТ-сетей заключаются в следующем. Поступающая на вход сети информации анализируется на предмет совпадения с уже хранящимися в сети данными. В случае отрицательного результата этого анализа поступившая информация считается новой и запоминается в сети. При положительном результате анализа запоминание не происходит, а вместо этого активизируется один из элементов (нейронов) сети, ассоциированный с совпавшими данными. Тем самым обеспечивается стабильность памяти нейросети. В АРТ-нейросети возможен режим работы, когда полного совпадения не требуется, в этом случае, в зависимости от степени несовпадения хранящиеся данные могут обновляться с целью повышения степени сходства. Такой режим придает нейросети как запоминающей системе свойство пластичности.
Имеется целый ряд модификаций АРТ-сетей, отличающихся как видом обрабатываемой и хранимой информации – дискретной или непрерывной, так и деталями алгоритмов анализа и поиска совпадений. Предлагается интеллектуальная система управления, использующая принципы теории адаптивного резонанса.
Рассмотрим особенности архитектуры и функционирования этой системы. В ее основу, также как и в нейросетях всех основных архитектур, положены однотипные элементы, соединенные между собой динамическими связями. Но в отличие от нейросетей, элементы системы не объединены в набор слоев, а являются динамическими элементами, с точки зрения топологии – узлами произвольного, в общем случае ориентированного, графа.
Структура элементов допускает хранение информация произвольного характера – переменных управляемой среды, классификационных признаков, текстовых описаний, наборов управляющих команд и т.д. При этом хранение данных происходит в обычной оперативной памяти машины, а не в весовых коэффициентах синаптических связей. За счёт этого предлагаемая система свободна от такого недостатка АРТ-сетей, как большое число связей в сети по отношению к количеству запоминаемой информации. Кроме того, структура элементов предусматривает установление произвольного количества связей между элементами. Связи между элементами могут устанавливаться по принципу «частный – общий». Таким образом, с точки зрения хранения данных система может считаться иерархической объектной базой данных. На верхнем уровне иерархии находится некоторая абстрактная классификационная категория, являющаяся базовой для более конкретных классификационных признаков некоторой предметной области. В свою очередь, эти признаки оказываются базовыми категориями для переменных управляемой среды, процедур управления, их описаний и другой информации. Условно структура такой системы показана на рисунке 1.
Рис. 1
Поскольку система не является нейронной сетью в классическом понимании, то не требуется полное повторение технологии АРТ, но общие принципы этой теории могут быть положены в основу работы интеллектуальной системы. Функционирование этой системы может происходить циклически в соответствии со следующим алгоритмом.
1. Ввод данных.
2. Поиск совпадения в графе, например, по алгоритму BFS.
3. Если совпадения не найдено, то создается новый элемент с проведением связей от него к сопоставимым элементам.
4. Если совпадение найдено, то выполняется анализ, результатом которого является путь по графу от найденного элемента к корневому элементу.
5. При необходимости может выполняться прохождение по графу по найденному пути.
6. Если элементы системы, расположенные на найденном пути, предполагают какое-либо действие – то выполнение этого действия.
7. Если в процессе построения пути генерируется новая информация, например, новая управляющая операция, которая должна сохраняться в памяти системы, то создается новый элемент, в котором и будет храниться эта информация
Важным аспектом работы системы является её отказоустойчивость, для обеспечения которой алгоритм можно дополнить следующими пунктами.
8. Выполнение резервного копирования при наступлении некоторого события, например, по сигналу от таймера.
9. Восстановление системы из резервной копии в случае сбоя.
Система может получать входную информацию от традиционных источников сигналов, используемых в электронных устройствах, а также от классических нейронных сетей, выполняющих задачи классификации и распознавания. Интеграции предлагаемой системы с нейронными сетями может быть облегчена за счет применения унифицированных информационных элементов.
Одним из аспектов интеллектуальности этой системы является ее способность к обучению. Существует множество алгоритмов обучения, в том числе генетические алгоритмы [2]. Такие алгоритмы могут быть использованы для настройки синаптических связей в тех элементах системы, которые составляют классические нейронные сети, если таковые входят в ее состав. Одной из областей применения генетических алгоритмов является решение задачи оптимального включения новых элементов в соответствующие группы элементов системы.
Использование графа как базовой структуры данных позволяет применять для обслуживания системы хорошо отработанные операции с графами: дополнение элементов, поиск элементов, содержащих требуемую информацию, поиск путей в графе и т.п. Для повышения отказоустойчивости предусмотрены операции обмена данными с внешними носителями. Эти операции обеспечивают полное сохранение информационной структуры системы, включая связи между элементами, при ее загрузке из файла, таким образом, повторное обучение системы в случае сбоя, отказа или перерыва в работе не требуется.
Как известно, одним из достоинств нейронных сетей является возможность параллельной работы с одновременным повышением быстродействия. В исходном варианте предлагаемая система не ориентирована на работу в среде с распараллеливанием вычислений и в случае использования систем большого масштаба может потребоваться применение более эффективных алгоритмов, в частности, поиска в графе.
Библиография
