Тема: Разработка модели нейросетевого классификатора сигналов РЭС

Использование нейросетевых технологий для решения задач классификации, кластеризации, управления и прогнозирования в настоящее время имеет определенный успех и достижения. Такой успех, или актуальность и практический интерес к изучению теории нейросетевых технологий, обусловлен несколькими причинами:
Нейронные сети - один из мощных методов моделирования, если реч идет о решении нелинейных задач и зависимостей. На протяжении многих лет линейное моделирование было основным методом в большинстве областей науки и техники, поскольку для такого моделирования разработаны процедуры оптимизации. В тех вопросах, в которых линейная аппроксимация неудовлетворительна (а таких задач огромное количество), нейронные сети используются достаточно широко. Кроме всего прочего, нейросети справляются с так называемым «проклятием размерности», которое не позволяет моделировать линейные зависимости в случае, когда имеет место большое число входных переменных.
Обучение нейронных сетей проводится на примерах, задаваемых разработчиком. После определения набора данных разработчик запускает алгоритм обучения, который автоматически вопринимает и обрабатывает структуру данных. При этом, конечно, от пользователя требуется набор эвристических знаний о способе и методе отбора и подготовки данных.
Нейронные сети дают возможность комбинировать между собой различные элементы своей структуры (будь то нейроны или связи между ними). За счет этого на одной «элементной базе» или одной нейросети можно создавать различные вычислительные алгоритмы, необходимые для решения поставленных перед разработчиком задач. А оптимизировать работу модели можно с изменением количества нейронов сети и связей между ними.
Модель нейросети, разработанная в различных пакетах прикладных программ, в частности в MatLab, при большом числе входных сигналов и эталонных значений может быть мгновенно обучена на обычном компьютере. Поэтомупри- менение нейронных сетейвозможно для решения широкого круга сложных задач прогноза, классификации и диагностики.
Нейронная сеть одновременно может решать несколько задач на едином наборе входных сигналов - имея несколько выходов, прогнозировать значения нескольких показателей. Часто это помогает нейросети построить более адекватные или более универсальные "внутренние"-промежуточные концепции (т.к. требуется, чтобы все эти промежуточные расчёты были пригодны не для одной, а для нескольких задач сразу) и, вследствие этого, повысить точности решения этих задач по сравнению с решениями задач по-отдельности.
Алгоритмы обучения накладывают достаточно мало требований на структуру нейронной сети и свойства нейронов. Поэтому при наличии экспертных знаний или в случае специальных требований можно целенаправленно выбирать вид и свойства нейронов, собирать структуру нейронной сети вручную из отдельных элементов, и задавать для каждого из них нужные характеристики или ограничения.

Купить

В ходе выполнения работы были разработаны модели нейросетевых классификаторов сигналов РЭС на основе архитектур: многослойный персептрон и сеть с радиально-базисными функциями.
В первом разделе работы представлены необходимые для разработки общие теоретические сведения о нейросетевых структурах: описана связь искусственного нейрона с биологическим, показана математическая формальная модель искусственного нейрона, а также обозначены некоторые сведения, необходимые для изучения такого аспекта разработки нейронных сетей, как обучения.
Во втором разделе приведены результаты разработки моделей нейросетевых классификаторов сигналов на основе двух архитектур нейронных сетей. Для обучения моделей использовался алгоритм Левенберга-Марквардта. После обучения модели были проверены помощью специально разработанной контрольной выборке. (работоспособность моделей была подтверждена путем проверки с помощью специально разработанной контрольной выборке. Обе модели подтвердили свою работоспособность.
В ходе исследования была определена оптимальная архитектура сети для построения классификатора. Ею является модель многослойного персептрона. На 1000 сигналов тестовой выборки данная модель показала всего 8 ошибок в местах пересечения классов (РЭС), в отличии от нее сеть с радиально-базисными функциями показала 16 ошибок при большем времени моделирования.
Количество итераций или эпох обучения является важным параметром для оценки нейронной сети. При сравнении моделей многослойного персептрона и RBF - сети не правильно говорить об эпохах обучения как о параметре, в одинаковом смысле оценивающим нейронную сеть. Это обусловлено тем, что при обучении RBF - сети происходит увеличение количества нейронов скрытого слоя на 1 с каждой итерацией, а при моделировании многослойного персептрона разработчик сам устанавливает необходимое число нейронов, соответствующее числу классов для классификации. Из выше сказанного следует, что необходимо оценить модели по другому параметру. Таким параметром служит время моделирования, т.е. обучения сети. Модель многослойного персептрона показала время много меньшее, чем обучение сети радиально базисных функций.
В соответствии с выводами, сказанными в данном разделе, оптимальная модель нейросетевого классификатора сигналов радиоэлектронных средств будет являться моделью многослойного персептрона.

Купить