Квазиклеточные сети как обучаемые структуры

Автор: Аристов Антон Олегович

Журнал: Горные науки и технологии @gornye-nauki-tekhnologii

Статья в выпуске: 10, 2013 года.

Бесплатный доступ

Рассмотрены возможности обучения квазиклеточных сетей, являющихся дискретными структурами не имеющими сигнатуры и предназначенными для проектирования и моделирования поточных систем. Обучение квазиклеточных сетей сводится к настройке параметров их клеток, синтезу сети по определѐнным траекториям микрообъекта и замене сети на чѐрный ящик.

Квазиклеточная сеть, дискретная структура, клеточный автомат, обучение

Короткий адрес: https://sciup.org/140215603

IDR: 140215603

Текст научной статьи Квазиклеточные сети как обучаемые структуры

В многочисленных работах [1,2,3,4,5 и др.] рассматривается свойство обучаемости дискретных структур. Фактически, обучаемость предполагает некоторую настройку параметров дискретной структуры, влияющую на её функционирование[2,4]. При организации обучения предполагается наличие некоторого набора входных параметров:

X вх =( X 1, X 2,...) ,(1)

в ответ на которые дискретная структура выдаёт на выходе вектор вида:

Yвых =(Y1,Y2,...).(2)

Предполагается подача на вход обучающего множества векторов:

E ={ X вх1 .Xвх2 ,...} ,(3)

при которых формируется строго определённое множество выходных векторов:

O = {Yвых1,Yвых2, ...} .(4)

Предполагается, что производится настройка параметров дискретной структуры,      позволяющая      по      заданному      входному вектору Xвхi∈ E однозначно получить выходной вектор Yвхi∈O . Целью обучения является возможность подачи на вход настроенной дискретной структуры и обработки в ней вектора X ' вх6E [4].

Особое внимание в вопросах обучаемости дискретных структур следует уделить квазиклеточным сетям, дискретным структурам, не имеющим сигнатуры (рис. 1) [6,7]. Основным предназначением указанных дискретных структур является реализация проектирования и моделирования систем, сводящихся к рассмотрению потоков при различных предметных интерпретациях[6,7]. Базовое представление о квазиклеточной сети было дано на основе некоторых преобразований графа, являющегося двусортным множеством[6], т. е. обладающий носителем и сигнатурой. В отличие ряда дискретных структур, в т.ч. нейронных сетей, квазиклеточные сети не обладают сигнатурой, однако предусмотрены методы их синтеза на основе графов [8]. Однако квазиклеточные сети синтезируются и другими методами, основанными на манипуляциях над клеточным автоматом, а также моделированием поведения микрообъекта[8], синтезирующего клетки.

Рис. 1. Квазиклеточные сети.

В условиях квазиклеточных сетей рассмотренные выше аспекты обучения также являются актуальными, что показывает обучаемость квазиклеточных сетей как дискретных структур. Учитывая, что каждая клетка задаётся в виде[7,8]:

Q i =( Bt, C i , S i ) (5)

где B i – неизменные (базовые) параметры клетки (от англ. Basic), C i – параметры клетки, изменяющиеся при прохождении фишек через клетку (от англ. Changeable), S i – параметры фишки как объекта, находящегося в клетке, т. е. переменные состояния (фазовые переменные) клетки (от англ. State); становится очевидно, что в качестве параметров, настраиваемых в процессе обучения, выступают величины из группы C i . В процессе циркуляции по определению указанные величины изменяются.

В качестве входных векторов при обучении квазиклеточной сети следует рассматривать состояния генератора S g ( t' ) , в каждый момент времени (динамической характеристики квазиклеточной сети), т. е.:

X вх = ( S g ( t' 0 ) , S g ( t' o + 0 ) , S g ( t' o + 2 0 ) , S g ( t' o + 3 0 ) , ... ) . (6)

Соответственно в качестве выходного вектора следует рассматривать состояние стока S o ( t' ) [7]:

Y вх = ( S o ( t' 0 ) , S o ( t' o + 0 ) ,So ( t' o + 2 0 ) ,So ( t' o + 3 0 ) , ... ) . (7)

Следует отметить, что (6) и (7) представляют собой наборы входных и выходных данных, распределённые во времени (или в зависимости от динамической характеристики квазиклеточной сети). В такой ситуации за некоторое время моделирования обрабатывается только один набор данных. Ещё один способ представления входных и выходных векторов предполагает, что каждый генератор и сток позволяют каждый момент времени получить соответственно одну компоненту входного или выходного вектора:

X вх ( t' )=( S gi ( t' ) ,S g2 ( t ') ,S g3 ( t' 0 ) , ... ) ,                            (8)

Yвы,(t')=(So,(t'),So2(t'),So3(f0),...) .                          (9)

Таким образом, в каждый момент модельного времени (каждый такт изменения динамической характеристики квазиклеточной сети) t ' квазиклеточная сеть формирует пару векторов ( X в, ( t' ) , Y вых ( t' )) .

Таким образом, оценена обучаемость квазиклеточной сети, сравнимая с обучением ещё ряда дискретных структур. В данном случае обучение базируется на обработке векторов входных и выходных данных и настройку изменяемых параметров элементов квазиклеточной сети.

Следует также отметить, что учитывая возможности измерений параметров квазиклеточных сетей, в качестве генератора и стока могут быть рассмотрены практически любые клетки сети, в которых фиксируются состояния.

