КАТЕГОРИИ: Архитектура-(3434)Астрономия-(809)Биология-(7483)Биотехнологии-(1457)Военное дело-(14632)Высокие технологии-(1363)География-(913)Геология-(1438)Государство-(451)Демография-(1065)Дом-(47672)Журналистика и СМИ-(912)Изобретательство-(14524)Иностранные языки-(4268)Информатика-(17799)Искусство-(1338)История-(13644)Компьютеры-(11121)Косметика-(55)Кулинария-(373)Культура-(8427)Лингвистика-(374)Литература-(1642)Маркетинг-(23702)Математика-(16968)Машиностроение-(1700)Медицина-(12668)Менеджмент-(24684)Механика-(15423)Науковедение-(506)Образование-(11852)Охрана труда-(3308)Педагогика-(5571)Полиграфия-(1312)Политика-(7869)Право-(5454)Приборостроение-(1369)Программирование-(2801)Производство-(97182)Промышленность-(8706)Психология-(18388)Религия-(3217)Связь-(10668)Сельское хозяйство-(299)Социология-(6455)Спорт-(42831)Строительство-(4793)Торговля-(5050)Транспорт-(2929)Туризм-(1568)Физика-(3942)Философия-(17015)Финансы-(26596)Химия-(22929)Экология-(12095)Экономика-(9961)Электроника-(8441)Электротехника-(4623)Энергетика-(12629)Юриспруденция-(1492)Ядерная техника-(1748) |
Генетические алгоритмы для поддержки нейронных сетейНейронные сети для поддержки генетических алгоритмов Большинство исследователей изучали возможности примене ния генетических алгоритмов для обеспечения работы нейронных се- тей. К немногочисленным обратным случаям относится гибридная сие тема, предназначенная для решения задачи трассировки [26, 27], которая классифицируется в [39] как пример вспомогательного объединения нейронных сетей и генетических алгоритмов. В этой системе генетический алгоритм используется в качестве оптимизационной процедуры, предназначенной для нахождения кратчайшего пути. Нейронная сеть применяется при формировании исходной популяции для генетического алгоритма. Этот подход схематичиески иллюстрируется на рис. 4.117. Подход, основанный на использовании генетического алгоритма для обеспечения работы нейронной сети, схематически представлен на рис. 4.118. Известно множество работ, посвященных подобному объединению рассматриваемых методов. Можно выделить три области проблем [39]: - применение генетического алгоритма для подбора параметров либо преобразования пространства параметров, используемых нейронной сетью для классификации; -применение генетического алгоритма для подбора правила обучения либо параметров, управляющих обучением нейронной сети; Нейронная сеть
Нейронная сеть (например, исходная популяция) Генетический алгоритм
Рис. 4.116. Генетический алгоритм и нейронная сеть независимо применяются для решения одной и той же задачи.
Рис. 4.117. Вспомогательное объединение нейронной сети с генетическим алгоритмом. Глава 4. Генетические алгоритмы 4.12. Эволюционные алгоритмы в нейронных сетях
Решение ie объединение генетического алгоритма с нейронной Рис. 4.118. Вспомоп - применение генетического алгоритма для анализа нейронной сети. Две первые области приложения генетических алгоритмов в нейронных сетях, вообще говоря, позволяют улучшать функционирование сетей (т.е. решают проблему синтеза), тогда как третья служит для анализа их функционирования. Начнем обсуждение с последней позиции. Анализ нейронных сетей. Некоторые исследователи применяли генетические алгоритмы в качестве вспомогательного инструмента для выяснения закономерностей функционирования нейронных сетей либо анализа эффективности их работы [5, 10, 11, 42]. Генетический алгоритм использовался для построения «инструментальной системы», облегчающей понимание функционирования сети - попросту говоря, для выяснения, что и почему делает сеть. Такое понимание необходимо для того, чтобы нейросетевой классификатор не воспринимался в качестве «черного ящика», который формирует ответ неким таинственным образом, и чтобы решения по классификации объектов были объяснимыми. Подобный «инструментарий» (explanation facilities) используется в большинстве экспертных систем. Построение этих инструментов для их применения в нейронных сетях считается более масштабной проблемой, относящейся к анализу сетей [11]. Генетический алгоритм применялся для построения так на-
к кодовых векторов (codebook vectors), представляющих собой входные сигналы, при которых функция активации конкретного выходного нейрона сети принимает максимальное или близкое к нему значение. Входные векторы представлялись в хромосомах множеством вещественных чисел от 0,0 до 1,0. Анализировалась нейронная сеть, предназначенная для решения задачи классификации [10, 11]. Аналогичный подход применялся для сети ART1 (частного случая ART с двоичными входными сигналами) [5]. С помощью генетического алгоритма также проводился анализ нейронной сети, используемой в качестве модели ассоциативного запоминающего устройства [42]. Приведенные примеры характеризуют вспомогательное объединение генетических алгоритмов и нейронных сетей [39], хотя и не могут считаться типичными по отношению к схеме, представленной на рис. 4.118 Подбор параметров либо преобразование пространства параметров. Генетический алгоритм используется при подготовке данных