Исследование моделей сетевых устройств на базе нейронных сетей петри



Скачать 37.38 Kb.
Дата19.01.2013
Размер37.38 Kb.
ТипДокументы
РАЗРАБОТКА И ИССЛЕДОВАНИЕ МОДЕЛЕЙ СЕТЕВЫХ УСТРОЙСТВ НА БАЗЕ НЕЙРОННЫХ СЕТЕЙ ПЕТРИ
Е.С. Тишина

А.А. Суконщиков, кандидат технических наук, доцент

Вологодский государственный технический университет

Тема моего проекта - «Разработка и исследование моделей сетевых устройств на базе нейронных сетей Петри»

Основной целью данного проекта является создание программного обеспечения для построения моделей сетевых устройств на базе нейронных сетей Петри и их дальнейшего исследования.

Нейронная сеть состоит из простых, однотипных элементов (ячеек), которые имитируют работу нейронов мозга. Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Нейрон обладает группой синапсов – однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон – выходную связь данного нейрона, с которой сигнал (возбуждения или торможения) поступает на синапсы следующих нейронов. Каждый синапс характеризуется величиной синаптической связи или ее весом wi. Вес связи являются скалярной величиной, положительной - для возбуждающих и отрицательной - для тормозящих связей.

Нейронная сеть Петри определяется следующим набором :

,

 где – конечное непустое множество позиций;
        – конечное непустое множество переходов;
         – отношение, соответствует множеству дуг;
         – конечное непустое множество стартовых (начальных) позиций;
         – конечное непустое множество финальных (выходных) позиций;
         – вещественная величина, соответствующая времени жизни («потенциалу»)

метки в позиции;
         – целочисленная величина, равная минимальному числу меток, необходимому

для активизации перехода;

– целочисленная величина, равная минимальному числу меток,

необходимому для активизации нейронного перехода;

gif" name="object11" align=absmiddle width=18 height=18> – функция для определения суммарного потенциала меток в каждой позиции в определенный момент времени;

– множество цветов меток, ;
– функция раскраски выходных и входных дуг переходов.
В модели нейронной сети метка представляет собой постсинаптический потенциал. Так как этот потенциал может быть тормозящим или возбуждающим, метки разделены на два класса. Возбуждающему потенциалу соответствует цвет а, тормозящему - цвет b. Таким образом, каждая метка нейронной сети Петри раскрашена в свой цвет. Каждой метке в сети соответствует потенциал q (время жизни). При появлении метки в позиции ей присваивается потенциал q; по истечении каждой единицы модельного времени величина q уменьшается на единицу. Это уменьшение демонстрирует ослабление потенциала после начального стимулирования нейрона. Тело нейрона соответствует позиции; таким образом, множество позиций P соответствует множеству нейронов.

нейронный переход может иметь множество входных позиции и только одну выходную позицию. Выходные дуги, связывающие переходы с выходными позициями, задают аксоны нейрона, представленного входной позицией перехода.

Для активизации перехода необходимо, чтобы потенциал входной позиции достиг определенной величины. В результате срабатывания перехода в каждой из его выходных позиций появляется метка. Каждая метка при этом приобретает потенциал, соответствующий цвету выходной дуги перехода. В процессе функционирования нейроподобной сети для каждой нейронной позиции и нейронного перехода вычисляется функцию суммарного потенциала g.

Переход t может сработать при условии, если g(pi) >= n, где pi - его входная позиция. Переход срабатывает немедленно, как только выполняется указанное выше неравенство.

Только те метки, потенциалы которых учтены в функции g(pi), удаляются из позиции pi. Остальные метки остаются в позиции pi до тех пор, пока их потенциал не станет равным нулю, либо до следующего срабатывания перехода, когда в его входную позицию поступят новые метки.

Достоинства нейронных сетей

1) нейросети позволяют эффективно строить нелинейные зависимости, более точно описывающие наборы данных

2) Наиболее ценное свойство нейронных сетей - способность обучаться на множестве примеров в тех случаях когда неизвестны закономерности развития ситуации и какие бы то ни было зависимости между входными и выходными данными.

