Особенности разработки искусственной нейронной сети гибридной экспертной системы
В предложенной статье были описаны основы разработки искусственной нейронной сети в качестве одной из составных частей гибридной экспертной системы для противоаварийного управления. Рассмотрено функционирование нейронов, их реакция при различных условиях работы. Также представлена многослойная рекур...
Gespeichert in:
| Datum: | 2018 |
|---|---|
| Hauptverfasser: | , |
| Format: | Artikel |
| Sprache: | Russian |
| Veröffentlicht: |
Інститут проблем штучного інтелекту МОН України та НАН України
2018
|
| Schriftenreihe: | Штучний інтелект |
| Schlagworte: | |
| Online Zugang: | http://dspace.nbuv.gov.ua/handle/123456789/162382 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Zitieren: | Особенности разработки искусственной нейронной сети гибридной экспертной системы / С.Н. Коновалов, А.А. Егошина // Штучний інтелект. — 2018. — № 2 (80). — С. 139-143. — Бібліогр.: 7 назв. — рос. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
irk-123456789-162382 |
|---|---|
| record_format |
dspace |
| spelling |
irk-123456789-1623822020-01-08T01:26:10Z Особенности разработки искусственной нейронной сети гибридной экспертной системы Коновалов, С.Н. Егошина, А.А. Прикладні інтелектуальні технології та системи В предложенной статье были описаны основы разработки искусственной нейронной сети в качестве одной из составных частей гибридной экспертной системы для противоаварийного управления. Рассмотрено функционирование нейронов, их реакция при различных условиях работы. Также представлена многослойная рекуррентная искусственная нейронная сеть, с использованием метода обратного распространения ошибки, в общем виде, и показано её обучение. Помимо этого, описано применение подобной сети для анализа и прогнозирования состояния работоспособности сложной технической системы. The proposed article described the basics of developing an artificial neural network as one of the components of a hybrid expert system for antifault control. The functioning of neurons, their reaction under various operating conditions are considered. A multilayer recurrent artificial neural network is also represented, using the method of back propagation of the error, in general form, and its training is shown. In addition, the application of such a network for analyzing and predicting the state of health of a complex technical system is described. 2018 Article Особенности разработки искусственной нейронной сети гибридной экспертной системы / С.Н. Коновалов, А.А. Егошина // Штучний інтелект. — 2018. — № 2 (80). — С. 139-143. — Бібліогр.: 7 назв. — рос. 1561-5359 http://dspace.nbuv.gov.ua/handle/123456789/162382 004.891 ru Штучний інтелект Інститут проблем штучного інтелекту МОН України та НАН України |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| language |
Russian |
| topic |
Прикладні інтелектуальні технології та системи Прикладні інтелектуальні технології та системи |
| spellingShingle |
Прикладні інтелектуальні технології та системи Прикладні інтелектуальні технології та системи Коновалов, С.Н. Егошина, А.А. Особенности разработки искусственной нейронной сети гибридной экспертной системы Штучний інтелект |
| description |
В предложенной статье были описаны основы разработки искусственной нейронной сети в качестве одной из составных частей гибридной экспертной системы для противоаварийного управления. Рассмотрено функционирование нейронов, их реакция при различных условиях работы. Также представлена многослойная рекуррентная искусственная нейронная сеть, с использованием метода обратного распространения ошибки, в общем виде, и показано её обучение. Помимо этого, описано применение подобной сети для анализа и прогнозирования состояния работоспособности сложной технической системы. |
| format |
Article |
| author |
Коновалов, С.Н. Егошина, А.А. |
| author_facet |
Коновалов, С.Н. Егошина, А.А. |
| author_sort |
Коновалов, С.Н. |
| title |