для нейронной сети, играющей роль классификатора. Эта подготовка может выполняться путем преобразования пространства параметров либо выделением некоторого подпространства, содержащего необходимые параметры Первый из этих методов, так называемое преобразование пространства параметров, применяется чаще всего в алгоритмах типа «ближайший сосед», хотя известны также его приложения в нейросе-тевых классификаторах [24]. Второй подход заключается в выделении подмножества учитываемых параметров. Оказывается, что ограничение множества параметров часто улучшает функционирование нейронной сети в качестве классификатора и, к тому же, сокращает объемы вычислений. Подобное ограничение множества учитываемых нейронной сетью параметров применялось, в частности, для контроля сценариев происшествий на ядерных объектах [17], а также для распознавания китайских иероглифов [22]. Известны и другие примеры [39] подготовки данных для нейронных сетей при помощи генетических алгоритмов. Подбор параметров и правил обучения. Генетический алгоритм также применяется для подбора параметров обучения - чаще всего скорости обучения (learning rate) и так называемого момента для алгоритма обратного распространения ошибки [3, 20, 38]. Такое адаптивное уточнение параметров алгоритма обратного распространения (они кодируются в хромосомах) в результате эволюции может рассматриваться как первая попытка эволюционной модификации правил обучения [47]. Вместо непосредственного применения генетического алгоритма для подбора параметров обучения развивается эволюционный подход, направленный на построение оптимального правила (алгоритма) обучения [6]. Эволюция правил обучения будет представлена в п. 4.12.7.3. Заметим, что эволюционная концепция уже может рассматриваться как переход от вспомогательного к равноправному объединению генетического алгоритма и нейронных сетей. Глава 4. Генетические алгоритмы 4.12. Эволюционные алгоритмы в нейронных о
4.12.4. Применение генетических алгоритмов для обучения Мысль о том, что нейронные сети могут обучаться с помощью генетического алгоритма, высказывалась различными исследователями. Первые работы на эту тему касались применения генетического алгоритма в качестве метода обучения небольших однонаправленных нейронных сетей [44], но в последующем было реализовано применение этого алгоритма для сетей с большей размерностью [39]. Как правило, задача заключается в оптимизации весов нейронной сети, имеющей априори заданную топологию. Веса кодируются в виде двоичных последовательностей (хромосом). Каждая особь популяции характеризуется полным множеством весов нейронной сети. Оценка приспособленности особей определяется функцией приспособленности, задаваемой в виде суммы квадратов погрешностей, т.е. разностей между ожидаемыми (эталонными) и фактически получаемыми значениями на выходе сети для различных входных данных. Приведем два важнейших аргумента в пользу применения генетических алгоритмов для оптимизации весов нейронной сети. Прежде всего, генетические алгоритмы обеспечивают глобальный просмотр пространства весов и позволяют избегать локальные минимумы. Кроме того, они могут использоваться в задачах, для которых информацию о градиентах получить очень сложно либо она оказывается слишком дорогостоящей. Эволюционному обучению нейронных сетей, т.е. эволюции весов связей, посвящен п. 4.12.7.1. 4.12.5. Генетические алгоритмы для выбора топологии В качестве наиболее очевидного способа объединения генетического алгоритма с нейронной сетью интуитивно воспринимается попытка закодировать в генотипе топологию объекта (в рассматриваемом случае - нейронной сети) с указанием количества нейронов и связей между ними при последующем определении весов сети с помощью любого известного метода [39]. Проектирование оптимальной топологии нейронной сети может быть представлено в виде поиска такой архитектуры, которая обеспечивает наилучшее (относительно выбранного критерия) решение конкретной задачи. Такой подход предполагает перебор пространства архитектур, составленного из всех возможных вариантов, и выбор точки этого пространства, наилучшей относительно заданного критерия оптимальности [49]. С учетом достоинств эволюционного проектирования архитектуры в последние годы было выполнено большое количество исследований [45, 20, 17], в которых основное внимание уделялось эволюции соединений нейронной сети, т.е. количества нейронов и топологии связей между ними. Лишь в некоторых работах рассматривалась эволюция функций переходов, хотя эти функции считаются важным
элементом архитектуры и оказывают существенное влияние на функционирование нейронной сети. Также, как и в случае эволюционного обучения, первый шаг эволюционного проектирования архитектуры заключается в формировании исходного множества рассматриваемых вариантов. Типовой цикл эволюции архитектур представлен в п. 4.12.7.2.
Дата добавления: 2015-06-04; Просмотров: 907; Нарушение авторских прав?; Мы поможем в написании вашей работы! Нам важно ваше мнение! Был ли полезен опубликованный материал? Да | Нет |