3) НС способны успешно решать задачи, опираясь на неполную, искаженную, зашумленную и внутренне противоречивую входную информацию.

4) Способности нейронной сети к прогнозированию напрямую следуют из ее способности к обобщению и выделению скрытых зависимостей между входными и выходными данными. После обучения сеть способна предсказать будущее значение некой последовательности на основе нескольких предыдущих значений и/или каких-то существующих в настоящий момент факторов. Следует отметить, что прогнозирование возможно только тогда, когда предыдущие изменения действительно в какой-то степени предопределяют будущие.

5) Потенциальное сверхвысокое быстродействие

Нейронные сети обладают потенциальным сверхвысоким быстродействием за счет использования массового параллелизма обработки информации;
7. АЛГОРИТМ СРАБАТЫВАНИЯ

  1. В позицию приходят метки с других позиций

  2. В течение времени жизни метки накапливаются в позиции (по истечении этого времени метки удаляются)

  3. Проверяем условие: достаточно ли меток в позиции для того, чтобы переход сработал

  4. Считаем суммарный потенциал позиции, если выполняется условие: g(pi)>=n, то переход сработает


Похожие:

Исследование моделей сетевых устройств на базе нейронных сетей петри iconПрименение искусственных нейронных сетей в сетевых технологиях и интеллектуальном анализе данных
Данная работа иллюстрирует одно из широко распространенных на сегодняшний день практических применений искусственных нейронных сетей...
Исследование моделей сетевых устройств на базе нейронных сетей петри iconЕ. С. Тишина А. А. Суконщиков, научный доцент, к т. н
Целью работы является разработка программного комплекса для моделей исследования интеллектуального агента на базе аппарата нейро-нечетких...
Исследование моделей сетевых устройств на базе нейронных сетей петри icon1. Эволюция вычислительных сетей. Классификация компьютерных сетей
Сетевая тополо́гия — способ описания конфигурации сети, схема расположения и соединения сетевых устройств
Исследование моделей сетевых устройств на базе нейронных сетей петри icon1. Эволюция вычислительных сетей. Классификация компьютерных сетей
Сетевая топология — способ описания конфигурации сети, схема расположения и соединения сетевых устройств
Исследование моделей сетевых устройств на базе нейронных сетей петри iconСтруктурный синтез Быстрых нейронных сетей
В данной статье разделе рассматривается процедура синтеза нейронных сетей, которые структурно подобны алгоритмам быстрого преобразования...
Исследование моделей сетевых устройств на базе нейронных сетей петри iconНейрокомпьютерная техника: Теория и практика
В книге американского автора в общедоступной форме излагаются основы построения нейрокомпьютеров. Описаны структура нейронных сетей...
Исследование моделей сетевых устройств на базе нейронных сетей петри iconНейрокомпьютерная техника: Теория и практика
В книге американского автора в общедоступной форме излагаются основы построения нейрокомпьютеров. Описаны структура нейронных сетей...
Исследование моделей сетевых устройств на базе нейронных сетей петри iconАстрофизика Начало в 15. 15 в конф зале гаиш предс проф. Постнов Константин Александрович
Развитие моделей переноса в верхних слоях атмосферы Земли. Метод нейронных сетей
Исследование моделей сетевых устройств на базе нейронных сетей петри iconПластичность многослойных нейронных сетей
В работе выполнен анализ пластичности многослойных нейронных сетей. Получены точные формулы расчета степени пластичности по структурным...
Исследование моделей сетевых устройств на базе нейронных сетей петри iconЛекция№1 Введение
Задача курса – изучение моделей знаний: модели на основе нейронных сетей, фреймы, семантические сети, продукционные модели, логические...
Разместите кнопку на своём сайте:
ru.convdocs.org


База данных защищена авторским правом ©ru.convdocs.org 2016
обратиться к администрации
ru.convdocs.org