Статья 'Компонентное проектирование нейронных сетей для обработки баз знаний' - журнал 'Кибернетика и программирование' - NotaBene.ru
по
Journal Menu
> Issues > Rubrics > About journal > Authors > About the Journal > Requirements for publication > Council of Editors > Peer-review process > Policy of publication. Aims & Scope. > Article retraction > Ethics > Online First Pre-Publication > Copyright & Licensing Policy > Digital archiving policy > Open Access Policy > Article Processing Charge > Article Identification Policy > Plagiarism check policy
Journals in science databases
About the Journal

MAIN PAGE > Back to contents
Cybernetics and programming
Reference:

Component design of neural networks to process knowledge bases

Kuchinskaya-Parovaya Irina Ivanovna

graduate student, Department of Intelligent Information Technologies, Belarusian State University of Informatics and Radio Electronics

220013, Respublika Belarus, Minsk, P.Brovki, 6, kabinet 1

ir.kuchinskaya@gmail.com
Other publications by this author
 

 

DOI:

10.7256/2306-4196.2013.1.8308

Received:

18-01-2013


Published:

1-2-2013


Abstract: The article describes the main steps of the methodology component design of neural networks to process knowledge bases represented by semantic networks. The technique is based on the use of a unified neural network model and component-based approach to work with neural networks. An important element of the component design of neural networks is a library of neural network compatible components . One of the possible solutions to these problems may be the development of a technique of designing and using neural networks based on the unified model of neural networks and the component approach. Component Design technique is based on the use of the library of the neural networks compatible components. It is concluded that the use of the proposed methodology of component design approach will ease the design and development of the neural networks, lower qualification requirements for the developer (the end user), as well as solve the problem of neural network integration with other methods of representation and processing of information in the development of intelligent systems.


Keywords:

design, neural networks, knowledge base, data processing, HC components, integration, neural network techniques, neuroinformatics, hybrid systems, neural network library

This article written in Russian. You can find original text of the article here .
Введение

Нейронные сети являются эффективным средством решения сложных, плохо формализуемых задач и широко используются на практике. Накоплено большое количество различных алгоритмов обучения и архитектур нейронных сетей (НС), приемов использования НС для решения прикладных задач [1].

Но для решения задач с использованием нейросетевых методов требуется установить технологию использования соответствующих операций, последовательно выполняя которые пользователь получит требуемые результаты. Исследователи, занимающиеся проблемами нейроинформатики, определяют свои частные методы, описывают различные подходы и предлагаются новые интерпретации.

Тем не менее, до сих пор технология проектирования и использования нейросетевых методов слабо систематизированы. Существуют отдельные устоявшиеся рекомендации по работе с НС, которые носят в основном слишком частный или наоборот общий характер. Кроме того, недостаточно внимания уделяется проблеме совместимости и систематизации данных методов, каким образом они соотносятся с уже существующими, каким образом проводить их интеграцию с другими методами представления и обработки информации в гибридных системах[2]. Не существует единого взгляда на данный процесс. В обобщенном виде работа с НС осуществляется в следующей последовательности [1]:

  1. Выбор архитектуры НС.
  2. Инициализация структуры.
  3. Обучение НС.
  4. Использование обученной НС.

Приведенный упрощенный механизм разработки НС не учитывает целые группы операций, не описывает методику интеграцию с другими методами решения задач, а также с базой знаний, которая является основой любой интеллектуальной системы.

Одним из возможных путей решения данных проблем может быть разработка методики проектирования и использования НС на основе унифицированной модели НС [3] и компонентного подхода.

Библиотека совместимых НС-компонент

В основу библиотеки совместимых НС-компонентов положены следующие принципы:

  • использование унифицированной модели НС;
  • отношение к НС, как к нетривиальному методу решения задачи обработки информации;
  • простота средств для работы с НС;
  • компонентное проектирование и многократное использование.

Рассмотрим подробнее каждый из них.

Унифицированная модель НС использует семантическую модель представления и обработки информации, основу которой составляет унифицированное кодирование информации с помощью SC-кода [4]. Это позволяет сократить срок разработки НС, решить задачу интеграции НС с другими методами обработки информации при создании интеллектуальных систем.

В соответствии со вторым принципом, НС представляет собой метод решения задачи, который реализует разные стратегии и тактики, направленные на поиск решения задачи. Поэтому НС можно трактовать как специализированную модель решения задачи и, тогда НС можно рассматривать как интеллектуальную систему, которая включает базу знаний НС и многоагентную систему[5] (sc-машину), состоящую из семантической памяти (sc-памятью) и коллектива агентов (sc-операций).