Особенности разработки искусственной нейронной сети гибридной экспертной системы |
| title_short |
Особенности разработки искусственной нейронной сети гибридной экспертной системы |
| title_full |
Особенности разработки искусственной нейронной сети гибридной экспертной системы |
| title_fullStr |
Особенности разработки искусственной нейронной сети гибридной экспертной системы |
| title_full_unstemmed |
Особенности разработки искусственной нейронной сети гибридной экспертной системы |
| title_sort |
особенности разработки искусственной нейронной сети гибридной экспертной системы |
| publisher |
Інститут проблем штучного інтелекту МОН України та НАН України |
| publishDate |
2018 |
| topic_facet |
Прикладні інтелектуальні технології та системи |
| url |
http://dspace.nbuv.gov.ua/handle/123456789/162382 |
| citation_txt |
Особенности разработки искусственной нейронной сети гибридной экспертной системы / С.Н. Коновалов, А.А. Егошина // Штучний інтелект. — 2018. — № 2 (80). — С. 139-143. — Бібліогр.: 7 назв. — рос. |
| series |
Штучний інтелект |
| work_keys_str_mv |
AT konovalovsn osobennostirazrabotkiiskusstvennojnejronnojsetigibridnojékspertnojsistemy AT egošinaaa osobennostirazrabotkiiskusstvennojnejronnojsetigibridnojékspertnojsistemy |
| first_indexed |
2025-07-14T14:56:41Z |
| last_indexed |
2025-07-14T14:56:41Z |
| _version_ |
1837634684353249280 |
| fulltext |
ISSN 1561-5359. Штучний інтелект, 2018, № 2
© С.Н. Коновалов, А.А. Егошина 139
УДК 004.891
С.Н. Коновалов, А.А. Егошина
Одесский национальный морской университет, Украина
ул. Мечникова, 34, Одесса, 65029
ОСОБЕННОСТИ РАЗРАБОТКИ ИСКУССТВЕННОЙ НЕЙРОННОЙ
СЕТИ ГИБРИДНОЙ ЭКСПЕРТНОЙ СИСТЕМЫ
S.N. Konovalov, A.A. Yegoshyna
Odessa National Maritime University, Ukraine
34, Mechnikova st., Odessa, 65029
PECULIARITIES OF DEVELOPMENT OF THE ARTIFICIAL NEURAL
NETWORK OF THE HYBRID EXPERT SYSTEM
В предложенной статье были описаны основы разработки искусственной нейронной сети в качестве
одной из составных частей гибридной экспертной системы для противоаварийного управления. Рассмотрено
функционирование нейронов, их реакция при различных условиях работы. Также представлена многослойная
рекуррентная искусственная нейронная сеть, с использованием метода обратного распространения ошибки, в
общем виде, и показано её обучение. Помимо этого, описано применение подобной сети для анализа и
прогнозирования состояния работоспособности сложной технической системы.
Ключевые слова: искусственная нейронная сеть, гибридная экспертная система, противоаварийное
управление, нейрон, обучение, анализ и прогнозирование, сложная техническая система
The proposed article described the basics of developing an artificial neural network as one of the components of
a hybrid expert system for antifault control. The functioning of neurons, their reaction under various operating
conditions are considered. A multilayer recurrent artificial neural network is also represented, using the method of back
propagation of the error, in general form, and its training is shown. In addition, the application of such a network for
analyzing and predicting the state of health of a complex technical system is described.
Keywords: artificial neural network, hybrid expert system, antifault control, neuron, training, analysis and
forecasting, complex technical system
Введение
На современных судах безотказную
работу сложных технических систем (СТС)
различных конструкций гарантируют гиб-
ридные экспертные системы (ГЭС). Наибо-
лее распространены ГЭС, одним из основ-
ных компонентов которых являются искус-
ственные нейронные сети (ИНС) [1-4]. ИНС
представляет собой математическую мо-
дель, которая воспроизводит деятельность
нервной системы живых организмов.
Отсюда следует, что разработка ГЭС,
одним из основных компонентов которых
являются ИНС, для противоаварийного
управления СТС является актуальной
задачей.
Постановка проблемы
Разработка и исследование ИНС,
которая будет составной частью ГЭС,
необходимой для противоаварийного
управления СТС.