Рассмотренное выше свойство обучаемости квазиклеточных сетей обладает аналогией с обучением других дискретных структур. Учитывая, что целью любого варианта обучения фактически является получение дискретных структур, функционирование которых отвечает определённым требованиям. Следует отметить, что достижение определённой функциональности в квазиклеточной сети сводится не только к настройке её параметров, но и формированию её структуры. Исходя из этого, особое внимание следует уделить вопросам обучения квазиклеточной сети уже на этапе синтеза её структуры. Фактически, синтез структуры предполагает настройку базовых параметров B i квазиклеточной сети, в отличие от обучения, основанного на изменении C i . Для интуитивно понятного представления задачи обучения квазиклеточной сети на этапе синтеза, представим ситуацию, при которой необходимо моделировать поток частиц (объектов), движение которого осуществляется в соответствии с некоторой моделью поведения по определённому множеству траекторий[8].

Фактически клетка в квазиклеточной сети является и единицей потока и единицей пространства. Тогда, согласно методу генерирующей фишки, фактически синтезируется структура сети, а дальнейшее моделирование множества объектов сводится уже к циркуляции в квазиклеточной сети по синтезированным траекториям.

Таким образом, синтез квазиклеточной сети на основе поведения микрообъекта фактически является одним из направлений обучения квазиклеточных сетей, при котором обучение сводится к формированию структуры квазиклеточной сети и переходу от объектно-ориентированного микромоделирования к квазиклеточному моделированию[2,8].

Ещё один аспект, тесно связанный с обучением квазиклеточной сети, связан со снижением вычислительных затрат на её реализацию её функционирования. Фактически, моделирование функционирования квазиклеточной сети предполагает, что каждый такт времени (динамической характеристики) θ рассматривается изменение состояния на всём множестве:

Г Q = { Q 1, Q 2, ... } { 0 , = ( В„С i- S i )

в котором проверяются возможности осуществления переходов Qi Qj , образующих циркуляцию. В случае, когда в процессе циркуляции рассмотрение каждой клетки нецелесообразно, фрагмент квазиклеточной сети следует рассматривать в виде чёрного ящика[]. На таком участке предполагается        наличие        клеток         Qвx =( B ex -C вх ,S вх ) и

Qвых ( B вых , Cвых, S вых) . Указанное справедливо для участка квазиклеточной сети:

* = { Q' i, Q* 2, ... } Q' Q Q вх Q' Qвых Q'

,

при этом не существует последовательности переходов состояния, при которой осуществляется переход из 0 вых в Q вx , т. е. Qвых - Q . , Q . - Q . + 1 , Qi + 1 Qi + 2 , . . , Qi + n > 0вх для которых

V i : Q,^Q* . (12)

В такой ситуации участок квазиклеточной сети соответствует определению чёрного ящика, для которого определены клетки, являющиеся входами и выходами, соответственно Q вх и Q вых . Очевидно, что входы и выходы чёрного ящика наиболее интуитивно понятно представлены в квазиклеточных сетях с направленной циркуляцией и микроциркуляцией. Именно для таких классов квазиклеточных сетей характерно строгое ограничение циркуляции, позволяющее строго отличать входные клетки от выходных и организовывать циркуляцию от входа к выходу.

При наличии динамической характеристики t* = 0, ^ - 2 B , 3 ^ ,... на входах и выходах чёрного ящика снимаются величины S вх ( t' ) и S вых ( t* ) . Таким образом, работа рассматриваемого участка квазиклеточной сети Q' эквивалентна работе указанного чёрного ящика.

Таким образом, рассмотрены возможности использования квазиклеточных сетей, как обучаемых дискретных структур. Следует отметить, что в данной работе основное внимание уделяется вопросам синтеза и моделирования квазиклеточными сетями. При этом приведены только оценки возможности обучения квазиклеточных сетей и их сходства с другими типами обучаемых дискретных структур. Более детальные особенности обучения зависят от конкретных алгоритмов и предметных задач, реализуемых на квазиклеточных сетях.

Таким образом, рассмотрены особенности, доказывающие обучаемость квазиклеточных сетей по трём аспектам – настройке параметров клеток в зависимости от циркуляции, обучения на этапе синтеза и замены участка квазиклеточной сети на заранее обученный «чёрный ящик».

Список литературы Квазиклеточные сети как обучаемые структуры

  • Мак-Каллок У.С., Питтс В. Логическое исчесление идей, относящихся к нервной активности//Автоматы/Под ред. К.Э.Шеннона и Дж. Маккарти. -М.: Изд-во иностр. лит., 1956. -С. 363-384
  • Уидроу Б., Стирнс С. Адаптивная обработка сигналов. -М.: Радио и связь, 1989. -440 c.
  • Петров А.П. О возможностях перцептрона//Известия АН СССР, Техническая кибернетика, 1964. -№ 6.
  • Kohonen T. Learning Vector Quantization, Neural Networks, 1 (suppl 1), 1988. -p. 303
  • Горбатов В.А. Фундаментальные основы дискретной математики -М.: Физматлит, 1999. -544с.
  • Аристов А.О. Квазиклеточные сети. Синтез и циркуляция//Горный информационно-аналитический бюллетень, 2013. -№2. -С.125-131
  • Аристов А.О. Теория квазиклеточных сетей и еѐ приложения//Всероссийская выставка Научно-технического творчества молодѐжи. II Международная научно-практическая конференция «Научно-техническое творчество молодѐжи -путь к обществу, основанному на знаниях»:сборник научных докладов/Мос. гос. строит. ун-т. -М.: МГСУ, 2013. -С. 230-234
  • Аристов А.О. МЕТОДЫ СИНТЕЗА КВАЗИКЛЕТОЧНЫХ СЕТЕЙ//Научный вестник МГГУ, 2013. -№ 9 (42). -C. 16-21
Статья научная