Ряд нейросетевых библиотек предлагают пользователю широчайшие возможности по настройке разрабатываемых НС. Однако практика показывает, что широкая функциональность часто не востребована - есть ряд типовых архитектур и методов обучения НС, которые нельзя существенно улучшить тонкой настройкой. Кроме того, даже в том случае, если без тонкой настройки не обойтись, то использование этого механизма часто может поставить в тупик конечного пользователя. Отсюда вывод - хороший нейросетевой пакет (биюлиотека) не должен требовать сложной настройки. В соответствии этим принципом, в рамках библиотеки совместимых НС-компонент все компоненты четко классифицируются и детально специфицируются, что позволяет пользователю сосредоточиться на действительно важных вопросах при разработке интеллектуальных систем, сократить сроки разработки и снизить требования к квалификации конечного пользователя.

На сегодняшний день библиотека НС-компонент имеет следующую структуру:

  • Библиотека готовых НС-компонентов:
  • НС-компоненты с прямыми связями (персептрон Розенбланта),
  • НС-компоненты с обратными связями (дискретная модель Хопфилда, двухнаправленная НС);
  • НС-компоненты с самоорганизацией (НС Кохонена, НС ART),
  • НС-компоненты гибриды и другие.
  • Библиотека базовых НС-компонентов:
  • топологические компоненты (афферентные нейроны, эфферентные нейроны, ассоциативные нейроны),
  • активационные компоненты (пороговая функция, сигмоидальная функция, гиперболический тангенс) и другие.
  • Библиотека операций:
  • операции с НС-компонентами (поиск компонента по спецификации, добавление нового компонента, удаление компонента, сравнение компонентов),
  • операции-конструкторы (конструктор афферентных нейронов (рецепторов), конструктор эфферентных нейронов (эффекторов), конструкторы ассоциатиных нейронов (промежуточных), конструктор слабосвязанной архитектуры, конструктор полносвязаной архитектуры),
  • операции преобразований (операция масштабирования, операция предподготовки входных/выходных данных, операции начальной инициализации),
  • операции настройки/обучения НС-компонентов (обучение по правилу Хебба, обучение по правилу Хопфилда, обучение по дельта правилу, обучение методом соревнования, обучение по правилу градиентного спуска, обучение с использование обратного распостранения ошибки),
  • операции сборки и использования НС-компонент,
  • операции “сборки мусора” (удаление временных конструкций) и другие.

Спецификация готовых НС-компонентов в общем случае состоит из следующих параметров:

  • название НС-компонента;
  • используемые базовые НС-компоненты
    • типы базовых НС-компонент и др.;
  • используемые операции
    • типы операций и др.;
  • вид вопроса/ответа (вход/выход);
  • область применения или классы решаемых задач;
  • автор;
  • история версий;
  • статистика использования компонента.

Спецификация базовых НС-компонентов:

  • название базового НС-компонента;
  • тип базового НС-компонента;
  • правила использования
    • типы базовых НС-компонент, с которыми может использоваться;
    • типы операций, с которыми может использоваться;
  • автор;
  • история версий;
  • статистика использования компонента.
Методика компонентного проектирования НС

Методика компонентного проектирования НС базируется на использовании библиотеки совместимых НС-компонент и включает следующие этапы:

  • Анализ постановки задачи. Обобщение и формализация постановки задачи (выбор класса решаемой задачи, выделение входных данных и т.д.).
  • Поиск готовой НС в разделе библиотеки готовых НС-компонент согласно формализованной постановке задачи с помощью операция поиска компонента по спецификации и операции сравнения компонентов из раздела библиотеки операций. Если не найден НС-компонент, то переход к следующему этапу.
  • Конструирование. Выбор топологических и активационных компонентов из раздела библиотеки базовых НС-компонентов. Выбор операций-конструкторов из раздела библиотеки операций.
  • Инициализация. Загрузка входных данных. Выбор операции предобразования из раздела библиотеки операций.
  • Обучение. Выбор операций настройки/обучения из раздела библиотеки операций.
  • Сборка и использование. Выбор и применение операций сборки выбранных НС-компонент из раздела библиотеки операций и интеграция готового НС-компонента для решения задачи.
  • Составление спецификации для спроектированной НС и размещение в соответствующем разделе библиотеки готовых НС-компонент с помощью операции добавления нового НС-компонента из раздела библиотеки операций.
Заключение

В описаном подходе к проектированию НС для обработки баз знаний за основу взята обобщенная методология работы с НС, дополненная унифицированной моделью представления НС и принцпом компонентности.

Использование предлагаемой методики компонентного проектирования НС позволит облегчить трудозатраты при проектировании и разработке НС, снизить требования к квалификации разработчика (конечного пользователя), а также решить задачу интеграции НС с другими методами представления и обработки информации при разработке интеллектуальных систем.

Результаты, описанные в статье, апробируются в рамках открытого проекта OSTIS [6].

References
1.
2.
3.
4.
5.
6.
Link to this article

You can simply select and copy link from below text field.


Other our sites:
Official Website of NOTA BENE / Aurora Group s.r.o.