Анализ основных исследований и
публикаций
Наиболее достоверные результаты
ИНС получают, используя такие свойства
как обучение, а также обобщение. В усло-
виях изменяющейся внешней среды, при
противоаварийном управлении, способно-
сть ИНС к обучению является значимым
преимуществом. Другим преимуществом
использования ИНС относительно форма-
лизованных экспертным путём зависи-
мостей переменных является более точная
аппроксимация мнения эксперта [5].
Несмотря на вышеуказанные преимущест-
ва, для ИНС характерны и недостатки,
способные влиять на точность вычисле-
ний в результате работы ГЭС, например,
необходимость привлекать обучающую
выборку.
Из данного анализа исследований и
публикаций следует, что создание ИНС для
ГЭС по-прежнему остаётся актуальным в
ISSN 1561-5359. Штучний інтелект, 2018, № 2
140 © С.Н. Коновалов, А.А. Егошина
силу нерешённых на сегодняшний день
задач, а также из-за новых методов
исследований и новых взглядов на роль
различных результатов, возникших в
процессе разработки искусственного
интеллекта [6].
Цель исследования
Целью данного исследования является
обеспечение противоаварийной работы СТС.
Изложение основного материала
Представленная в данной статье ИНС
состоит из нейронов, каждый из которых
имеет один вход и нескольких выходов.
Работа этих нейронов зависит от
нескольких факторов: значений входных
сигналов, весов синапсов, вероятности
срабатывания нейрона и т.п. Состояние
или потенциал нейрона P определяется
по формуле:
i
n
i
ii pxqP
1
(1)
где n количество входов нейрона;
iq весовой коэффициент i -го нейрона;
ix входной сигнал i -го нейрона;
ip вероятность срабатывания i -го
нейрона.
Вероятность срабатывания i -го
нейрона ip вычисляется по формуле
теории надёжности:
T
ii dttp
0
exp1 , (2)
где ti интенсивность сраба-
тывания i -го нейрона, зависящая от
времени.
Сумма поступивших сигналов, кото-
рая передаётся на нейрон, преобразуется в
выходной сигнал нейрона Pf при
помощи передаточной функции:
Pfy . (3)
Передаточная функция может быть
ступенчатой (пороговой) линейной или
нелинейной.
В качестве нелинейной будет
использоваться сигмоидальная функция,
которая имеет следующий вид:
xe
xf
1
1
, (4)
где коэффициент,
определяющий крутизну нелинейной
функции. При функция (4)
стремится к ступенчатой (пороговой)
функции (5), а при 0 к линейной
функции (6).
ПPпри
ПPпри
ПPпри
y
__1
,__0
,__1
, (5)
где П некоторая постоянная
величина.
Py . (6)
Также сигмоидальная функция
удобна тем, что дифференцируема на всей
оси абсцисс и имеет простую
производную:
xfxfxf 1 . (7)
Нейронная сеть обучается методом,
который включает в себя метод обратного
распространения ошибки [7] и рекур-
рентный метод. Метод обратного рас-
пространения более медленный, т.к. тре-
бует большего числа итераций, однако при
недостатке данных для рекуррентного
метода удобнее использовать его.
ИНС для ГЭС в общем виде
представляет собой многослойный перцеп-
трон, имеющий несколько скрытых слоёв
и, помимо этого, слой рекуррентных ней-
ронов. Каждый слой содержит в себе dN
элементов, Md ,...,1 , а также рекур-
рентный слой R . Элементы обозначены
d
d
i NiEL ,...,1, . В выходном слое содер-
жатся значения работоспособностей эле-
ментов СТС, из значений которых
вычисляется работоспособность СТС W .
На входы поступают значения факторов и
критериев работоспособности (рис. 1).
Применён рекуррентный метод наи-
меньших квадратов с учётом вероятности
срабатывания отдельно взятого нейрона.
Мера погрешности описывается следую-
щим выражением:
ISSN 1561-5359. Штучний інтелект, 2018, № 2
© С.Н. Коновалов, А.А. Егошина 141
MN
j
M
j
n
i
tn trnE
11
2
, (8)
Рис. 1. Схема многослойной рекуррентной ИНС
где n общее количество
нейронов;
i номер нейрона;
j номер входного сигнала;
r коэффициент
забывания;
M количество слоёв;
d номер слоя;
погрешность
2
2
M
j
M
j
M
M
j
M
j
pnq
tx
ftst
T
, (9)
где s эталонный сигнал сети.
Для примера рассмотрим исполь-
зование ИНС в ГЭС для СТС, состоящей
из 4 технических узлов. Переменные 1w ,
2w , 3w , 4w это работоспособности тех-
нических узлов СТС, а W общая работо-
способность СТС. Данные переменные
имеют нейросетевую зависимость и прини-
мают значение от 0 до 100. Значения
работоспособностей СТС по некоторым
временным рядам ztv , где z поряд-
ковый номер временного ряда, и анализ
общей работоспособности СТС по ним,
показаны в табл. 1.
Таблица 1. Работоспособности СТС
Вре-
менной
ряд
ztv
Данные
1w 2w 3w 4w W
1tv 80 83 67 71 89,8757
2tv 81 95 64 72 91,6358
3tv 90 87 74 88 91,7097
4tv 78 69 84 89 92,2987
При помощи пакета Matlab –
Network/Data Manager была смоделирована
ISSN 1561-5359. Штучний інтелект, 2018, № 2
142 © С.Н. Коновалов, А.А. Егошина
ИНС такой СТС и осуществлён прогноз
данных. Также было произведено обуче-
ние сети. Результаты обучения представ-
лены на рис. 2.
а) б)
в)
Рис. 2. Данные обучения сети:
а) – производительность, б) – состояние обучения, в) – регрессия
После этого была рассчитана
работоспособность СТС, опираясь на
данные прогноза: 1w 78, 2w 69, 3w
64, 4w 89. В итоге работоспособность
СТС W составила 87,8616. При этом сред-
няя ошибка прогнозирования достаточно
мала и составила 1,125.
Выводы
Предложенная в данной работе
модель ИНС позволяет работать с боль-
шим диапазоном данных для ГЭС. Не-
смотря на такую специфику работы, она
способна избегать сбоев и ошибок ввиду
способности к обучению, а также много-
функциональности при вычислениях.
Данные, полученные при моделировании
нейронной сети, а именно результаты
обучения за 6 эпох и средняя ошибка
прогноза 1,125, только подтверждают важ-
ную роль ИНС в ГЭС для противо-
аварийного управления СТС.
ISSN 1561-5359. Штучний інтелект, 2018, № 2
© С.Н. Коновалов, А.А. Егошина 143
Литература
1. Vychuzhanin, V.V., Konovalov, S.N.,
Vychuzhanin, A.V. (2017) Development of
antifault control method with hybrid expert system.
Materials of the VI International Scientific-
Practical Conference «Information Control Systems
and Technologies», Odessa: ONMU, 203–205.
2. Liebowitz J. (1997) Worldwide Perspectives and
Trends in Expert Systems. An Analysis Based on
the Three World Congresses on Expert Systems.
American Association for Artificial Intelligence,
Volume 18, 2, 115–119. doi:
10.1609/aimag.v18i2.1297. [Online]. Available:
https://doi.org/10.1609/aimag.v18i2.1297.
3. Polach, P., Valenta, J., Jirsik, V. (2010) Hybrid
expert system shell. Proceedings of the 4th
European computing conference., 148–153.
4. Sahin, S., Tolun, M.R., Hassanpour, R. (2012)
Hybrid expert systems: A survey of current
approaches and applications. Expert Systems with
Applications, 39, 4609–4617. doi:
10.1016/j.eswa.2011.08.130.
5. Пятковский, О.И., Габова, М.А. (2013)
Построение модели оценки потенциала
инновационного проекта и её оценки на основе
гибридных экспертных систем. Управление,
вычислительная техника и информатика, 101–
104. doi: 10.14258/izvasu(2013)1.2-20.
6. Ручкин, В.Н., Фулин, В.А. (2009) Универсальный
искусственный интеллект и экспертные
системы. СПб.: БХВ-Петербург, 240.
7. Vychuzhanin, V.V., Konovalov, S.N. (2017)
Method for antifault control of complex technical
systems. Development of transport, a collection of
scientific works. Odessa: ONMU, 1(1), 45-59.
References
1. Vychuzhanin, V.V., Konovalov, S.N.,
Vychuzhanin, A.V. (2017) Development of
antifault control method with hybrid expert system.
Materials of the VI International Scientific-
Practical Conference «Information Control Systems
and Technologies», Odessa: ONMU, 203–205.
2. Liebowitz J. (1997) Worldwide Perspectives and
Trends in Expert Systems. An Analysis Based on
the Three World Congresses on Expert Systems.
American Association for Artificial Intelligence,
Volume 18, 2, 115–119. doi:
10.1609/aimag.v18i2.1297. [Online]. Available:
https://doi.org/10.1609/aimag.v18i2.1297.
3. Polach, P., Valenta, J., Jirsik, V. (2010) Hybrid
expert system shell. Proceedings of the 4th
European computing conference., 148–153.
4. Sahin, S., Tolun, M.R., Hassanpour, R. (2012)
Hybrid expert systems: A survey of current
approaches and applications. Expert Systems with
Applications, 39, 4609–4617. doi:
10.1016/j.eswa.2011.08.130.
5. Pjatkovskij, O.I., Gabova, M.A. (2013) Postroenie
modeli ocenki potenciala innovacionnogo proekta i
ejo ocenki na osnove gibridnyh jekspertnyh sistem.
Upravlenie, vychislitel'naja tehnika i informatika,
101–104. doi: 10.14258/izvasu(2013)1.2-20
6. Ruchkin, V.N., Fulin, V.A. (2009) Universal'nyj
iskusstvennyj intellekt i jekspertnye sistemy. SPb.:
BHV-Peterburg, 240.
7. Vychuzhanin, V.V., Konovalov, S.N. (2017)
Method for antifault control of complex technical
systems. Development of transport, a collection of
scientific works. Odessa: ONMU, 1(1), 45-59.
RESUME
S.N. Konovalov, A.A. Yegoshyna
Peculiarities of development of the
artificial neural network used in the hybrid
expert system
This article describes the value and
basis for the development of research of
artificial neural networks as one of the major's
compiling of hybrid expert systems used for
emergency management in complex technical
systems. An analysis of the main studies and
publications was carried out, which resulted
in the identification of the main features and
shortcomings of the neural network method, as
the basis for hybrid expert systems, in relation
to other popular methods for antifault control.
The functioning of neurons was considered.
A description of their structure, main charac-
terristics, as well as reaction under various
operating conditions, which affect the reliabi-
lity of data showing the performance charac-
terristics of a complex technical system is
presented. In particular, the state or potential
of the neuron, the probability of operation of
this particular neuron, the output signal of the
neuron were considered. The output signal of
a neuron is represented by a transfer function,
which, in turn, is of three types: stepwise
(threshold) linear or non-linear. With the
description of individual neurons, a transition
is made to the general structure of the
artificial neural network. A method is
presented, in which a multilayer recurrent
artificial neural network is used, with an
additional application of the back propagation
method of the error, in general, and its
training is shown. These methods are
mutually complementary. The artificial neural
network itself is a multilayer perceptron that
has several hidden layers and a layer of
recurrent neurons. In addition, it describes the
use of such a network for analyzing and
forecasting the state of operability for a single
complex technical system, which consists of
four technical nodes. As a result, data were
obtained in training the network, as well as
the forecast data itself, which had a high
degree of reliability, which confirms the
important role of artificial neural networks in
hybrid expert systems for antifault control of
complex technical systems.
Надійшла до редакції 01.10.2018
|